别再硬算最优解了！用Python实现模拟退火算法搞定旅行商问题（附完整代码）

用Python玩转模拟退火算法：旅行商问题的优雅解法

想象一下你是一位物流调度员，面对20个城市的配送路线规划，可能的排列组合数量比宇宙中的原子还要多。这就是著名的旅行商问题（TSP）带来的计算噩梦。传统精确算法在这种NP难问题面前显得力不从心，而今天我要分享的模拟退火算法，就像给这个问题装上了智能导航——它不追求完美解，但能在合理时间内找到90分以上的优质方案。

1. 模拟退火：从冶金车间到算法世界

1983年，Kirkpatrick等科学家从金属退火工艺中获得灵感，创造了这种独特的优化算法。当金属缓慢冷却时，其原子会逐渐排列成能量最低的稳定状态——模拟退火算法正是模仿这一过程，通过"温度"参数控制搜索过程，既允许向更优解移动，也有限度地接受暂时性"恶化"，从而有效避免陷入局部最优陷阱。

关键参数解析：

• 初始温度：决定算法早期的探索范围，相当于金属的起始加热温度
• 冷却速率：控制温度下降速度，影响解的收敛过程
• 终止温度：算法停止条件，如同金属冷却至室温

import math
import random

def acceptance_probability(old_cost, new_cost, temperature):
    if new_cost < old_cost:
        return 1.0
    return math.exp((old_cost - new_cost) / temperature)

这段核心代码展示了算法最精妙的部分——以一定概率接受"次优解"的机制。当温度较高时，算法更"大胆"地探索解空间；随着温度降低，逐渐收敛到优质解区域。

2. TSP问题建模：从城市地图到数学表达

旅行商问题本质上是在完全图中寻找最短哈密尔顿回路。我们首先需要将实际问题转化为算法可处理的数据结构：

城市坐标表示：

cities = {
    '北京': (116.4, 39.9),
    '上海': (121.47, 31.23),
    '广州': (113.26, 23.12),
    '深圳': (114.05, 22.55),
    '成都': (104.06, 30.67)
}

距离矩阵计算：

def calculate_distance_matrix(cities):
    n = len(cities)
    dist_matrix = [[0]*n for _ in range(n)]
    city_list = list(cities.values())
    for i in range(n):
        for j in range(n):
            dx = city_list[i][0] - city_list[j][0]
            dy = city_list[i][1] - city_list[j][1]
            dist_matrix[i][j] = math.sqrt(dx**2 + dy**2)
    return dist_matrix

这个距离矩阵将成为评估路线优劣的基础。值得注意的是，实际应用中可能需要考虑道路实际距离或交通时间等更复杂的度量方式。

3. 算法实现全解析：从理论到代码

完整的模拟退火实现包含几个关键组件，我们逐步构建这个求解引擎：

3.1 初始解生成

随机生成一个初始路线，作为算法起点：

def generate_initial_solution(cities):
    solution = list(cities.keys())
    random.shuffle(solution)
    return solution

3.2 邻域搜索策略

采用2-opt交换作为邻域生成方法，随机选择两个位置进行交换：

def generate_neighbor(solution):
    neighbor = solution.copy()
    i, j = sorted(random.sample(range(len(neighbor)), 2))
    neighbor[i:j+1