floyed 最短路径的数目_干货 | 快速掌握禁忌搜索算法求解带时间窗的车辆路径问题...

本文发布于公众号【数据魔术师】同名文章

一 什么是禁忌搜索算法？

禁忌搜索算法（Tabu Search Algorithm，简称TS）起源于对于人类记忆功能的模仿，是一种亚启发式算法(meta-heuristics)。它从一个初始可行解(initial feasible solution)出发，试探一系列的特定搜索方向(移动)，选择让特定的目标函数值提升最多的移动。为了避免陷入局部最优解，禁忌搜索对已经历过的搜索过程信息进行记录，从而指导下一步的搜索方向。

禁忌搜索是人工智能的一种体现，是局部搜索的一种扩展。禁忌搜索是在邻域搜索(local search)的基础上，通过设置禁忌表（tabu list）来禁忌一些曾经执行过的操作，并利用藐视准则来解禁一些优秀的解。

二 禁忌搜索算法基本步骤：

① 初始化

利用贪婪算法等局部搜索算法生成一个初始解，清空禁忌表，设置禁忌长度。

② 邻域搜索产生候选解

根据步骤①产生初始解，通过搜索算子（search operators），如relocation、exchange、2-opt等，产生候选解(candidate solution)，并计算各个候选解的适应值（即解对应的目标函数值）。

③ 选择最好的候选解

从步骤②产生的所有候选解中选出适应值最好的候选解，将其与当前最好解(即搜索算法开始到现在找到的最好解)进行比较，如果优于当前最好解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新当前最好解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；如果不优于当前最好解，就从所有候选解中选出不在禁忌状态下的最好解作为新的当前解，然后将对应操作加入禁忌表。

④ 判断终止条件

若满足终止条件，则立即停止并输出当前最好解；否则继续搜索。一般终止条件为是否到达一定的迭代次数或者达到了一个时间限制。

禁忌搜索算法流程图：

禁忌搜索算法涉及编码解码（Encoding and decoding）、搜索算子（search operators）、邻域 （Neighborhood）、禁忌表（Tabu list）、禁忌长度（Tabu tenure）、候选解（Candidate solution）、藐视准则（Aspiration criterion）等关键组成部分。

关于禁忌搜索的上述相关内容在之前的推文中已有详细的介绍，分别从禁忌搜索的发展由来、主要构成要素和详细的实验结论三个角度给大家一一做了讲解，使大家对禁忌搜索有全方位的理解。下面给出两篇禁忌搜索推文的链接：干货 | 到底是什么算法，能让人们如此绝望？、干货|十分钟快速复习禁忌搜索(c++版)

下面我们以TSP问题为例说明介绍这些组成部分：如下图所示，有5个城市，任何两个城市之间的距离都是确定的，现要求一个旅行商从某城市出发必须经过每个城市一次且仅有一次，最后回到出发的城市，问如何确定一条最短的线路(每条边的长度已在图中标出)？

1.编码和解码（Encodingand Decoding）: 与编码和解码的相关内容在之前的文章中出现，给出链接：干货 | 嘿！你和遗传算法的距离也许只差这一文(附C++代码和详细代码注释)，构造初始解如下图所示：

初始解对应的适应值为

2.搜索算子：

（1）Relocation算子

该算子在当前解中选择并移除一个节点(node)，然后再选择一个位置将选中的节点插入。

例子：

如图所示，当前解中选择节点2，再选择插入位置节点3（之后），执行后得到候选解，此时适应值变化量为

（2）Swap算子

该算子在当前解中同时选择两个不同的节点，然后对这两个节点的位置交换。

例子：

如图所示，当前解中选择节点2和4，再对这两个节点交换位置，执行后得到候选解2，此时适应值变化量为

3.邻域 （Neighborhood）：从当前解对一系列的搜索方向进行一次试探（通过算子搜索一次）能得到的所有解的集合，即仅经过一次操作能得到的所有解。

例子：

如上图所示，通过②中搜索算子搜索一次得到的候选解的集合即为当前邻域。

4.禁忌表（Tabu List）：记录当前所选择操作的状态变化，一般包括禁忌对象和禁忌长度。

例子：

在初始解的邻域中，候选解10为所有候选解中改进最大的解（即|ΔF|最大，ΔF=-2）。因此，候选解10被选中作为下一个迭代的当前解，则禁忌对象如上图所示，l为禁忌长度（即在未来的l次迭代中禁止移动节点4）。

