禁忌搜索算法求解TSP问题python实现-CSDN博客

本文链接：https://blog.csdn.net/qq_40848423/article/details/107050913

文章目录

1 禁忌搜索（Tabu Search)

1.1 TS相关术语介绍

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问题中是路径里程。

藐视规则

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。

1.2 算法流程

Step1:生成初始解（随机生成，贪婪算法生成，改良圈算法生成）;

Step2:Inversion方法生成邻域;

Step3:更新当前最优解、禁忌表以及下一次进入迭代过程的路径；

Step4:重复Step2~3直到满足程序终止条件（本实验采用迭代次数）；

Step5:搜索结果可视化输出。

1.3 算例分析

$tabu\_size=2$ (禁忌表长)

$S_1=[2,1,4,3]$ ,$ f(S_1) = 500 $，$ tabu_list =[] $，$ S_0 = [2,1,4,3],best_so_far=500$

随机交换 $S_0$ 中两个元素的位置，一共不重复地交换M(候选集合长度)次

交换元素	候选集合(邻域)	目标函数值
(2 , 1)	[1,2,3,4]	480
(1 , 4)	[2,4,1,3]	436
(4 , 3)	[2,1,3,4]	652

对 $S_0$ 交换1和4时目标函数值最优，此时 $S_2=[2,4,1,3]$ , $f(S_2)=436$ 。将(1,4)添加到禁忌表中， $tabu\_list=[(1,4)]$ ，令 $S_0=S_2,best\_so\_far=436$ 。随机交换 $S_2$ 中两个元素的位置，总共不重复地交换M次

交换元素	候选集合(邻域)	目标函数值
(2 , 4)	[4,2,1,3]	460
(4 , 1)	[2,1,4,3]	500
(1 , 3)	[2,4,3,1]	608

对 $S_2$ 交换2和4时目标函数值最优，此时 $S_3=[4,2,1,3]$ , $S_0$ 和 $best\_so\_far$ 保持不变 $f(S_3)=460$ 。将(2,4)添加到禁忌表中， $tabu\_list=[(1,4),(2,4)]$ 。随机交换S2中两个元素的位置，总共不重复地交换M次。