粒子群算法实现旅行商问题代码

以下是使用粒子群算法（PSO）解决旅行商问题（TSP）的 Python 代码示例：

import random
import math

# 城市坐标
city_location = [
    [41, 94], [37, 84], [54, 67], [25, 62], [7, 64],
    [2, 99], [68, 58], [71, 44], [54, 62], [83, 69]
]

# 城市数量
city_num = 10

# 种群数量
pop_size = 50

# 迭代次数
max_iter = 500

# 学习因子
w = 0.6

# 加速因子
c1 = 1.5
c2 = 1.5

# 初始化粒子群
class Particle:
    def __init__(self):
        self.position = random.sample(range(city_num), city_num)
        self.velocity = [0] * city_num
        self.fitness = self.cal_fitness()

    # 计算适应度函数
    def cal_fitness(self):
        distance = 0
        for i in range(city_num - 1):
            distance += math.sqrt((city_location[self.position[i]][0] - city_location[self.position[i+1]][0]) ** 2
                                  + (city_location[self.position[i]][1] - city_location[self.position[i+1]][1]) ** 2)
        distance += math.sqrt((city_location[self.position[0]][0] - city_location[self.position[city_num-1]][0]) ** 2
                              + (city_location[self.position[0]][1] - city_location[self.position[city_num-1]][1]) ** 2)
        return 1 / distance

class PSO:
    def __init__(self):
        self.gbest = Particle()
        self.particles = [Particle() for i in range(pop_size)]

    # 更新粒子群
    def update(self):
        for p in self.particles:
            for i in range(city_num):
                p.velocity[i] = w * p.velocity[i] \
                                 + c1 * random.random() * (p.best.position[i] - p.position[i]) \
                                 + c2 * random.random() * (self.gbest.position[i] - p.position[i])
                p.position[i] = int(p.position[i] + p.velocity[i] % city_num)

            p.fitness = p.cal_fitness()
            if p.fitness > p.best.fitness:
                p.best.position = p.position[:]
                p.best.fitness = p.fitness

            if p.fitness > self.gbest.fitness:
                self.gbest.position = p.position[:]
                self.gbest.fitness = p.fitness

    # 运行PSO算法
    def run(self):
        for i in range(max_iter):
            self.update()
            print("Iteration %d: Best Fitness = %f" % (i, self.gbest.fitness))

if __name__ == '__main__':
    pso = PSO()
    pso.run()

在上面的代码中，`city_location` 是城市坐标列表，`city_num` 是城市数量，`pop_size` 是种群数量，`max_iter` 是迭代次数，`w`、`c1` 和 `c2` 分别是学习因子和加速因子。

`Particle` 类表示一个粒子，其中 `position` 是当前粒子的位置，`velocity` 是当前粒子的速度，`fitness` 是当前粒子的适应度。

`PSO` 类表示整个粒子群，其中 `gbest` 是全局最优解，`particles` 是所有粒子的列表。

在 `update()` 方法中，首先更新每个粒子的速度和位置，然后计算每个粒子的适应度，更新每个粒子的个体最优解和全局最优解。

在 `run()` 方法中，运行整个 PSO 算法，输出每次迭代后的最优解。