传送门（所有的实验都使用python实现）
实验1 BP神经网络实验
实验2 som网实验
实验3 hopfield实现八皇后问题
实验4 模糊搜索算法预测薄冰厚度
实验5 遗传算法求解tsp问题
实验6 蚁群算法求解tsp问题
实验7 粒子群优化算法求解tsp问题
实验8 分布估计算法求解背包问题
实验9 模拟退火算法求解背包问题
实验10 禁忌搜索算法求解tsp问题
一、实验目的
理解并使用粒子群优化算法
二、实验内容
实现基于粒子群优化算法的旅行商路线寻找
三、实验环境
使用Python3.0 在 eclipse进行编辑
四、实验步骤
1、输入介绍：
城市总数目为14，采用以下城市坐标，坐标取整数。
2、初始解设定：
给每一个粒子赋予随机解，和空交换序（即速度为0）。
3、计算每个粒子的下个位置：
（1）首先计算粒子当前位置与局部最优解的差，结果为一个交换序ss1，并以概率u1保留其中的交换子。同理计算粒子当前位置与全局最优解的差，以概率u2保存在交换序ss2。
（2）其次合并粒子当前速度speed，交换序ss1，交换序ss2三个交换序，以合并结果更新粒子速度
（3）最后将速度作用在粒子当前位置
4、计算粒子函数适应值：
求出粒子函数适应值，并更新局部最优解与全局最优解
5.终止条件
若全局最优不满足条件回到步骤3，否则打印结果，结束迭代。
运行截图：
路线随机选取 距离48.7
100个粒子迭代100次 距离 40.4
100个粒子迭代 600次 距离32.3
五、总结
多次实验之后发现测试组数据的14个城市，所能达到的最优解gbest = 32.3；算法的效率受到粒子个数的影响十分明显。
通过表格可以看到随着粒子个数的减少,迭代次数逐渐增加，当粒子个数小于40时，迭代次数已经超过一万也还没有找到最优解。说明粒子的个数越多寻找的效率越高，但是每次迭代时间与粒子个数成正比，所以并非粒子越多越好，个数取50是最佳。
Python源码
#coding:gbk
import random
import math
import as plt
global n,m,u1,u2; #n个粒子， m个城市 u1,u2为交换子保留概率
n=100;m=14;
gbest = 10000; gbestway= [0.0]*m; #gbest记录全局最优适应值，gbestway记录全局最优解
pbestway = [[0]*(m) for i in range(n)]; pbest = [0.0]*n; #pbest记录个体最优适应值，gbestway记录个体最优解
road = [[0]*(m) for i in range(n)] #开辟n*m的数组记录每个粒子当前位置
class no: #该类表示每个点的坐标
def __init__(self,x,y):
=x;
=y;
p=[];
class so: #该类表示交换子
def __init__(self,x,y):
=x;
=y;
ss=[so]*100; global co; #暂存减法结果
speed = [[so]*(100) for i in range(n)] #每个粒子的速度，即交换序
spco= [0.0]*n; #记录交换序的个数
def draw(t): #该函数用于描绘路线图
x=[0]*(m+1);y=[0]*(m+1);
for i in range(m):
x[i] =p[t[i]].x;
y[i] =p[t[i]].y;
x[m] =p[t[0]].x;
y[m] =p[t[0]].y;
(x,y,color='r',marker='*' );
();
def mycol(): #城市坐标输入
(no( 16 , 96 ));
(no( 16 , 94 )); (no( 20 , 92 )); (no( 22 , 93 )); (no( 25 , 97 )); (no( 22 , 96 )); (no( 20 , 97 ));
(no( 17 , 96 )); (no( 16 , 97 )); (no( 14 , 98 )); (no( 17, 97 )); (no( 21 , 95 )); (no( 19 , 97 ));
(no( 20 , 94 ));
def get_value(t): #计算粒子的函数适应值
ans = 0.0;
for i in range(1,m): #两点距离公式
ans += ((p[t[i]].x-p[t[i-1]].x) *(p[t[i]].x-p[t[i-1]].x) +(p[t[i]].y-p[t[i-1]].y) *(p[t[i]].y-p[t[i-1]].y));
ans += ((p[t[0]].x-p[t[m-1]].x) * (p[t[0]].x-p[t[m-1]].x) +(p[t[0]].y-p[t[m-1]].y) *(p[t[0]].y-p[t[m-1]].y));
return ans;
def cop(a,b,le): #把b数组的值赋值a数组
for i in range(le):
a[i]=b[i]
def rand(g): # 随机解生成函数
vis = [0]*m
for i in range(m):
vis[i]=0;
on= 0
while on<m:
te = (0,m-1);
if(vis[te]==0):
vis[te]=1;
g[on]=te;
on+=1;
def find (g,ob): #在数组g中寻找，值为ob的下标，并返回下标
for i in range(m):
if(g[i]==ob):
return i;
def cat(a, c,u): #求解a减去解b的交换序结果 将其保存在ss序列 u为保留概率
global co;
co = 0;
b = [0]*m;
for i in range(m):
b[i]=c[i]
ob=0;
for i in range(m):
if(a[i]==b[i]):continue;
ob=find(b,a[i])
if(() < u):
ss[co]=so(i,ob)
co+=1
b[i],b[ob]=b[ob],b[i]
def add(g,sv,le): #解g加上长度为le的交换序sv
a=0;b=0;
for i in range(le):
a=sv[i].x;b=sv[i].y;
g[a],g[b]=g[b], g[a];
def init(): #初始化函数
global gbest
for i in range(n):
spco[i]=0;
rand(road[i]);
cop(pbestway[i],road[i],m); #将局部最优设为初始化的随机解
pbest[i]= get_value(road[i]);
if(pbest[i] < gbest):
gbest = pbest[i];
cop(gbestway,pbestway[i],m);
def update(i,r): #更新i个体的函数适应值
global gbest;
te = get_value(r); #计算适应值
if(te < pbest[i]): #个体最优更新
pbest[i] =te;cop(pbestway[i],r,m);
if(te < gbest): #全局最优更新
gbest = te;cop(gbestway,r,m);
def slove(): #执行函数
global co,gbest,u1,u2
t1 = [0]*m;t2=[0]*m;
for i in range(m):
t1[i]=i
t2[i]=i;
u1 = 0.6; #个体最优交换子保留概率
u2 = 0.8 #全局最优交换子保留概率
for i in range(n):
for k in range(m):t1[k]=k;t2[k]=k; #构造两个解t1，t2求基本交换序
add(t1,speed[i],spco[i]);
cat(pbestway[i],road[i],u1); #与个体最优解相减
add(t1,ss,co);
cat(gbestway,road[i],u2); #与全局最优解相减
add(t1,ss,co);
cat(t1,t2,1) #求出基本交换序
for j in range(co): speed[i][j].x = ss[j].x;speed[i][j].y = ss[j].y #更新个体速度;
spco[i]=co;
add(road[i],speed[i],spco[i]); #将速度作用到当前位置
update(i,road[i]); #更新函数适应值
mycol(); #数据输入
init(); #数据初始化
for i in range(10000): #控制迭代次数
slove();
if(gbest<32.5): print('迭代次数',i); break; #达到最优解提前退出
print(round(gbest,3)); #打印最优解距离保留三位小数
draw(gbestway); #画图描绘路线
print(gbestway); #打印路线，以序列表示