智能优化系列|第四期：也许你和禁忌搜索算法的距离就差这一文(附python案例代码)

1.禁忌搜索简介

禁忌搜索（Tabu Search，简称TS）是属于模拟人类智能的一种优化算法，它模仿了人类的记忆功能，在搜索过程中标记已经找到的局部最优解及求解过程，并于之后的搜索中避开它们（但不是完全杜绝），从而获得更广的搜索区间，有利于寻找到全局最优解。TS算法通过禁忌策略实现记忆功能，通过藐视准则继承LS的强局部搜索能力。各种机制的配合，使得TS一方面具备高局部搜索能力，同时又能防止算法在优化中陷入局部最优。

2.禁忌搜索的核心思想

禁忌搜索的核心要素有5个：禁忌对象，禁忌表，禁忌步长，藐视准则，终止准则

禁忌对象（Tabu Object，TO）：指禁忌表中被禁止的变化元素，比如在旅行商问题（TSP）中可以是交换的城市对或者总路径长度。

禁忌表（Tabu List，TL）：用来存放（记忆）禁忌对象的表，是禁忌搜索算法的基本前提。禁忌表有容量限制，大小影响存放禁忌对象的个数，进而影响算法性能。

禁忌长度（Tabu Tenure，TT）：指禁忌对象不能被选取的周期，也称为禁忌长度。禁忌期限过短容易导致循环，难以跳出局部最优；过长则会增加计算时间。

藐视准则（Aspiration Criteria，AC）：也称为特赦规则，用于在所有对象都被禁忌时解禁性能最好的对象，或者当解禁某个对象会带来目标值显著改进时使用。

终止准则：可以是最大迭代步数；可以利用某个对象的最大禁忌频率，也可以是适配值的偏离幅度。

3.禁忌搜索的步骤

[②-④是迭代步骤]，IterMax设置为多少，就迭代多少次。

①首先，生成一个初始解，并将其设为当前解，然后将该解加入禁忌表中。

②创建当前解的候选解集，也就是当前解的邻域解集。

③从步骤②产生的所有候选解中选出这一轮适应值最好的候选解，将其与全局最优解进行比较，

如果优于全局最优解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新全局最优解，并且作为下一个迭代的当前解，然后将对应的城市交换对加入禁忌表；

如果不优于全局最优解，就从所有候选解中选出不在禁忌状态下的最好解作为新的当前解，并且作为下一个迭代的当前解，然后将对应的城市交换对加入禁忌表；这时候不更新全局最优解。

④将新的当前解加入禁忌表，并更新禁忌表。

⑤输出搜索到的最优解。

4.禁忌搜索的算法流程和详细步骤

下面有一个列子来说明：

我们已知（a，b，c，d）四个城市的不对称距离矩阵为Dij，这里假设起始点和结束点必须为a，求解TSP问题：

那么这里我们如下

4.1基本定义：

禁忌对象是交换城市对；

禁忌表保存的是禁忌对象，即交换城市对，

禁忌长度为2，即交换的城市对在禁忌表中存放，经过2轮迭代后会被释放出来，又可以被选择了。

候选解的产生方式为交换一个解中相邻的两点的顺序。某轮迭代中产生的候选解最优且不在禁忌表中的解作为新的当前解

藐视准则：如果某轮迭代中产生的候选解都在禁忌表中，那么这轮迭代直接选择禁忌表中的最优解作为新的当前解，不更新禁忌表。

禁忌表更新规则：用一个数字记录禁忌表中每个解能在迭代中保存的剩余轮数，当解的剩余保存轮数为0时，将解移出禁忌表。

终止准则：最大迭代步数

4.2算法的步骤如下：

从距离矩阵我们可以看出：

ab =1
ac =0.5
ad =1
ba =1
bc =1
bd =1
ca =1.5
cb =5
cd =1
da =1
db =1
dc =1

步骤①产生初始解path0 = (abcda),设置禁忌表为tabu_dict为空，path0的总距离D0 = 1+1+1+1=4。

重复迭代步骤②-步骤④

-------------------------------迭代第一次---------------------------------------------------------

步骤②在禁忌表tabu_dict的限制下，此时path0为当前解，构建当前解的邻域P={

交换bc->path1:acbda	交换bd->path2:adcba	交换cd->path3:abdca
path1总距离D1 = 0.5+5+1+1=7.5	path2总距离D2 =1+1+5+1=8	path3总距离D3 = 1+1+1+1.5=4.5

}，选path3为这一轮适应值最好的候选解。

步骤③ 此时全局最优解best_path =path3(abdca)，令当前解path0=path3(abdca)

步骤④ tabu_dict.append(path3的交换城市对)那么tabu_dict={{(cd)：2}}

-------------------------------迭代第二次---------------------------------------------------------

步骤②在禁忌表tabu_dict的限制下，构建当前解的邻域P={

交换bc->path4:acdba	交换bd->path5:adbca
path4总距离D4 = 0.5+1+1+1=3.5	path5总距离D5 =1+1+1+1.5=4.5

}，选path4为这一轮适应值最好的候选解。

步骤③ 此时全局最优解best_path =path4(acdba)，令当前解path0=path4(acdba)

步骤④ tabu_dict.append(path4的交换城市对)那么tabu_dict={{(cd)：1},{(bc)：2}}

-------------------------------迭代第三次---------------------------------------------------------

步骤②在禁忌表tabu_dict的限制下，构建当前解的邻域P={

交换bd->path6:acbda
path6总距离D6 = 0.5+5+1+1=7.5

},path6选出这一轮适应值最好的候选解

步骤③ 如果没有藐视准则，best_path<path6，故全局最优解不变，

此时best_path =path4(acdb)，令当前解path0=path6(acbda)

步骤④ tabu_dict.append(path6的交换城市对)，那么tabu_dict={{(bc)：1},{(bd)：2}}

-------------------------------迭代第N次---------------------------------------------------------

按照上面的步骤不断迭代，直到达到设置的最大迭代次数IterMax，则程序终止。

最后得到的全局最优解best_path，就是最后的输出结果。

5.最后

理解了上面的迭代过程，也就理解了禁忌搜索算法的精髓。

┭┮﹏┭┮，至于禁忌搜索算法的实例代码，下期再出了，今天先到这里~

6.相关阅读

1.禁忌搜索（TS）总结：算法流程，实例，思路_ts算法步骤-CSDN博客

2.禁忌搜索算法求解TSP问题python实现

相关视频会在后续发布，欢迎关注我的bilibili：无形忍者的个人空间-无形忍者个人主页-哔哩哔哩视频