局部搜索、模拟退火和遗传算法求解TSP问题

模拟退火和遗传算法求解TSP问题

源代码传送门：GITHUB
数据传送门：TSPLIB

摘要

本实验使用局部搜索、模拟退火、遗传算法（C/C++实现），对TSP问题进行搜索求解。

在实现算法、适当调参后，在选用的5个TSP问题中皆搜索得到误差小于10%的路线。

---

1 导言

1.1 问题重述

选一个大于100个城市数的TSP问题：

1. 局部搜索与模拟退火：

   1. 采用多种邻域操作的局部搜索local search策略求解；
   2. 在局部搜索策略的基础上，加入模拟退火simulated annealing策略，并比较两者的效果；
   3. 要求求得的解不要超过最优值的10％，并能够提供可视化图形界面，观察路径的变化和交叉程度。

2. 用遗传算法求解TSP问题（问题规模等和模拟退火求解TSP实验同），要求：

   1. 设计较好的交叉操作，并且引入多种局部搜索操作（可替换通常遗传算法的变异操作）

   2. 和之前的模拟退火算法（采用相同的局部搜索操作）进行比较

   3. 得出设计高效遗传算法的一些经验，并比较单点搜索和多点搜索的优缺点。

1.2 TSP问题选择

本实验从TSPLIB中选择了5个不同的TSP问题，分别为：

TSP Name	Comment	DIMENSION	Optimal Solution
kroC100	100-city problem C (Krolak/Felts/Nelson)	100	20749
ch150	150 city Problem (churritz)	150	6528
tsp225	A TSP problem (Reinelt)	225	3919
a280	drilling problem (Ludwig)	280	2579
pcb442	Drilling problem (Groetschel/Juenger/Reinelt)	442	50778

1.3 思路设计

主要思想即上图所示，详细算法内容将在之后的部分说明。

---

1.4 结果简览

以下实验结果以5次实验取平均值，详细结果分析将在之后的部分说明。

Summary

TSP Name	LocalSearch	Simulated Annealing	Genetic Algorithm
kroC100	22792.88 (Loss 9.85%)	20851.4 (Loss 0.49%)	21903.34(Loss 5.56%)
ch150	7260.656 (Loss 11.22%)	6560.936 (Loss 0.50%)	7124.162 (Loss 9.13%)
tsp225	4308.558 (Loss 9.94%)	3968.232 (Loss 1.26%)	4236.946 (Loss 8.11%)
a280	2906.766 (Loss 12.7%)	2612.91 (Loss 1.31%)	2922.06 (Loss 13.3%)
pcb442	57557.38(Loss 13.35%)	51877.96 (Loss 2.17%)	57649.48 (Loss 13.5%)

在本次实验实现的三种算法中，可以看到模拟退火算法的表现极佳，遗传算法稍逊，局部搜索算法较次。

实验中的数据比较也进行了可视化处理，将在之后的实验结果中详细分析。

---

2 实验过程

2.1 TSPbase

TSPbase 是一个用于预处理TSP问题数据、为高级搜索方法提供API的基类。

这里给出头部文件的实例，详细实现可参见src/TSPbase.cpp。

/****************************************************************
 *                  FileName : TSPbase.h                        *
 *                    Author : Karl                             *
 *              Created Date : June 5, 2020                     *
 *                   Updated : June 8, 2020 - Add Function      *
 *                             June 9, 2020 - Fix Bug           *
 *                             June 9, 2020 - Modify Perfomance *
 *                             June 22, 2020 - Last Check       *
 *==============================================================*
 * @Functions:                                                  *
 *   TSPbase::TSPbase(MAP_TYPE& origin) - Consructor.           *
 *   TSPbase::distance(COORD city1, COORD city2)                *
 *       - calculate EUC2D distance between city1 and city2.    *
 *   TSPbase::currentCost() - calculate cost of `private` path. *
 *   TSPbase::currentCost(vector<int> path)                     *
 *       - calculate cost of path.                              *
 *   TSPbase::roulette() - generate a random decimal in (0, 1). *
 *   TSPbase::generateRandomPath() - generate a random path.    *
 *   TSPbase::getOptCost() - return the best(least) cost so far.*
 *   TSPbase::updateOptCost(double new_dist)                    *
 *       - update current best cost with new_dist.              *
 *   TSPbase::backUp() - back up current path.                  *
 *   TSPbase::recover() - recover current path with backup.     *
 *==============================================================*/
class TSPbase {
   
public:
    ...
protected:
    int N;                             // Dimension
    MAP_TYPE citys;                    // Citys map
    double* dist_map;                  // Dists map
    double opt_cost;                   // Optimal cost(least distance)
    int* path;                         // Current path
    int* city2path;                    // Map a city to its position in path
    int* path_bak;                     // Path backup
    int* city2path_bak;                // Map backup
};

首先，对于一个TSP问题，分析需要考虑的内容：

1. 城市总数，即问题的维度：N
2. 每个城市编号以及对应坐标：citys
3. 路径：path

在读入问题文件后，分析需要记录、预计算的内容：

1. 城市间距离：dist_map

   在搜索过程中，会非常频繁地计算整条路径的长度（欧氏距离），如果每次都要进行运算，将大大影响我们程序的效率，因此，预计算城市之间距离，静态存到数组中，在计算路径长度时以查表代替计算，能有效提高效率。

2. 最优解：opt_cost

3. 城市编号到路径的映射：city2path

   在搜索过程中，可能涉及城市权重等需要按城市顺序存储的数据，因此，在选中一个城市后，想在O(1)时间内定位到它在路径中的位置，就需要建立一个从城市编号到路径位置的对应关系。

对每一次搜索进行备份：

类似于常见的搜索算法，当当前搜索结果并不如意，我们需要回溯到上一状态，这就要求TSPbase能够提供备份、恢复的功能。

1. 路径的备份：path_bak
2. 城市编号到路径的映射的备份：city2path_bak

注：

TSPbase提供的方法API在文件头部注释中有详细介绍，且命名是具有可读性的，在此不展开篇幅进行介绍。

---

2.2 LocalSearch

LocalSearch是基于TSPbase实现的局部搜索算法，为优化效果，加入了以下特性：

1. 加入了满意度、活跃度机制
2. 提前终止

以下对局部搜索算法进行详细介绍：

2.2.1 流程图

2.2.2 满意度、活跃度机制

该机制参考于论文《求解TSP问题的自适应领域搜索法及其扩展》

满意度

直观地，对每个城市而言，最佳位置是该城市和与之相距最近的两个城市相连。

在选择城市的时候，我们自然希望所有城市尽可能在自己的最佳位置。为了判断一个城市所在位置是否足够令人满意，加入了满意度（$f_i$, 第i个城市的满意度）的定义：

对城市i以及与之相连的城市j、k，以及距离城市i最近的两个城市s和城市t：
$$\begin{gathered} f_i=exp[-\frac{(d_{ij}+d_{ik}-d_{is}-d_{it}{)}^2}{2{\delta }^2}] \\ {f}_i \end{gathered}$$