旅行商问题的离散布谷鸟搜索算法

Discrete cuckoo search algorithm for the travelling salesman problem

摘要

本文提出了一种改进的离散杜鹃搜索（CS）算法，用于求解著名的旅行商问题（TSP），这是一个NP难的组合优化问题。CS是一种元启发式搜索算法，最近由杨欣社（Xin She Yang）和苏亚什德（Suash Deb）在2009年受杜鹃繁殖行为启发而开发。事实证明，这种新算法在解决连续优化问题时非常有效。现在，我们通过重建CS种群并引入一类新的杜鹃来扩展和改进CS，以便它能够解决组合问题以及连续问题。提出的离散布谷鸟搜索（DCS）的性能是根据著名TSPLIB库中的一组对称TSP基准测试的。测试结果表明，分布式控制系统优于其他一些元启发式算法。

介绍

优化问题，无论是单目标还是多目标，通常都很难解决。其中许多问题被称为NP难问题，在实际可接受的时间范围内，任何已知算法都无法有效解决。事实上，许多看似简单的问题都很难解决，因为组合的数量随着感兴趣问题的规模呈指数级增长；搜索每一种可能的组合都是极其复杂且不现实的。最著名的例子可能是旅行推销员问题（TSP），其中推销员打算只访问一次多个城市，然后返回起点，同时最小化总旅行距离或旅行总成本。TSP是组合优化中研究最广泛的问题之一。它属于NP难优化问题[2]，其计算复杂性随城市数量呈指数级增加。它通常用于测试优化算法。此外，TSP及其变体有几个重要的应用[19,25]，例如印刷电路板钻孔、X射线结晶学、计算机布线、车辆路线和调度、机器人控制等。因此，解决这类问题不仅具有学术意义，而且具有现实意义，因此，它一直是积极研究的重要课题。

对于TSP及其所有相关变体或同类问题，不存在有效的算法。快速找到这些问题的好（不一定是最优）解决方案的需要导致了各种近似算法的发展，如元启发式[3,14]。另一方面，元启发式算法已经证明了它们在解决问题方面的潜力和有效性，与传统算法相比具有许多优势。两个优点是简单性和灵活性。元启发式算法通常易于实现，但它们通常可以解决复杂的问题，因此可以适用于解决许多实际优化问题，从运筹学、工程到人工智能等领域[10、11、12、36]。此外，这些算法非常灵活，可以处理具有不同目标函数性质的问题，无论是连续的、离散的还是混合的。这种灵活性还使它们能够同时处理大量参数。

元启发式算法使用搜索策略来更有效地探索搜索空间，通常关注搜索空间中一些有前途的区域。这些方法从一组初始解或初始总体开始，然后逐步检查一系列解决方案，以达到或希望接近感兴趣问题的最佳解决方案。在最流行的元启发式算法中，我们可以列出一长串，举几个例子，遗传算法（GA）、禁忌搜索（TS）、模拟退火（SA）、格洛弗和科钦伯格[14]中提出的蚁群优化（ACO）以及粒子群优化（PSO）[16]。蜂群优化（BCO）[30]、猴子搜索算法（MS）[22]、和谐搜索算法（HS）[13]、萤火虫算法（FA）[32]、智能水滴（IWD）[26]、蝙蝠启发算法（BA）[33]、杜鹃搜索（CS）[34]和磷虾群（KH）[9]是最近提出的元启发式算法。这些元启发式大多是受自然启发的，模仿了潜在生物、物理或社会系统的成功特征。这些方法在解决各种问题（如组合优化问题）方面的成功来自于相对容易的实现、对实际应用的良好适应和对其约束的适当考虑，以及产生高质量的解决方案[29]。然而，有些算法可以比其他算法更好地解决某些特定问题。因此，没有特定的算法来解决所有优化问题。因此，开发新的元启发式仍然是一个巨大的挑战，特别是对于难处理的NP难问题[31]。

