【史上最全】【一行代码即可】对所有测试样例可用的TSP数据集加载器+TS算法、ACO算法、PSO算法

由于TSP问题数据类型多样，储存方式、评价指标多样，因此想成功加载所有数据需要写较多逻辑。本项目就解决了这个问题。我还封装了类来简化使用。
项目配合写了latex小论文

代码

代码地址

https://github.com/LT1st/System_engineering_programm/tree/master/code

项目地址

https://github.com/LT1st/System_engineering_programm

# -*- coding: utf-8 -*-
# 数据加载
from dataloader.Dataloader_for_TSP_datasets import TSP_DATA
from dataloader.load_TSP_from_floder import get_all_TSP_and_ATSP_in_floder
# 算法加载
from collection.SA import SA
from collection.PSO import PSO
from collection.TS import TS
from dataloader.DP import DP
# 可视化加载
from visualization.from_matrix import from_matrix,root_from_list
# 加载数据
samples,samples_atsp = get_all_TSP_and_ATSP_in_floder()
# 从网页爬取最佳数据
from dataloader.get_best_solution import get_best_result_from_web

samples_name_list = []
# 构建字典，储存各个算法结果
SA_dict = {}
DP_dict = {}
PSO_dict = {}
TS_dict = {}


#data = TSP_DATA('D:\\0latex\\System_engineering_programm\\TSP_tst_data\\lin318.tsp.gz',debug=True)

# 遍历测试样例
for sample in samples:
    data = TSP_DATA(sample)
    print(data.NAME,"successful",data.EDGE_WEIGHT_TYPE)
    samples_name_list.append(data.NAME)

    model = SA(num_city = data.DIMENSION , mat = data.matrix)
    path, path_len = model.run()
    SA_dict[data.NAME] = path_len
    # 路径可视化
    #root_from_list(path,data.matrix)
    
    model = DP(num_city=data.DIMENSION, num_total=25, iteration=500, data=data.matrix)
    path, path_len = model.run()
    DP_dict[data.NAME] = path_len
    # 路径可视化
    #root_from_list(path,data.matrix)
    
    model = PSO(num_city = data.DIMENSION , mat = data.matrix)
    path, path_len = model.run()
    PSO_dict[data.NAME] = path_len
    # 路径可视化
    #root_from_list(path,data.matrix)
    
    model = TS(num_city = data.DIMENSION , mat = data.matrix)
    path, path_len = model.run()
    TS_dict[data.NAME] = path_len
    # 路径可视化
    #root_from_list(path,data.matrix)

    
get_best_result_from_web()

详细看readme.md

代码说明

• 算法设计阶段使用了jupyter notenook，请开启服务后打开文件。同时也提供线上运行环境，论文中会给出colab连接。
• 工程化实现使用python类和包结构
• 所有代码存放在 code 文件夹下

main.py

主文件

dataloader

Dataloader_for_TSP(ATSP)_datasets 好用的数据集的加载器

• 提供了用于TSP数据集的加载器TSP_DATA，能适用于大多数TSP测试样例。
• 目前网络上代码仅能适用于固定长度的测试样例，非常原始。本项目中的TSP_DATA类能根据数据表头自动获取数据类型、计算方式等信息。
• 可同时根据数据集变化，动态需求计算邻接矩阵和邻接表，保存在类内变量中
• 可自动访问网络，获取各测试样例当前最优值，比较算法精度
• 通过全局变量和修饰器获取数据加载、计算耗时
• 自动数据集下载脚本，运行既获取

Visualization 提供了数据可视化

• 利用networkx库，解决了大多数TSP测试样例未提供坐标，无法可视化的问题
• 根据加载器类TSP_DATA返回可视化数据，数据接口无需调整

collection 算法合集

• TSP求解算法。由于时间有限，又想测试尽可能多的算法，因此使用了部分网络开源代码

my_algorithm 算法合集

• 存放我写的算法代码，无法直接用在工程中，用于验证

TSP_dataloader_package 开源的py-pi库

存放我的开源pip库：官方网站

测试函数时间跨文件测量

测量函数运行时间，用于后续训练

== 本项目用于2022春季学期课程设计 ==

• 算法实现语言：Python
• 写作：LaTex
• 论文编译器：Overleaf
• 思维导图笔记：Xmind
• 文献管理：Zeotero
• 开源项目地址：@Github
• 开源库地址：@Pypi

文件结构

• final_report 最终报告latex文档代码

• mid_term 中期文档latex代码

• proposal 开题latex代码

• code 代码

• TSP_tst_data TSP测试数据

• 读取失败的测试样例 由于维度太大导致加载不出来的失败情况

• 20220421-TSP 任务要求

BUG

• i=j时候计算距离应该是 inf 需要定义一个很大值
• 加入直接可视化 networkx
• ATSP转换TSP后，需要内部状态改变

代码说明

• 算法设计阶段使用了jupyter notenook，请开启服务后打开文件。同时也提供线上运行环境，论文中会给出colab连接。
• 工程化实现使用python类和包结构
• 所有代码存放在 code 文件夹下

dataloader

Dataloader_for_TSP(ATSP)_datasets 好用的数据集的加载器

• 提供了用于TSP数据集的加载器TSP_DATA，能适用于大多数TSP测试样例。
• 目前网络上代码仅能适用于固定长度的测试样例，非常原始。本项目中的TSP_DATA类能根据数据表头自动获取数据类型、计算方式等信息。
• 可同时根据数据集变化，动态需求计算邻接矩阵和邻接表，保存在类内变量中
• 可自动访问网络，获取各测试样例当前最优值，比较算法精度
• 通过全局变量和修饰器获取数据加载、计算耗时
• 自动数据集下载脚本，运行既获取

