#GAで巡回セールスマン問題を解く
##はじめに
遺伝的アルゴリズム（GA）はメタヒューリスティックな最適化アルゴリズムと言われています。
様々な問題に対して適用可能であり、僕自信も建築分野に応用できないかと模索しています。
巡回セールスマン問題（TSP）自体は以前にpythonで記述したことがありましたが、今回はGAの理解を試すためにゼロから自力で実装してみました。（問題点があるかもしれませんが悪しからず。）
###実装結果：
##GAについて
GAのアルゴリズムの流れは以下の通りです。
- 初期個体生成
- 評価
- 選択
- 交叉、突然変異
指定したループ回数、または既定値になるまで2~4のプロセスを繰り返す。
##巡回セールスマン問題について
巡回セールスマン問題はn個の地点すべてを巡回する最短距離を求める問題です。
総当たりで探索しようとすると取りうる組み合わせがn!となり、気が遠くなるほどの時間を要してしまいます。
##実装内容
初期個体生成 ー＞ generator()
評価 ー＞ evaluate()
選択 ー＞ selection()
交叉 ー＞ crossover()
突然変異 ー＞ mutation()
描画 ー＞ show_route()
上記の６つの関数を作成し組み合わせて利用することでTSPを解いています。
###generator()
引数はnumが地点の数。pop_numが個体数です。
初期に地点をランダムに作成し、keyを地点番号、座標値をvalueとして辞書を作成しています。
今回は地点番号の並び順を遺伝子配列としてみなし、アルゴリズムを構築していきます。
はじめの巡回経路はランダムに作成しています。
def generator(num, pop_num):
""" 都市を初期生成 """
# 範囲指定
x_range = 200
y_range = 200
x_coordinate = [rnd.randint(0, x_range) for _ in range(num)]
y_coordinate = [rnd.randint(0, y_range) for _ in range(num)]
coordinate = [[x_coordinate[i], y_coordinate[i]] for i in range(num)]
# keyが都市の番号、valueが座標値の辞書作成。
position_info = {}
for i in range(num):
position_info[i] = coordinate[i]
# 初期の巡回順序生成
select_num = [i for i in range(num)]
all_route = [rnd.sample(select_num, num) for _ in range(pop_num)]
return position_info, all_route
###evaluate()
ここでは各座標のユークリッド距離の総和を評価値として評価関数を設計しています。
show_route()で現世代における最良個体を描画しています。
def evaluate(position_info, all_route, loop=0):
""" ユークリッド距離の総和を計算し評価値とする。 """
evaluate_value = []
for i in range(len(all_route)):
temp_evaluate_value = []
x_coordinate = [position_info[all_route[i][x]][0] for x in range(len(all_route[i]))]
y_coordinate = [position_info[all_route[i][y]][1] for y in range(len(all_route[i]))]
for j in range(len(all_route[i])):
if j == len(all_route[i]) - 1:
distance = math.sqrt(
pow((x_coordinate[j] - x_coordinate[0]), 2) + pow((y_coordinate[j] - y_coordinate[0]), 2))
else:
distance = math.sqrt(
pow((x_coordinate[j] - x_coordinate[j + 1]), 2) + pow((y_coordinate[j] - y_coordinate[j + 1]), 2))
temp_evaluate_value.append(distance)
evaluate_value.append(sum(temp_evaluate_value))
# 一番優秀な個体をmatplotで描画
excellent_evaluate_value = min(evaluate_value)
draw_pop_index = evaluate_value.index(excellent_evaluate_value)
show_route(position_info, all_route[draw_pop_index],int(excellent_evaluate_value), loop=loop + 1)
return evaluate_value
###selection()
今回は選択として、トーナメント選択、エリート主義を導入しています。
トーナメント選択は指定したサイズのトーナメントを作成し、その中で指定数の優良個体を選択します。
エリート主義は指定した上位個体を問答無用で次世代に残す手法です。
def selection(all_route, evaluate_value, tournament_select_num, tournament_size, elite_select_num, ascending=False):
""" トーナメント選択とエリート保存を行う"""
select_pop = []
elite_pop = []
# トーナメント選択
while True:
select = rnd.sample(evaluate_value, tournament_size)
select.sort(reverse=ascending)
for i in range(tournament_select_num):
value = select[i]
index = evaluate_value.index(value)
select_pop.append(all_route[index])
# 個体数の半数個選択するまで実行
if len(select_pop) >= len(all_route) / 2:
break
# エリート保存
sort_evaluate_value = copy.deepcopy(evaluate_value)
sort_evaluate_value.sort(reverse=ascending)
for i in range(elite_select_num):
value = sort_evaluate_value[i]
index = evaluate_value.index(value)
elite_pop.append(all_route[index])
return select_pop, elite_pop
###crossover()
指定した確率によって交叉を実行します。
ここでは順序交叉と呼ばれる交叉手法を使用しています。
def crossover(select_pop, crossover_prob):
''' 確率的に順序交叉を実行する '''
