【优化算法】Greedy Randomized Adaptive Search算法超详细解析，附代码实现TSP问题求解

最新推荐文章于 2023-08-18 14:47:47 发布

infinitor

最新推荐文章于 2023-08-18 14:47:47 发布

阅读量1.5k

点赞数 2

分类专栏： C++ java Python 文章标签：算法优化

本文链接：https://blog.csdn.net/Rivalsx/article/details/90896089

版权

GRAS是一种多起点元启发式算法，用于组合优化问题。它包括构造和局部搜索两个阶段。构造阶段通过贪婪和随机策略生成初始解，局部搜索则寻找局部最优解。在GRAS中，通过调整参数α控制贪心和随机性的权重，以平衡解的质量。算法包括Greedy_Randomized_Construction和Local Search，后者通常采用best-improving或first-improving策略进行邻域搜索。

摘要由CSDN通过智能技术生成

01 概述

Greedy Randomized Adaptive Search，贪婪随机自适应搜索（GRAS），是组合优化问题中的多起点元启发式算法，在算法的每次迭代中，主要由两个阶段组成：构造（construction）和局部搜索（ local search）。构造（construction）阶段主要用于生成一个可行解，而后该初始可行解会被放进局部搜索进行邻域搜索，直到找到一个局部最优解为止。

02 整体框架

如上面所说，其实整一个算法的框架相对于其他算法来说还算比较简单明了，大家可以先看以下整体的伪代码：
GRAS伪代码

GRAS主要由两部分组成：

Greedy_Randomized_Construction:在贪心的基础上，加入一定的随机因素，构造初始可行解。
Local Search：对上面构造的初始可行解进行邻域搜索，直到找到一个局部最优解。

然后再多说两句：

Repair是什么鬼？
有时候由于随机因素的加入，Greedy_Randomized_Construction阶段生成的解不一定都是可行解，所以为了保证下一步的Local Search能继续进行，加入repair算子，对解进行修复，保证其可行。
不是说自适应（Adaptive）吗？我怎么没看到Adaptive 的过程？
别急，这个后面具体举例的时候会详细讲到。

03 举个例子说明

为了大家能更加深入理解该算法，我们举一个简单的例子来为大家详细讲解算法的流程。

好了，相信大家都看懂上面的问题了（看不懂也别问我，摊手）。对于上述问题，我们来一步一个脚印用GRAS来求解之，来，跟紧小编的脚步……

强调了很多次，GRAS由两部分组成：Greedy_Randomized_Construction和Local Search，所以，在求解具体问题的时候，完成这两部分的设计，然后按照第二节所示的框架搭起来就可以。

3.1 Greedy_Randomized_Construction

这里还是老规矩，先上伪代码给大家看看，然后我们再进行讲解，毕竟对于算法来说，伪代码的作用不言而喻。
Greedy_Randomized_Construction

第1行，一开始解是一个空集。
第2行，初始化候选元素的集合，这里候选元素是指能放进Solution的元素（也就是目前Solution里面没有的），比如１，２，３……。
第3行，对候选集合的每个元素进行评估，计算将元素x放入Solution会导致目标函数f改变量delta_x。
第5行，根据delta_x对各个元素排序，选取部分较好的候选元素组成RCL表**（贪心性体现在这里）。**
第6行，随机在RCL中选取一个元素放进Solution。（算法的随机性）
第8、9行，更新候选元素集合，然后对每个元素进行重新评估计算delta值。（算法的自适应性体现在这里）

相信经过上面如此详细的介绍，大家都懂了吧！

3.2 Local Search

关于Local Search方面的内容，相信大家学习heuristic这么久了，就不用我多说什么了吧：

简单看一下伪代码即可，主要是邻域算子的设计，然后就是在邻域里面进行搜索，找到一个局部最优解为止。然后关于邻域搜索，有best-improving or first-improving strategy 两种策略，这个下次有时间出个专题给大家讲明白一些相关概念吧。

04 再论Greedy_Randomized_Construction

前面我们说了，Greedy_Randomized_Construction用于生成初始解，既然是Greedy_Randomized两个结合体，那么肯定就有一个权重分配的问题，即，是Greedy成分多一点呢？还是Randomized成分多一点好呢？因此，为了控制这两个小老弟的权重，防止某个家伙在该过程中用力过猛导致解不那么好的情况，我们引入一个参数α：

其他部分就不再多说，可以看到，上面的α参数主要是控制RCL的长度：

当α=0时，纯贪心，只能选取最优的候选元素。
当α=1时，纯随机，所有候选元素都可随机选。

05 代码实现

由于小编精力有限，就不从头写一遍了，从GitHub上找了一个感觉还不错的算法给大家，也是求解TSP问题的。不过说实在的，python写算法的速度是很慢的，无论是速度还是算法架构等方面都不推荐大家用matlab或者python写大型优化算法。

运行结果如下：
Berlin52

代码算例以及相关运行结果请关注公众号【程序猿声】，后台回复：GRAS，即可下载

############################################################################

# Created by: Prof. Valdecy Pereira, D.Sc.
# UFF - Universidade Federal Fluminense (Brazil)
# email:  valdecy.pereira@gmail.com
# Course: Metaheuristics
# Lesson: Local Search-GRASP

# Citation: 
# PEREIRA, V. (2018). Project: Metaheuristic-Local_Search-GRASP, File: Python-MH-Local Search-GRASP.py, GitHub repository: <https://github.com/Valdecy/Metaheuristic-Local_Search-GRASP>

############################################################################

# Required Libraries
import pandas as pd
import random
import numpy  as np
import copy
import os
from matplotlib import pyplot as plt 

# Function: Tour Distance
def distance_calc(Xdata, city_tour):
    distance = 0
    for k in range(0, len(city_tour[0])-1):
        m = k + 1
        distance = distance + Xdata.iloc[city_tour[0][k]-1, city_tour[0][m]-1]            
    return distance

# Function: Euclidean Distance 
def euclidean_distance(x, y):       
    distance = 0
    for j in range(0, len(x)):
        distance = (x.iloc[j] - y.iloc[j])**2 + distance   
    return distance**(1/2) 

# Function: Initial Seed
def seed_function(Xdata):
    seed = [[],float("inf")]
    sequence = random.sample(list(range(1,Xdata.shape[0]+1)), Xdata.shape[0])
    sequence.append(sequence[0])
    seed[0] = sequence
    seed[1] = distance_calc(Xdata, seed)
    return seed

# Function: Build Distance Matrix
def buid_distance_matrix(coordinates):
    Xdata = pd.DataFrame(np.zeros((coordinates.shape[0], coordinates.shape[0])))
    for i in range(0, Xdata