论文.docVIP

旅行商算法 摘要：旅行商问题是一个典型的组合优化问题，易于描述却难于理解，具有很重要的理论和实际研究价值，在工程实践中应用广泛。文章介绍了目前求解旅行商问题较为常用的几种算法，进行了比较，并就遗传算法做了详细说明。 关键词：旅行商问题、算法、遗传算法 正文： 旅行商问题（TSP）是一种典型的求解多局部最优的最优化问题：有n个城市，一个旅行者从其中的一个城市出发，经过所有的城市一次并返回出发的城市，求最短路线。在现实生活的诸多领域中很多复杂问题都可以概括和简化成旅行商问题，所以，如何快速有效的求解旅行商问题有着重要的理论价值。 主要求解方法 1. 模拟退火算法 模拟退火算法是受物理学启发而来的一种随机寻优算法,将固体加热至充分高温,使固体融为液体,再让其徐徐冷却。加温时,固体内部粒子随温度的升高变为无序状,内能增大,而徐徐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小,这个过程称为退火。 模拟退火算法由某一较高初温开始,即从某一初始解开始,在解空间中根据抽样策略随机产生另一个解,随着温度参数的不断下降重复抽样过程,最终得到全局最优解。模拟退火算法的基本步骤如下: 1)随机给定初始状态,设定合理的退火策略,选定各参数值,包括初始温度T0,降温规律等。 2)令x′=x+Δx,Δx为小的均匀分布的随机扰动。计算ΔE=E(x′)-E(x)。 3)若ΔE0,则接受x′为新的状态,否则以概率P=exp(-ΔE/(kT))接受x′,其中k为玻耳兹曼常数(具体做法是产生0~1之间的随机数a,若Pa则接受x′为新状态,否则仍停留在状态)。 4)重复2)、3)步直至系统达到平衡状态。 5)按第1)步给定的退火规律降温,再重复执行2)~4)步,直至T=0或某一预定的低温。模拟退火算法的优点是具有较好的鲁棒性、全局收敛性,易于并行计算,并能以较大概率求得全局最优解,但是模拟退火算法的运算效率不高,优化时间较长。 2. Hopfield神经网络优化算法 神经网络优化算法就是利用神经网络中神经元的协同并行计算能力来构造的优化算法,它将实际问题的优化解与神经网络的稳定状态相对应,把实际问题的优化过程映射为神经网络系统的演化过程。Hopfield网络是典型的全连接网络,通过在网络中引入能量函数以构造动力学系统,并使网络的平衡态与能量函数的极小解相对应,从而将求解能量函数极小解的过程转化为网络向平衡态的演化过程。 对于n个城市，任何一个城市在最终路径上的访问次序可用一个n为向量来表示，因而每个城市需要n个神经元表示，以5个城市为例，如果a城市是第二访问，则第二神经元为1，其余神经元为0，可以用一个n乘n的矩阵表示。可以得到n乘n个非线性一阶微分方程式，通过若干次迭代即可求得网络各神经元的最终状态。 3.蚁群算法 蚁群算法(是一种新型的模拟进化算法,由意大利学者Dorigo M等人在90年代首先提出,它通过模拟蚁群在寻找食物中所体现出的寻优能力来解决现实中一些困难的优化问题。蚂蚁在觅食的过程中会在所经过的路上留下不同浓度的信息素,路径越长则信息素的浓度越低,同时信息素会随着时间的流逝而挥发。一条路径走过的蚂蚁越多,则留下的信息素浓度越高。而当后来的蚂蚁寻找路径的时候,就会以较大的几率选择信息素较浓的路径。这种过程就形成了一个正反馈,通过这种方式可以最终找到一条最优路径。蚁群算法的基本步骤如下: 1)初始化每条路径上的信息素浓度。 2)把m只蚂蚁随机的放在n个城市上。 3)让每一只蚂蚁根据概率函数寻找出一条可行的路径。概率函数一般由两个城市间的距离以及两城市间的信息素浓度所构成。 4)计算出m只蚂蚁所找到的路径的长度,并选出本次最优路径。 5)根据本次蚂蚁的访问情况,更新本次最优路径每条边上的信息素浓度。 6)判断算法是否满足终止条件,若满足则输出结果,否则转到步骤2)。蚁群算法的优点是它同时具有自适应、自组织、正向反馈、本质并行的特点,但是其搜索时间较长,而且容易因为受到寻优过程中早期发现的较好解的影响而陷入局部最优解,使搜索停滞。 4.遗传算法 遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,它 的基本思想来源于达尔文的进化论和孟德尔的遗传学说。该算法自从1975年被Holland J等人提出后,获得了广泛的应用。该算法将问题的求解过程表示为“染色体”的优胜劣汰的过程,通过种群的一代一代的进化,其中包括复制、交叉、变异等操作,最终求得最适应环境的一个“染色体”,也就是问题的最优解或者近似最优解。遗传算法求解旅行商问题的基本步骤如下: 1)确定染色体的编码方式,并随机产生初始种群。针对旅行商问题,一般采用十进制形式对染色体进行编码,一个染色体即表示一个解序列。染色体编码的方式直接影响着求解的过程和效率,目前主要有三种较为有