头脑风暴优化算法_一种新颖的交叉算子——头脑风暴优化（BSO）算法求解旅行商问题（TSP）预备知识...

最新推荐文章于 2024-06-21 08:58:26 发布

佘炤灼

最新推荐文章于 2024-06-21 08:58:26 发布

阅读量776

点赞数

文章标签：头脑风暴优化算法

本文链接：https://blog.csdn.net/weixin_30974905/article/details/113370475

版权

本文介绍了使用头脑风暴优化（BSO）算法求解旅行商问题（TSP）时的一种新颖交叉算子。通过详细步骤展示了如何生成子代个体，该算子结合贪婪思想，根据城市间距离选择相邻节点。文章以8个城市为例，解释了交叉算子的工作原理，并预告了其在BSO求解TSP中的应用效果。

摘要由CSDN通过智能技术生成

知乎视频www.zhihu.com

hello，大家好，祝各位端午节快乐！虽说已经是假期，但习惯了平日上班工作的节奏，于是默默地打开了电脑看起了文献。近期打算更新一篇头脑风暴优化（BSO）算法求解旅行商问题（TSP）的推文，在查阅相关文献的时候，看到了一个比较有趣的交叉算子，至于这个交叉算子和BSO求解TSP问题有什么关联，下一期推文会为大家讲解。今天，各位小伙伴先了解一下这个交叉算子的实现机制即可。

我们还是以求解TSP问题为例，8个城市的坐标如下所示。

每两个点之间的距离矩阵如下所示：

现在随机生成两个父代个体parent1和parent2，分别如下：

parent1：1 2 4 6 7 5 8 3，总距离为200.7。

parent2：3 5 1 4 2 7 6 8，总距离为261.9。

然后按照以下步骤生成子代个体child1和child2

（1）初始化child1和child2。

child1=zeros(1,8);              %初始化子代个体1
child2=zeros(1,8);              %初始化子代个体2

（2）先随机生成一个1~8之间的随机数，作为child1和child2的起点，比如说为这个随机数为6，即start=6。

start=randperm(8,1);            %随机选择一个城市作为子代个体的起点
start_c=start;                  %复制start
child1(1)=start;                %更新子代个体1的起点为start
child2(1)=start;                %更新子代个体2的起点为start

（3）复制父代个体parent1和parent2，初始化child1更新的位置pos，因为起点已经确定，所以pos初始化为2。

parent1_c1=parent1;             %复制parent1
parent2_c1=parent2;             %复制parent2
pos=2;                          %记录child中的位置

（4）先更新子代个体child1。

a）分别在parent1_c1中找到与城市6右侧紧邻的城市right1，parent2_c1中找到与城市6右侧紧邻的城市right2。此例中parent1_c1中与城市6右侧紧邻的城市是7，parent2_c1中与城市6右侧紧邻的城市是8。

b）比较6和7之间的距离dist(6,7)与6和8之间的距离dist(6,8)的大小，

如果dist(6,7)<=dist(6,8)，则更新child1的第2个位置上的元素，即child1(pos)=7。否则，child1(pos)=8。

这里其实采用的就是一种贪婪的思想，哪个右紧邻点离6近，就选择哪个点作为下一个点。这里因为dist(6,7)<=dist(6,8)，所以child1(2)=7。

c）将城市6从parent1_c1和parent2_c1中删除，此时

parent1_c1：1 2 4 7 5 8 3

parent2_c2：3 5 1 4 2 7 8

%% 更新parent1_c1和parent2_c1
parent1_c1(parent1_c1==start)=[];
parent2_c1(parent2_c1==start)=[];

d）更新start和pos，此时start=7和pos=3

%% 更新start
start=child1(pos);
%% 更新pos
pos=pos+1;

e)按照上述方式不断循环，直到parent1_c1中，只剩下一个元素。

（5）最终child1为6 7 8 3 1 2 5 4，总距离为145.6。

（6）复制父代个体parent1和parent2，重置child2的起点为start_c，重置更新位置pos为2。

parent1_c2=parent1;             %复制parent1
parent2_c2=parent2;             %复制parent2
start=start_c;                  %更新start为初始start
pos=2;                          %记录child中的位置

（7）再更新子代个体child2。

a）分别在parent1_c2中找到与城市6左侧紧邻的城市right1，parent2_c2中找到与城市6左侧紧邻的城市right2。此例中parent1_c2中与城市6左侧紧邻的城市是4，parent2_c2中与城市6左侧紧邻的城市是7。

b）比较dist(4,6)与dist(7,6)的大小，

如果dist(4,6)<=dist(7,6)，则更新child2的第2个位置上的元素，即child2(pos)=4。否则，child2(pos)=7。这里因为dist(4,6)>dist(7,6)，所以child2(2)=7。

c）将城市6从parent1_c2和parent2_c2中删除，此时

parent1_c1：1 2 4 7 5 8 3

parent2_c2：3 5 1 4 2 7 8

%% 更新parent1_c2和parent2_c2
parent1_c2(parent1_c2==start)=[];
parent2_c2(parent2_c2==start)=[];

d）更新start和pos，此时start=7和pos=3

e)按照上述方式不断循环，直到parent1_c2中，只剩下一个元素。

（8）最终child2为6 7 2 1 3 8 5 4，总距离为178.8。

可以看出这种交叉算子得出的结果还是不错的，那究竟它与BSO的结合求解TSP的效果会如何呢？

下期会公布结果，敬请期待。

参考

Wu Y , Wang X , Qi J , et al. An Adaptive Brain Storm Optimization Algorithm Based on Heuristic Operators for TSP[M]// Bio-inspired Computing: Theories and Applications. 2020.

各位新来的小伙伴如果是智能优化算法初学者的话，可以看

如何自学智能优化算法？mp.weixin.qq.com