用混合遗传算法求解物流配送路径：

问题： 从某物流中心用多台配送车辆向多个客户送货，每个客户的位置和货物需求量一定，每台配送车辆的载重量一定，其一次配送的最大行驶距离一定，要求合理安排车辆配送路线，使目标函数得到优化，并满足以下条件：

# -*- coding: UTF-8 -*-

import input_data
import tensorflow as tf

mnist = input_data.read_data_sets（“MNIST_data/“ one_hot=True）  #读取图片数据集
sess = tf.InteractiveSession（）

#---------------------------重要函数声明-------------------------------------
#权重变量
def weight_variable（shape）:
    #输出正态分布的随机值，标准差为0.1，默认最大为1，最小为-1，均值为0
    inital = tf.truncated_normal（shape stddev=0.1）
    return tf.Variable（inital）

#偏移变量
def bias_veriable（shape）:
    #创建一个结构为shape的矩阵，或者说数组，声明其行和列，初始化所有值为0.1
    inital = tf.constant（0.1 shape=shape）
    return tf.Variable（inital）

#卷积函数，大概意思是根据步长一步一步去遍历输入的值，行成特征向量输出到下一层
def conv2d（x W）:
    #卷积遍历各个方向步数为1，SAME表示边缘自动补0而不是丢弃，遍历相乘
    #strides：表示步长：当输入的默认格式为：“NHWC”，
    #则 strides = [batch  in_height  in_width in_channels]。
    #其中 batch 和 in_channels 要求一定为1，即只能在一个样本的一个通道上的特征图上进行移动，
    #in_height  in_width表示卷积核在特征图的高度和宽度上移动的布长
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）

#池化函数：意思是把输入的高宽变小，比如4*4 变成2* 2，有两种方式，一种是取每一个小块的最大值，另外一种是取每一个小块的平均值
def max_pool_2_2（x）:
    #池化卷积结果（conv2d）池化层的kernal采用和2*2的大小，步数也为2，周围填0，取最大值，数量量缩小
    return tf.nn.max_pool（x ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘SAME‘）

#--------------------------定义输入输出结构---------------------------------
#声明一个占位符，None表示输入的图片数量不定，28*28的图片分辨率
xs = tf.placeholder（tf.float32 [None 784]）
#输出类别总共是0-9个类别，对应分类的输出结果
ys = tf.placeholder（tf.float32 [None 10]）

#x_image又把xs reshape成 28*28*1的形状，因为是灰色图片，所以通道是1，作为训练时的input，-1代表图片数量不定
x_image = tf.reshape（xs [-1 28 28 1]）

#-------------------------搭建网络，定义算法公式，也就是前进时候具体应该怎么计算----------

#第一层卷积操作
#第一次卷积核的大小即patch第三个参数是图像通道数，第四个参数是卷积核数目，代表会出现多少个卷积特征图像
W_conv1 = weight_variable（[5 5 1 32]）
b_conv1 = bias_veriable（[32]） #偏移b的数量应该和w一致
#图片乘以卷积核加上偏移量，卷积结果为28 * 28 * 32
#relu函数表示一个激活函数，在大于0时激活，激活到第一象限，其他的收敛于一个接近于0的小数
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）

#结果池化，变成14*14*32的池化结果作为下一层的输入
h_pool1 = max_pool_2_2（h_conv1）

#第二次卷积
#32个通道卷积出64个特征
w_conv2 = weight_variable（[5 5 32 64]）
#64个偏移数据
b_conv2 = bias_veriable（[64]）
#注意上一层池化的结果作为输入
h_conv2 = tf.nn.relu（conv2d（h_pool1 w_conv2） + b_conv2）
#池化结果
h_pool2 = max_pool_2_2（h_conv2）
#原始图像尺寸为28*28第一轮图像缩小为14*14共32张，第二轮继续缩小为7*7共64张

#第三层全连接操作
#二维张量，第一个参数7*7*64的patch，第二个参数代表卷积有1024个
W_fc1 = weight_variable（[7*7*64 1024]）
#1024个偏执量
b_fc1 = bias_veriable（[1024]）
#将第二层的池化结果reshape成一行，有7*7*64个数据[n 7 7 64]->[n 7*7*64]
h_pool2_flat = tf.reshape（h_pool2 [-1 7*7*64]）
#卷积操作结果是1*1*1024，这里只有一行，所以直接采用矩阵相乘，而不是遍历相乘第一个参数是行向量，第二个是列向量
h_fc1 = tf.nn.relu（tf.matmul（h_pool2_flat W_fc1） + b_fc1）

#drop操作，为了减少过度拟合，降低上一层某些输入的权值，防止测评曲线出现震荡
#使用占位符，由dropout自动确定scale
keep_prob = tf.placeholder（tf.float32）
#对卷积结果进行drop操作
h_fc1_drop = tf.nn.dropout（h_fc1 keep_prob）

#第四层输出操作
#二维张量，1*1024矩阵卷积，对应我们定义的10个输出长度ys
W_fc2 = weight_variable（[1024 10]）
tf.histogram_summary（‘outputlayer/W‘ W_fc2）
b_fc2 = bias_veriable（[10]）
tf.histogram_summary（‘outputlayer/b‘ b_fc2）

#结果层用逻辑回归softmax或者sigmoid
y_conv = tf.nn.softmax（tf.matmul（h_fc1_drop W_fc2） + b_fc2）

#定义代价函

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-06-08 01:43  GeneticAlgorithm-master\
     文件        6937  2017-06-08 01:43  GeneticAlgorithm-master\CNN.py
     文件       14416  2017-06-08 01:43  GeneticAlgorithm-master\GA.py
     文件         631  2017-06-08 01:43  GeneticAlgorithm-master\README.md
     文件         463  2019-03-24 17:34  说明.txt