0


人工智能 - 遗传算法解决TSP(旅行商问题) Python实现

写在最前面

** 代码非原创!, ****代码非原创!, **代码非原创!

代码主体部分来自于B站up主且有视频讲解,我在阅读之后觉得up写得不错,并在原代码的基础上用Echarts完善了最后数据可视化的部分。以下是我对该算法做的图文 + 注释导读,希望对看完视频还有不理解的同学有所帮助。

    附上原视频 :【算法】遗传算法解决旅行商(TSP)问题_哔哩哔哩_bilibili

    源代码的GitHub地址:https://github.com/zifeiyu0531/ga-tsp

** 为了更好的阅读,建议先去GitHub仓库clone源代码!!!**


一.数据结构分析

   为了更好的理解源代码,需对代码中使用到的两个类【individual】和【Ga】有一定的了解

1.individual类

    **源码如下:**
class Individual:
    def __init__(self, genes=None):
        # 随机生成序列
        if genes is None:
            genes = [i for i in range(gene_len)]
            random.shuffle(genes)
        self.genes = genes
        self.fitness = self.evaluate_fitness()

    # 适应度即以当前序列走完一个闭合曲线的路径之和
    def evaluate_fitness(self):
        # 计算个体适应度
        fitness = 0.0
        for i in range(gene_len - 1):
            # 起始城市和目标城市
            from_idx = self.genes[i]
            to_idx = self.genes[i + 1]
            fitness += city_dist_mat[from_idx, to_idx]
        # 连接首尾【最后一个城市->起点城市】
        fitness += city_dist_mat[self.genes[-1], self.genes[0]]
        return fitness
          **导读解析:**

individual类:

代表了每一个迭代【Ga】中的【个体】
每个个体拥有如下【属性/特征】
· 【genes】基因序列: TSP中抽象为一次路线规划
· 【fitness】适应度 :TSP中抽象为按路线规划完一次的路径之和
每个个体拥有如下【方法/能力】
·【evaluate_fitness】计算适应度: 根据个体的genes计算其适应度

    **举例说明:**

假设现有一个individual,其基因序列【genes】如下:

[2, 5, 9, 0, 8, 14, 4, 7, 11, 13, 12, 1, 3, 6, 10, 2]

其代表从 2号城市出发,依次经过 5号 , 9号,0 号城市..,最终返回一号城市

附上用Echarts绘制的图片便于理解

该个体的fitness即:按照【genes】序列走往图上一圈后,所有线段的距离之和,

具体到图例就是各连线上的【数值】之和:

fitness = 0.17 + 0.26 + 0.0.7 +0.13 + 0.26 + .... +0.11


2.Ga类

          **源码如下:**

            类中包含了实现遗传算法的算法具体实现,将在后文中详解,可先了解其
class Ga:
    def __init__(self, input_):
        global city_dist_mat
        city_dist_mat = input_
        self.best = None  # 每一代的最佳个体
        self.individual_list = []  # 每一代的个体列表
        self.result_list = []  # 每一代对应的解
        self.fitness_list = []  # 每一代对应的适应度

    # 进行每代个体之间的交叉  返回生成的新基因list
    def cross(self):
        # 具体实现省略,后文给出
        return new_gen

    # 变异 用reverse来模拟变异
    def mutate(self, new_gen):
        # 具体实现省略, 后文给出
        self.individual_list += new_gen

    def select(self):
          # 具体实现省略, 后文给出
        self.individual_list = winners

    @staticmethod
    def rank(group):
        # 冒泡排序  以fitness为依据
        for i in range(1, len(group)):
            for j in range(0, len(group) - i):
                if group[j].fitness > group[j + 1].fitness:
                    group[j], group[j + 1] = group[j + 1], group[j]
        return group

    def next_gen(self):
        # 交叉
        new_gen = self.cross()
        # 变异
        self.mutate(new_gen)
        # 选择
        # 选择
        self.select()   # 有多种算法 轮盘赌 / 锦标赛
        # 获得这一代留下的individual_list
        for individual in self.individual_list:
            # 遍历比较得到该代最好的individual
            if individual.fitness < self.best.fitness:
                self.best = individual

    def train(self):
        # 初代种群
        self.individual_list = [Individual() for _ in range(individual_num)]
        self.best = self.individual_list[0]
        for i in range(gen_num):
            self.next_gen()
            result = copy_list(self.best.genes)
            result.append(result[0])
            self.result_list.append(result)
            self.fitness_list.append(self.best.fitness)
        return self.result_list, self.fitness_list, self.individual_list
    **导读解析:**

