您好,欢迎访问三七文档
当前位置:首页 > 商业/管理/HR > 项目/工程管理 > 禁忌搜索算法有关介绍与举例
禁忌搜索算法首先先介绍一下局部搜索的概念,函数优化问题中,在距离空间中,通常的邻域定义是以一点为中心的一个球体。即例如X=[0,1,0,0,1,0,0],令u=1,d=[0,0,1,0,0,0,0],可以得到X的一个邻域移动X+ud=[0,1,1,0,1,0,0]TSP问题解的一种表示方法为D={x=(i1,i2,…,in)|i1,i2,…,in是1,2,…,n的排列},定义它的邻域映射为2-opt,即x中的两个元素进行对换,N(x)中共包含x的Cn2=n(n-1)/2个邻居和x本身。另外TSP问题解的邻域映射可由2-opt,推广到k-opt。邻域的构造依赖于决策变量的表示,邻域的结构在现代优化算法中起重要的作用。下面介绍局部搜索算法的步骤:Step1:选定一个初始可行解x0,记录当前最优解xbest:=x0,T=N(xbest)Step2:当T\{xbest}=Φ时,或满足其他停止运算准则时,输出计算结果,停止运算;否则,从T中选一集合S,得到S中的最好解xnow;若f(xnow)f(xbest),则xbest:=xnow,T=N(xbest);否则T:=T\S;重复SETP2。局部搜索具有的特点简单易行,但无法保证全局最优性;局部搜索主要依赖起点的选取和邻域ud,xsxudSxssxudsXSx邻域的概念:的邻域移动为,为步长,为方向,则:邻域是邻域移动可达到的解的集合。的结构;为了得到好的解,可以比较不同的邻域结构和不同的初始点;如果初始点的选择足够多,总可以计算出全局最优解。禁忌搜索算法禁忌搜索(Tabusearch)是局部邻域搜索算法的推广,FredGlover在1986年提出这个概念,进而形成一套完整算法。其特点为使用禁忌表封锁刚搜索过的区域,禁止重复前面的工作。跳出局部最优点,也可避免陷入死循环。赦免禁忌区域中的一些优良状态,以保证搜索的多样性。编码方法属于灵活的选择编码方法,如背包的0-1编码。同一问题有多种编码方法,如分组问题:不相同的n件物品分为m组,n=9,m=3.编码1:1-3-4-0-2-6-7-5-0-8-9(1-4-3-0-6-2-5-7-0-9-8)0起到隔开作用1-3-4分为一组,2-6-7-5一组,8-9一组。编码2:1-2-1-1-2-2-2-3-3(2-1-2-2-1-1-1-3-3)表示1-3-4分为一组,2-6-7-5一组,8-9一组在适值函数的构造中,适值函数是用来对搜索状态进行评价的。对目标函数的任何变形都可作为目标函数,只要该变形保持严格单调。其外我们可以随机给出初始解,也可以是其它启发式算法给出的较好的初始解。禁忌搜索算法主要是基于邻域搜索的,所以初始解对算法搜索性能影响很大。对于较为复杂的约束问题,随机产生的初始解可能是不可行解,应该采用一些启发式方法找到一个可行解作为初始解。移动是产生新解的途径,从当前解可以进行的所有的移动构成邻域,因此移动规则的设计是算法的关键。移动规则类似于交叉算子,根据具体问题进行分析设计,如排序问题中采用两两交换方式的移动规则。有关禁忌表的概念:禁忌表记录前若干步走过的点、方向或目标值,禁止返回;是为了防止搜索过程出现循环而陷入局部最优的,是禁忌搜索算法的核心;表是动态更新的——把最新的解记入,最老的解从表中释放(解禁)。禁忌对象:放入禁忌表的元素,主要包括三种,(1)以状态本身或状态变化为禁忌对象,其禁忌范围适中;(2)以状态分量或状态分量的变化作为禁忌对象,其禁忌范围较小;(3)以目标值为禁忌对象,其禁忌范围较大。禁忌长度:禁忌表的大小。禁忌表越小,计算时间和存储空间越少,但禁忌表过小,会造成搜索过程进入循环。表长越大分散性越好。禁忌长度分为固定禁忌长度和随时间变化禁忌长度两类。根据所选的初始解,我们需要制定相应的选择策略。选择策略是从邻域中选择一个较好解作为下一次迭代初始解的方法。候选解集的确定是选择策略的关键,对算法性能影响很大。候选解集为整个邻域。选择策略是从整个邻域内选择一个最优解为下一次迭代的初始解,计算时间较长。候选解集为邻域的真子集。这种选择策略只扫描邻域的一部分构成候选解集,虽不能找到邻域内最优解,但减少了搜索时间。在有些特定的条件下,不管某个移动是否在禁忌表中,都接受这个移动并更新当前解和历史最优解。这个特定的条件即为渴望水平。渴望水平的设定有如下几种形式:(1)基于适配值的准则,如果某个候选解的适配值高于历史最优解,无论是否处于禁忌表中,都选择接受。