禁忌搜索算法求解TSP问题
1. TSP问题简介
旅行商人要拜访n个城市,并最终回到出发城市,要求每个城市只能拜访一次,优化目标是最小化路程之和。
2. 例子求解结果
20个城市坐标:(88, 16),(42, 76),(5, 76),(69, 13),(73, 56),(100, 100),(22, 92),(48, 74),(73, 46),(39, 1),(51, 75),(92, 2),(101, 44),(55, 26),(71, 27),(42, 81),(51, 91),(89, 54),(33, 18),(40, 78)
结果路径图如下:
3. 禁忌搜索算法设计
禁忌搜索算法的核心思想是不重复已搜索过的解,以提高搜索效率。本算法在求解时主要设置两个禁忌表:全局禁忌表和局部禁忌表,在邻域搜索时采用随机成对交换两城市位置获取新的路径。其中全局禁忌表存储迭代过程中最近n代的结果(n为禁忌长度),局部禁忌表存储每一代领域搜索时遍历到的新路径,以实现全局禁忌(全局不重复搜索)和局部禁忌(邻域遍历不重复搜索)。
3.1 初始解构造
禁忌搜索算法对初始解比较敏感,即表现较好的初始解有利于提高算法收敛速度和求解质量。本算法尝试了两种初始化方法:一是随机构造法,这是最常见的初始解构造方法。随机初始解路径图如下:
而是引入贪婪算法构造初始解,过程如下:(1)随机生成出发城市,(2)选择距离当前城市最近的城市作为下一个城市,(3)不断重复步骤(2)直到经过所有的城市。贪婪算法构造的路径图如下所示:
可以看出贪婪算法构造的初始解表现较佳,且后续优化过程能够较快收敛于最优解。
3.2 禁忌搜索算法
# -*- coding: utf-8 -*-
"""
禁忌搜索算法求解TSP问题
随机在(0,101)二维平面生成20个点
距离最小化
"""
import math
import random
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 添加这条可以让图形显示中文
#计算路径距离,即评价函数
def calFitness(line,dis_matrix):
dis_sum = 0
dis = 0
for i in range(len(line)):
if i<len(line)-1:
dis = dis_matrix.loc[line[i],line[i+1]]#计算距离
dis_sum = dis_sum+dis
else:
dis = dis_matrix.loc[line[i],line[0]]
dis_sum = dis_sum+dis
return round(dis_sum,1)
def traversal_search(line,dis_matrix,tabu_list):
#邻域随机遍历搜索
traversal = 0#搜索次数
traversal_list = []#存储局部搜索生成的解,也充当局部禁忌表
traversal_value = []#存储局部解对应路径距离
while traversal <= traversalMax:
pos1,pos2 = random.randint(0,len(line)-1),random.randint(0,len(line)-1)#交换点
#复制当前路径,并交换生成新路径
new_line = line.copy()
new_line[pos1],new_line[pos2]=new_line[pos2],new_line[pos1]
new_value = calFitness(new_line,dis_matrix)#当前路径距离
#新生成路径不在全局禁忌表和局部禁忌表中,为有效搜索,否则继续搜索
if (new_line not in traversal_list) & (new_line not in tabu_list):
traversal_list.append(new_line)
traversal_value.append(new_value)
traversal += 1
return min(traversal_value),traversal_list[traversal_value.index(min(traversal_value))]
def greedy(CityCoordinates,dis_matrix):
'''贪婪策略构造初始解'''
#出来dis_matrix
dis_matrix = dis_matrix.astype('float64')
for i in range(len(CityCoordinates)):dis_matrix.loc[i,i]=math.pow(10,10)
line = []#初始化
now_city = random.randint(0,len(CityCoordinates)-1)#随机生成出发城市
line.append(now_city)#添加当前城市到路径
dis_matrix.loc[:,now_city] = math.pow(10,10)#更新距离矩阵,已经过城市不再被取出
for i in range(len(CityCoordinates)-1):
next_city = dis_matrix.loc[now_city,:].idxmin()#距离最近的城市
line.append(next_city)#添加进路径
dis_matrix.loc[:,next_city] = math.pow(10,10)#更新距离矩阵
now_city = next_city#更新当前城市
return line
#画路径图
def draw_path(line,CityCoordinates):
x,y= [],[]
for i in line:
Coordinate = CityCoordinates[i]
x.append(Coordinate[0])
y.append(Coordinate[1])
x.append(x[0])
y.append(y[0])
plt.plot(x, y,'r-', color='#4169E1', alpha=0.8, linewidth=0.8)
plt.xlabel('x')
plt.ylabel('y')
plt.show()
if __name__ == '__main__':
#参数
CityNum = 20#城市数量
MinCoordinate = 0#二维坐标最小值
MaxCoordinate = 101#二维坐标最大值
#TS参数
tabu_limit = 50 #禁忌长度,该值应小于(CityNum*(CityNum-1)/2)
iterMax = 200#迭代次数
traversalMax = 100#每一代局部搜索次数
tabu_list = [] #禁忌表
tabu_time = [] #禁忌次数
best_value = math.pow(10,10)#较大的初始值,存储最优解
best_line = []#存储最优路径
#随机生成城市数据,城市序号为0,1,2,3...
