第7讲传统启发式算法之改进形态.ppt

传统启发式算法之改进形 Local Search的改进形4 诱导局部探索法 Guided Local Search(GLS) 传统启发式算法之改进形 Local Search的改进形4 诱导局部探索法 Guided Local Search(GLS) 传统启发式算法之改进形 Local Search的改进形4 诱导局部探索法 Guided Local Search(GLS) Penalty (≒long term memory) p: U → R Modified Cost Function f(x)=Σu∈x c(u) + λΣu∈x p(u) GLS　（ｘ） 1 p(u) := 0 (? u ∈U) 2 while STOP ≠ TRUE do 3 x := LS (x, g) 4 u* := arg max u∈x c(u)/(p(u)+1) 5 p(u*) :=p(u*)+1 传统启发式算法之改进形 诱导局部探索法 Guided Local Search(GLS 传统启发式算法之改进形 TSP的诱导局部探索法Guided Local Search for TSP 继续探索 Q A 现代优化技术 传统启发式算法之改进形 构筑法的改进形 （贪婪算法的改进形） 改善法的改进形 （局部探索法的改进形） 传统启发式算法之改进形 构筑法（贪婪算法）的局限性 构筑法（贪婪算法）在任何给定的时点都采取当时的最佳移动，但最终的整体结果却不一定是最佳的。其问题在于现时点局部是最好的，却不一定是后面所需要的。如果在探索的途中有一个评估函数，能提供现在及未来的一些信息，就可以改善、避免短期的贪婪行为。 改进的贪婪法 传统启发式算法之改进形 最佳优先（best-first）探索：A*算法 深度优先策略(deep-first): 以一种任意的模式往尽可能深的空间探索。 广度优先策略(wide-first): 探索完某一层次中所有节点后才进入下一层次。 例：TSP的探索树 两种传统的探索策略： 传统启发式算法之改进形 两种传统的探索策略：例 B R L R B B L R L B R L B L R M B R M R B B M R M B R M B B R L B L M L B B M L M B L M B M L R R L M L R R M L M R L M R M L B Z 3047 3047 3407 3485 3485 3596 3297 3497 3407 3825 4034 3256 3297 3784 4034 3674 3825 3584 3297 3674 3784 3497 3256 3596 传统启发式算法之改进形 最佳优先（best-first）探索： 最佳优先探索使用启发性规则，在探索过程中给每个已经构造的部分解q提供一个性能值来辅助下一个节点的选择、引导进一步的探索。这一性能值包括： 1）已作决策的性能值----c(q) 2）有待决策的潜在性能值----h(q) 一个部分解q的性能评价函数为： eval (q)=c(q)+h(q) 传统启发式算法之改进形 最佳优先（best-first）探索： 评估函数的确定 c(q): 已构造部分解的性能值： 易于评估，甚至可以得到精确的度量，如TSP的部分解性能就是以得到的部分巡回路的长度。 h(q): 现有部分解的潜在性能值： 从现时点出发到达目标所需的剩余代价--难以评估 用到达目标所需剩余代价的最小估算值 h 来代替 如果 h 是有上界的 ，即 h(q)=h* ，可保证不漏掉全局最优解 A*算法能够取得全局最优解的保证 传统启发式算法之改进形 最佳优先（best-first）探索：A*算法 Procedure best-first(v) Begin 访问v for 每一个可用节点 w， do 给 w 指定一个启发值 q 最好的可用节点 best-first (q) End 传统启发式算法之改进形 改善法（局部探索法）的改进形 改善法的探索路径 改善法的局限性 改善法的改进形 传统启发式算法之改进形 局部最优解 近邻与局部最优解（概念図） 近邻 N(x) 可行解ｘ 传统启发式算法之改进形 邻域解一台机器的交货期最小迟延排序问题 工件的集合 {1,2,3,4} 工件 i 1 2 3 4 加工时间 pi 1 2