运筹学大实验答辩ppt.pptVIP

再加上一个点，是碑林区这个点的复制，这个点到所有距离和其他点到这个点的距离相等，碑林区编号为2，则记这个点为108，我们将两者距离设置为20000km，这里使用了罚函数的思想，是限制2与108不要相邻。 * 再加上一个点，是碑林区这个点的复制，这个点到所有距离和其他点到这个点的距离相等，碑林区编号为2，则记这个点为108，我们将两者距离设置为20000km，这里使用了罚函数的思想，是限制2与108不要相邻。 * 再加上一个点，是碑林区这个点的复制，这个点到所有距离和其他点到这个点的距离相等，碑林区编号为2，则记这个点为108，我们将两者距离设置为20000km，这里使用了罚函数的思想，是限制2与108不要相邻。 * * TSP问题 组员： 雷雪菁，王佳宁，赵振宇，刘昊，朱品璋，武贾麒 问题描述 TSP问题 利用附件P2中所列的陕西区县公路里程表，寻求旅行者由碑林区出发的路线，并绘制线路图： 1. 仅有一个旅行者，在拜访每个区县一次且仅一次后再回到起点碑林区的最短路径。 2. 有两个旅行者，合计拜访每个区县一次且仅一次的最短路径。 ? 问题分析 TSP问题：货郎担问题，旅行售货员员 穷举法 动态规划 ？ N! n的指数函数 算法复杂度 无法被普通计算机所实现！ 课本上所出现算法的程序 分成两组 研究对动态优化算法的优化 研究使用启发式算法来减少计算量 遗传算法 退火算法 小组分工 武贾麒： 提出退火算法及实现 王佳宁 雷雪菁： 提出遗传算法及实现 刘昊 赵振宇 朱品璋： 对原问题进行优化 使其可以通过动态规划实现 part 01 part 02 part 03 遗传算法解决第二问 问题解决 遗传算法解决第一问 退火算法 Part 1 爬山算法：简单的贪心搜索算法。从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 主要缺点：会陷入局部最优解，不一定能搜索到全局最优解。 假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。 退火算法 模拟退火算法来自爬山算法 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。 以下图为例，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。 爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。 模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，它渐渐清醒了并朝最高方向跳去。这就是模拟退火。 比较 这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。 　　根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为： 　　　　 P(dE) = exp( dE/(kT) ) 退火算法源程序及解 遗传算法：模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法解决第一问 Part 2 初始化 设定初始策略 计算 目标函数值 交叉变异 淘汰 不符合条件的解 产生新解 有一定几率找到最优解 我们所编写的遗传算法及结果 遗传算法局限性 自适应遗传算法比较显著的一个缺点就是早熟收敛，由于初始化以及进化的随机性，后代中可能会出现竞争力极强的个体，导致整体结果趋向于局部最优解而不能找到全局最优解。 我们通过交流和查阅文献论文，找到了几种降低早熟收敛的方式，比如通过使初期的交叉变异概率与适应度挂钩，采用不同的淘汰方式（现阶段采用蒙特卡洛转盘）减小个体的选择压力，以使适应度低的个体的基因可以得到遗传，这样，虽然减缓了收敛速率，但是，可以得到更好的解。 A B C Part 3 遗传算法解决第二问 我们发现： 如果所给条件满足三角不等式（两边之和大于第三边），那么第一问所得结果就是第二问最优解。那么，让一个人走一个城市甚至不走，剩下的那个人按照第一问所给算法所得出的路径走即可逼近甚至等于第一问的值。 C Part 3 遗传算法解决第二问 那么调用第一问程序即可获得结果，结果如下 然而所给数据的距离并不符合三角不等式，即两边之和大于第三边，比如所给98（ 镇坪县 ）与101（ 商州区 ）他们到碑林区的距离之和比他们两者距离小了211km A B C Part 3 遗传算法解决第二问 Part 3 遗传算法解决第二问 因此会有可能出现第二问所走路径并不是第一问所确定的环。 所以我们转换思路，将解法稍作转变，可