Ga类

代表了每一次的种群迭代

每个迭代拥有如下【属性/特征】

  • 【best】 每一代筛选出来的最优个体【best】 - 最优的判断标准为: 其fitness在该代中最小,即路径之和最短
  • 【individual_list】 个体表 其中存放每次迭代过程中存货的个体[individual]
  • 【result_list】 每一代筛选出来的最优个体【best】的genes序列将保存在该list中
  • 【fitness_list】 每一代筛选出的最优个体【best】的fitness适应度将保存到该list中

每个迭代拥有如下【方法/能力】:

  • 【cross】交叉遗传

  • 【mutate】随机变异

  • 【select】竞争存活 - 【rank】具体模拟”竞争“的算法

  • 【next_gen】生成下一个迭代 - 即按一定顺序进行【cross】/【mutate】/【select】

  • 【train】模拟整个遗传算法并生成最后结果 - 获取最终结果【result_list】+【fitness_list】


二.主要算法实现

1.cross 交叉遗传

            先放图文解析,便于理解。

            以某一次的交叉遗传为例

A.打乱individual_List,随机选择两个individual的随机长度的基因序列

            假设此次选取了13号和20号个体【长度为3】,【起始位置为:1】的基因序列进行cross

B.错误的Cross

注意:

两个片段直接cross不是简单的交换序列,这样会导致一个individual中存在相同“城市DNA”的问题,如下图所示:

C.正确的Cross

正确的Cross:

    两个待交换片段互相提供想要交换的城市DNA编码,然后在各自的DNA序列中进行交换。**将原有的individual间的片段交换,转换为individual内片段的交换.**

下面以一次实际交换为例进行分析:


D.算法实现

算法的核心是需要记录序列中每个DNA的位置,可采用字典进行记录,每次swap后动态更新字典,即可实现简单的Cross。

    # 进行每代个体之间的交叉  返回生成的新基因list
    def cross(self):
        new_gen = []
        # 打乱该代的个体列表
        random.shuffle(self.individual_list)
        # 选取相邻的两个个体进行交叉
        for i in range(0, individual_num - 1, 2):
            # 父代基因
            genes1 = copy_list(self.individual_list[i].genes)
            genes2 = copy_list(self.individual_list[i + 1].genes)
            # 随机选择两个父代基因的截断位置进行交叉
            # 交换的长度由index2-index1的长度决定
            # index1需至少留下一个位置给index2 所以其random的取值为 len - 2
            index1 = random.randint(0, gene_len - 2)
            index2 = random.randint(index1, gene_len - 1)
            # 得到parent基因的原序列字典
            pos1_recorder = {value: idx for idx, value in enumerate(genes1)}
            pos2_recorder = {value: idx for idx, value in enumerate(genes2)}
            # (index1, index2 即为选出的待交换的片段)
            for j in range(index1, index2):
                # 取出parent基因j位置的值
                value1, value2 = genes1[j], genes2[j]
                # pos1查找母序列j位置的值在父序列的原位置
                # pos2查找父序列j位置的值在母序列的原位置
                pos1, pos2 = pos1_recorder[value2], pos2_recorder[value1]
                # 根据pos和j交换单个序列模拟cross
                genes1[j], genes1[pos1] = genes1[pos1], genes1[j]
                genes2[j], genes2[pos2] = genes2[pos2], genes2[j]
                # 更新插入数据字典
                pos1_recorder[value1], pos1_recorder[value2] = pos1, j
                pos2_recorder[value1], pos2_recorder[value2] = j, pos2
            # 将生成的新基因append到list中
            new_gen.append(Individual(genes1))
            new_gen.append(Individual(genes2))
        return new_gen

2.mutate 随机变异

变异的方法有很多种,源程序中选取的是【反转reverse基因片段】

即随机选取一定长度的基因片段,将该片段反转后替换原片段。

用下图举一个简单的例子:

源代码:

    # 变异 用reverse来模拟变异
    def mutate(self, new_gen):
        # 从cross得到的新基因序列中遍历个体
        for individual in new_gen:
            # 根据生成的随机数与【变异概率相比较】
            if random.random() < mutate_prob:
                # 翻转切片
                old_genes = copy_list(individual.genes)
                # 随机选取进行mutate的基因片段
                index1 = random.randint(0, gene_len - 2)
                index2 = random.randint(index1, gene_len - 1)
                # 截取基因片段
                genes_mutate = old_genes[index1:index2]
                # reverse基因片段
                genes_mutate.reverse()
                # 更新mutate后的individual的genes
                individual.genes = old_genes[:index1] + genes_mutate + old_genes[index2:]
        # 两代合并
        self.individual_list += new_gen

