禁忌搜索算法TS求解连续函数最值

最新推荐文章于 2024-10-25 13:33:57 发布

霸道小明

最新推荐文章于 2024-10-25 13:33:57 发布

阅读量824

点赞数 2

分类专栏：优化算法文章标签：算法机器学习 matlab

本文链接：https://blog.csdn.net/qq_54169998/article/details/126689928

版权

优化算法专栏收录该内容

12 篇文章 0 订阅

订阅专栏

一、局部邻域搜索

局部邻域搜索是基于贪婪准则持续地在当前的邻域中进行搜索，虽然算法通用，易于实现，且容易理解，但其搜索性能完全依赖于邻域结构和初始解，尤其容易陷入局部极小值无法保证全局优化

算法可以描述为：

1）选定一个初始可行解： $x^{0}$ ；记录当前最优解 $x^{best}=x^{0}$ ， $T=N(x^{best})$ ，其中 $N(x^{best})$ 表示 $x^{best}$ 的邻域。

2）当 $T-x^{best}=\varnothing$ （空集），或满足其他停止运算准则是，输出计算结果，停止运算，否则，继续步骤3）

3）从中选一个集合 $S$ ，得到 $S$ 中的最好解 $x^{now}$ 。若 $f(x^{now})<f(x^{best})$ ，则 $x^{best}=x^{now}$ ， $T=N(x^{best})$ ；否则， $T=T-S$ ，重复步骤2），继续搜索

这种邻域搜索的方法易于理解，易于实现，而且具有很好的通用性，但是搜索结果的好坏完全依赖于初始解和邻域的结构。

二、禁忌搜索

对于一个初始解，在一种邻域范围内对其进行一系列变化，从而得到许多候选解。从这些候选解中选出最优候选解，将候选解对应的目标值于best-so-far状态进行比较。若其目标值优于best-so-far状态，就将该候选解解禁，用来替代当前最优解及其best-so-far状态，然后将其加入禁忌表，再将禁忌表中相应对象的禁忌长度改变；如果候选解的目标值都不优于best-so-far，就从候选解中选出不属于禁忌对象的最佳状态，并将其作为新的当前解，不用与当前解比较，直接将其所对应的对象作为禁忌对象，并将禁忌表中相应对象的禁忌长度进行修改。

三、禁忌搜索算法流程

禁忌搜索算法基本思想是：给定一个当前解（初始解）和一种邻域，然后在当前解的邻域中确定若干候选解；若候选解对应的目标值优于best-so-far状态，并将相应的对象加入禁忌表，同时修改禁忌表中各对象的任期，若不存在上述候选解，则在候选解中选择非禁忌的最佳状态为新的当前解，而无视它与当前解的优劣，同时将相应的对象加入禁忌表，并修改禁忌表中各对象人气。如此重复，直到满足停止准则。算法步骤可描述如下：

1）给定禁忌搜索算法参数，随机产生初始解 $x$ ，置禁忌表为空。

2）判断算法终止条件是否满足：若是，则结束算法并输出优化结果；否则继续以下步骤

3）利用当前解的邻域函数产生其所有邻域解，并从中确定若干候选解

4）对候选解判断藐视准则是否满足：若满足，则利用满足藐视准则的最佳状态替代x成为当前解，即x=y，并用对应的禁忌对象替换最早进入禁忌表的禁忌对象，同时用y替换best-so-far状态，然后转到步骤6）；否则继续以下步骤

5）判断候选解对应的各对象的禁忌属性，选择候选解集中非禁忌对象的对应的最佳状态为新的当前解，同时用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象

6）判断算法终止条件是否满足

四、算法求解例题

求函数 $f(x,y)=(cos(x^{2}+y^{2})-0.1)/(1+0.3(x^{2}+y^{2})^{2})+3$ 的最大值，其中 $x$ 的取值范围为 $[-5,5]$ ， $y$ 的取值范围为 $[-5,5]$ 。这是一个有多个局部极值问题，其函数图像如下。

解:仿真过程如下:

(1)初始化禁忌长度TabuL为5~11之间的随机整数，邻域解个数Ca=5。最大迭代次数G= 200，禁忌表为Tabu.

(2)随机产生一初始解，计算其适配值，记为目前最优解bestsofar和当前解xnow;产生5个邻域解，计算其适配值，将其中最优解作为候选解candidate.

(3)计算候选解candidate与当前解xnow的差值deltal, 以及它与目前最优解bestsofar的差值delta2。当delta1<0时，把候选解candidate赋给下一次迭代的当前解xnow,并更新禁忌表Tabu.

(4)当delta1>0, 同时delta2>0时，把候选解candidate赋给下一次迭代的当前解xnow和目前最优解bestsofar,并更新禁忌表Tabu.

(5) 当delta1>0，同时delta2<0时，判断候选解candidate是否在禁忌表中:若不在，则把候选解candidate 赋给下一次迭代的当前解xnow,并更新禁忌表Tabu;若在，则用当前解xnow重新产生邻域解。