(2)基于搜索方向的准则,某禁忌对象进入紧急表时改善了适配值,而这次这个被禁忌的候选解由改善了适配值,故破禁。(3)基于影响力的准则,有的禁忌对象对适配值的影响较大,解禁会对解有较大影响,解禁时要考虑。(4)其它准则.禁忌搜索的停止准则与GA相似,给定最大迭代次数得到满意解,设定某对象的最大禁忌频率。禁忌搜索算法实现步骤:Step1:选定一个初始解xnow;令禁忌表T=Φ;Step2:若满足终止准则,转第四步;否则,在xnow的邻域N(xnow)中选出满足禁忌要求的候选集C-N(xnow),转第三步;Step3:在C-N(xnow)中选一个评价值最好的解xbest,令xnow=xbest,更新禁忌表T,转第二步;Step4:输出计算结果,停止.禁忌搜索示例四城市非对称TSP问题初始解x0=(ABCD),f(x0)=4,邻域映射为两个城市顺序对换的2-opt,始、终点都是A城市。第1步解的形式禁忌对象及长度候选解第2步解的形式禁忌对象及长度候选解如此重复到第六步,得到第6步解的形式禁忌对象及长度候选解其中解的形式分别为:f(x0)=4,f(x1)=4.5,f(x2)=3.5,f(x3)=7.5,f(x4)=4.5,f(x5)=8从禁忌长度为2的迭代与禁忌长度为3的迭代比较可得:禁忌长度短会造成循环,也就可能在一个局部最优解的附近循环(步6,产生ABCD循环到步1)(极限状况下,禁忌长度为1:造成一直在一个局部最优解处循环,退化为局部搜索算法)(此处由于城市个数只有4个,除去起点A,BCD排列一共才6种,所以看上去好像循环会产生的足够晚,会比禁忌长度更长的方案产生更多的候选局部最优解。但如果城市个数是20呢?禁忌长度为1,是否会在第5,6步就产生循环呢?相对而言禁忌长度为(19-1)*(19)/2的方案,会迭代(19-1)*(19)/2步,产生更多候选局部最优解)。禁忌长度长会造成,算法的记忆存储量增加,使得算法的计算时间增加(譬如,上述例子,20个城市的TSP,从头禁到尾,一定要跑(19-1)*(19)/2步,但是禁忌长度短,或许早就出现循环,解收敛了)。代码附录:#includetsp.husingnamespacestd;boolcmp(inta,intb){returnab;}boolcountMin(constvectorvectorint&v,vectorint&x,vectorvectorint&tabutable,constint&num){intxtemp;intytemp;intmin=INT_MAX;for(inti=1;inum-1;i++){for(intj=i+1;jnum;j++){swap(x[i],x[j]);inttemp=countDis(x,v);if(tempmin&&tabutable[x[i]][x[j]]==0&&tabutable[x[j]][x[i]]==0){min=temp;xtemp=i;ytemp=j;}swap(x[i],x[j]);}}if(min==INT_MAX){returnfalse;}else{swap(x[xtemp],x[ytemp]);tabutable[x[xtemp]][x[ytemp]]=1;tabutable[x[ytemp]][x[xtemp]]=1;returntrue;}}voidtabusearchN(constvectorvectorint&v,vectorint&x,int&costbest,intfirstcity){swap(x[0],x[firstcity]);intnum=x.size();//城市节点个数vectorvectorinttabutable;//禁忌表,tabutable[i][j]=z表示对换对(i,j)的禁忌长度为zvectorintf;//记录每一个局部最优解initX(tabutable,num);for(inti=0;inum;i++)//初始化禁忌长度为0{for(intj=i+1;jnum;j++){tabutable[x[i]][x[j]]=0;tabutable[x[j]][x[i]]=0;}}f.push_back(countDis(x,v));while(countMin(v,x,tabutable,num)){f.push_back(countDis(x,v));}sort(f.begin(),f.end(),cmp);costbest=f[0];}
本文标题:禁忌搜索算法有关介绍与举例
链接地址:https://www.777doc.com/doc-4137159 .html