TSP 问题的 LKH 方法介绍

算法设计中最有名的问题恐怕非TSP（旅行售货商问题）莫属了，又名为Hamilton环游问题。

对此问题感兴趣的可以阅读下面的网站：

http://www.seas.gwu.edu/~simhaweb/champalg/tsp/tsp.html

http://www.akira.ruc.dk/~keld/research/LKH/

个人认为，K. Helsgaun 的 LKH (Lin-Kernighan-Helsgaun)方法是目前求解 TSP 问题的最有效方法。令人敬佩的是，为了促进研究，K. Helsgaun 在网站上发布了其算法的完整代码和他自己的研究论文。如果有时间和精力的话，好好的读读他的论文，将会很有收获的。感觉他的论文和在人脸识别中 P.Viola 的论文 “Robust Real-Time Face Detection” 一样的经典和让人兴奋。

K. Helsgaun 在其论文中，揭示了 TSP 最优解的若干特点：

最小生成树上的边出现在最优解中的概率非常高；

一个测试例子（532-city problem）发现，其最优解中有一条边e(from,to), 节点to 是 from 的第22个最近邻接点；

为了较好的度量一条边出现在最优解中的可能性，K. Helsgaun 引入了 1-tree 的概念并由此定义了边的 alpha-measure（测度）；

对于上面的 532-city 例子，若使用 alpha-measure 则最优解上的边最多为第14个alpha-nearest。

进一步，K. Helsgaun 考虑了距离矩阵 C=(cij) 的一种变换（每个节点 i 的关联边长增加一个常量pi）：

C=(cij)  =>  D=(dij):     dij= cij + pi + pj

这种变换使得TSP最优解保持不变，但却会改变最小生成树和 1-tree。选取合适的这种变换，alpha-measure 可以表现的更好。例如上面的 532-city 例子，适当变换后其最优解上的边最多为第5个alpha-nearest。这正如矩阵计算中的条件数那样，适当的变换后条件数会好的多。K. Helsgaun 使用 subgradient optimization 方法来选取这种变换，并且在变换的过程中，有可能发现TSP问题的真实最有解。这是因为如果计算得到的最小的 1-tree 正好是个环游（tour）的话，那么这个tour就是最优解。

关于 1-tree 和 alpha-measure（测度）的高效计算也值得注意，展示了图论的灵活应用。

总之，对于研究TSP问题而言，LKH方法非常值得大家关注。
————————————————
版权声明：本文为CSDN博主「xlh9718」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/xlh9718/article/details/26960849