各种研究人员已经将许多元启发式算法应用于求解TSP，如SA[4]、TS[20]、GA[17]、ACO[8]、离散粒子群优化（DPSO）[27]、，遗传-模拟退火蚁群系统与粒子群优化技术（GSAACS-PSOT）[6]和模糊粒子群优化与模拟退火和邻域信息（PSO-NIC-SA）[1]。本文介绍了一种新的杜鹃搜索变体（CS），以改进和有效解决对称TSP问题。CS是一种元启发式搜索算法，最近由Yang和Deb于2009年开发[34,35]。这种新算法已被证明在解决连续优化问题时非常有效。受一些杜鹃物种专性繁殖寄生行为的启发，再加上描述许多动物和昆虫采食模式的勒维飞行，CS是自然启发的元启发式的一个很好的例子。与遗传算法（GA）和粒子群优化（PSO）相比，CS的特点还在于减少了参数的数量，并为多峰函数提供了有效的结果[35]。

本文结构如下：。2首先简要介绍了标准CS，然后描述了对CS灵感来源进行的改进。第3节简要介绍TSP。第4节描述了求解对称TSP的离散CS。第5节详细介绍了TSPLIB库中所谓对称TSP的一组基准的数值实验结果[24]。最后，Sect。6最后进行了一些讨论。

2布谷鸟搜索算法（CS）

2.1基本CS

在杜鹃物种的许多有趣特征中，杜鹃的一个显著特征是一些物种参与所谓的卵寄生。雌性杜鹃在另一物种的巢穴中产卵，以让寄主鸟孵化和孵化幼小的杜鹃雏鸟。为了增加新杜鹃的概率，降低寄主鸟放弃卵的概率，杜鹃（雌鸟、雄鸟和幼鸟）使用了几种策略[23]。在标准杜鹃搜索算法（CS）[34]中，杜鹃通过Leövy航班搜索新的巢穴。法国数学家保罗·勒维里（Paul Leövy）命名的勒维里飞行代表了一种随机行走模型，其特征是步长服从幂律分布。几项科学研究表明，猎人寻找猎物的过程通常遵循勒维飞行的相同特征。机动飞行广泛用于优化和许多科学领域。

istic搜索算法是最近由杨欣社（Xin She Yang）和Suash Deb于2009年开发的，最初是为求解多峰函数而设计的。算法1所示的CS是围绕以下理想规则[34]进行总结的：（1）每只杜鹃每次产一个卵，随机选择一个巢；（2） 最好的巢和最高质量的蛋可以传给新一代；（3） 寄主巢的数量是固定的，寄主鸟可以发现杜鹃产卵的概率为p a 2[0,1]。以下等式（1）用于产生杜鹃i的新解x i（t？1），byaLeívy航班：xðtþ1Þi¼x \240；t \222»i \254»a Levy \240；s；kð1Þ其中a（a[0）是步长。在一般情况下，a应该与感兴趣的问题的尺度相关联，尽管a=O（1）可以在许多情况下使用。步长遵循Leövy分布Levy \240；s；k \222；s k；०1\k3 \2406\k2 \222；，它具有无穷方差和无穷平均值[34]。这里，s是从Le´中得出的步长。

2.2改进的CS

CS成功地证明了其优越的性能，与PSO和GA（求解多峰函数）相比，它在探索解空间方面具有更好的策略。勒维航班加强了这一战略，它在控制集约化和多样化之间的平衡方面发挥着重要作用。参数数量的减少使CS更加通用[34]。从灵感来源和算法本身来看，CS仍有一些改进的空间。CS的优势在于如何通过布谷鸟开发和探索解决方案空间。这种杜鹃可以有一些“智慧”，以便找到更好的解决方案。因此，我们可以通过杜鹃在搜索空间中的移动来控制强化和多样化。拟议的改进将布谷鸟视为控制强化和多样化的第一级，由于这种布谷鸟是种群中的一个个体，我们可以将种群限定为第二级控制，可以通过添加一种新的布谷鸟类别，使其搜索更智能、更高效来进行重组。

