tsp问题使用遗传算法解决，并给出数据用python编写，并在输出数据中给出最好适应度，最差适应度，平均适应度

好的，我会为您解答这个问题。首先，TSP问题是指旅行商问题，它是一个经典的组合优化问题。其目的是寻找一条路径，使得旅行商可以依次经过所有城市，并返回出发的城市。遗传算法是一种常用的搜索算法，可以用于解决TSP问题。

在Python中，我们可以使用遗传算法库geneticalgorithm来实现。以下是一个基本的遗传算法TSP求解代码：

import numpy as np
from geneticalgorithm import geneticalgorithm as ga

# 城市坐标数据
cities = np.array([[60, 200], [180, 200], [80, 180], [140, 180], [20, 160],
                   [100, 160], [200, 160], [140, 140], [40, 120], [100, 120],
                   [180, 100], [60, 80], [120, 80], [180, 60], [20, 40],
                   [100, 40], [200, 40], [20, 20], [60, 20], [160, 20]])

# 计算距离矩阵
def distance_matrix(cities):
    n = cities.shape[0]
    dist_matrix = np.zeros((n, n))
    for i in range(n):
        for j in range(i+1, n):
            dist_matrix[i][j] = np.linalg.norm(cities[i] - cities[j])
            dist_matrix[j][i] = dist_matrix[i][j]
    return dist_matrix

dist_matrix = distance_matrix(cities)

# 定义适应度函数
def tsp_fitness(x):
    dist = 0
    for i in range(1, len(x)):
        dist += dist_matrix[x[i-1], x[i]]
    dist += dist_matrix[x[-1], x[0]]
    return 1 / dist

# 定义问题
problem = {
    'num_vars': len(cities),
    'names': [str(i) for i in range(len(cities))],
    'bounds': [(0, len(cities)-1) for i in range(len(cities))]
}

# 运行遗传算法
model = ga(function=tsp_fitness, dimension=problem['num_vars'], variable_type='int', 
           variable_boundaries=problem['bounds'], algorithm_parameters={'max_num_iteration': 100})
model.run()

# 输出结果
print('最优解: ', model.best_variable)
print('最优适应度: ', model.best_function)
print('最差适应度: ', model.worst_function)
print('平均适应度: ', model.avg_function)

在上述代码中，我们首先定义了20个城市的坐标数据，并根据坐标计算出距离矩阵。然后，我们定义了适应度函数，它根据路径长度来计算适应度。接着，我们定义了问题，其中每个变量代表一个城市编号，变量范围在0到19之间。最后，我们使用遗传算法求解问题，并输出最优解、最优适应度、最差适应度和平均适应度。

注意，上述代码中的遗传算法参数是随意设置的，您可以根据实际情况进行调整。同时，城市坐标数据也可以根据实际情况进行修改。

希望这个例子可以帮助您理解如何使用遗传算法解决TSP问题，并输出最优解、最优适应度、最差适应度和平均适应度。