5.禁忌长度（Tabu Tenure）：禁止在之后的k次迭代中对禁忌表中所记录的状态进行改变，这里的k即称为禁忌长度。

6.候选解（Candidate Solution）：当前邻域中的解。

7.藐视准则（Aspiration Criterion）：从候选解集合中挑选出最好的候选解，将其与当前最好解进行比较，若其是被禁止的解但是优于当前最好解，那么就将其解禁，用来作为下一迭代的当前解并及替代当前最好解。藐视准则（Aspiration criterion）防止了因为禁忌表的存在，而错过优异解的情况出现。

三 禁忌搜索算法解带时间窗的车辆路径问题（VRPTW）

VRPTW问题可描述为：假设一个配送中心为周围若干个位于不同地理位置、且对货物送达时间有不相同要求的客户点提供配送服务。其中，配送中心全部用于运行的车辆都是同一型号的（即拥有相同的容量）；配送中心对车辆出入的时间有限制；车辆在所有客户点有相同的停留服务时间。

给出的连通G=(N,A)中，n+1个位置节点表示为集合N={0,1,2,...,n}，连接节点之间的边表示为集合A={(i,j):i≠j∈N}。其中节点0是仓库，剩余每个节点对应一个客户。假设车辆的速度恒定（即从节点i到节点j的行驶时间在数值上与其欧式距离相等）。可用的车辆数表示为m，所有车必须从位置0开始并回到位置0。每个点节i属于N且带有时间窗，其中和分别表示节点i最早和最晚允许开始接受货物的时间。若节点i被选中且在路线r中，则决策变量的值为1，否则为0。若边(i,j)被选中且在路线r中，则决策变量的值为1，否则为0。路线r中车辆抵达客户i的时间点用决策变量表示。在车辆早抵达的情况下，车辆必须等候至时间窗起始时间点。若抵达时间点没有超出时间窗的结束时间点，则服务成功（即获得利润）。

VRPTW问题在之前的推文中有更详细的介绍，分别从VRPTW问题的由来、建模实例和CPLEX求解方法三个角度给大家有层次地剖析，使大家能对于VRPTW问题有更深入的了解。下面给出VRPTW问题的一个介绍的链接：干货|十分钟快速掌握CPLEX求解VRPTW数学模型（附JAVA代码及CPLEX安装流程）

本文参照文献编写代码，具体操作设置如下：

编码方式采取自然数编码，利用将车辆所需服务客户点的集合（解集）作为集合内元素数目大小的自然数数组。数组中各个元素的值代表各个客户点的编号，元素的顺序代表服务客户点的顺序。

搜索算子采用插入算子：删除原路径中的客户节点，遍历插入到任意车辆路径的任意位置，选取邻域最好解或者非禁忌最好解作为下一迭代的当前解。邻域为插入算子完全遍历能得到的解的集合。

总迭代次数和禁忌长度分别设置为2000和40。

四 代码说明

(a). 代码模块说明

代码一共分为main()、ReadIn_and_Initialization()、Construction()、Calculation()、Tabu_Search()、Check()和Output()等7个函数模块构成，其中main()函数构建了算法的主体框架；ReadIn_and_Initialization()函数的功能是初始化所有变量，完成数据读入操作并存储；Construction()、Calculation()、Tabu_Search()这3个函数则为整个禁忌搜索算法（构建初始解、计算对应解的适应值、对邻域进行搜索并选择对应操作进行禁忌）的实现过程；Check()函数的功能是用来检验解是否满足对应的所有约束；Output()函数输出结果。

(b). 文本数据输入格式说明：

采取读取文本格式来作为数据输入的形式，具体格式见下表：

序号横坐标纵坐标服务量时间窗起始时间窗结束服务时间135.0035.000.000.00230．000.00241.0049.0010.00161.00171.0010.00

由上表可知，输入数据为一行七列的形式，依次为对应点的序号、横坐标、纵坐标、所需服务量、服务时间窗*起始*时间点、服务时间窗、结束时间点和服务所需时间。由此可见，节点1为仓库（depot）,其他节点为待服务点。

若有兴趣进行技术上的交流，欢迎联系微信号：tigerqin_china