智能优化算法学习笔记（3）–禁忌搜索算法（TS）

最新推荐文章于 2023-12-04 20:14:01 发布

KKAI_C

最新推荐文章于 2023-12-04 20:14:01 发布

阅读量2.2k

点赞数 3

分类专栏：智能优化算法文章标签：启发式算法

本文链接：https://blog.csdn.net/qq_43808253/article/details/131103887

版权

智能优化算法专栏收录该内容

5 篇文章 8 订阅

订阅专栏

禁忌搜索算法概述

禁忌搜索(Tabu Search,TS)是Glover于1986年提出的一种全局搜索算法。禁忌搜索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，在求解问题的过程中，采用了禁忌技术，对已经搜索过的局部最优解进行标记，并且在迭代中尽量避免重复相同的搜索（但不是完全隔绝），从而获得更广的搜索区间，有利于寻找到全局最优解。

禁忌搜索算法基本概念

定义1 禁忌表是用来存放（记忆）禁忌对象的表。它是禁忌搜索得以进行的基本前提。禁忌表本身是有容量限制的，它的大小对存放禁忌对象的个数有影响，会影响算法的性能。

定义2 禁忌对象是指禁忌表中被禁的那些变化元素。禁忌对象的选择可以根据具体问题而制定。例如在旅行商问题中可以将交换的城市对作为禁忌对象，也可以将总路径长度作为禁忌对象。

定义3 禁忌期限也叫禁忌长度，指的是禁忌对象不能被选取的周期。禁忌期限过短容易出现循环，跳不出局部最优，长度过长会造成计算时间过长。

定义4 渴望准则也称特赦准则。当所有的对象都被禁忌之后，可以让其中性能最好的被禁忌对象解禁，或者当某个对象解禁会带来目标值的很大改进时，也可以使用特赦规则。

定义5 领域所谓领域，简单的说即是给定点附近其他点的集合。领域就是指对当前解进行一个操作（这个操作可以称之为领域动作）可以得到的所有解的集合。

定义6 领域动作是一个函数，通过这个函数，对当前解s，产生其相应的邻居解集合。

例如：对于一个bool型问题，其当前解为：s = 1001，当前领域动作定义为翻转其中一个bit时，得到的邻居解的集合N(s)={0001，1101，1011，1000}，其中N(s)属于S。

定义7 候选集合由领域中的邻居组成。禁忌搜索算法中的候选集合指的是搜索过程中待考虑的解的集合，每个解都可以看作是一个候选解。在禁忌搜索算法中，通过对候选解进行评估和选择，来进行搜索过程，同时还需要考虑候选解的禁忌属性，即哪些解不能被选择，以保证搜索的效率和质量。候选集合的大小和组成方式会影响禁忌搜索算法的搜索效果和效率。

定义8 评价函数（目标函数）评价函数是候选集合元素选取的一个评价公式，候选集合的元素通过评价函数值来选取。

算法流程

Step1：禁忌表H = 空集，并选定一个初始解 $x_{1}$ ;

Step2：在 $x_{1}$ 的领域 $N(x_{i})$ 中选择候选集 $Can\_N(x_{i})$ ；在 $Can\_N(x_{i})$ 中选一个评价值最佳的解 $x_{i+1}$ ,

> $x_{i+1}$ 不在禁忌表中，选为当前解

> $x_{i+1}$ 在禁忌表中，满足破禁条件， $x_{i+1}$ 为当前解，否则从不在禁忌表解中，选择一个最优解

Step3：重复step2，直到满足停止条件

应用范围

禁忌搜索算法已经在组合优化、生产调度、机器学习、电路设计和神经网络等领域取得了很大的成功，近年来又在函数全局优化方面得到较多的研究，并大有发展的趋势。

混合其他现代计算方法，如遗传算法、蚁群算法等技术对传统的禁忌搜索算法进行性能的改进与提高。

例子

相关代码

import random

# 定义目标函数
def target_func(x):
    return x**2

# 定义禁忌搜索算法函数
def taboo_search(init_x, max_iter, tabu_length):
    # 初始化当前解和最优解
    cur_x = init_x
    best_x = init_x
    # 初始化禁忌表
    tabu_list = [init_x]
    # 迭代搜索
    for i in range(max_iter):
        # 在邻域中搜索最优解
        neighbor_x = cur_x + random.uniform(-1, 1)
        while neighbor_x in tabu_list:
            neighbor_x = cur_x + random.uniform(-1, 1)
        # 更新当前解和最优解
        if target_func(neighbor_x) < target_func(cur_x):
            cur_x = neighbor_x
        if target_func(cur_x) < target_func(best_x):
            best_x = cur_x
        # 更新禁忌表
        tabu_list.append(neighbor_x)
        if len(tabu_list) > tabu_length:
            tabu_list.pop(0) 
   # 返回最优解
    return best_x

# 测试禁忌搜索算法函数
init_x = 5
max_iter = 100
tabu_length = 5
best_x = taboo_search(init_x, max_iter, tabu_length)
print("最优解为：", best_x)
print("最优解对应的函数值为：", target_func(best_x))