【启发式算法】Python实现禁忌搜索算法求解TSP问题

最新推荐文章于 2024-08-18 20:01:05 发布

九筒-

最新推荐文章于 2024-08-18 20:01:05 发布

阅读量1.9k

点赞数 1

分类专栏：算法笔记文章标签： python 启发式算法 tsp np问题算法

本文链接：https://blog.csdn.net/weixin_44343282/article/details/108300352

版权

本文介绍了使用Python实现禁忌搜索算法求解旅行商问题（TSP）。详细讨论了算法参数，如禁忌表、禁忌长度、特赦值和迭代次数的影响。分析表明禁忌长度与运行时间和结果可信度的关系，以及特赦值对跳出局部最优解的重要性。文章还阐述了算法的核心步骤，包括数据初始化、邻域搜索策略和禁忌表的更新。

摘要由CSDN通过智能技术生成

禁忌搜索

算法参数

禁忌表：tabu
禁忌长度：tabulen
特赦值：spe
迭代次数：Times

提醒：在对列表进行操作时，注意python的赋值、浅拷贝、深拷贝

算法效果分析

禁忌长度越大，邻域搜索时间变短（因为都被禁了），程序运行时间越短，结果的可信度相对较低
特赦值越大，优于全局最优解的新解容易被特赦（容易被接受），可能会导致陷入局部最优解；而特赦值过小可能会失去接受最优解的机会

算法步骤

数据初始化：计算距离矩阵；随机得到初始解（起点为0城市）；编写距离计算函数；初始化第一代的种群
禁忌搜索算法的核心：算法迭代Times次，每次使用双重循环遍历所有邻域（即所有可行解），本文采用的策略是顺序遍历除起点以外的所有城市，判断合法性，两两交换。
2.1. 通过邻域移动（即两两交换策略）得到新解并计算新解的路径距离
2.2. 如果新解优于全局最优解，且其禁忌长度小于设定的特赦值，则记录交换城市的下标、接收新解并更新全局最优解
2.3. 如果新解只优于邻域中的最优解，且禁忌长度为0（不在禁忌表中），则记录交换城市的下标、接受新解并更新邻域中的最优解
邻域遍历完成之后，更新当前解、更新禁忌表、重置两个交换城市的禁忌长度
直到迭代Times次，算法结束

# -*- coding: utf-8 -*-
import numpy as np
import random
import math
import matplotlib.pyplot as plt
import time
import copy
"""
Desicribe:禁忌搜索解TSP问题
"""
# 原始数据
coordinates = np.array([[565.0, 575.0], [25.0, 185.0], [345.0, 750.0], [945.0, 685.0], [845.0, 655.0],
                        [880.0, 660.0], [25.0, 230.0], [525.0, 1000.0], [580.0, 1175.0], [650.0, 1130.0],
                        [1605.0, 620.0], [1220.0, 580.0], [1465.0, 200.0], [1530.0, 5.0], [845.0, 680.0],
                        [725.0, 370.0], [145.0, 665.0], [415.0, 635.0], [510.0, 875.0], [560.0, 365.0],
                        [300.0, 465.0], [520.0, 585.0], [480.0, 415.0], [835.0, 625.0