应用于Max Cut问题的遗传算法和Kernighan-Lin算法的结合
1. 要解决的问题描述
经过一个学期的艰苦斗争,终于结束了遗传算法的课程。
一定要写个博客心疼一下自己。
如上图,Max-Cut 问题:
指给定一个无向带权图G=(V,E,C),其中V为一含有2n个节点的集合,E为边集合,C为n*n且对称的权重矩阵(Cij表示节点i和节点j直接边的权重,Cii=0)。将图G划分为两个社区,原节点集合V分为两个集合A和B,并且使得社区之间连接的权重 T=求和Cab 为最大值(a是A中的任意节点,b是B中的任意节点)。
由于Max Cut问题是典型的NP-hard问题,所以本文利用了遗传算法来解决此类问题,其中遗传算法中的局部优化算法使用了KL算法(Kernighan-Lin)。
2. 遗传算法
为什么遗传算法能解决NP-hard问题呢, 简单总结:
如果把解空间比作有很多不同峰值的曲线,那么遗传算法起初就会随机的分配解,而后根据遗传算法的选择(selection)、交叉(crossover)、变异(mutation)、交替(replacement)等运算方法,一代一代的执行并更新后,整个解集会呈现一个进化的过程,解的质量越来越高。如果参数设置适当,总会有一个解会达到全局最优。
然而,没有局部优化算法的遗传算法是低效的,局部优化算法是为了加快每一个解达到其相对最优点的速度而使用,并且选择局部优化算法是根据不同问题而决定。
下面介绍本人具体构造的遗传算法:
2.1 遗传算法的construction
这里附上整个遗传算法的流程伪代码。
k为交替的子代个数,每一代生成k个子代进行更新循环,直到满足条件为止。
这里设定的条件为:种群的收敛值达到100%并种群进化的循环次数(代数)不超过1200代。
2.2 遗传算法的解的representation
使用了order-based bin