禁忌搜索(Tabu Search)算法及python实现

禁忌搜索(Tabu Search)算法及python实现

版权声明：本文为博主原创文章，博客地址：https://blog.csdn.net/adkjb，未经博主允许不得转载。

禁忌搜索(Tabu Search,TS,又称禁忌搜寻法）是一种现代启发式算法，由美国科罗拉多大学教授Fred Glover在1986年左右提出的，是一个用来跳脱局部最优解的搜索方法。其先创立一个初始化的方案；基于此，算法“移动”到一相邻的方案。经过许多连续的移动过程，提高解的质量。 [ 百度百科 ]

由于网上提供的代码大多是C和Java的，这里笔者使用Python实现该算法

【目录】
- TS算法原理详解
- 举例详述TS算法过程
- Python实现TS算法
- 总结

---

TS算法原理详解

• 邻域

  对于组合优化问题，给定任意可行解x，x∈D，D是决策变量的定义域，对于D上的一个映射：N：x∈D→N(x)∈2(D) 其中2(D)表示D的所有子集组成的集合，N(x)成为x的一个邻域，y∈N(x)称为x的一个邻居。

• 候选集合

  候选集合一般由邻域中的邻居组成，可以将某解的所有邻居作为候选集合，也可以通过最优提取，也可以随机提取，例如某一问题的初始解是[1,2,3]，若通过两两交换法则生成候选集合，则可以是[1,3,2],[2,1,3],[3,2,1]中的一个或几个。

• 禁忌表

  禁忌表包括禁忌对象和禁忌长度。由于在每次对当前解的搜索中，需要避免一些重复的步骤，因此将某些元素放入禁忌表中，这些元素在下次搜索时将不会被考虑，这些被禁止搜索的元素就是禁忌对象；
  禁忌长度则是禁忌表所能接受的最多禁忌对象的数量，若设置的太多则可能会造成耗时较长或者算法停止，若太少则会造成重复搜索。

• 评价函数

  用来评价当前解的好坏，TSP问题中是总旅程距离。

• 特赦规则

  禁忌搜索算法中，迭代的某一步会出现候选集的某一个元素被禁止搜索，但是若解禁该元素，则会使评价函数有所改善，因此我们需要设置一个特赦规则，当满足该条件时该元素从禁忌表中跳出。

• 终止规则

  一般当两次迭代得到的局部最优解不再变化，或者两次最优解的评价函数差别不大，或者迭代n次之后停止迭代，通常选择第三种方法。

举例详述TS算法过程

现有一架飞机，从A点出发，需要经过B,C,D,E,F之后返回A点，且每个点只能经过一次，最后返回A点，求最短路径。

该问题是一个Hamilton回路问题，其中起点和终点已经固定，因此我们可以将解形式记为，例如【A,D,C,F,E,A】,每次只需变换中间两个元素即可，现在我们将禁忌长度设置为2，候选集合长度定义为4，迭代次数为100，通过以下步骤能使读者更清洗的了解TS算法的步骤。

给定任意初始解 x1=【A,D,C,F,E,A】f(x1)=10，历史最优为10

候选集合	禁忌表
【A,C,D,F,E,A】 f=15
【A,D,C,E,F,A】 f=20
【A,D,F,C,E,A】 f=8
【A,E,C,F,D,A】 f=6

我们发现对x1交换D和E时，f最优，此时x2=【A,E,C,F,D,A】 f(x2)=6，历史最优为6，将D-E放入禁忌表中

候选集合	禁忌表
【A,E,F,C,D,A】 f=9	D-E
【A,F,C,E,D,A】 f=15
【A,C,E,F,D,A】 f=6
【A,E,D,F,C,A】 f=5

我们发现对x2交换C和D时，f最优，此时x3=【A,E,D,F,C,A】 f(x3)=5，历史最优为5，将D-C放入禁忌表中

候选集合	禁忌表
【A,E,C,F,D,A】 f=8	D-E
【A,E,F,D,C,A】 f=10	D-C
【A,E,D,C,F,A】 f=14
【A,C,D,F,E,A】 f=16

此时我们发现对x3交换D和C时最优，但是由于D-C已经在禁忌表中，因此我们退而求其次，对x3交换F和D，此时x4=【A,E,F,D,C,A】 f(x4)=10，历史最优为5，将F-D放入禁忌表中，由于禁忌长度为2，因此将最先放入禁忌表中的D-E移除禁忌表

候选集合	禁忌表
【A,E,F,C,D,A】 f=4	D-C
【A,E,C,D,F,A】 f=5	F-D
【A,F,E,D,C,A】 f=7
【A,C,F,D,C,A】 f=10

此时我们发现对x4交换D和C时最优，虽然D-C已经在禁忌表中，但是f(D-C)<历史最优5，因此满足特赦规则，现在将D-C移除禁忌表，此时x5=【A,E,F,C,D,A】 f(x5)=4，历史最优为4，然后再将D-C放入禁忌表

候选集合	禁忌表
【A,C,F,E,D,A】 f=5	D-F
【A,E,C,F,D,A】 f=7	C-D
【A,D,F,C,E,A】 f=9
【A,F,E,C,D,A】 f=29

依次迭代下去，当迭代次数超过100时停止迭代，历史最优值即为输出解

Python实现TS算法

此处以一个简单版的TSP问题为例

现有29个城市，提供了经纬度，一架飞机需要从1号城市出发，途径剩下的28个城市然后返回1号城市，求最短距离

数据如下