企业官网建设流程全解析

5 分钟跑通蚁群算法：scikit-opt TSP 实战

【免费下载链接】scikit-optGenetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony Optimization Algorithm,Immune Algorithm, Artificial Fish Swarm Algorithm, Differential Evolution and TSP(Traveling salesman)项目地址: https://gitcode.com/GitHub_Trending/sci/scikit-opt

这篇文章带你在 scikit-opt 库里用蚁群算法（ACA_TSP）解决旅行商问题：从安装到调参，跑通一个 25 城市的 TSP 求解实例，再讲收敛判断和常见坑。

🐜 先跑起来：安装与最小可运行示例

scikit-opt 安装就一条命令：

pip install scikit-opt

然后直接跑这段最小示例（6 个城市），先看结果再说：

import numpy as np from scipy import spatial from sko.ACA import ACA_TSP n = 6 # 城市数 coords = np.random.rand(n, 2) # 随机落点 dist = spatial.distance.cdist(coords, coords, metric='euclidean') def total_len(route): # 绕一圈的总路程 return sum(dist[route[i], route[(i + 1) % n]] for i in range(n)) ant = ACA_TSP(func=total_len, n_dim=n, size_pop=20, max_iter=50, distance_matrix=dist) best_route, best_len = ant.run() print("最短路径长度:", round(best_len, 4))

最短路径长度: 2.3174

跑通了，有结果了。下面拆开讲它是怎么来的。

💡 蚁群算法到底在干什么？（30 秒理解版）

一句话类比：一群快递员同时出门跑单，谁走通的路线被贴上越多便签，后来者就越优先抄这条路；便签会随时间褪色，所以队伍不会永远困在旧路线上，总有新的捷径被试出来。

对应到代码里，每轮迭代就做四件事：

• 信息素初始化：所有路段的"热度"先设成相同的起始值
• 路径选择：每只蚂蚁站在当前城市，按"热度 × 距离倒数"加权随机挑下一站
• 信息素更新：一圈跑完后，总路程越短的蚂蚁，在走过的路段上刷越多热度
• 自然挥发：每轮先按比例清掉一部分热度，再叠加新刷上去的

这套逻辑全部封装在ACA_TSP类里，源码见 sko/ACA.py，你实际只需要关心run()这一个入口。

📋 ACA_TSP 参数速查表

ACA_TSP的参数不多，一张表讲清楚 ACA_TSP 参数怎么配：

新手阶段先盯size_pop和rho就够了：一个决定队伍规模，一个决定"遗忘速度"。其余参数保持默认，等结果不理想再回头调。

🗺️ 完整实战：25 城市 TSP 求解

上正题：25 个随机城市，求一圈的最短访问顺序。完整代码如下：

import numpy as np from scipy import spatial from sko.ACA import ACA_TSP # 1. 随机生成 25 个城市坐标 n_city = 25 city_coords = np.random.rand(n_city, 2) # 2. 城市两两间的欧氏距离，构成距离矩阵 dist_matrix = spatial.distance.cdist(city_coords, city_coords, metric='euclidean') # 3. 目标函数：输入访问顺序，返回绕一圈的总距离 def route_length(order): return sum(dist_matrix[order[i], order[(i + 1) % n_city]] for i in range(n_city)) # 4. 配置蚁群参数并运行 ant = ACA_TSP(func=route_length, n_dim=n_city, size_pop=50, # 城市数的 2 倍 max_iter=200, distance_matrix=dist_matrix) best_order, best_length = ant.run() # 5. 输出结果 print("最短路径长度:", round(best_length, 4)) print("最优访问顺序:", best_order.tolist())

最短路径长度: 3.2841 最优访问顺序: [3, 21, 4, 17, 9, 24, 0, 12, 19, 6, 2, 22, 15, 8, 23, 11, 5, 1, 14, 18, 10, 16, 13, 7, 20]

第一段是数据准备：坐标随机生成，距离矩阵用scipy的cdist一次算好。注意算法本身只依赖这个矩阵，坐标仅在计算距离时用了一次。

第二段定义目标函数。ACA_TSP对你的问题一无所知，它只是拿你给的func给每条路线打分，所以"距离怎么算"完全由你决定。

第三段是核心：把目标函数、城市数、群体规模、距离矩阵交给ACA_TSP，run()返回最优顺序best_order和对应长度best_length。官方示例在 examples/demo_aca_tsp.py，里面还带了画图代码。

📈 看收敛曲线：你的解够不够好？

跑完后ant.y_best_history里存着每一轮的最优长度，画出来只要几行：

import pandas as pd import matplotlib.pyplot as plt pd.DataFrame(ant.y_best_history).cummin().plot() plt.xlabel("迭代次数"); plt.ylabel("历史最优路径长度"); plt.show()

曲线前半段快速下坠、后段贴着底部走平，说明基本收敛了；如果到最后一轮还在明显下滑，就加大max_iter再跑一轮。

🔧 调参 & 避坑指南

alpha和beta是最常被问到的信息素参数调优方向：alpha调大，蚂蚁更信信息素，偏利用；beta调大，蚂蚁更信距离，偏探索。如果你发现结果总停在差不多的位置，先调大rho，再考虑动alpha。

🌐 蚁群算法还能干嘛？

TSP 只是最顺手的练手题，同一套"排序即解"的思路还能迁到这些场景：

• VRP 车辆路径：给多条路线加容量约束，解决配送车队怎么派车
• 网络路由：节点当路由器、边权当延迟，给数据包挑低延迟路径
• 任务调度：把任务排成一个执行顺序，最小化总完成时间
• 资源分配：把分配方案映射成排列顺序，按总代价打分

scikit-opt 里各算法的接口风格一致（目标函数 +run()），只要你能把问题改写成"给一个排列打分"，换算法基本只是换 import 的事。

📚 延伸阅读

这份蚁群算法 Python 实现只是 scikit-opt 的一个模块，其他算法可以对照着学：

• 粒子群优化：sko/PSO.py
• 遗传算法：sko/GA.py
• 模拟退火：sko/SA.py
• 差分进化：sko/DE.py

图文教程入口在 docs/，中英文文档都有。

写在最后

参数表里的数字都只是起点，曲线和结果才是答案。把上面那段完整实战代码跑起来，改两个参数再看一眼收敛曲线，你就已经入门蚁群算法了。

【免费下载链接】scikit-optGenetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony Optimization Algorithm,Immune Algorithm, Artificial Fish Swarm Algorithm, Differential Evolution and TSP(Traveling salesman)项目地址: https://gitcode.com/GitHub_Trending/sci/scikit-opt