禁忌搜索算法（现代优化计算方法）

1.局部搜索算法

a.定义

step1：选定一个初始可行解：x0；记录当前最优解：xbest = x0，T = N( xbest )。
step2：当T \ ( xbest ) = 空集时，或者满足其他停止运算准则时，输出计算结果，停止运算；否则，从T中选一集合S，得到S中的最好接xnow；若f ( xnow ) < f ( xbest )，则xbest = xnow，T = N ( xbest )；否则，T : = T \ S；重复step2。

b.方法1--全邻域搜索（以五城市对称TSP问题为例）

一、图：

二、算法描述（以五城市对称TSP问题为例）：

初始：xbest = (A,B,C,D,E)，f( xbest )=45，本例中，定义邻域映射为对换2个城市的位置。S为N( xbest )全集。

进入循环：

循环1：N(xbest)={(ABCDE)，(ACBDE)，(ADCBE)，(AECDB)，(ABDCE)，(ABEDC)，(ABCED)}，对应目标函数为f(x)={45, 43, 45, 60, 60, 59, 44}

判定条件：xbest=(ACBDE)，f(x)=43。xbest与初始状态不同，N(xbest) \ (xbest) != 空集

循环2：N(xbest)={(ACBDE)，(ABCDE)，(ADBCE)，(AEBDC)，(ACDBE)，(ACEDB)，(ACBED)}，对应目标函数为f(x)={43, 45, 44, 59, 59, 58, 43}

判定条件：xbest=(ACBDE)，f(x)=43。xbest与初始状态相同，N(xbest)与循环1相同，N(xbest) \ (xbest) = 空集，跳出循环

得解xbest=(ACBDE)，f(xbest)=43。

三、代码：

void localsearchWNS(const vector< vector<int> > &v,vector<int> &x,int &costbest,int firstcity)
{
	swap(x[0],x[firstcity]);
	costbest=countDis(x,v);//countDis用于计算花费，代码在此不再贴出
	vector<int> tempx=x;
	int num=x.size();	
	while(true)
	{
		int min=costbest;
		for(int i=1;i<num-1;i++)
		{	
			for(int j=i+1;j<num;j++)
			{
				swap(x[i],x[j]);
				int temp=countDis(x,v);
				if(temp<min)
				{
					min=temp;
					tempx=x;
				}
				swap(x[i],x[j]);
			}	
		}
		if(min==costbest)
		{
			break;
		}
		costbest=min;
		x=tempx;
	}	
}

四、实验：

实验所得，当n<9（比较小的时候），所求与全局最优解相同（回溯求得），在n>10之后，开始有偏离，并且偏离程度不可预测。除起点A外，解空间树共4!=24种情况，以上搜索只搜索了12种，故局部搜索算法<全邻域搜索>并没有搜索完整棵解空间树，求得也不是全局最优解，而是局部最优解。用局部最优解代替全局最优解。

c.方法2--一步随机搜索

一、算法描述：

初始：xbest = (A,B,C,D,E)，f( xbest )=45，本例中，定义邻域映射为对换2个城市的位置。

进入循环：

循环x：从N(xbest)中随机选择一点xnow，如果f(xnow)<f(xbest)，则xbest=xnow，且重新构建N(xbest)；如果f(xnow)>=f(xbest)，则从N(xbest)中移除点xnow，继续循环

判定条件：N(xbest) = 空集，跳出循环

得解

二、代码：

void localsearchOSRS(const vector< vector<int> > &v,vector<int> &x,int &costbest,int firstcity)
{
	swap(x[0],x[firstcity]);
	costbest=countDis(x,v);
	vector< vector<int> > tempx;
	int num=x.size();	
	int flag=0;
	while(true)
	{
		if(flag==0)
		{
			for(int i=1;i<num-1;i++)
			{	
				for(int j=i+1;j<num;j++)
				{
					swap(x[i],x[j]);
					tempx.push_back(x);
					swap(x[i],x[j]);
				}	
			}
		}
		int n=random(0,tempx.size()-1);
		int cost=countDis(tempx[n],v);	
		if(cost<costbest)
		{
			costbest=cost;
			x=tempx[n];
			vector< vector<int> > clearv;
			tempx=clearv;
			flag=0;
		}
		else
		{
			if(tempx.size()>0)
			{
				tempx.erase(tempx.begin()+n);
				if(tempx.size()==0)
				{
					return;
				}
				flag=1;
			}
		}
	}
} 

