程序示例精选
Python遗传算法搜索最优最短路径
如需安装运行环境或远程调试，见文章底部个人QQ名片，由专业技术人员远程协助！
前言
这篇博客针对《Python遗传算法搜索最优最短路径》编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
运行结果
文章目录
一、所需工具软件
二、使用步骤
1. 主要代码
2. 运行结果
三、在线协助
一、所需工具软件
1. VS2019, Qt
2. C++
二、使用步骤
代码如下（示例）：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
N_CITIES = 20 # DNA长度
CROSS_RATE = 0.1 # 交叉概率
MUTATE_RATE = 0.02 # 变异概率
POP_SIZE = 500 #种群大小
N_GENERATIONS = 500 # 迭代次数
class GA(object):
def __init__(self, DNA_size, cross_rate, mutation_rate, pop_size, ):
self.DNA_size = DNA_size
self.cross_rate = cross_rate
# 生成种群
self.pop = np.vstack([np.random.permutation(DNA_size) for _ in range(pop_size)])
def translateDNA(self, DNA, city_position): # get cities' coord in order
"""
这个方法的目的是将城市坐标按照 DNA 中的顺序排列，并将 x 坐标和 y 坐标分别存储在 line_x 和 line_y 中。
:param DNA: 这里的DNA是pop_size个 不是一个
:param city_position:
:return:
"""
line_y = np.empty_like(DNA, dtype=np.float64) # 存放y轴的点
for i, d in enumerate(DNA): #根据DNA中的每个城市顺序获取坐标
city_coord = city_position[d] #根据d重新排列city_position的顺序得到city_coord
line_x[i, :] = city_coord[:, 0] # 将city_coord数组的第一列的值赋给line_x数组的第 i 行
line_y[i, :] = city_coord[:, 1]
return line_x, line_y
def get_fitness(self, line_x, line_y):
"""
获取适应度
:param line_x:
:param line_y:
:return:
"""
np.sum(np.sqrt(np.square(np.diff(xs)) + np.square(np.diff(ys))))
fitness = np.exp(self.DNA_size * 2 / total_distance)
return fitness, total_distance
def select(self, fitness):
"""
:param fitness:
:return: 返回一个心中群
"""
idx = np.random.choice(np.arange(self.pop_size), size=self.pop_size, replace=True, p=fitness / fitness.sum())
return self.pop[idx]
def crossover(self, parent, pop):
"""
交叉
:param parent:
:param pop:
:return:
# swap_city 通过布尔数组从 pop[i_] 中选取了不在 keep_city 中的城市编码。
swap_city = pop[i_, np.isin(pop[i_].ravel(), keep_city, invert=True)]
# 将 keep_city 和 swap_city 进行拼接，得到了新的子代个体的 DNA 序列，
parent[:] = np.concatenate((keep_city, swap_city))
return parent
def mutate(self, child):
"""
变异
这里的变异是将DNA序列的两个点给交换一下
:param child:
:return:
"""
self.DNA_size)
swapA, swapB = child[point], child[swap_point]
child[point], child[swap_point] = swapB, swapA
return child
def evolve(self, fitness):
"""
开始进化算法
:param fitness:
:return:
"""
pop = self.select(fitness)
pop_copy = pop.copy()
for parent in pop: # for every parent
child = self.crossover(parent, pop_copy)
child = self.mutate(child)
parent[:] = child
self.pop = pop
class TravelSalesPerson(object):
"""
环境
"""
def __init__(self, n_cities):
self.city_position = np.random.rand(n_cities, 2)
plt.ion()
def plotting(self, lx, ly, total_d):
plt.cla()
plt.text(-0.05, -0.05, "Total distance=%.2f" % total_d, fontdict={'size': 20, 'color': 'red'})
plt.xlim((-0.1, 1.1))
plt.ylim((-0.1, 1.1))
plt.pause(0.01)
if __name__ == '__main__':
ga = GA(DNA_size=N_CITIES, cross_rate=CROSS_RATE, mutation_rate=MUTATE_RATE, pop_size=POP_SIZE)
# 初始化环境
env = TravelSalesPerson(N_CITIES)
# 开始迭代
for generation in range(N_GENERATIONS):
lx, ly = ga.translateDNA(ga.pop, env.city_position)
print('Gen:', generation, '| best fit: %.2f' % fitness[best_idx], )
env.plotting(lx[best_idx], ly[best_idx], total_distance[best_idx])
plt.ioff()
plt.show()
运行结果
三、在线协助：
如需安装运行环境或远程调试，见文章底部个人 QQ 名片，由专业技术人员远程协助！
1）远程安装运行环境，代码调试
2）Visual Studio, Qt, C++, Python编程语言入门指导
3）界面美化
4）软件制作
5）云服务器申请
6）网站制作
当前文章连接：https://blog.csdn.net/alicema1111/article/details/132666851
个人博客主页：https://blog.csdn.net/alicema1111?type=blog
博主所有文章点这里：https://blog.csdn.net/alicema1111?type=blog
博主推荐：
Python人脸识别考勤打卡系统：
https://blog.csdn.net/alicema1111/article/details/133434445
Python果树水果识别：https://blog.csdn.net/alicema1111/article/details/130862842
Python+Yolov8+Deepsort入口人流量统计：https://blog.csdn.net/alicema1111/article/details/130454430
Python+Qt人脸识别门禁管理系统：https://blog.csdn.net/alicema1111/article/details/130353433
Python+Qt指纹录入识别考勤系统：https://blog.csdn.net/alicema1111/article/details/129338432
Python Yolov5火焰烟雾识别源码分享：https://blog.csdn.net/alicema1111/article/details/128420453
Python+Yolov8路面桥梁墙体裂缝识别：https://blog.csdn.net/alicema1111/article/details/133434445