【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...

【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

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：

1. 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。

2. 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。

• 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