3.select 竞争

竞争的目的是筛选出每代保留下的个体,即生成新的individual_list。筛选的方法依据遗传算法的知识可知,有多种可以选择,例如:轮盘赌算法,锦标赛算法。

本次采用锦标赛算法,具体逻辑在这里就不多赘述了。直接贴上源码

    def select(self):
        # 锦标赛算法筛选此次迭代最终留下的individual
        group_num = 10  # 小组数
        group_size = 10  # 每小组人数
        group_winner = individual_num // group_num  # 每小组筛选出的individual【获胜者】
        winners = []  # 锦标赛结果
        for i in range(group_num):
            group = []
            for j in range(group_size):
                # 随机组成小组
                player = random.choice(self.individual_list)    # 随机选择参赛者
                player = Individual(player.genes)   # 抽取参赛者的基因序列
                group.append(player)
            group = Ga.rank(group)  # 对本次锦标赛获胜者按适应度排序
            # 取出获胜者
            winners += group[:group_winner]
        self.individual_list = winners

    @staticmethod
    def rank(group):
        # 冒泡排序  以fitness为依据
        for i in range(1, len(group)):
            for j in range(0, len(group) - i):
                if group[j].fitness > group[j + 1].fitness:
                    group[j], group[j + 1] = group[j + 1], group[j]
        return group

4.next_gen 迭代

迭代的函数的作用: 将前面介绍的【cross】+【mutate】+【select】按一定的顺序执行,达到模拟一次遗传算法的过程,以一个流程图该函数的执行顺序.

A.流程图

B.源代码

    def next_gen(self):
        # 交叉
        new_gen = self.cross()
        # 变异
        self.mutate(new_gen)
        # 选择
        # 选择
        self.select()   # 有多种算法 轮盘赌 / 锦标赛
        # 获得这一代留下的individual_list
        for individual in self.individual_list:
            # 遍历比较得到该代最好的individual
            if individual.fitness < self.best.fitness:
                self.best = individual

三.数据可视化

遗传算法执行完后,将得到【result_list】和【fitness_list】两个list,其内容分别为:

·【result_list】:每次迭代过程中保存的最优秀个体【best_genes】的集合,共40个

·【fitness_list】:【result_list】中每个【best_genes】对应的fitness集合,共40个

因此,现在要做的是将【result_list】中的最后一个元素取出作为【result】,因为该list中的最后一元素即最后一次迭代过程中【best_genes】,将其基因序列按坐标形式绘制并依次连接相邻两点,最终将得到路线图,我在up主源代码的基础上稍做了一些变动,既有Python原生实现的方法,也有Vue + Echarts实现的方案。

1.Python实现可视化

基于Python的matplotlib.pyplot库实现,使用前请先自行安装。

每次运行后,生成的图片将自动保存到【项目文件夹下】

只给出绘图部分的代码,替换github代码仓库中main.py中相对应的部分即可

# 绘图
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

# 根据结果绘图
fig = plt.figure()
x = result_pos_list[:, 0].copy().tolist()
y = result_pos_list[:, 1].copy().tolist()
np.savetxt("data.txt",result_pos_list)
# print("x轴", x)
# print("y轴", y)
# [:, 0]表示将二维数组的第一个下标全部取出并保存为一维数组 这里对应每个初始X轴的坐标
plt.plot(x, y, 'o-r',label="路线")
for a, b in zip(x, y):  # 添加这个循环显示坐标
    a = round(a, 3)
    b = round(b, 3)
    plt.text(a, b, (a, b), ha='center', va='bottom', fontsize=10)
plt.title(u"路线")
plt.legend()
fig.show()
plt.savefig("./route.png")
plt.clf()
fig = plt.figure()
plt.plot(fitness_list,  label="适应度")
plt.title(u"适应度曲线")
plt.legend()
plt.savefig("./fitness.png")

实现效果:

**观察绘制结果可发现:根据图片不能确定哪一个是起点,也不知道两城市之间的路径长度,若你认为这个图片已经能满足你的需求,则不需要再阅读接下来的部分。 **


2.Vue2 + Echarts实现可视化

Echarts是一个不错的可视化工具,若有Vue基础的同学可自行尝试以下代码。

实现思路:

    【前提】本次实验数据已被保存到了项目文件夹下的data.txt中

     使用input框读取data.txt文件

    对读取的数据内容进行处理,使其满足绘制Echarts图的要求

    导入Echarts包,调用API完成绘图。

A.tempalte部分

<div class="container">
    <input type="file" @change="getFile">
    <button @click="handleData">切片</button>
    <button @click="renderChart">绘图</button>
    <div class="echarts" ref="myChart" id="myChart"></div>
</div>

