遗传算法解决 TSP 问题

遗传算法解决 TSP 问题，并将其可视化

#-*-coding:utf-8 -*-
“““
参数设计：种群规模count=100，染色体长度length=33，进化次数evolution_time=5000
编码策略:采用十进制.直接用城市的编号进行编码，染色体{1，2，……33}表示路径为15-1-2-……-33。
“““
“““
参数说明：
origin #起点0-33->对应城市
state[][] -----城市坐标
init_count ----改进次数 1000
evolution_time 进化次数 5000
count  --------种群规模 100
pm  -----------变异率   0.1
ps  -----------强者比例 0.3
pr ------------弱者存活率 0.5
population[]---初始化种群
“““

import numpy as np
import matplotlib.pyplot as plt
plt.ion（）
import matplotlib
#显示中文
matplotlib.rcParams[‘font.family‘]= ‘SimHei‘
import math
import random
import tkinter
import time
start = time.perf_counter（）

#获得总距离
def get_sum_distance（grouporigin）:
	distance=0
	distance+=state[origin][group[0]]
	for i in range（len（group））:
		if i == len（group）-1:
			distance+=state[origin][group[i]]
		else:
			distance+=state[group[i]][group[i+1]]
	return distance
			
	

#自然选择
“““ 对适应度从大到小排序，选出存活的染色体
    再进行随机选择，选出适应度虽然小，但是幸存下来的个体
“““	
def select（populationorigin）:
	#对总距离从小到大进行排序
	dis=[

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

    .......       641  2019-06-09 17:37  data.txt

    .......      8333  2019-06-09 17:37  myTSP.py

----------- ---------  ---------- -----  ----

                 8974                    2