CityCoordinates = [(random.randint(MinCoordinate,MaxCoordinate),random.randint(MinCoordinate,MaxCoordinate)) for i in range(CityNum)]
# CityCoordinates = [(88, 16),(42, 76),(5, 76),(69, 13),(73, 56),(100, 100),(22, 92),(48, 74),(73, 46),(39, 1),(51, 75),(92, 2),(101, 44),(55, 26),(71, 27),(42, 81),(51, 91),(89, 54),(33, 18),(40, 78)]
#计算城市之间的距离
dis_matrix = pd.DataFrame(data=None,columns=range(len(CityCoordinates)),index=range(len(CityCoordinates)))
for i in range(len(CityCoordinates)):
xi,yi = CityCoordinates[i][0],CityCoordinates[i][1]
for j in range(len(CityCoordinates)):
xj,yj = CityCoordinates[j][0],CityCoordinates[j][1]
dis_matrix.iloc[i,j] = round(math.sqrt((xi-xj)**2+(yi-yj)**2),2)
# #初始化,随机构造
# line = list(range(len(CityCoordinates)));random.shuffle(line)
# value = calFitness(line,dis_matrix)#初始路径距离
# 贪婪构造
line = greedy(CityCoordinates,dis_matrix)
value = calFitness(line,dis_matrix)#初始路径距离
#存储当前最优
best_value,best_line = value,line
draw_path(best_line,CityCoordinates)
best_value_list = []
best_value_list.append(best_value)
#更新禁忌表
tabu_list.append(line)
tabu_time.append(tabu_limit)
itera = 0
while itera <= iterMax:
new_value,new_line = traversal_search(line,dis_matrix,tabu_list)
if new_value < best_value:#优于最优解
best_value,best_line = new_value,new_line#更新最优解
best_value_list.append(best_value)
line,value = new_line,new_value#更新当前解
#更新禁忌表
tabu_time = [x-1 for x in tabu_time]
if 0 in tabu_time:
tabu_list.remove(tabu_list[tabu_time.index(0)])
tabu_time.remove(0)
tabu_list.append(line)
tabu_time.append(tabu_limit)
itera +=1
#路径顺序
print(best_line)
#画路径图
draw_path(best_line,CityCoordinates)
TSP系列目录
智能优化算法类别 | 启发式算法求解TSP问题系列博文 |
---|---|
进化算法 | 遗传算法求解TSP问题 |
仿人智能优化算法 | 禁忌搜索算法求解TSP问题 |
仿自然优化算法 | 模拟退火算法求解TSP问题 |
群智能优化算法 | 蚁群算法求解TSP问题 |
群智能优化算法 | 粒子群算法求解TSP问题 |
总结篇 | 五种常见启发式算法求解TSP问题 |
改进篇 | 遗传-粒子群算法&遗传-禁忌搜索算法求解TSP问题 |
记录学习过程,欢迎指正