Visualization 提供了数据可视化

• 利用networkx库，解决了大多数TSP测试样例未提供坐标，无法可视化的问题
• 根据加载器类TSP_DATA返回可视化数据，数据接口无需调整

collection 算法合集

• TSP求解算法。由于时间有限，又想测试尽可能多的算法，因此使用了部分网络开源代码

my_algorithm 算法合集

• 存放我写的算法代码，无法直接用在工程中，用于验证

TSP_dataloader_package 开源的py-pi库

存放我的开源pip库：官方网站

测试函数时间跨文件测量

测量函数运行时间，用于后续训练

使用方法

::在控制台输入安装
pip install -i https://test.pypi.org/simple/ TSP-dataloader

维护方法

0. 改版本号，维护setup.py
1. 打包

::在控制台输入
python setup.py sdist bdist_wheel

2. 上传到测试环境

::在控制台输入 当前文件夹路径与setpy.py一致
python -m twine upload --repository testpypi dist/*

::使用测试环境
python -m pip install --index-url https://test.pypi.org/simple/ --no-deps example-pkg-YOUR-USERNAME #其中 example-pkg-YOUR-USERNAME 即自己指定的包名

3. 发布正式包

python -m twine upload --repository testpypi dist/* -u __token__  -p pypi-密码在qq收藏备份 --verbose

This is an implementation of TSP dataloader.

Features

• All test samples available.
• Download sample automatically.
• Get best solution on web.
• Convert to adjacence matrix, adjacence table, coordinate table.
• Easily visualizing for all kinks of data.
• DEMO for SOM, GA, TS, etc.

Attention

• Larage DIMENSION will cause memory leak.

How to use

1. Get a TSP_DATA class

Chose a method to get a $TSP_DATA class $ at first.
Use $ge{t}_{a}l{l}_{T}S{P}_{a}n{d}_{A}TS{P}_i{n}_{f}loder()$ to get all atsp and tsp file path in a floder.

import TSP_dataloader as DL
# get all paths of all files in floder
tsp_files , atsp_files = get_all_TSP_and_ATSP_in_floder("Your dataset floder here")
# go throuht all samples
for tsp_file in tsp_files:
    data_class = DL.TSP_load("Your simgle TSP file path here")

Use $TS{P}_{l}oad()$ to get a single $TS{P}_{D}ATA$ class.

import TSP_dataloader as DL
data_class = DL.TSP_load("Your simgle TSP file path here")

Use $TSP_DATA class $ directly.

import TSP_dataloader as TSP_DATA
data_class = TSP_DATA("Your simgle TSP file path here")

2. What TSP_DATA class offers

Get adjacency matrix.

data_class.get_matrix()

Get adjacency table.

data_class.get_table()

Get coorodinate list.

data_class.get_coorodinate_list()

Basic elements.

类内变量：
必有：
    self.NAME         测试样例名称
    self.TYPE         测试样例类型  TSP ATSP
    self.DIMENSION.      维度
    self.EDGE_WEIGHT_TYPE   边权值计算方式 决定读取方式 
    self.matrix        矩阵形式数据
    self.table .       邻接表形式数据

可能有：
    self.EDGE_WEIGHT_FORMAT
    self.EDGE_DATA_FORMAT
    self.NODE_COORD_TYPE required if EDGE_WEIGHT_TYPE is not WeightKind::Explicit

3. Tst some alogrithm

from TSP_dataloader import SOM,DP,SA

samples = get_all_TSP_and_ATSP_in_floder()

samples_name_list = []
SOM_dict = {}
SA_dict = {}
DP_dict = {}

# go through
for sample in samples:
    data = TSP_DATA(sample)
    samples_name_list.append(data.NAME)

    model = SOM(num_city=data.DIMENSION, data=data.matrix)
    path, path_len = model.run()
    SOM_dict[data.NAME] = path_len

    model = SA(num_city = data.DIMENSION , mat = data.matrix)
    path, path_len = model.run()
    SA_dict[data.NAME] = path_len

    model = DP(num_city = data.DIMENSION , mat = data.matrix)
    path, path_len = model.run()
    DP_dict[data.NAME] = path_len

4. Try some ADVANCED method

alternative input to make load quicker

def TSP_load(path, requireTable=True, requireMatrix=True, load_now =True):
  """传入单个数据地址，读取并且加载数据的表头
  path:
    单个测试样例的数据地址
  requireTable:
    需要邻接表？
  requireMatrix：
    需要邻接矩阵？  
  """

check if the matrix is summetry.

data_class.check_if_summetry(matrix_to_be_checked)

Get best result from web. Return a dict indexed by NAME.

data_class.dict_best_result = get_best_result_from_web()

Convert ATSP to TSP.

data_class.ATSP2TSP_np()

check if any inner-class variable wrong

data_class.check_if_reasonable()

TODO

• Add timmer across files. Using another func?
• 画图
• 注意线上版本和给老师的不一样
• if ‘3D’ in self.评估 使用三维数据加载器，坐标表间隔设成4

其他文件夹

• 记录课程的开题、中期、答辩。使用$Latex$编写。
• 存放数据集
• 记录加载报错的测试样例（主要是由于维度过高，内存溢出）