一种ABCSAT算法启发式初始解策略.docVIP

一种ABCSAT算法的启发式初始解策略 　　摘 要：为了改善初始解在解空间中的分布状况，根据SAT问题的变量极性差异约束，提出一种启发式初始解策略，以解决人工蜂群算法求解策略问题。该方法不仅保留了随机思想，而且设置了变量的取值倾向。实验证明，新策略能够进一步节约求解时间和内存消耗，提高求解成功率。 　　关键词：布尔可满足性问题；人工蜂群算法；初始解；启发式 　　DOIDOI：10.11907/rjdk.172336 　　中?D分类号：TP301.6 　　文献标识码：A 文章编号：1672-7800（2018）002-0044-03 　　0 引言 　　布尔可满足性问题[1]（Boolean Satisfiability Problem，简称SAT问题）的基本形式是：给定一个命题变量集合X和一个X上的合取范式φ（X），判断是否存在一个真值赋值t（X），使得φ（X）为真。如果能找到，则称φ（X）是可满足的（satisfiable），否则称φ（X）是不可满足的（unsatisfiable）。SAT问题是世界上第一个被证明的NPC问题[2]，在计算机科学、人工智能等理论和应用领域起着重要作用[3-5]，其中SAT问题求解是目前的一个重要研究分支[6]。 　　人工蜂群（Artificial Bee Colony，简称ABC）算法[7]是近年来兴起的一种群智能进化算法，在许多优化问题上表现出了比差分进化、粒子群和遗传算法等更好的性能[8]。本文提出一种新的ABCSAT算法[9]，已经成功利用ABC算法初步求解SAT问题。 　　ABCSAT求解算法继承了标准ABC算法的基本思想。首先随机生成SN个蜜源，并计算其适应度；雇佣蜂与蜜源一一对应，对每个蜜源邻域进行搜索，发现更优解时则进行替换；跟随蜂根据一定概率选择跟随的雇佣蜂，深入局部搜索；侦察蜂放弃连续limit次没有被改进的雇佣蜂或跟随蜂，并重新初始一个解；觅食过程是雇佣蜂、跟随蜂和侦察蜂3个觅食阶段的反复迭代过程，直到达到搜索终止条件或找到问题的解。 　　1 初始解基本方法 　　在ABC算法中，一个蜜源表示待优化问题的一个可能解，蜜源的丰富程度代表解的质量（即适应度），蜜蜂觅食的过程便是寻找具有最大适应度值的最优解过程。初始化时，通过式（1）随机生成含有SN（Solution Number）个解的初始蜂群，每个雇佣蜂被赋予一个初始位置，本文用D维向量Xi表示第i个蜜源，其中Xi=xij（i=1，2，3，…，SN， j=1，2，…D）。 　　ABCSAT求解算法是一种基于群体寻优的算法，算法运行时以蜂群的形式在搜索空间内搜索。蜂群表示雇佣蜂和跟随蜂对应的蜜源，每个蜜源对应问题的一个可能解。 　　蜂群中蜜源的数量SN称为蜜源大小或种群规模，表示可能解的数量，一般是一个不变的常数，通常蜜源的个数等于雇佣蜂或跟随蜂的个数。在一些特殊情况下，蜜源大小也可能采用与迭代次数相关的变量，以获取更好的优化效果。一般来说，当SN很小时，陷入局部最优的可能性就会增大。但随着SN的增大，运行时间也将增大，并且当SN增长至一定水平时收敛速度将非常慢。如果不考虑运行时间因素，可以采用大的种群，但在运行时间要求很短且配置环境不是非常好的情况下，建议采用较小的种群。本文对不同规模的种群进行了实验分析，建议选用种群大小为20。 　　初始蜂群是算法搜索的起点，在解空间中的分布状况会对算法搜索性能产生影响，一般采用随机方法产生。初始化时，随机生成SN个蜜源，雇佣蜂和跟随蜂的个数均为SN，其中雇佣蜂与蜜源一一对应。由于SAT问题的每个变量均为布尔变量，因此随机产生ξij∈U（0，1），Sij通过公式（2）生成： 　　算法初始候选解后，循环执行雇佣蜂、跟随蜂和侦察蜂觅食步骤，直到找到问题的解或达到最大迭代次数。 　　2 启发式初始解方法 　　初始解的好坏对搜索性能影响很大，然而，完全随机的初始解可能经过很多搜索步骤也难以找到一个可行解[10]。因此，本文尝试从研究问题的约束入手，在随机初始化过程中加入启发式方法。 　　2.1 变量极性差异 　　由于任何一个命题逻辑公式都可在多项式时间内转化为合取范式（Conjunctive Normal Form，简称CNF），主流的SAT求解算法通常假设目标公式已被处理为CNF形式。CNF公式指由若干子句合取构成的公式，可简单描述为式（3）： 　　式（3）中，k表示每个子句中文字的个数，m表示子句的个数，li，j表示出现在第i个子句的第j个文字。 　　对任意变量xi，符号xi和xi是其文字，称xi是正文字，xi是负文字。文字的正负称作符号（sign）或相（phase）。用L表示所有文字的集合，l表示某个文字，L={l1，l2，l3，…，lk}。 　　定