B.script部分

<script>
export default {
  data() {
    return {
      readData: '',
      routeX: [],
      routeY: [],
      routeData: [],
      routeLineData: [],
    },
     methods: {
    getFile(e) {
      const that = this
      console.log("选择的文件", e.target.files[0])
      const fs = new FileReader()
      fs.readAsText(e.target.files[0])
      fs.onload = function (e) {
        that.readData = this.result
      }
    },
    handleData() {
      const rawRes = this.readData.split('\r\n')
      rawRes.forEach((item, index) => {
        // console.log("x轴", item.split(' ')[0])
        // console.log("y轴",item.split(' ')[1])
        this.routeX.push(Number(item.split(' ')[0]) )
        this.routeY.push(Number(item.split(' ')[1]) )
        var nodeName = ''
        if (index === 15) {
          nodeName = "起点"
        }
        else {
          if(index !==0)
            nodeName = "城市" + (index + 1).toString()
        }
        var newArr = [Number(item.split(' ')[0] ) , Number(item.split(' ')[1] ), nodeName]
        this.routeData.push(newArr)
      })
      this.routeData.forEach((item, index) => {
        var newLineArr = []
        if (index != this.routeData.length - 1) {
          const distance = Math.sqrt(Math.pow(this.routeX[index]- this.routeX[index+1],2) + Math.pow(this.routeY[index] - this.routeY[index+1],2)).toFixed(2) 
          newLineArr = [
            {
              coord: [this.routeX[index], this.routeY[index]],
              
              label: {
                show: true,
                distance:0,
                formatter: function (params) {
                  return `${distance}`
                },
                position: "insideMiddleBottom",
                fontSize:8
              },
              lineStyle: {
                width: 1,
                type: 'solid',
                color: '#3E3E3E',
              },
            },
            {
              coord: [this.routeX[index + 1], this.routeY[index + 1]],
              lineStyle: {
                width: 1,
                type: 'solid',
                color: '#3E3E3E',
              },
            }
          ]
        }
        else {
          newLineArr = [
            {

              coord: [this.routeX[0], this.routeY[0],0],
              lineStyle: {
                width: 1,
                type: 'solid',
                color: '#3E3E3E',
              },
            },
            {
              coord: [this.routeX[index], this.routeY[index],1],
              lineStyle: {
                width: 1,
                type: 'solid',
                color: '#3E3E3E',
              },
            }
          ]
        }
        this.routeLineData.push(newLineArr)
      })
      // console.log("连线数据", this.routeLineData)
      // console.log("坐标数据", this.routeData)
    },
    renderChart() {
      // console.log("传入的数据", this.inputValue)
      this.setMyEchart()
    },
    setMyEchart() {
      const myChart = this.$refs.myChart;  //通过ref获取到DOM节点
      if (myChart) {
        const thisChart = this.$echarts.init(myChart);  //利用原型调取Echarts的初始化方法
        //{}内写需要图表的各种配置,可以在官方案例中修改完毕后复制过来
        // console.log("绘图数据", this.routeData)
        const option = {
          title: {
            text: "路线图"
          },
          tooltip: {
            trigger: "axis",
            formatter: function (params) {
              let x = params[0].value[0].toFixed(2)
              let y = params[0].value[1].toFixed(2)
              let city = params[0].value[2]
              return `<div style="color:blue">坐标:</div>
                      <div>x:${x}</div>
                      <div>y:${y}</div>
                      <div>${city}</div>`
            }
          },
          xAxis: {
          },
          yAxis: {
          },
          series: [
            {
              data: this.routeData,
              type: 'scatter',
              // label: {
              //   distance:5,
              //   show: true,
              //   position: "left",
              //   formatter: '{@[2]}',
              //   fontSize:9
              // },
              itemStyle: {
                color: function (node) {
                  if (node.dataIndex === 0 || node.dataIndex === 15) {
                    return 'red'
                  }
                  else {
                    return 'blue'
                  }
                }
              },
              markLine: {
                silent: false,
                symbol: 'none',
                data: this.routeLineData,
              }
            }
          ]
        };
        thisChart.setOption(option);  //将编写好的配置项挂载到Echarts上
        window.addEventListener("resize", function () {
          thisChart.resize();  //页面大小变化后Echarts也更改大小
        });
      }
    },
} 
</script>

C.css部分

<style>
    
.container {
  width: 100%;
  height: 100%;
  display: flex;
  justify-content: center;
  align-items: center;
}
.echarts {
  width: 500px;
  height: 500px;
  background-color: whitesmoke;

}
</style>

D.实现效果:


标签: python vue

本文转载自: https://blog.csdn.net/SCY164759920/article/details/127308383
版权归原作者 SCY164759920 所有, 如有侵权,请联系我们删除。

“人工智能 - 遗传算法解决TSP(旅行商问题) Python实现”的评论:

还没有评论