(6)判断是否满足终止条件:若满足，则结束搜索过程，输出优化值;若不满足，则继续进行迭代优化。

优化搜索结束后，其最优值曲线如图8.5所示，优化后的结果为x = 0.045,

y= -0.0366，函数f(x, y)的最大值为3.9。

%%%%%%%%%%%%%%%%禁忌搜索算法求函数极值问题%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all;                        %清除所有变量
close all;                        %清图
clc;                              %清屏
xu=5;                             %上界
xl=-5;                            %下界
L=randi([5,11],1,1);            %禁忌长度取5,11之间的随机数
Ca=5;                             %邻域解个数
Gmax=200;                         %禁忌算法的最大迭代次数；
w=1;                              %自适应权重系数
tabu=[];                          %禁忌表
x0=rand(1,2)*(xu-xl)+xl;          %随机产生初始解
bestsofar.key=x0;                 %最优解
xnow(1).key=x0;                   %当前解
%%%%%%%%%%%%%%%%最优解函数值，当前解函数值%%%%%%%%%%%%%%%%%
bestsofar.value=func2(bestsofar.key);  
xnow(1).value=func2(xnow(1).key);
g=1;
while g<Gmax
    x_near=[];                     %邻域解
    w=w*0.998;
    for i=1:Ca
        %%%%%%%%%%%%%%%%%%%%%产生邻域解%%%%%%%%%%%%%%%%%%%%
        x_temp=xnow(g).key;
        x1=x_temp(1);
        x2=x_temp(2);
        x_near(i,1)=x1+(2*rand-1)*w*(xu-xl);
           %%%%%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%%%%%
           %%%%%%%%%%%%%%%%%%%边界吸收%%%%%%%%%%%%%%%%%%%%%
        if x_near(i,1)<xl
            x_near(i,1)=xl;
        end
        if x_near(i,1)>xu
            x_near(i,1)=xu;
        end
        x_near(i,2)=x2+(2*rand-1)*w*(xu-xl);
           %%%%%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%%%%%
           %%%%%%%%%%%%%%%%%%%边界吸收%%%%%%%%%%%%%%%%%%%%%
        if x_near(i,2)<xl
            x_near(i,2)=xl;
        end
        if x_near(i,2)>xu
            x_near(i,2)=xu;
        end
        %%%%%%%%%%%%%%计算邻域解点的函数值%%%%%%%%%%%%%%%%%%%
        fitvalue_near(i)=func2(x_near(i,:)); 
    end
    %%%%%%%%%%%%%%%%%%%%最优邻域解为候选解%%%%%%%%%%%%%%%%%%%
    temp=find(fitvalue_near==max(fitvalue_near));
    candidate(g).key=x_near(temp,:);
    candidate(g).value=func2(candidate(g).key);
    %%%%%%%%%%%%%%候选解和当前解的评价函数差%%%%%%%%%%%%%%%%%%
    delta1=candidate(g).value-xnow(g).value; 
    %%%%%%%%%%%%%%候选解和目前最优解的评价函数差%%%%%%%%%%%%%%%
    delta2=candidate(g).value-bestsofar.value;    
    %%%%%候选解并没有改进解，把候选解赋给下一次迭代的当前解%%%%%%
    if delta1<=0   
        xnow(g+1).key=candidate(g).key;
        xnow(g+1).value=func2(xnow(g).key);
        %%%%%%%%%%%%%%%%%%%%%更新禁忌表%%%%%%%%%%%%%%%%%%%%%%%
        tabu=[tabu;xnow(g+1).key];
        if size(tabu,1)>L  
            tabu(1,:)=[];
        end
        g=g+1;                 %更新禁忌表后，迭代次数自增1
    %%%%%%%如果相对于当前解有改进，则应与目前最优解比较%%%%%%%%%%
    else
        if delta2>0            %候选解比目前最优解优
            %%%%%%%%%%把改进解赋给下一次迭代的当前解%%%%%%%%%%%%
            xnow(g+1).key=candidate(g).key;
            xnow(g+1).value=func2(xnow(g+1).key);
            %%%%%%%%%%%%%%%%%%%%更新禁忌表%%%%%%%%%%%%%%%%%%%%%
            tabu=[tabu;xnow(g+1).key];
            if size(tabu,1)>L 
                tabu(1,:)=[];
            end 
            %%%%%%%%把改进解赋给下一次迭代的目前最优解%%%%%%%%%%%%
            %%%%%%%%%%%%%%%%%包含藐视准则%%%%%%%%%%%%%%%%%%%%%%%
            bestsofar.key=candidate(g).key;
            bestsofar.value=func2(bestsofar.key);
            g=g+1;                %更新禁忌表后，迭代次数自增1
        else
            %%%%%%%%%%%%%%%判断改进解时候在禁忌表里%%%%%%%%%%%%%%%
            [M,N]=size(tabu);
            r=0;
            for m=1:M
                if candidate(g).key(1)==tabu(m,1)...
                   & candidate(g).key(2) == tabu(m,1)
                    r=1;
                end
            end
            if  r==0
                %%改进解不在禁忌表里，把改进解赋给下一次迭代的当前解
                xnow(g+1).key=candidate(g).key;
                xnow(g+1).value=func2(xnow(g+1).key);
                %%%%%%%%%%%%%%%%%%%%%更新禁忌表%%%%%%%%%%%%%%%%%%
                tabu=[tabu;xnow(g).key];
                if size(tabu,1)>L
                    tabu(1,:)=[];
                end
                g=g+1;               %更新禁忌表后，迭代次数自增1
            else
                %%%如果改进解在禁忌表里，用当前解重新产生邻域解%%%%%
                xnow(g).key=xnow(g).key;
                xnow(g).value=func2(xnow(g).key);
            end
        end
    end
    trace(g)=func2(bestsofar.key);
end
bestsofar;           %最优变量及最优值
figure
plot(trace);
xlabel('迭代次数')
ylabel('目标函数值')
title('搜索过程最优值曲线')
%%%%%%%%%%%%%%%%%%%%%%%%%%%%适配值函数%%%%%%%%%%%%%%%%%%%%%%%%
function y=func2(x)
y=(cos(x(1)^2+x(2)^2)-0.1)/(1+0.3*(x(1)^2+x(2)^2)^2)+3;
end