【TSP问题】基于灰狼算法求解旅行商问题matlab源码
1 算法介绍
1.1 TSP介绍
“旅行商问题”(Traveling Salesman Problem,TSP)可简单描述为:一位销售商从n个城市中的某一城市出发,不重复地走完其余n-1个城市并回到原出发点,在所有可能路径中求出路径长度最短的一条。
旅行商的路线可以看作是对n城市所设计的一个环形,或者是对一列n个城市的排列。由于对n个城市所有可能的遍历数目可达(n-1)!个,因此解决这个问题需要O(n!)的计算时间。而由美国密执根大学的Holland教授发展起来的遗传算法,是一种求解问题的高效并行全局搜索方法,能够解决复杂的全局优化问题,解决TSP问题也成为遗传算法界的一个目标。
1.2 灰狼算法求解tsp模型
灰狼算法(greywolfoptimizer,gwo)是澳大利亚学者seyedalimirjalili于2014年根据灰狼种群的习性提出的一种元启发式算法。该算法根据灰狼喜欢群居的特性引入了社会统治阶层。在种群中,将其分为四个阶层:α狼(负责对种群发出命令的优势狼,即领头狼);β狼(辅助头狼做出决策等活动的优势狼);δ狼(侦察、站岗、狩猎和看护幼崽等相关活动是这种狼的主要活动,是服从于前两种狼的优势狼。);ω狼(服从于前三种优势狼,是位于统治阶级中最底端的狼)。算法利用根据灰狼种群在搜寻、围捕猎物的行为构建算法的数学描述公式,通过迭代获取最优解。通过基准函数的仿真结果表明,灰狼算法能够比遗传算法、粒子群算法等更快更好地完成最优解的搜寻。虽然灰狼算法在连续空间表现出了较好地应用效果,但是应对tsp问题时,在离散空间下的表现不是十分满意。因此,需要对传统的灰狼算进行改进,来更有效地处理tsp问题。
2 部分代码
clc; clear; %% TSP问题设置 % 产生问题模型 model = CreateModel('Oliver30.txt'); % 城市分布图 figure(1); plot(model.x, model.y, 'ms', 'LineWidth', 2, 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'g') legend('城市位置') title('城市分布图', 'fontsize', 12) xlabel('km', 'fontsize', 12) ylabel('km', 'fontsize', 12) grid on % 适应度函数句柄 Fun = @(tour) TourLength(tour, model); % TSP参数 M = model.n; % 城市个数 % GWO参数 N = 50; % 灰狼个数 Max_iter = 1000; % 最大迭代次数 lb = -10; % Lower Bound ub = 10; % Upper Bound dim = M; % 维数 % 初始化alpha, beta, and delta_pos Alpha_pos = zeros(1,dim); Alpha_score = inf; Beta_pos = zeros(1,dim); Beta_score = inf; Delta_pos = zeros(1,dim); Delta_score = inf; % 初始化种群位置 Positions = rand(N, dim).*(ub-lb)+lb; Length_best = zeros(1, Max_iter); Length_ave = zeros(1, Max_iter); l = 1; % 迭代计数器 %% 迭代寻优 while l < Max_iter+1 for i = 1:N % 边界处理 Flag4ub = Positions(i, :) > ub; Flag4lb = Positions(i, :) < lb; Positions(i, :) = (Positions(i, :).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; % 按行升序排列产生城市序列 [~, sol] = sort(Positions, 2); % 计算目标函数值(即路径距离) fitness = Fun(sol(i, :)); Length_ave(l) = Length_ave(l)+fitness; % 更新Alpha, Beta, and Delta if fitness < Alpha_score Alpha_score = fitness; Alpha_pos = Positions(i, :); end if fitness > Alpha_score && fitness < Beta_score Beta_score = fitness; Beta_pos = Positions(i, :); end if fitness > Alpha_score && fitness > Beta_score && fitness < Delta_score Delta_score = fitness; Delta_pos = Positions(i, :); end end a = 2-l*((2)/Max_iter); % a从2线性减到0 % 更新所有个体位置 for i = 1:N for j = 1:dim r1 = rand(); % r1 is a random number in [0,1] r2 = rand(); % r2 is a random number in [0,1] A1 = 2*a*r1-a; % Equation (3.3) C1 = 2*r2; % Equation (3.4) D_alpha = abs(C1*Alpha_pos(j)-Positions(i, j)); % Equation (3.5)-part 1 X1 = Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1 r1 = rand(); r2 = rand(); A2 = 2*a*r1-a; % Equation (3.3) C2 = 2*r2; % Equation (3.4) D_beta = abs(C2*Beta_pos(j)-Positions(i, j)); % Equation (3.5)-part 2 X2 = Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2 r1 = rand(); r2 = rand(); A3 = 2*a*r1-a; % Equation (3.3) C3 = 2*r2; % Equation (3.4) D_delta = abs(C3*Delta_pos(j)-Positions(i, j)); % Equation (3.5)-part 3 X3 = Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3 Positions(i, j) = (X1+X2+X3)/3; % Equation (3.7) end end Length_best(l) = Alpha_score; % 最短距离 Length_ave(l) = Length_ave(l)/dim; % 平均距离 disp(['Iteration ' num2str(l) ': Best Fitness = ' num2str(Alpha_score)]); l = l + 1; [~, BestSol] = sort(Alpha_pos); figure(2); PlotSolution(BestSol, model, Alpha_score); pause(0.01); end %% 进化曲线 figure(3); t = 1:Max_iter; plot(t, Length_best, 'r', t, Length_ave, 'b--', 'LineWidth', 2); xlabel('Iteration'); ylabel('Best Cost'); legend('最短距离','平均距离') xlabel('迭代次数') ylabel('距离') title('各代最短距离与平均距离对比')
3 仿真结果
4 参考文献
[1]高珊. 基于贪婪随机自适应灰狼优化算法求解TSP的研究与应用[D]. 太原理工大学.
[2]李延柯, 原慧琳. 一种基于灰狼算法的路径规划方法:, CN110675004A[P]. 2020.