计算机设计大赛国奖作品_5. 模拟退火求解旅行商问题
Posted 小白YouCans
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了计算机设计大赛国奖作品_5. 模拟退火求解旅行商问题相关的知识,希望对你有一定的参考价值。
计算机设计大赛国奖作品_5. 模拟退火求解旅行商问题
本系列是2021年中国大学生计算机设计大赛作品“环境监测无人机航线优化”的相关文档,获得2021年西北赛区一等奖,国赛三等奖。学生习作,只供大家参考。
计算机设计大赛国奖作品_1. 项目概要
计算机设计大赛国奖作品_2. 报名材料
计算机设计大赛国奖作品_3. 需求分析
计算机设计大赛国奖作品_4. 界面设计
计算机设计大赛国奖作品_5. 核心算法
计算机设计大赛国奖作品_6. 测试报告
[计算机设计大赛国奖作品_7. 安装使用]
[计算机设计大赛国奖作品_8. 项目总结]
[计算机设计大赛国奖作品_9. PPT]
作品名称:环境监测无人机航线优化
第三章 详细设计
3.2 模拟退火求解旅行商问题
3.2.1 模拟退火算法概述
模拟退火算法是解决大规模组合优化问题的常用方法,可以解决无人机飞行路线的路径优化问题。
模拟退火算法结构简单,由温度更新函数、状态产生函数、状态接受函数和内循环、外循环终止准则构成。
温度更新函数是指退火温度缓慢降低的实现方案,也称冷却进度表;状态产生函数是指由当前解随机产生新的候选解的方法;状态接受函数是指接受候选解的机制,通常采用Metropolis准则。
外循环是由冷却进度表控制的温度循环;内循环是在每一温度下循环迭代产生新解的次数,也称Markov链长度。
模拟退火算法的基本步骤如下:
(1) 随机产生初始解 X_0;
(2)在温度
T
k
T_k
Tk下进行
L
k
L_k
Lk 次循环迭代:由当前解
X
o
l
d
X_old
Xold 产生新的候选解
X
n
e
w
X_new
Xnew,并按 Metropolis 接受准则以一定的概率接受候选解
X
n
e
w
X_new
Xnew 作为当前解:
∆
E
=
E
(
X
n
e
w
)
−
E
(
X
o
l
d
)
∆E=E(X_new)-E(X_old )
∆E=E(Xnew)−E(Xold)
P
=
1
,
∆
E
<
0
e
x
p
(
(
−
∆
E
)
/
T
k
)
,
∆
E
≥
0
P= \\begincases 1 , ∆E<0 \\\\ exp((-∆E)/T_k ),∆E≥0 \\endcases
P=1,∆E<0exp((−∆E)/Tk),∆E≥0
这里 E o l d E_old Eold、 E n e w E_new Enew分别是当前解 X o l d X_old Xold、新解 X n e w X_new Xnew 的目标函数值。
(3)按照冷却进度表控制退火温度,从温度初值缓慢降低,直到达到温度终值结束。
模拟退火算法要从当前解的邻域中产生新的候选解。新解的产生机制是在当前解序列的基础上进行变换操作,随机改变序列中某些点的排列次序,常见的基本变换操作有交换算子(Swap Operator)、反序算子(Inversion Operator)、移位算子(Move Operator)等。
交换算子将当前路径 S_now 中的第 i 个城市 C_i 与第 j 个城市 C_j 的位置交换,得到新路径 S_swap :
- S_now = C_1⋯C_(i-1)∙(C_i)∙C_(i+1)⋯C_(j-1)∙(C_j)∙C_(j+1)⋯C_n
- S_swap= C_1⋯C_(i-1)∙(C_j)∙C_(i+1)⋯C_(j-1)∙〖(C〗i)∙C(j+1)⋯C_n
反序算子也称2-opt,将当前路径 S_now 中从第 i 个城市 C_i 到第 j 个城市 C_j 之间的城市排列顺序反向翻转,得到新路径 S_inv :
- S_now = C_1⋯C_(i-1)∙(C_i∙C_(i+1)⋯C_(j-1)∙C_j)∙C_(j+1)⋯C_n
- S_inv = C_1⋯C_(i-1)∙〖(C〗j∙C(j-1)⋯C_(i+1)∙C_i)∙C_(j+1)⋯C_n
以下两节因涉及待发表论文,暂不公开。
3.2.2 操作算子的等价关系
(略)
3.2.3 联合算子改进算法
(略)
3.3 模拟退火求解旅行商问题 Python 程序
# SATSP_demo_V1_20201212.py
# 模拟退火算法求解旅行商问题 DEMO 程序
# v1.0:
# 模拟退火求解旅行商问题(TSP)基本算法
# (1) 直接读取城市坐标数据(CTSP31)
# (2) 仅采用2-交换方式产生新解
# (3) 图形输出:最优路径图,优化过程图
# (4) 城市间距离取整
# Copyright 2020 YouCans, XUPT
# Crated:2020-12-15
# -*- coding: utf-8 -*-
import math # 导入模块 math
import random # 导入模块 random
import pandas as pd # 导入模块 pandas 并简写成 pd
import numpy as np # 导入模块 numpy 并简写成 np
import matplotlib.pyplot as plt # 导入模块 matplotlib.pyplot 并简写成 plt
np.set_printoptions(precision=4)
pd.set_option('display.max_rows', 20) # youcans
pd.set_option('expand_frame_repr', False)
pd.options.display.float_format = ':,.2f'.format
# 子程序:初始化模拟退火算法的控制参数
def initParameter():
# custom function initParameter():
# Initial parameter for simulated annealing algorithm
tInitial = 100.0 # 设定初始退火温度(initial temperature)
tFinal = 1 # 设定终止退火温度(stop temperature)
alfa = 0.985 # 设定降温参数,T(k)=alfa*T(k-1)
nMarkov = 500 # Markov链长度,也即内循环运行次数
return alfa,nMarkov,tInitial,tFinal
# 子程序:计算各城市间的距离,得到距离矩阵
def getDistMat(nCities, coordinates):
