我为 TSP 编写了这段模拟退火代码，我整天都在尝试调试它，但是出了点问题答案

【问题标题】：I write this code of Simulated Annealing for TSP and I have been trying all day to debug it but something goes wrong我为 TSP 编写了这段模拟退火代码，我整天都在尝试调试它，但是出了点问题
【发布时间】：2017-02-25 20:39:20
【问题描述】：

此代码假设减少初始游览的距离： distan(initial_tour) 我需要改变我的交换方式吗？出了点问题，模拟退火不起作用：

def prob(currentDistance,neighbourDistance,temp):

    if neighbourDistance < currentDistance:
       return 1.0

    else:
       return math.exp( (currentDistance - neighbourDistance) / temp)


def distan(solution):

    #gives the distance of solution


    listax, listay = [], []
    for i in range(len(solution)):

       listax.append(solution[i].x)
       listay.append(solution[i].y)

    dists = np.linalg.norm(np.vstack([np.diff(np.array(listax)), np.diff(np.array(listay))]), axis=0)
    cumsum_dist = np.cumsum(dists)

    return cumsum_dist[-1]


#simulated annealing

temp = 1000000

#creating initial tour

shuffle(greedys)

initial_tour=greedys


print (distan(initial_tour))

current_best = initial_tour

best = current_best

while(temp >1 ):

    #create new neighbour tour 

    new_solution= current_best 

    #Get a random positions in the neighbour tour

    tourPos1=random.randrange(0, len(dfar))
    tourPos2=random.randrange(0, len(dfar))

    tourCity1=new_solution[tourPos1]
    tourCity2=new_solution[tourPos2]

    #swapping
    new_solution[tourPos1]=tourCity2
    new_solution[tourPos2]=tourCity1

    #get distance of both current_best and its neighbour 

    currentDistance = distan(current_best)

    neighbourDistance = distan(new_solution)


    # decide if we should accept the neighbour
    # random.random() returns a number in [0,1)

    if prob(currentDistance,neighbourDistance,temp) > random.random():

        current_best = new_solution 

    # keep track of the best solution found  

    if distan(current_best) <  distan(best):

        best = current_best

    #Cool system

    temp = temp*0.99995


print(distan(best))

【问题讨论】：

你能告诉我们出了什么问题吗？如果您遇到错误，请发布。
我会考虑使用不同的温度，可能是从 1 到 0.0000001，而不是从 1000000 到 1。就目前而言，您的代码似乎过于慷慨，无法接受恶化的解决方案。
在@Meerness 的评论中添加：您应该考虑距离差异的大小与温度的大小相比。当距离变化的典型大小与温度相当时，您将看到接受度的巨大变化。问题可能是您不断降低温度。您是否考虑过使用较小的特定温度集，但在每个温度下都要进行多次迭代（直到热化）？由于最初的温度很高，您可能会从一开始就离开并陷入更糟糕的状态（？）。
哦，我想我已经弄清楚你的问题是什么了！您的所有工作都在同一个列表中！您不是在复制列表，而是在引用它。实际上，这意味着你接受了每一个改变。尝试new_solution = list(current_best)，以便在更改之前复制列表。
是的，它有效！谢谢！！

标签： python traveling-salesman simulated-annealing

【解决方案1】：

您的问题出在while 循环的第一行，也就是您写的地方

new_solution= current_best

这样做的目的是将current_best 列表的引用放入new_solution。这意味着当您更改new_solution 时，实际上您也在更改current_best，这不是您的本意。

可以通过将有问题的行替换为将列表复制到新列表中的行来解决问题，如下所示：

new_solution = list(current_best)

【讨论】：