研究表明，杜鹃还可以对可能成为宿主的巢穴进行某种监测[23]。这种行为可以作为一种灵感，创造出一种新的杜鹃种类，这种杜鹃能够在孵化期间改变寄主巢，以避免蛋被遗弃。这些杜鹃在育雏前后都会使用一些机制，例如观察寄主巢穴，以决定巢穴是否是最佳选择（因此，它为ase寻找一个更好的新巢，我们可以谈论一种由当前解决方案周围的一小部分杜鹃执行的本地搜索。为了简单起见，我们可以将这一新的杜鹃部分在我们建议的方法中采用的机制分为两个主要步骤：（1）杜鹃，最初由Leövy航班移动到一个新的解决方案（代表一个新领域）；（2） 从目前的解决方案来看，同一地区的杜鹃鸟寻求一种新的、更好的解决方案。根据这两个步骤，我们可以看到，在CS的标准算法中可以直接引入带有新分数pc的搜索机制。因此，改进的CS算法（算法2）的总体可以用三个方面来构造。

1.可以在人群中随机选择可能包含比个人解决方案好得多的新解决方案的区域；

2.一小部分杜鹃鸟寻求新的解决方案，而不是最好的解决方案；

3.杜鹃鸟中的一小部分人从当前位置寻找解决方案，并试图加以改进。他们通过勒维航班从一个地区移动到另一个地区，以在每个地区找到最佳解决方案，而不会被困。

这一改进的目标是加强围绕人群最佳解决方案的密集搜索，同时，应适当使用随机化来探索使用Leövy航班的新领域。因此，标准CS的扩展是添加了一个处理智能杜鹃的分数“pc”的方法。我们可以预期，新的布谷鸟种类使CS能够以更少的迭代来更高效地执行。在TSP的情况下，它可以更好地抵抗任何潜在陷阱和局部最优停滞。这使得CS适应TSP能够以较少的参数对集约化和多样化进行更多的控制。CS用于求解对称TSP的适应性在第4节中进行了描述。

4. 用CS解决TSP

我们目前工作的主要思想是，改进后的CS寻求在Leövy航班指定的区域使用本地搜索找到的好的解决方案。我们可以说，改进的CS和本地搜索这两种方法在寻找高质量的解决方案方面构成了一个单一的实体。局部搜索的缺点是很可能陷入局部最优。这可以通过使用我们改进的CS很容易地得到加强，该CS需要按区域而不是按解决方案进行位移，从而将陷入局部最优的可能性降至最低。扩展CS以解决旅行商问题（TSP）的目标之一是保持其主要优势，并将这些优势集成到改进CS的离散版本中。将CS改编为TSP的过程主要侧重于重新解释基本CS中使*用的术语。CS及其灵感来源可以用以下五个主要元素来构建和解释：蛋、巢、目标函数、搜索空间和Leívy航班。这些关键要素对组合问题具有重要意义。

4.1鸡蛋

如果我们假设布谷鸟在一个巢中只产一个蛋，我们可以赋予蛋以下特性：

–巢中的蛋是由种群中的一个个体代表的解决方案；

杜鹃鸟蛋是人口中某个地方/地点的一种新的解决方案候选。

我们可以说鸡蛋相当于哈密顿循环。在这里，我们忽略了所有线路的出发城市，也忽略了推销员的旅行方向。

4.2巢穴

在CS中，可以对嵌套施加以下特征：

–巢数是固定的；

–巢是种群中的一个个体，巢的数量等于种群的大小；

–废弃巢穴是指用新巢穴替换种群中的一个个体。

通过这些特征在TSP上的投影，我们可以说巢穴在种群中表现为具有自己哈密顿循环的个体。显然，一个巢可以有多个蛋，以备将来扩展。在本论文中，为了简单起见，每个巢只有一个蛋。

4.3目标函数

搜索空间中的每个解决方案都与一个数字目标值相关联。因此，解的质量与目标函数的值成正比。在CS中，一个质量更好的鸡蛋将造就新一代。这意味着杜鹃卵的质量与它产生新杜鹃的能力直接相关。对于旅行商问题，解的质量与哈密顿环的长度有关。最佳解是哈密顿环最短的解。

4.4搜索空间

在二维情况下，搜索空间表示潜在巢穴的位置。这些位置是ðx；yࢮ2R R。要更改嵌套的位置，只需修改其坐标的实际值。很明显，移动巢穴或巢穴位置并不会施加真正的限制。大多数连续优化问题都是这种情况，这可以被视为一种优势，可以避免许多技术障碍，例如TSP解空间中的坐标表示，特别是在将解从一个邻域移动到另一邻域的机制中。城市坐标是被访城市的固定坐标；然而，城市之间的参观顺序可以改变

