改良圈算法详解

改良圈算法详解

对于改良圈算法，我们通常不会单独用它来解决某些问题的，由于改良圈算法搜索不够随机，所以通过它得到的几乎不是全局最优解，很容易陷入局部最优然后就停止搜索了。但是用它却可以得到比较好的初始解，得到比较好的初始解后我们可以用其它的算法做进一步计算，比如遗传算法。
改良圈法主要针对的应该是旅行商问题，其实和巡航问题都是差不多的。抽象成图论问题就是哈密顿图（Hamiltonian path或Traceable path).简单来说，就是图上有很多个点，我们从起点出发，需要依次经过所有的点，并且每个点只经过一次，最终回到起点。这个闭合的路径叫做哈密顿回路。对于一个含有n个节点（不包括原点）这样的路径个数是非常多的（n!个），每个路径对应的路径长度也是不同的，我们需要找到较短的路径。这时便需要用改良圈算法求比较好的初始解（路径）。

算法原理
兔兔在这里将通过一个例子进行讲解。对于巡航问题，首先生成20个位点，起点是在原点（0，0）处。

import numpy as np
x=np.random.randint(1,50,20)
y=np.random.randint(1,50,20)
coord=list(zip(x,y) #每个点对应坐标

结果如下

x=[89 72 15 49 84 35 37 52 40 21 67 96 60 51 57 45 84 51 55 44]
y=[58 11 77 20 32 76 79 24 33 77 68  3 46 84 63 79 92 35 86 74]
coord=[(89, 58), (72, 11), (15, 77), (49, 20), (84, 32), (35, 76), (37, 79), (52, 24), (40, 33), (21, 77), (67, 68), (96, 3), (60, 46), (51, 84), (57, 63), (45, 79), (84, 92), (51, 35), (55, 86), (44, 74)]

对应的图像如图1所示：

对于任意两点的距离我们可以用欧氏距离来表示，即平面两点的直线距离,。

def distance(coord1,coord2):
	'''计算coord1与coord2两点坐标的距离'''
	return np.sqrt((coord1[0]-coord2[0])**2+(coord1[1]-coord2[1])**2)

我们再把平面这21个点用序号做好标签。原点是0，第一个点（89，58）是1，第二个点（72，11）是2 …以此类推。别忘了最后一个点也是原点0，标签是0.那么任意两个点i,j(i,j属于0~21）之间的距离可以用Dij表示。比如D23表示2点（72，11）和3点坐标（15，77）之间的距离。
那么，如果一个巡航路线确定，这个路线的长度也就确定了。比如一个巡航路线[0,1，2,3,4,5,6,7,8,9…18,19,20,0],它的路径长度就是D01+D12+…+D19 20+D20 0。
如果我们用穷举法把所有路径都列举出来，再找这些路径中的最短巡航路线，可以发现种类是20的全排列，那计算量也实在太大了。所以我们才用到一系列算法来求解。
改良圈的思路是：任意选路线中的两点，把两点中所有位置颠倒过来（即倒序），看倒序后的路线长度是否比之前短，如果变短就接受这个巡航路线，否则不接受，进行下一次选两点并进行倒序的操作。
例如，对于路线[0,1，3，2，6，4，5,0],我们选位置3和位置6交换顺序，巡航路线就是[0,4,6,2,3,5,0]。
改良圈算法的顺序是：先选位置2和3交换位置再判断，然后位置2和4，位置2和5，一直到2和倒数第3个。之后是3和4，3和5…3和倒数第3个。最终是倒数第4 个和倒数第3个.所以需要两个循环嵌套，这样能够把任意两个点进行比较。
比较也是有技巧的。我们不用把全部路径长度算出来的。对于路径[0,…u-1,u,u+1…v-1,v,v+1…0],交换u.v之间顺序后就是[0,…u-1, v, v-1,…,u+1,u,v+1],用距离表示两个式子，由于Dij=Dji,两式相减大部分都抵消了，最终交换后路径长度减去交换前路径长度∆D=(Du-1,v+Du,v+1)-(Du-1,u+Dv,v+1)。值为负数接受新解，否则不接受。

算法实现：

def distance(coord1,coord2):
		'''距离函数，求两点距离'''
    return np.sqrt((coord1[0]-coord2[0])**2+(coord1[1]-coord2[1])**2)
for m in np.arange(1,len(coord)-3):
    for n in np.arange(m+1,len(coord)-2):
        if distance(coord[m],coord[n])+distance(coord[m+1],coord[n+1])-distance(coord[m],coord[m+1])-distance(coord[n],coord[n+1]):
            coord[m+1:n+1]=coord[n:m:-1] #当距离变短时交换位置
        else:
            continue

最终我们测试以下结果

x=[0,89 ,72 ,15 ,49 ,84 ,35 ,37 ,52 ,40 ,21 ,67 ,96 ,60 ,51, 57 ,45, 84, 51 ,55 ,44,0]
y=[0,58, 11 ,77 ,20, 32, 76, 79, 24 ,33 ,77 ,68 , 3, 46 ,84 ,63, 79 ,92, 35 ,86, 74,0]
coord=list(zip(x,y)) #以上是初始数据
plt.plot(x,y) #未处理前的巡航路线[0,1,2....20,0]
plt.show()
#运行改良圈代码后，coord顺序变化
X=[];Y=[]
for xnew,ynew in coord:
    X.append(xnew)
    Y.append(ynew)
plt.plot(X,Y) #改良圈算法后的巡航路线
plt.show()

处理前的巡航路线

处理后的巡航路线

具体路线长度也是可以计算的。兔兔在这里就不计算了。比较两个图我们发现处理后的图看起来稍稍好看点，但仍是比较杂乱。这也说明了改良圈算法并不能得到最优解的。所以之后进一步的计算就显得尤为重要。
之后兔兔就以这个算法为基础，进一步讲解如何用遗传算法求解巡航问题。