cross_pop = rnd.sample(select_pop, 2)
pop_1 = cross_pop[0]
pop_2 = cross_pop[1]
check_prob = rnd.randint(0, 100)
if check_prob <= crossover_prob:
# 順序交叉
new_pop_1 = []
cut_index = rnd.randint(1, len(pop_1) - 2)
new_pop_1.extend(pop_1[:cut_index])
for i in range(len(pop_1)):
if pop_2[i] not in new_pop_1:
new_pop_1.append(pop_2[i])
new_pop_2 = []
new_pop_2.extend(pop_1[cut_index:])
for i in range(len(pop_1)):
if pop_2[i] not in new_pop_2:
new_pop_2.append(pop_2[i])
return new_pop_1, new_pop_2
else:
return pop_1, pop_2
###mutation()
指定した確率で突然変異が起こるようにしています。
今回は地点番号を入れ替える操作を突然変位としています。
def mutation(pop, mutation_prob):
""" 循環経路の順番をランダムで入れ替える """
check_prob = rnd.randint(0, 100)
if check_prob <= mutation_prob:
select_num = [i for i in range(num)]
select_index = rnd.sample(select_num, 2)
a = pop[select_index[0]]
b = pop[select_index[1]]
pop[select_index[1]] = a
pop[select_index[0]] = b
return pop
###show_route()
matplotlibを使用して経路を描画する関数です。
plt.savefig()は描画したグラフをpngとして保存するためのものです。
def show_route(position_info, route, excellent_evaluate_value, loop=0):
""" matplotlibで循環経路を描画 """
x_coordinate = [position_info[route[i]][0] for i in range(len(route))]
y_coordinate = [position_info[route[i]][1] for i in range(len(route))]
x_coordinate.append(position_info[route[0]][0])
y_coordinate.append(position_info[route[0]][1])
plt.scatter(x_coordinate, y_coordinate)
plt.plot(x_coordinate, y_coordinate, label=excellent_evaluate_value)
plt.title("Generation: {}".format(loop))
plt.legend()
plt.savefig("img/tsp{}".format(loop)) # pngとして保存。カレントディレクトリにimgフォルダを置く必要あり。
plt.show()
##全ソースコード
以下のパラメータをチューニングすることで結果が異なってきます。
現状指定している値は目安なので自由にいじってみてください。
num = 30 # 地点の数
pop_num = 200 # 個体数
generation_num = 200 # 世代数
tournament_size = 10 # トーナメントサイズ
tournament_select_num = 2 # トーナメントサイズで選択する個体数
elite_select_num = 1 # エリート主義で選択する個体数
crossover_prob = 50 # 交叉確率
mutation_prob = 3 # 交叉確率
# coding:utf-8
import random as rnd
import matplotlib.pyplot as plt
import math
import copy
def generator(num, pop_num):
""" 都市を初期生成 """
# 範囲指定
x_range = 200
y_range = 200
x_coordinate = [rnd.randint(0, x_range) for _ in range(num)]
y_coordinate = [rnd.randint(0, y_range) for _ in range(num)]
coordinate = [[x_coordinate[i], y_coordinate[i]] for i in range(num)]
# keyが都市の番号、valueが座標値の辞書作成。
position_info = {}
for i in range(num):
position_info[i] = coordinate[i]
# 初期の巡回順序生成
select_num = [i for i in range(num)]
all_route = [rnd.sample(select_num, num) for _ in range(pop_num)]
return position_info, all_route
def evaluate(position_info, all_route, loop=0):
""" ユークリッド距離の総和を計算し評価値とする。 """
evaluate_value = []
for i in range(len(all_route)):
temp_evaluate_value = []
x_coordinate = [position_info[all_route[i][x]][0] for x in range(len(all_route[i]))]
y_coordinate = [position_info[all_route[i][y]][1] for y in range(len(all_route[i]))]
for j in range(len(all_route[i])):
if j == len(all_route[i]) - 1:
distance = math.sqrt(
pow((x_coordinate[j] - x_coordinate[0]), 2) + pow((y_coordinate[j] - y_coordinate[0]), 2))
else:
distance = math.sqrt(
pow((x_coordinate[j] - x_coordinate[j + 1]), 2) + pow((y_coordinate[j] - y_coordinate[j + 1]), 2))
temp_evaluate_value.append(distance)
evaluate_value.append(sum(temp_evaluate_value))
# 一番優秀な個体をmatplotで描画
excellent_evaluate_value = min(evaluate_value)
draw_pop_index = evaluate_value.index(excellent_evaluate_value)
