比较三种万用启发式演算法于tsp问题之探讨-nationalkaohsiung.pdfVIP

工程科技與教育學刊 第八卷 第三期 民國一○○年九月 第 443 ～452 頁 比較三種萬用啟發式演算法於 TSP 問題之探討 劉昱德 1 、黃士滔2 1.高雄應用科技大學工業工程與管理研究所碩士班 2.高雄應用科技大學工業工程與管理系副教授 E-mail : 1098317114@cc.kuas.edu.tw 摘 要 萬用啟發式演算法（Metaheuristics ）是一種新興的最佳化演算法，這類演算法的概念經常是由觀察自 然界所獲得的靈感，例如：人工免疫演算法啟發於當人體中抗體對抗抗原的免疫反應過程、蟻群演算法習 自蟻群的覓食、粒子群演算法係效法鳥類的覓食。 由於這些演算法非常具有彈性，可求解許多不同問題，且作法簡單、求解效率高，因此目前已經成為 數量方法中最熱門、最重要的方法之一。近年各類工程問題的優化計算已成為人們急需解決的問題，如在 系統控制、模式識別、生產調度、VLSI 技術、計算機工程等，而萬用啟發式演算法強而有力的優化計算方 式正能解決這樣的問題。 不同的啟發式算法各有其特長及局限，為了了解不同的演算法對求解的結果以及計算效率的影響，本 研究根據三種啟發式演算法：粒子群演算法 （Particle Swarm Optimization algorithms, PSO ）、蟻群演算法（Ant Colony Optimal, ACO ）、人工免疫演算法（Artificial Immune Algorithm, AI ），比較求解非線性規劃問題－旅 行推銷員問題（Traveling Salesman Problem, TSP ）時解的品質以及求解的計算效率。最後探討三種啟發式 演算法中各個算子、對求解品質及效率產生的影響。研究結果發現，演算法中的參數設定，會影響演算法 求解的多樣性、收斂性，進而影響到求解的品質與計算的效率。研究中發現粒子群演算法在跳脫局部解上 的隨機性過於強大，導致解的多樣性不足，進而提早收斂。人工免疫演算法與粒子群比較下求解多樣性較 強，所以在求解多樣性較強的前提下，提升迭代參數，可以改進求解的能力，設定後的參數得到的解甚至 優於優化後的螞蟻演算法。 關鍵詞：粒子群演算法、蟻群演算法、人工免疫演算法、TSP 。 1. 前 言 20 世紀 80 年代以來各類工程問題的優化計算越來越成為人們急需解決的問題，例如運輸中的最優調 度、生產流程的最優排程、資源的最優分配，這類問題屬於不確定性、非線性的複雜問題。隨著人工智能 擺脫傳統的邏輯計算，探索仿真算法(從生物演化中得到啟發的演算法)提出了許多用來解決複雜優化問題的 計算方法，基于計算智能的收斂性、計算速度、初值敏感性使得這些問題能夠得以求解，這些仿真算法包 含：模擬退火法、基因演算法、粒子群演算法等。 旅行推銷員問題可視為組合優化模型的典型問題，許多問題都可藉由旅行推銷員問題（ Traveling Salesman Problem, TSP ）的數學模型進行延伸。當這類組合優化問題規模擴大時，問題求解的複雜度成等比 遞增，如何在快速的時間內找到較佳的解，便是本研究探討的方向。 ©2007 National Kaohsiung University of Applied Sciences, ISSN 1813-3851 444 劉昱德、黃士滔 2. 文獻探討 近年來工業生產過程朝著大型、連續、綜合化的方向發展，形成了複雜的生產過程，此類問題往往具 有方程數多、變量維數高、非線性強等特點，這使得相關變量的儲存、計算及命題的求解都相當困難。而 基於計算智能的優化，萬用啟發式演算法在計算速度、收斂性且算子的數學操作相對的簡單，提供了解決 此類大型問題的技術。 粒子群演算法是由 Kennedy and Eberhart[7]所提出，為一種仿生物演算法，透過迭代演化求得近似最佳 解的最