# custom function getDistMat(nCities, coordinates):
# computer distance between each 2 Cities
distMat = np.zeros((nCities,nCities)) # 初始化距离矩阵
for i in range(nCities):
for j in range(i,nCities):
# np.linalg.norm 求向量的范数(默认求 二范数),得到 s1、s2 间的距离
distMat[i][j] = distMat[j][i] = round(np.linalg.norm(coordinates[i]-coordinates[j]))
return distMat # 城市间距离取整(四舍五入)
# 子程序:计算 TSP 路径长度
def caltourMileage(tour, nCities, distMat):
# custom function caltourMileage(nCities, tour, distMat):
# compute mileage of the given tour
mileageTour = 0.0 # 路径长度 置 0
for i in range(nCities-1): # dist(0,1),...dist((n-2)(n-1))
mileageTour += distMat[tour[i], tour[i+1]]
mileageTour += distMat[tour[nCities-1], tour[0]] # dist((n-1),0)
return round(mileageTour) # 路径总长度取整(四舍五入)
# 子程序:交换操作算子
def mutateSwap(tour, nCities):
# custom function mutateSwap(nCities, tourNow)
# produce a mutation tour with 2-Swap operator
# swap the position of two Cities in the given tour
# 在 [0,n) 产生 2个不相等的随机整数 s1,s2
s1 = np.random.randint(nCities) # 产生第一个 [0,n) 区间内的随机整数
while True:
s2 = np.random.randint(nCities) # 产生一个 [0,n) 区间内的随机整数
if s1!=s2: break # 保证 s1, s2 不相等
tourSwap = tour.copy() # 将给定路径复制给新路径 tourSwap
#tourSwap[s1] = tour[s2] # 交换 城市 s1 和 s2 的位置
#tourSwap[s2] = tour[s1]
# 交换 城市 s1 和 s2 的位置————简洁的实现方法
# 特别注意:深入理解深拷贝和浅拷贝的区别,注意内存中的变化,谨慎使用
tourSwap[s1],tourSwap[s2] = tour[s2],tour[s1]
return tourSwap
# 子程序:绘制 TSP 路径图
def plot_tour(tour, value, coordinates):
# custom function plot_tour(tour, nCities, coordinates)
num = len(tour)
x0, y0 = coordinates[tour[num - 1]]
x1, y1 = coordinates[tour[0]]
plt.scatter(int(x0), int(y0), s=15, c='r') # 绘制城市坐标点 C(n-1)
plt.plot([x1, x0], [y1, y0], c='b') # 绘制旅行路径 C(n-1)~C(0)
for i in range(num - 1):
x0, y0 = coordinates[tour[i]]
x1, y1 = coordinates[tour[i + 1]]
plt.scatter(int(x0), int(y0), s=15, c='r') # 绘制城市坐标点 C(i)
plt.plot([x1, x0], [y1, y0], c='b') # 绘制旅行路径 C(i)~C(i+1)
plt.xlabel("Total mileage of the tour::.1f".format(value))
plt.title("Optimization xupt of TSP:d".format(num)) # 设置图形标题
plt.show()
def main():
# 主程序
# 读取旅行城市位置的坐标
"""
coordinates = np.array([[565.0, 575.0], [25.0, 185.0], [345.0, 750.0], [945.0, 685.0], [845.0, 655.0],
[880.0, 660.0], [25.0, 230.0], [525.0, 1000.0], [580.0, 1175.0], [650.0, 1130.0],
[1605.0, 620.0], [1220.0, 580.0], [1465.0, 200.0], [1530.0, 5.0], [845.0, 680.0],
[725.0, 370.0], [145.0, 665.0], [415.0, 635.0], [510.0, 875.0], [560.0, 365.0],
[300.0, 465.0], [520.0, 585.0], [480.0, 415.0], [835.0, 625.0], [975.0, 580.0],
[1215.0, 245.0], [1320.0, 315.0], [1250.0, 400.0], [660.0, 180.0], [410.0, 250.0],
[420.0, 555.0], [575.0, 665.0], [1150.0, 1160.0], [700.0, 580.0], [685.0, 595.0],
[685.0, 610.0], [770.0, 610.0], [795.0, 645.0], [720.0, 635.0], [760.0, 650.0],
[475.0, 960.0], [95.0, 260.0], [875.0, 920.0], [700.0, 500.0], [555.0, 815.0],
[830.0, 485.0], [1170.0, 65.0], [830.0, 610.0], [605.0, 625.0], [595.0, 360.0],
[1340.0, 725.0], [1740.0, 245.0]