三、实验：

实验所得n=7时就与最优解开始偏离，偏离程度不可预计，与初始可行解、邻域结构有关

d.分析

局部最优解偏离全局最优解的程度，一部分上取决于初始可行解的选择，一部分取决于邻域结构的选择。因此在使用局部搜索算法时，为了得到好的解，可以比较不同的邻域结构（比如，ABCDE，除初始点外，其余点顺序右移。好的邻域结构的作用是：通过此操作，改变序列，形成邻域，达到搜索更小的范围，却搜到更接近全局最优解的局部最优解的目的）和不同的初始点。一个非常直观的结论是：如果初始点的选择足够多，总可以计算出全局最优解。

2.禁忌搜索

a.定义

step1：给以禁忌表H=空集，并选定一个初始解xnow；

step2：满足停止规则时，停止计算，输出结果；否则，在xnow的领域N(xnow)中选择不受禁忌的候选集Can_N(xnow)；在Can_N(xnow)中选一个评价值最佳的解xnext，xnow=xnext；更新历史记录H，保存f(xnow)，重复step2；

step3：在保存的众多f中，挑选最小（大）值作为解；

b.思想

标记已经解得的局部最优解或求解过程，并在进一步的迭代中避开这些局部最优解或求解过程。局部搜索的缺点在于，太过于对某一局部区域以及其邻域的搜索，导致一叶障目。为了找到全局最优解，禁忌搜索就是对于找到的一部分局部最优解，有意识地避开它，从而或得更多的搜索区域。

比喻：兔子们找到了泰山，它们之中的一只就会留守在这里，其他的再去别的地方寻找。就这样，一大圈后，把找到的几个山峰一比较，珠穆朗玛峰脱颖而出。

c.基本概念

禁忌对象：禁掉谁？（根据受禁对象的不同选择，可行解是一禁禁一个；还是一禁禁掉一大片。主要对禁忌范围，及搜索范围有影响）

禁忌长度：禁多久？（禁掉的东西什么时候放出来？禁忌长度过短，会导致循环；禁忌长度过长，会导致计算时间过长。主要对解的收敛速度有影响）

禁忌表：包括禁忌对象和禁忌长度（总的来说就是：怎么禁？）

候选集：邻域中可行解的选取？（候选集的大小，过大增加计算内存和计算时间，过小过早陷入局部最优）

d.小栗子（以四城市非对称TSP为例）

一、图：

二、过程模拟（以四城市非对称TSP为例）：

禁忌长度为3（等于候选集个数）

禁忌长度是3（等于候选集中对换个数）的缺点在于：如cd对换一直从步2禁忌到结束，虽然在步2与步1衔接时，防止了回到原先候选集的可能，但也同时抹除了后续ACBD->ADCB，ADCB->ACBD，ACDB->ADCB，ADCB->ACDB的可能。

将禁忌长度改为2，上述步骤一样

从禁忌长度为2的迭代与禁忌长度为3的迭代比较可得：
禁忌长度短会造成循环，也就可能在一个局部最优解的附近循环（步6，产生ABCD循环到步1）（极限状况下，禁忌长度为1：造成一直在一个局部最优解处循环，退化为局部搜索算法）（此处由于城市个数只有4个，除去起点A，BCD排列一共才6种，所以看上去好像<循环会产生的足够晚，会比禁忌长度更长的方案产生更多的候选局部最优解>。但如果城市个数是20呢？禁忌长度为1，是否会在第5,6步就产生循环呢？相对而言禁忌长度为(19-1)*(19)/2的方案，会迭代(19-1)*(19)/2步，产生更多候选局部最优解）。禁忌长度长会造成，算法的记忆存储量增加，使得算法的计算时间增加（譬如，上述例子，20个城市的TSP，从头禁到尾，一定要跑(19-1)*(19)/2步，但是禁忌长度短，或许早就出现循环，解收敛了）。

