禁忌搜索

适用于离散化变量求解。

一、局部领域搜索

又称爬山启发式算法，从当前的节点开始，和周围的邻居节点的值进行比较。如果当前节点是最大的，那么返回当前节点，作为最大值(即山峰最高点)；反之就用最高的邻居节点替换当前节点，从而实现向山峰的高处攀爬的目的。它是禁忌搜索的基础，TS算法是在其上改进而来。

优点：

容易理解，容易实现，具有较强的通用性；
局部开发能力强，收敛速度很快。

缺点：

全局开发能力弱，只能搜索到局部最优解；
搜索结果完全依赖于初始解和邻域的映射关系。

二、TS算法

2.1 通过针对爬山法的分析，提出了TS搜索算法：

算法的基本思想：采用邻域选优的搜索方法，为了逃离局部最优解，算法必须能够接受劣解，也就是每一次得到的解不一定优于原来的解。但是，一旦接受了劣解，算法迭代即可能陷入循环。为了避免循环，算法将最近接受的一些移动放在禁忌表中，在以后的迭代中加以禁止。即只有不在禁忌表中的较好解（可能比当前解差）才能接受作为下一代迭代的初始解。随着迭代的进行，禁忌表不断更新，经过一定的迭代次数后，最早进入禁忌表的移动就从禁忌表中解禁退出。
- 改进1：接受劣解。
- 改进2：引入禁忌表。
- 改进3：引入长期表和中期表。
2.2 TS算法的特点:
- 1、基本思想——避免在搜索过程中的循环
- 2、只进不退的原则,通过禁忌表实现
- 3、不以局部最优作为停止准则
- 4、邻域选优的规则模拟了人类的记忆功能
2.3 TS算法构成要素:

(1)编码方式

将不相同的n件物品分为m组，可以用的编码：

a、带分隔符的顺序编码
以自然数1~n分别代表n件物品，n个数加上
```
m-1个分割符号混编在一起，随机排列。如：1-3-4-0-2-6-7-5-0-8-9
```
b、自然数编码
编码的每一位分别代表一件物品，而每一位的值代表该物品所在的分组。
```
如：1-2-1-1-2-2-2-3-3
```
(2)初始解的获取

可以随机给出初始解，也可以事先使用其他启发式等算法给出一个较好的初始解。

(3)移动邻域

移动是从当前解产生新解的途径，例如上述问题中用移动s产生新解s(x)。
从当前解可以进行的所有移动构成邻域，也可以理解为从当前解经过“一步”可以到达的区域。

(4)禁忌表
禁忌表的作用：防止搜索出现死循环
- 记录前若干步走过的点、方向或目标值，禁止返回
- 表是动态更新的
- 表的长度称为Tabu-Size
  
  禁忌表的主要指标（两项指标）
- **禁忌对象：**禁忌表中被禁的那些变化元素
- **禁忌长度：**对象的禁忌在多少次迭代后失效。
  - 禁忌长度:可以是一个固定的常数(T=c),也可以是动态变化的，可按照某种规则或公式在区间内变化
    - 禁忌长度过短，一旦陷入局部最优点，出现循环无法跳出；
    - 禁忌长度过长，候选解全部被禁忌，造成计算时间较大，也可能造成计算无法继续下去。
  - 禁忌对象（三种变化）
    - 以状态本身或者状态的变化作为禁忌对象
    - 以状态分量以及分量的变化作为禁忌对象
    - 采用类似的等高线做法，以目标值变化作为禁忌对象
(5)渴望水平函数

A(x，s)一般为历史上曾经达到的最好目标值，若有C(s(x))<A(x，s)则S(x)是不受T表限制。即使s(x)∈T，仍可取x=s(x)。A(x，s)称为渴望水平函数。

(6)停止准则
(1)给定最大迭代步数（最常用）
(2)设定某个对象的最大禁忌频率。
(3)设定适配值的偏离阈值。

TS算法流程图:

2.3 禁忌搜索特点
- 禁忌搜索适用于离散优化，不适合实优化
- 局部邻域搜索：贪婪、持续在当前的邻域中搜索，直至领域中没有更好的解
三、TS算法举例

由7层不同的绝缘材料构成的一种绝缘体，应如何排列顺序，可获得最好的绝缘性能。
- 编码方式：顺序编码
- 初始编码：2-5-7-3-4-6-1
- 目标值：极大化目标值。
- 邻域移动：两两交换
- 禁忌表长度（TabuSize）：3
- 迭代次数（NG）：5
注意：左边的表为候选表，右边的表为禁忌表，若任意两两交换的次数过多可能计算缓慢，因此可以规定候选表的长度，每次随机选择两个交换，直到候选表被填满。

