相信搞物流运筹优化的都知道Matlab这门语言吧，Matlab语言简洁、容易上手，最主要的优势就是自带的矩阵运算，在求解大规模非线性NP难问题非常方便，小编自己也是使用Matlab出家，用Matlab编写过遗传算法、差分演化算法以及蚁群算法，对其编码语言风格了解甚深，但自从接触到了Python后，突然感觉两门语言有共通之处，最主要的体现就是编码逻辑，和人的思维逻辑非常相似，也就是说，如果哪位朋友对Matlab了解甚深，如果想再多学一门计算机语言，不妨试一下Python，说不定会给你惊喜，小编扯远了，哈哈！下面直接撂干货，小编打算以蚁群算法求解旅行商问题，并用python和Matlab分别编写代码，研究代码运行效率，并分析原因！

这里以31个城市为例，研究一个旅行商从何处出发，如何规划路线，在遍历所有城市节点（并回到出发点）的基础上使得旅行长度最短，首先是Matlab代码：

Matlab_page_1

Matlab_page_2

Matlab_page_3

Matlab_page_4

Matlab_page_5

Matlab_page_6

Python代码小编使用了多个封装文件，包括antcolony_algorithm.py、function.py、mysqlpython.py、setting.py和cities.xlsx文件，下面是Python详细代码：

antcolony_algorithm.py_page_1

antcolony_algorithm.py_page_2

antcolony_algorithm.py_page_3

function.py_page_1

function.py_page_2

function.py_page_3

function.py_page_4

function.py_page_5

function.py_page_6

function.py_page_7

function.py_page_8

mysqlpython.py_page_1

mysqlpython.py_page_2

setting.py

cities.xlsx

Matlab和Python运行结果如下：

Matlab运行结果

Python运行结果

在模型参数、系统配置相同的情况下，Matlab运行时间为19.14s，最短距离为15601.91，最短路径:1->15->14->12->13->11->23->16->5->6->7->2->4->8->9->10->3->18

->17->19->24->25->20->21->22->26->28->27->30->31->29->1，而Python运行时间为99.02s，最短距离为16212.93，最短路径: 14->12->13->11->23->16->5->6->7->2

->4->8->9->10->3->18->17->19->20->24->22->21->25->26->28->27->30->30

->31->29->1->15，由此可以看出，Python运行时间明显较长，即使加了多线程，运行效率仍然较低，且求解质量也不如matlab，究其原因，Python的Numpy库与Matlab矩阵运算相比有天然劣势，Matlab在组件丰富程度、计算速度、混合编程能力都完爆Numpy，况且Numpy库只是包含最基本的计算功能，若把numpy、scipy、sympy、matplotlib、pandas、traitsui……全放在一起才勉强有一拼之力，其次，就是Python线程的GIL问题（全局解释器锁），由于一个python解释器进程内有一条主线程，以及多条用户程序的执行线程。即使在多核CPU平台上，由于GIL的存在，所以禁止多线程的并行执行，一个解释执行器同一时刻只能执行一个线程，但会在内核中交替运行，因此大大降低了Python线程的执行效率。因此，上述原因共同促成了Python运行效率明显低于Matlab。

受制于水平的有限，这里只从启发式算法求解的角度给大家简单对比了一下Python和Matlab的求解效率，虽然Python求解效率不高，但Python语言简洁，可移植、可扩展性较强，最主要它有丰富的第三方库，在网络编程、前后端交互、爬虫以及数据分析方面大展头角，相信未来Python应用会越来越广泛。需要交流和切磋的读者朋友，请在评论区积极评论，欢迎关注头条号：杜哥说python。