三、代码（禁忌长度等于禁忌对象个数）：

#include"tsp.h"
using namespace std;
bool cmp(int a,int b)
{
	return a<b;
}
bool countMin(const vector< vector<int> > &v,vector<int> &x,vector< vector<int> > &tabutable,const int &num)
{
	int xtemp;
	int ytemp;
	int min=INT_MAX;
	for(int i=1;i<num-1;i++)
	{	
		for(int j=i+1;j<num;j++)
		{
			swap(x[i],x[j]);
			int temp=countDis(x,v);
			if(temp<min&&tabutable[x[i]][x[j]]==0&&tabutable[x[j]][x[i]]==0)
			{
				min=temp;
				xtemp=i;
				ytemp=j;
			}
			swap(x[i],x[j]);
		}	
	}
	if(min==INT_MAX)
	{
		return false;
	}
	else
	{
		swap(x[xtemp],x[ytemp]);
		tabutable[x[xtemp]][x[ytemp]]=1;
		tabutable[x[ytemp]][x[xtemp]]=1;
		return true;
	}
}

void tabusearchN(const vector< vector<int> > &v,vector<int> &x,int &costbest,int firstcity)
{
	swap(x[0],x[firstcity]);
	int num=x.size();//城市节点个数
	vector< vector<int> > tabutable;//禁忌表，tabutable[i][j]=z表示对换对(i,j)的禁忌长度为z 
	vector<int> f;//记录每一个局部最优解 
	initX(tabutable,num);
	
	for(int i=0;i<num;i++)//初始化禁忌长度为0 
	{
		for(int j=i+1;j<num;j++)
		{
			tabutable[x[i]][x[j]]=0;
			tabutable[x[j]][x[i]]=0;
		}
	}
	f.push_back(countDis(x,v));
	while(countMin(v,x,tabutable,num))
	{
		f.push_back(countDis(x,v));	
	}
	sort(f.begin(),f.end(),cmp);
	costbest=f[0];
}

考虑：禁忌长度的选择？候选集的选择？禁忌对象（禁忌表中被禁的那些变化元素）的选择？评价值的替代形式？终止原则怎样给出？

e.技术问题（解决上述<考虑>）

零、靠近全局最优解与计算时间长短的影响因素

1.是由禁忌长度（禁多久）的选择、禁忌对象（禁掉谁）的选择、候选集的选择、评价值的形式等综合影响的。

如以下禁忌对象的选择中，解的简单变化比（解的分量变化和目标值变化）的禁忌范围要小，这可能造成计算时间的增加，但它也给予了较大的搜索范围。但这只是给予了更大的搜索范围，并不代表它能比其他两种方式获得更好的解。比如在此同时，它的禁忌长度过短，导致过早陷入某个局部最优解的循环，那么再大的搜索范围也是没用的。

总的而言，对于上述因素的考虑，对于靠近全局最优解的考虑。它是一个搜索范围以及是否会过早陷入局部最优解的一个博弈。

2.计算时间长短主要体现在对解的评估，即计算目标值。

一、状态变化和禁忌对象的选择（对受禁范围的影响）

0）例子背景

初始解：xnow = (A,B,C,D,E)，f( xnow)=45，N(xnow)邻域的构造：定义邻域映射为对换2个城市的位置。候选集Can_N(xnow)是从N(xnow)中选择除初始解外的5个可行解。

1）解的简单变化

x,y∈D（解的定义域）。简单解变化，x->y∈N(x)（x的邻域）。即在x的邻域中选择（体现在禁忌对象上就是禁掉）一个解了事。这种手段在两种局部搜索方法中都用过。这种变化将问题的解看成变化的最基本因素。

以上述背景为例：

N(xnow)={(ACBDE)，(ADCBE)，(AECDB)，(ABDCE)，(ABCED)}，对应目标函数为f(x)={ 43, 45, 60, 60, 44}。比较选择f值最低的(ACBDE)作为xnext，并且将上一个xnow(A,B,C,D,E)拉入禁忌表，H={ ( A , B , C , D , E ; 45 ) }。注意是将一个可行解列为禁忌对象。

