使用退火法分别对bayg29.tsp，att48.tsp，eil101.tsp三个数据集求解最优路径并绘图显示python代码

以下是使用退火算法求解TSP问题，并且绘制最优路径的Python代码，可以处理bayg29.tsp，att48.tsp，eil101.tsp三个数据集。

import numpy as np
import pandas as pd
import random
import math
import matplotlib.pyplot as plt

# 读取TSP数据集
def read_tsp_data(filename):
    with open(filename, 'r') as f:
        lines = f.readlines()[6:]
        data = []
        for line in lines:
            x, y = line.strip().split()[1:]
            data.append([float(x), float(y)])
        return np.array(data)

# 计算路径长度
def calc_distance(data, path):
    dist = 0
    for i in range(len(path) - 1):
        dist += np.linalg.norm(data[path[i]] - data[path[i+1]])
    dist += np.linalg.norm(data[path[-1]] - data[path[0]])
    return dist

# 生成初始解
def generate_initial_solution(n):
    path = list(range(n))
    random.shuffle(path)
    return path

# 退火算法求解TSP问题
def solve_tsp(data, initial_temperature=1000, cooling_rate=0.99, min_temperature=0.1, max_iterations=10000):
    n = len(data)
    path = generate_initial_solution(n)
    current_dist = calc_distance(data, path)
    current_temperature = initial_temperature
    best_path = path.copy()
    best_dist = current_dist
    for i in range(max_iterations):
        # 生成新解
        new_path = path.copy()
        # 交换两个随机位置的城市
        idx1, idx2 = random.sample(range(n), 2)
        new_path[idx1], new_path[idx2] = new_path[idx2], new_path[idx1]
        new_dist = calc_distance(data, new_path)
        # 判断是否接受新解
        delta = new_dist - current_dist
        if delta < 0 or math.exp(-delta / current_temperature) > random.random():
            path = new_path
            current_dist = new_dist
        # 更新最优解
        if current_dist < best_dist:
            best_path = path.copy()
            best_dist = current_dist
        # 降温
        current_temperature *= cooling_rate
        if current_temperature < min_temperature:
            break
    return best_path, best_dist

# 读取TSP数据集
data = read_tsp_data('bayg29.tsp')

# 求解TSP问题
path, dist = solve_tsp(data)

# 绘制最优路径
x = data[:, 0][path]
y = data[:, 1][path]
plt.plot(x, y, '-o')
plt.title('Best Path: {:.2f}'.format(dist))
plt.show()

在上述代码中，使用`read_tsp_data`函数读取TSP数据集，使用`calc_distance`函数计算路径长度，使用`generate_initial_solution`函数生成初始解。`solve_tsp`函数是退火算法的核心实现，其中`initial_temperature`是初始温度，`cooling_rate`是降温系数，`min_temperature`是最小温度，`max_iterations`是最大迭代次数。最后，使用`read_tsp_data`函数读取数据集，调用`solve_tsp`函数求解TSP问题，使用`matplotlib`绘制最优路径。

需要注意的是，绘制最优路径的代码只能在本地运行，无法在CSDN的代码编辑器中运行，因为它需要弹出一个窗口显示图像。如果需要在CSDN中查看结果，请将绘图代码注释掉。