"""
coordinates = np.array([[1164.6,399.2],[1172.0,391.3],[1214.8,312.2],[1065.4,295.9],[911.1,299.7],
[876.8,437.7],[1062.7,384.7],[1116.5,408.2],[1083.3,228.4],[1266.3,457.5],
[1253.5,438.8],[1233.8,418.0],[1144.8,380.3],[1125.3,378.7],[1017.4,365.6],
[1170.0,366.5],[1136.0,347.6],[1187.8,320.4],[1172.7,318.6],[1201.9,302.6],
[1193.0,260.8],[1158.9,286.8],[1130.0,282.1],[1143.1,305.2],[1132.3,231.6],
[1103.5,200.2],[1037.3,360.3],[1089.5,342.7],[1040.6,306.7],[1067.1,265.7],
[1027.3,250.4]]) # CTSP31
nCities = coordinates.shape[0] # 根据输入的城市坐标 获得城市数量 nCities
distMat = getDistMat(nCities,coordinates) # 调用子程序,计算城市间距离矩阵
tourNow = np.arange(nCities) # 产生初始路径,返回一个初值为0、步长为1、长度为n 的排列
tourBest = tourNow.copy() # 初始化最优路径,将 tourNow 复制给 tourBest
valueNow = caltourMileage(tourNow,nCities,distMat) # 计算当前路径的总长度
valueBest = valueNow # 初始化最优路径的总长度
alfa,nMarkov,tInitial,tFinal = initParameter() # 调用子程序,获得模拟退火算法的设置参数
# 开始模拟退火优化过程
iter = 0 # 外循环迭代次数计数器
recordBest = [] # 初始化 最优路径记录表
recordNow = [] # 初始化 最优路径记录表
tNow = tInitial # 初始化 当前温度(current temperature)
while tNow >= tFinal: # 外循环,直到当前温度达到终止温度时结束
# 在当前温度下,进行充分次数(nMarkov)的状态转移以达到热平衡
for k in range(nMarkov): # 内循环,循环次数为Markov链长度
# 产生新解:通过在当前解附近随机扰动而产生新解,新解必须在 [min,max] 范围内
tourNew = mutateSwap(tourNow,nCities) # 通过 交换操作 产生新路径
valueNew = caltourMileage(tourNew,nCities,distMat) # 计算当前路径的总长度
# 接受判别:按照 Metropolis 准则决定是否接受新解
if valueNew < valueNow: # 更优解:如果新解的目标函数好于当前解,则接受新解
accept = True
else: # 容忍解:如果新解的目标函数比当前解差,则以一定概率接受新解
deltaE = valueNew - valueNow
pAccept = math.exp(-deltaE/tNow) # 计算容忍解的状态迁移概率
if pAccept > random.random():
accept = True
else:
accept = False
# 保存新解
if accept == True: # 如果接受新解,则将新解保存为当前解
tourNow[:] = tourNew[:]
valueNow = valueNew
if valueNew < valueBest: # 如果新解的目标函数好于最优解,则将新解保存为最优解
tourBest[:] = tourNew[:]
valueBest = valueNew
# 完成当前温度的搜索,保存数据和输出
recordBest.append(valueBest) # 将本次温度下的最优路径长度追加到 最优路径记录表
recordNow.append(valueNow) # 将当前路径长度追加到 当前路径记录表
print('i:, t(i)::.2f, valueNow::.1f, valueBest::.1f'.format(iter,tNow,valueNow,valueBest))
# 缓慢降温至新的温度,降温曲线:T(k)=alfa*T(k-1)
tNow = tNow * alfa
iter = iter + 1
# 结束模拟退火过程
print("Best xupt: \\n", tourBest)
print("Best value: :.1f".format(valueBest))
# 图形化显示优化结果
figure1 = plt.figure() # 创建图形窗口 1
plot_tour(tourBest,valueBest,coordinates)
figure2 = plt.figure() # 创建图形窗口 2
plt.title("Optimization youcans of TSP:d".format(nCities)) # youcans@xupt
plt.plot(np.array(recordBest),'b-', label='Best') # 绘制 recordBest曲线
plt.plot(np.array(recordNow),'g-', label='Now') # 绘制 recordNow曲线
plt.xlabel("iter") # 设置 x轴标注
plt.ylabel("mileage of tour") # 设置 y轴标注
plt.legend() # 显示图例
plt.show()
exit()
if __name__ == '__main__':
main()
版权声明:
youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/124004941)
Copyright 2022 youcans, XUPT
Crated:2022-4-15
计算机设计大赛国奖作品_1. 项目概要
计算机设计大赛国奖作品_2. 报名材料
计算机设计大赛国奖作品_3. 需求分析
计算机设计大赛国奖作品_4. 界面设计
计算机设计大赛国奖作品_1. 项目概要