2）向量分量变化

(x0,x1,x2,x3....xn)->(x0,x1,y,x3...xn)，这种变化方式在解空间树为子集树的向量上，体现为其中几个xi取反（0-1背包），变化数目为2^n；在解空间树为排列树的向量上，体现为swap其中两个元素，或多个元素（2-opt，TSP），变化数目为n!。体现在禁忌对象上就是禁掉一个交换对或者一种取反方式。这种变化以问题解向量的每个分量变化为基础因素

以上述背景为例：

N(xnow)={(ACBDE)，(ADCBE)，(AECDB)，(ABDCE)，(ABCED)}，对应目标函数为f(x)={ 43, 45, 60, 60, 44}。比较选择f值最低的(ACBDE)作为xnext，并且将上一个xnow(A,B,C,D,E)到现在的xnext(A,C,B,D,E)之间的交换对(B,C)拉入禁忌表，H={ ( B,C) }。注意是将一个交换对列为禁忌对象。

3）目标值变化

H( a ) = { x ∈ D | f( x ) = a }，即禁掉所有目标值为a的可行解。如此一来倘若a变成b，那么禁掉的目标变化的就是整整一个目标值为x的集合！

以上述背景为例：

N(xnow)={(ACBDE)，(ADCBE)，(AECDB)，(ABDCE)，(ABCED)}，对应目标函数为f(x)={ 43, 45, 60, 60, 44}。比较选择f值最低的(ACBDE)作为xnext，并且将上一个xnow(A,B,C,D,E)的目标值45禁忌掉，H={ ( 45) }。注意是将一个目标值列为禁忌对象。

4）分析

控制其他变量，单就禁忌对象的选择和状态变化而言。解的简单变化比（解的分量变化和目标值变化）的禁忌范围要小，这可能造成计算时间的增加，但它也给予了较大的搜索范围；（解的分量变化和目标值变化）比解的简单变化的禁忌范围要大，这减少了计算时间，可能引发的问题是禁忌范围太大已至于陷在局部最优点。

受禁范围小，计算时间长，搜索范围大，易找出全局最优；受禁范围打，计算时间短，搜索范围小，易陷入局部最优。

二、禁忌长度的选择（对受禁时间的影响）

 1）分析

控制其他变量，单就禁忌长度的选择而言，禁忌长度越短，机器内存占用越少，解禁范围更大（搜索范围上限越大），但很容易造成搜索循环（实际去搜索的范围却很小），过早陷入局部最优。禁忌长度过长又会导致计算时间过长（具体例子见上粉字分析）

2）禁忌长度的选取方案

（1）t 可以为常数，易于实现。
（2）t∈[ tmin , tmax ]，t 变化的，tmin和tmax是确定的。tmin和tmax根据问题的规模确定，t 的大小主要依据实际问题、实验和设计者的经验。
（3） tmin和tmax的动态选择。

三、特赦规则

通俗定义：对于在禁忌的对象，如果出现以下情况，不论现在对象的禁忌长度如何，均设为0

（1）基于评价值的规则，若出现一个解的目标值好于前面任何一个最佳候选解，可特赦；

（2）基于最小错误的规则，若所有对象都被禁忌，特赦一个评价值最小的解；

（3）基于影响力的规则，可以特赦对目标值影响大的对象。

四、候选集

候选集的大小，过大增加计算内存和计算时间，过小过早陷入局部最优。候选集的选择一般由邻域中的邻居组成，可以选择所有邻居，也可以选择表现较好的邻居，还可以随机选择几个邻居

五、评价函数

评价函数分为直接直接评价函数和简介评价函数

直接评价函数：上述例子，均直接使用目标值作为评价函数

间接评价函数：反映目标函数特性的函数（会比目标函数的计算更为简便，用以减少计算时间等）

六、终止规则

禁忌算法是一个启发式算法，我们不可能让禁忌长度充分大，所以一些直观的终止规则就出现了

（1）确定步数终止，无法保证解的效果，应记录当前最优解；

（2）频率控制原则，当某一个解、目标值或元素序列的频率超过一个给定值时，终止计算；

（3）目标控制原则，如果在一个给定步数内，当前最优值没有变化，可终止计算。