TSP问题遗传算法实验平台

项目简介

本项目实现了一个完整的旅行商问题(TSP)遗传算法求解平台，包含算法核心实现和多种可视化分析功能。项目采用Python开发，提供交互式菜单界面，支持不同规模城市的TSP问题求解，并生成专业的可视化分析图表。

文件结构

• TSP.py - 主程序文件，包含遗传算法核心逻辑和用户交互界面
• display.py - 可视化模块，负责生成五种专业分析图表
• README.md - 项目说明文档

核心功能

项目提供三种主要运行模式：

1. 手动指定N - 用户自定义城市数量进行单次实验
2. 随机生成N - 系统随机生成5-60个城市进行实验
3. 性能对比分析 - 预设三组不同规模城市（小规模：5,8,10；中规模：15,20,25,30；大规模：40,50,60）进行批量测试和对比分析

算法特性

遗传算法采用完整优化流程：

• 编码方案：路径顺序编码
• 选择算子：锦标赛选择，平衡选择压力与多样性
• 交叉算子：顺序交叉(OX)，保持路径有效性
• 变异算子：交换变异，引入随机扰动
• 精英策略：保留最优个体，确保收敛性
• 适应度函数：基于路径长度的倒数，引导搜索方向

可视化分析

系统生成五种专业图表：

1. 路径可视化图 - 在[-500,500]坐标系中显示城市分布和最优路径

2. 收敛曲线图 - 展示算法迭代过程中的优化趋势

3. 最优距离柱状图 - 比较不同城市数量的平均求解质量

4. 性能分析双轴图 - 同时显示路径长度和运行时间的对比趋势

5. 箱线分布图 - 统计分析多次实验的结果分布情况

使用流程

1. 运行python TSP.py启动程序
2. 在文本菜单中选择功能模式（1-3）
3. 根据提示选择输出详细程度（y/n）
4. 查看控制台输出的运行结果
5. 在自动生成的时间戳文件夹中查看分析图表

技术特点

• 智能文件管理 - 自动创建年-月-日-小时-分钟-function{i}格式的文件夹，分类保存实验结果
• 灵活参数配置 - 支持种群大小、迭代次数、交叉变异率等参数调整
• 完整监控记录 - 实时跟踪运行代数、计算时间等性能指标
• 可视化 - 所有图表包含网格线、图例说明和色彩区分，达到论文级质量

环境要求

pip install numpy matplotlib

---

开发用于人工智能导论实验课程