show_route(position_info, all_route[draw_pop_index],int(excellent_evaluate_value), loop=loop + 1)
return evaluate_value
def selection(all_route, evaluate_value, tournament_select_num, tournament_size, elite_select_num, ascending=False):
""" トーナメント選択とエリート保存を行う"""
select_pop = []
elite_pop = []
# トーナメント選択
while True:
select = rnd.sample(evaluate_value, tournament_size)
select.sort(reverse=ascending)
for i in range(tournament_select_num):
value = select[i]
index = evaluate_value.index(value)
select_pop.append(all_route[index])
# 個体数の半数個選択するまで実行
if len(select_pop) >= len(all_route) / 2:
break
# エリート保存
sort_evaluate_value = copy.deepcopy(evaluate_value)
sort_evaluate_value.sort(reverse=ascending)
for i in range(elite_select_num):
value = sort_evaluate_value[i]
index = evaluate_value.index(value)
elite_pop.append(all_route[index])
return select_pop, elite_pop
def crossover(select_pop, crossover_prob):
''' 確率的に順序交叉を実行する '''
cross_pop = rnd.sample(select_pop, 2)
pop_1 = cross_pop[0]
pop_2 = cross_pop[1]
check_prob = rnd.randint(0, 100)
if check_prob <= crossover_prob:
# 順序交叉
new_pop_1 = []
cut_index = rnd.randint(1, len(pop_1) - 2)
new_pop_1.extend(pop_1[:cut_index])
for i in range(len(pop_1)):
if pop_2[i] not in new_pop_1:
new_pop_1.append(pop_2[i])
new_pop_2 = []
new_pop_2.extend(pop_1[cut_index:])
for i in range(len(pop_1)):
if pop_2[i] not in new_pop_2:
new_pop_2.append(pop_2[i])
return new_pop_1, new_pop_2
else:
return pop_1, pop_2
def mutation(pop, mutation_prob):
""" 循環経路の順番をランダムで入れ替える """
check_prob = rnd.randint(0, 100)
if check_prob <= mutation_prob:
select_num = [i for i in range(num)]
select_index = rnd.sample(select_num, 2)
a = pop[select_index[0]]
b = pop[select_index[1]]
pop[select_index[1]] = a
pop[select_index[0]] = b
return pop
def show_route(position_info, route, excellent_evaluate_value, loop=0):
""" matplotlibで循環経路を描画 """
x_coordinate = [position_info[route[i]][0] for i in range(len(route))]
y_coordinate = [position_info[route[i]][1] for i in range(len(route))]
x_coordinate.append(position_info[route[0]][0])
y_coordinate.append(position_info[route[0]][1])
plt.scatter(x_coordinate, y_coordinate)
plt.plot(x_coordinate, y_coordinate, label=excellent_evaluate_value)
plt.title("Generation: {}".format(loop))
plt.legend()
plt.savefig("img/tsp{}".format(loop)) # pngとして保存。カレントディレクトリにimgフォルダを置く必要あり。
plt.show()
# 初期生成時のパラメータ
num = 30 # 都市の数
pop_num = 200 # 個体数
generation_num = 200 # 世代数
# 選択のパラメータ
tournament_size = 10
tournament_select_num = 2
elite_select_num = 1
# 交叉の確率
crossover_prob = 50
# 突然変異の確率
mutation_prob = 3
# 初期生成
position_info, all_route = generator(num, pop_num)
# 評価
evaluate_value = evaluate(position_info, all_route)
for loop in range(generation_num):
# 選択
select_pop, elite_pop = selection(
all_route, evaluate_value, tournament_select_num, tournament_size, elite_select_num, ascending=False)
# 選択した個体の中から2個体選択し交叉や突然変異を適用する。
next_pop = []
while True:
# 交叉
pop_1, pop_2 = crossover(select_pop, crossover_prob)
# 突然変異
pop_1 = mutation(pop_1, mutation_prob)
pop_2 = mutation(pop_2, mutation_prob)
next_pop.append(pop_1)
next_pop.append(pop_2)
if len(next_pop) >= pop_num - elite_select_num:
break
# エリート主義。優良個体を次世代へ継承。
next_pop.extend(elite_pop)
# 評価
evaluate_value = evaluate(position_info, next_pop, loop=loop + 1)
# 更新
all_route = next_pop