4.4.1在搜索空间内移动

由于城市的坐标是固定的，因此移动基于访问城市的顺序。有几种方法、运算符或扰动可以通过更改访问城市的顺序，从另一个现有解决方案生成新的解决方案。在CS适应TSP的过程中，我们有一个离散的CS，其中用于改变访问城市顺序的扰动是2-opt移动[7]和双桥移动[21]。2-opt移动方法用于小扰动，而大扰动则通过双桥移动来实现。如图1所示，2-opt移动从巡更中移除两条边（解或哈密顿循环），并重新连接创建的两条路径。双桥移动切割四条边并引入四条新边，如图2所示。

 

 

4.4.2邻里

在连续问题中，邻里的含义是显而易见的。然而，对于组合问题，邻域的概念要求给定解的邻域必须由最小扰动产生。这种扰动必须使解的变化最小，我们可以删除的非连续边的最小数目是两条。因此，2-opt移动是这种扰动的一个很好的候选者。

.4.3步长移动的步长是两个溶液之间的距离。它基于空间拓扑和邻域概念。步长与解决方案上连续2-opt移动的次数成正比。一个大的进步表现为双桥移动

4.5勒维航班勒维航班的特点是围绕解决方案进行密集搜索，然后从长远来看，偶尔会有重大进展。根据Yang和Deb[34]的说法，在一些优化问题中，通过Leövy航班寻找新的最佳解决方案更有效。为了提高搜索质量，我们将步长与标准CS中概述的Leívy航班生成的值相关联。

5实验结果

提出的基本和改进的离散布谷鸟搜索（DCS）算法在TSP的一些实例（基准）上进行了测试，这些实例取自公共电子图书馆TSPLIB中的TSP问题[24]。TSPLIB中包含的大多数实例已经在文献中解决，其优化结果可用于比较算法。41个实例的规模从51到1379个城市不等。在Reinelt[24]中，所有这些TSP实例都属于欧氏距离类型。TSP实例为城市提供坐标。实*、例名称中的数值表示提供的城市数，例如，名为eil51的实例有51个城市。

首先对基本DCS和改进的DCS这两种算法进行了比较。然后，将改进的DCS算法与其他一些最近的方法（带有粒子群优化技术的遗传模拟退火蚁群系统（GSAACS-PSOT）[6]和离散粒子群优化（DPSO）[27]）进行了比较。注意，在Chen和Chien[6]中，作者将他们提出的方法与文献中用于求解TSP的其他元启发式算法进行了比较。

我们已经在32位Vista操作系统下使用Java实现了基本/标准和改进的DCS算法。实验在一台配备Intel（R）CoreTM 2 Duo 2.00 GHz CPU和3 GB RAM的笔记本电脑上进行。在一些初步试验的基础上，选择了该算法的参数值。这两种算法（基本和改进DCS）中选择的参数是在解决方案质量和计算时间方面提供最佳结果的值。实验中使用的参数设置如表1所示。在每个案例研究中，使用这些参数进行30次独立的算法运行。图3显示，两种算法的最大迭代次数（MaxGeneration）都可以设置为500。

表2和表3总结了实验结果，其中第一列显示实例名称，“opt”列显示从TSPLIB中提取的最佳解长度，“best”列显示每个算法找到的最佳解的长度，“average”列给出每个算法30次独立运行的平均解长度，“最差”列显示了每种算法找到的最差解的长度，“PDav（%）”列表示平均解长度与30次最优解长度的偏差百分比，“PDbest（%））”列给出了最佳解长度与三十次最优解长的偏差百分比，“time”列显示30次跑步的平均时间（以秒为单位）。溶液与最佳已知溶液（或最佳溶液，如果已知）的偏差百分比由以下公式给出：

 

 

表2中给出了基本DCS算法与改进DCS算法的比较实验结果。从表3和图4中可以看出，改进后的DCS在PDav（%）和PDbest（%）方面均优于基本DCS。改进后的DCS获得14个TSP实例的最小值。改进后的DCS相对于基本DCS的高性能可能是由于新型杜鹃鸟对基本DCS的改进，这种杜鹃有一种有效的方法，可以通过从一个区域移动到另一个区域来寻找每个区域的最佳解决方案。

