TSP问题的动态规划解法.DOCVIP

TSP问题的动态规划解法 第十七组：3103038028 郑少斌 3103038029 王瑞锋 3103038035 江飞鸿 3103038043 韩鑫 3103055004 唐万强 TSP问题简介 旅行商问题（Traveling Salesman Problem,简称TSP, 亦称为货单郎问题 ）可以描述为：对于N 个城市，它们之间的距离已知，有一旅行商要从某一城市走遍所有的城市，且每一城市只能经过一次，最后回到出发的城市，问如何选择路线可使他走过的路径最短。这是一个典型的组合优化问题。它有很强的现实意义，可以应用于交通运输，物资调配，旅游线路设置。对于了解某个国家地理分布也有一定的现实意义。这个问题的解法有很多种，在这里我们尝试使用最优控制中的动态规划的相关知识来进行求解。 TSP问题分析 对于这个问题，我们首先想到的是应用穷举法进行解答，但是这个方法时间和空间的复杂度很高。从表面上看，TSP 问题很简单，其实则不然。对于N 个城市的TSP,存在的可能路径为（N-1）!/2条，当N较大时，其数量是惊人的。计算每条路经都需求出N 个距离之和， 这样各种路径及其距离之和的计算量正比与N!/2.用搜索法要求就规模大的TSP是不现实的。 例如使用1GFLOPs次的计算机搜索TSP所需的时间如下表所示 城市数 7 15 20 50 100 200 加法量 搜索时间 1.8h 350y 由上可知，对于这个问题采用穷举法进行解答是不现实的，这就要求我们采用其他的方法进行解答。 其他求解TSP问题的方法 *贪心法 所谓贪心法，就是在组合算法中，将每一步都取局部最优的求解方法。 下表表示用贪心法求解TSP的过程。先将各城市间的距离用行列式形式表示，主对角线上用∞表示。我们可以从城市C1出发，依次在每一行或列中选取元素最小的路径，且每个城市只能访问一次。 按贪心法从C1出发所挑选的路径为 L＝2＋7＋3＋4＋4＋3＋10＝33 不难看出，这种从局部最优原则出发的方法所得的结果的好坏，与城市间的距离的具体情况和从那个城市开始有关。 例如，从C7出发时，用贪心法所得的结果为 其路线长度减为 L＝2＋5＋3＋7＋4＋3＋7＝31 *Hopfield神经元网络法 a. 全互连型神经网络求解TSP问题： 设有N个城市： C={} C中任意两个城市的距离 D()= 现在要找到一个城市的排列使得闭合路径 为最小 我们用换位矩阵来表征一条路径。对于N个城市来说，换位矩阵有N*N个元素，需要用N*N个神经元来表征。 A B C D E A 0 0 0 0 1 B 1 0 0 0 0 C 0 0 1 0 0 D 0 1 0 0 0 E 0 0 0 1 0 根据下面四方面的要求，即：1.换位矩阵每行只能有一个一； 2.换位矩阵每列只能有一个一；3.换位矩阵中元素一之和应为N；4.所构造的函数的极小值对应于最短路径。 我们构造出与TSP相对应的计算能量函数为 式中前三项与条件的1，2，3的要求对应，上式的第四项为目标 项，它的最小值就对应于最短路径长度。上式中v的数值为0或者1，是由表正换位矩阵中神经元的输出来表示的。 TSP问题的动态规划解法 主要特点：将一个问题分为若干个相互联系的阶段，每个阶段进行决策优化。在这种多阶段决策优化过程中，无论其初始状态和初始决策如何，以后的最优策略只取决于由最初策略所形成的当前策略。 问题分析 我们应用动态规划的解法来求解五个城市的TSP问题。我们采用一个矩阵A表示城市之间的距离。 其中，， 表示第个城市和第个城市之间的距离。这是个对称阵，而且对角线的元素均为0。 假定我们已经找到一个最短的路径，设它是先从到，则从出发沿着这条路径回到的路，必定是经过中每个城市一次，最后回到的路径中的最短的一条，也就是符合最优原理。 设表示从城市出发，通过s集合中所有城市一次且仅一次，最后回到出发城市的最短路径的长度。由f的定义知，所求最短路径长度可表示为。 根据最优原理，应有 一般的有：。 根据以上分析，应用Matlab编程如下： clear clc D =[0 146.13 356.43 286.99 349.83; 140.95 0 228.38 456.76 201.68; 364.21 233.23 0 431.53 198.65; 287.89 471.96 418.44 0