旅行商问题(TSP)的启发式求解算法

2024-05-16 07:48

本文主要是介绍旅行商问题(TSP)的启发式求解算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、TSP问题

TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题、货郎担问题,是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市,他必须选择所要走的路径,路径的限制是每个城市只能拜访一次,而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。

二、求解算法

从图论的角度来看,TSP问题实质是在一个带权完全无向图中,找一个权值最小的Hamilton回路。由于该问题的可行解是所有顶点的全排列,随着顶点数的增加,会产生组合爆炸,它是一个NP完全问题。
早期的研究者使用精确算法求解该问题,常用的方法包括:分枝定界法、线性规划法、动态规划法等。但是,随着问题规模的增大,精确算法将变得无能为力,因此,在后来的研究中,国内外学者重点使用近似算法或启发式算法,主要有遗传算法、模拟退火法、蚁群算法、禁忌搜索算法、贪婪算法和神经网络等。
下面使用遗传算法模拟退火法蚁群算法禁忌搜索算法贪婪算法 对TSP问题求近似解。
我们使用的TSP问题来自于TSPLIB上的att48,这是一个对称TSP问题,城市规模为48,其最优值为10628.其距离计算方法下所示:
这里写图片描述

首先定义几个通用类,类City表示城市,类CityManager表示旅行商需要拜访的所有城市,类Tour表示旅行商的行走路线。

public class City {int x;    //城市坐标xint y;    //城市坐标ypublic City(int x, int y){this.x = x;this.y = y;}public int getX(){return this.x;}public int getY(){return this.y;}/*** 计算两个城市之间的距离,距离计算方法由上图提供* @param city* @return*/public int distanceTo(City city){int xd = Math.abs(getX() - city.getX());int yd = Math.abs(getY() - city.getY());double rij = Math.sqrt( ( xd*xd + yd*yd ) / 10.0 );int tij = (int)Math.round(rij);if (tij < rij)return tij + 1;elsereturn tij;}@Overridepublic String toString(){return "(" + getX()+ "," + getY() + ")";}
}
import java.util.ArrayList;public class CityManager {//保存所有的目的城市private static ArrayList destinationCities = new ArrayList<City>();public static void addCity(City city) {destinationCities.add(city);}public static City getCity(int index){return (City)destinationCities.get(index);}// 获得城市的数量public static int numberOfCities(){return destinationCities.size();}}
import java.util.ArrayList;
import java.util.Collections;public class Tour{// 访问路线,保存需要访问的城市private ArrayList tour = new ArrayList<City>();// 构建一个空的路线public Tour(){for (int i = 0; i < CityManager.numberOfCities(); i++) {tour.add(null);}}// 用路线tour构建当前路线public Tour(ArrayList tour){this.tour = (ArrayList) tour.clone();}// 返回当前路线信息public ArrayList getTour(){return tour;}// 创建一个城市路线public void generateIndividual() {// 将目的城市一个个添加到当前路线中for (int cityIndex = 0; cityIndex < CityManager.numberOfCities(); cityIndex++) {setCity(cityIndex, CityManager.getCity(cityIndex));}// 把路线上城市的顺序打乱Collections.shuffle(tour);}// 从当前路线中获取指定位置的城市public City getCity(int tourPosition) {return (City)tour.get(tourPosition);}// 将一个目的城市放置到当前路线的指定位置public void setCity(int tourPosition, City city) {tour.set(tourPosition, city);}// 获得当前路线上所有城市距离的总和public int getDistance(){int tourDistance = 0;for (int cityIndex=0; cityIndex < tourSize(); cityIndex++) {City fromCity = getCity(cityIndex);City destinationCity;if(cityIndex+1 < tourSize()){destinationCity = getCity(cityIndex+1);}else{destinationCity = getCity(0);}tourDistance += fromCity.distanceTo(destinationCity);}return tourDistance;}// 获得路线上城市的数量public int tourSize() {return tour.size();}@Overridepublic String toString() {String geneString = "|";for (int i = 0; i < tourSize(); i++) {geneString += getCity(i)+"|";}return geneString;}
}