表3给出了改进的DCS算法在41个TSPLIB实例上的计算结果。“SD”列表示标准偏差，当发现的所有解决方案在30次运行中具有相同长度时，该标准偏差采用以粗体显示的值0.00，而“C 1%/C opt”列给出了在1%最佳性（超过30次运行）范围内的解决方案数/最佳解决方案数。关于PDbest（%），我们可以说90.24%的PDbest值（%）小于0.5%，这意味着在30次试验中，找到的最佳解决方案大约小于最佳已知解决方案的0.5%，而PDav（%）列中以粗体显示的0.00值表示在30次试验中找到的所有解决方案与最佳已知解决办法的长度相同。表3中的数值表明，改进后的DCS确实可以在合理的时间内提供良好的解决方案。

在表4和表5中，将改进的DCS算法与GSA-ACS-PSOT和DPSO两种方法的实验结果进行了比较。这两种方法的结果直接总结自原始论文6,27]。从表4和表5可以清楚地看出，在解决所有十八/五个测试的TSP实例时，DCS优于其他两种算法（GSA-ACS-PSOT和DPSO）。所提出的DCS算法获得了十五/五个最佳解，而GSA-ACS-PSOT/DPSO在十八/五个TSP实例中仅获得十一/二个最佳解。此外，我们发现表4/5中GSA-ACS-PSOT/DPSO算法的SDs/PDav（%）s平均值等于161.55/3.54，而我们提出的DCS算法的SDs/PDav平均值等于31.28/0.00。图5显示了18个不同大小的实例的两种算法改进的DCS和GSA-ACS-PSOT的PDav的百分比。从图5可以看出，我们提出的DCS算法的SDs/PDav（%）s的下曲线ge等于31.28/0.00。图5显示了18个不同大小实例的两种算法改进的DCS和GSA-ACS-PSOT的PDav值（%）。从图5可以看出，就解决方案质量而言，与改进的DCS算法相关的较低曲线更好。这基本上可以用CS的优势来解释：集约化和多样化之间的良好平衡，Leívy航班的智能使用以及参数数量的减少。它可以证明种群的结构，使用各种杜鹃进行搜索和生成新的解。改进后的DCS的优点之一是在寻找最佳位置的过程中相对独立于杜鹃鸟。因此，它更有可能在元启发式尚未探索的领域找到好的解决方案，而元启发式以迄今为止找到的最佳位置为起点.

 

6结论

在本文中，我们通过重建其种群并引入一个更智能的新布谷鸟类别，扩展并改进了通过勒维航班进行的标准/基本布谷鸟搜索（CS）。改进后的CS被离散化，然后用于求解对称旅行商问题（TSP）。此改编基于对CS及其灵感来源中使用的术语解释的研究。已实现离散CS（改进的适应TSP的CS），并在41个基准TSP实例上测试了其性能。其性能与GSA-ACS-PSOT[6]和DPSO[27]进行了比较。比较结果表明，离散CS法求解TSP的性能优于其他两种方法。这可以通过勒维航班的集约化和多样化管理以及使用多种研究方法的杜鹃种群结构来解释。因此，我们的布谷鸟新类别在寻找新解决方案时相对于最佳解决方案的独立性，可能比简单使用一个当前最佳解决方案提供更好的生成新解决方案的策略，从而产生更高效的算法。我们提出的离散CS中引入的局部扰动可以为解决其他组合优化问题提供更大的灵活性。离散CS的目标是为设计新一代更有效的元启发式算法提供好的思路。进一步关注DCS的参数研究和应用到其他组合问题，如调度和路由

我们想模仿自然，这样我们就可以设计新的算法来更有效地解决非常复杂的问题。我们还想开发真正智能化的新算法。与当代的元启发式算法相比，新算法应该更可控、更简单。可以预期，智能算法应该能够调整其算法相关参数，以便自动优化其性能。最后，可能会出现一些真正高效和智能的算法，以越来越高效的方式解决NP难题。至少，一些看似棘手的问题可以解决