1. 模拟退火算法

模拟退火算法其实也是一种贪心算法,但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到全局的最优解。以图1为例,模拟退火算法在搜索到局部最优解A后,会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点,于是就跳出了局部最大值A。模拟退火算法是一种随机算法,并不一定能找到全局的最优解,但可以比较快的找到问题的近似最优解。

import java.io.BufferedReader;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.IOException;
import java.io.InputStreamReader;public class SimulatedAnnealing {// Calculate the acceptance probabilitypublic static double acceptanceProbability(int energy, int newEnergy, double temperature) {// If the new solution is better, accept itif (newEnergy < energy) {return 1.0;}// If the new solution is worse, calculate an acceptance probabilityreturn Math.exp((energy - newEnergy) / temperature);}public static void initCities() throws IOException {BufferedReader br = new BufferedReader(new FileReader("att48.tsp"));String line = null;while ( (line = br.readLine()) != null ) {String[] token = line.split(" ");City city = new City(Integer.parseInt(token[1]), Integer.parseInt(token[2]));CityManager.addCity(city);}}public static void main(String[] args) {try {initCities();} catch (IOException e) {// TODO Auto-generated catch blocke.printStackTrace();return;}// Set initial tempdouble temp = 1000;// Cooling ratedouble coolingRate = 0.002;// Initialize intial solutionTour currentSolution = new Tour();currentSolution.generateIndividual();System.out.println("Initial solution distance: " + currentSolution.getDistance());// Set as current bestTour best = new Tour(currentSolution.getTour());// Loop until system has cooledwhile (temp > 1) {// Create new neighbour tourTour newSolution = new Tour(currentSolution.getTour());// Get a random positions in the tourint tourPos1 = (int) (newSolution.tourSize() * Math.random());int tourPos2 = (int) (newSolution.tourSize() * Math.random());while (tourPos1 == tourPos2 ) {tourPos2 = (int) (newSolution.tourSize() * Math.random());}// Get the cities at selected positions in the tourCity citySwap1 = newSolution.getCity(tourPos1);City citySwap2 = newSolution.getCity(tourPos2);// Swap themnewSolution.setCity(tourPos2, citySwap1);newSolution.setCity(tourPos1, citySwap2);// Get energy of solutionsint currentEnergy = currentSolution.getDistance();int neighbourEnergy = newSolution.getDistance();// Decide if we should accept the neighbourif (acceptanceProbability(currentEnergy, neighbourEnergy, temp) > Math.random()) {currentSolution = new Tour(newSolution.getTour());}// Keep track of the best solution foundif (currentSolution.getDistance() < best.getDistance()) {best = new Tour(currentSolution.getTour());}// Cool systemtemp *= 1-coolingRate;}System.out.println("Final solution distance: " + best.getDistance());System.out.println("Tour: " + best);}
}

这篇关于旅行商问题(TSP)的启发式求解算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/994303

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

购买磨轮平衡机时应该注意什么问题和技巧

在购买磨轮平衡机时,您应该注意以下几个关键点: 平衡精度 平衡精度是衡量平衡机性能的核心指标,直接影响到不平衡量的检测与校准的准确性,从而决定磨轮的振动和噪声水平。高精度的平衡机能显著减少振动和噪声,提高磨削加工的精度。 转速范围 宽广的转速范围意味着平衡机能够处理更多种类的磨轮,适应不同的工作条件和规格要求。 振动监测能力 振动监测能力是评估平衡机性能的重要因素。通过传感器实时监

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

缓存雪崩问题

缓存雪崩是缓存中大量key失效后当高并发到来时导致大量请求到数据库,瞬间耗尽数据库资源,导致数据库无法使用。 解决方案: 1、使用锁进行控制 2、对同一类型信息的key设置不同的过期时间 3、缓存预热 1. 什么是缓存雪崩 缓存雪崩是指在短时间内,大量缓存数据同时失效,导致所有请求直接涌向数据库,瞬间增加数据库的负载压力,可能导致数据库性能下降甚至崩溃。这种情况往往发生在缓存中大量 k