TS解TSP问题

TS算法受禁忌表长度、邻域选择方式、以及初始值的影响比较严重，且经检验极易陷入局部最优值（不知道是不是参数设置原因），且耗时较长。

用python给出TS解TSP问题的代码

# -*- coding: utf-8 -*-
# @Time : 2022/2/17 15:01
# @Author : Orange
# @File : ts1.py.py
import copy, random, datetime
import matplotlib.pyplot as plt
import timecity_list = [[1, (1150.0, 1760.0)], [2, (630.0, 1660.0)], [3, (40.0, 2090.0)], [4, (750.0, 1100.0)],[5, (750.0, 2030.0)], [6, (1030.0, 2070.0)], [7, (1650.0, 650.0)], [8, (1490.0, 1630.0)],[9, (790.0, 2260.0)], [10, (710.0, 1310.0)], [11, (840.0, 550.0)], [12, (1170.0, 2300.0)],[13, (970.0, 1340.0)], [14, (510.0, 700.0)], [15, (750.0, 900.0)], [16, (1280.0, 1200.0)],[17, (230.0, 590.0)], [18, (460.0, 860.0)], [19, (1040.0, 950.0)], [20, (590.0, 1390.0)],[21, (830.0, 1770.0)], [22, (490.0, 500.0)], [23, (1840.0, 1240.0)], [24, (1260.0, 1500.0)],[25, (1280.0, 790.0)], [26, (490.0, 2130.0)], [27, (1460.0, 1420.0)], [28, (1260.0, 1910.0)],[29, (360.0, 1980.0)]]class Taboo_search:def __init__(self, city_list, candidate_count, taboo_list_length, iteration_count, is_random=True):self.city_list = city_list  # 城市列表self.candidate_count = candidate_count  # 候选集合长度self.taboo_list_length = taboo_list_length  # 禁忌长度self.iteration_count = iteration_count  # 迭代次数self.min_route, self.min_cost = self.random_first_full_road() if is_random else self.greedy_first_full_road()  # 最小解；最小目标值self.taboo_list = []  # 禁忌表# 计算两城市间的距离def city_distance(self, city1, city2):distance = ((float(city1[1][0] - city2[1][0])) ** 2 + (float(city1[1][1] - city2[1][1])) ** 2) ** 0.5return distance# 获取当前城市邻居城市中距离最短的一个def next_shotest_road(self, city1, other_cities):tmp_min = 999999tmp_next = Nonefor i in range(0, len(other_cities)):distance = self.city_distance(city1, other_cities[i])# print(distance)if distance < tmp_min:tmp_min = distancetmp_next = other_cities[i]return tmp_next, tmp_min# 随机生成初始线路def random_first_full_road(self):cities = copy.deepcopy(self.city_list)cities.remove(cities[0])route = copy.deepcopy(cities)random.shuffle(route)# route = [[6, (1030.0, 2070.0)], [5, (750.0, 2030.0)], [29, (360.0, 1980.0)], [3, (40.0, 2090.0)],#          [26, (490.0, 2130.0)], [9, (790.0, 2260.0)], [12, (1170.0, 2300.0)], [28, (1260.0, 1910.0)],#          [8, (1490.0, 1630.0)], [27, (1460.0, 1420.0)], [24, (1260.0, 1500.0)], [13, (970.0, 1340.0)],#          [16, (1280.0, 1200.0)], [23, (1840.0, 1240.0)], [7, (1650.0, 650.0)], [25, (1280.0, 790.0)],#          [19, (1040.0, 950.0)], [11, (840.0, 550.0)], [22, (490.0, 500.0)], [17, (230.0, 590.0)],#          [14, (510.0, 700.0)], [18, (460.0, 860.0)], [15, (750.0, 900.0)], [4, (750.0, 1100.0)],#          [10, (710.0, 1310.0)], [20, (590.0, 1390.0)], [2, (630.0, 1660.0)],#          [21, (830.0, 1770.0)]]  # 将初始值设置为遗传算法的最优值cost = self.route_cost(route)return route, cost# 根据贪婪算法获取初始线路def greedy_first_full_road(self):remain_city = copy.deepcopy(self.city_list)current_city = remain_city[0]road_list = []remain_city.remove(current_city)all_distance = 0while len(remain_city) > 0:next_city, distance = self.next_shotest_road(current_city, remain_city)all_distance += distanceroad_list.append(next_city)remain_city.remove(next_city)current_city = next_cityall_distance += self.city_distance(self.city_list[0], road_list[-1])return road_list, round(all_distance, 2)# 随机交换2个城市位置def random_swap_2_city(self, route):# print(route)road_list = copy.deepcopy(route)two_rand_city = random.sample(road_list, 2)# print(two_rand_city)index_a = road_list.index(two_rand_city[0])index_b = road_list.index(two_rand_city[1])road_list[index_a] = two_rand_city[1]road_list[index_b] = two_rand_city[0]return road_list, sorted(two_rand_city)# 计算线路路径长度def route_cost(self, route):road_list = copy.deepcopy(route)current_city = self.city_list[0]while current_city in road_list:road_list.remove(current_city)all_distance = 0while len(road_list) > 0:distance = self.city_distance(current_city, road_list[0])all_distance += distancecurrent_city = road_list[0]road_list.remove(current_city)all_distance += self.city_distance(current_city, self.city_list[0])return round(all_distance, 2)# 获取下一条线路def single_search(self, route):# 生成候选集合列表和其对应的移动列表candidate_list = []candidate_move_list = []while len(candidate_list) < self.candidate_count: # 在候选集合里放candidate_count条不重复路径tmp_route, tmp_move = self.random_swap_2_city(route)# print("tmp_route:",tmp_route)if tmp_route not in candidate_list:candidate_list.append(tmp_route)candidate_move_list.append(tmp_move)# 计算候选集合各路径的长度candidate_cost_list = []for candidate in candidate_list:candidate_cost_list.append(self.route_cost(candidate))# print(candidate_list)min_candidate_cost = min(candidate_cost_list)  # 候选集合中最短路径min_candidate_index = candidate_cost_list.index(min_candidate_cost)min_candidate = candidate_list[min_candidate_index]  # 候选集合中最短路径对应的线路move_city = candidate_move_list[min_candidate_index]if min_candidate_cost < self.min_cost:# 若满足这个条件不管禁忌对象是否在禁忌表内，都直接更新禁忌表self.min_cost = min_candidate_costself.min_route = min_candidateif move_city in self.taboo_list:  # 破禁法则，当此移动导致的值更优，则无视该禁忌列表self.taboo_list.remove(move_city)if len(self.taboo_list) >= self.taboo_list_length:  # 判断该禁忌列表长度是否以达到限制，是的话移除最初始的moveself.taboo_list.remove(self.taboo_list[0])self.taboo_list.append(move_city)  # 将该move加入到禁忌列表return min_candidateelse:# 当未找到更优路径时，选择次优路线，如果该次优路线在禁忌表里，则更次一层，依次类推，找到一条次优路线if move_city in self.taboo_list:tmp_min_candidate = min_candidatetmp_move_city = move_citywhile move_city in self.taboo_list:  # 若候选最优禁忌对象已经在T表，寻找次优禁忌对象，若已在T表，.....candidate_list.remove(min_candidate)candidate_cost_list.remove(min_candidate_cost)candidate_move_list.remove(move_city)min_candidate_cost = min(candidate_cost_list)  # 候选集合中次优路径min_candidate_index = candidate_cost_list.index(min_candidate_cost)min_candidate = candidate_list[min_candidate_index]  # 候选集合中最短路径对应的线路move_city = candidate_move_list[min_candidate_index]if len(candidate_list) < 10:  # 防止陷入死循环，在候选集个数小于10的时候跳出min_candidate = tmp_min_candidatemove_city = tmp_move_cityif len(self.taboo_list) >= self.taboo_list_length:  # 判断该禁忌列表长度是否以达到限制，是的话移除最初始的moveself.taboo_list.remove(self.taboo_list[0])self.taboo_list.append(move_city)return min_candidate# 进行taboo_search直到达到终止条件:循环100次def taboo_search(self):route = copy.deepcopy(self.min_route)for i in range(self.iteration_count):route = self.single_search(route)new_route = [self.city_list[0]]new_route.extend(self.min_route)new_route.append(self.city_list[0])  # 前后插入首个城市信息return new_route, self.min_cost# 画线路图
def draw_line_pic(route, cost, duration, desc):x = []y = []for item in route:x.append(item[1][0])y.append(item[1][1])x_org = []y_org = []point_org = []for item in city_list:x_org.append(item[1][0])y_org.append(item[1][1])point_org.append(item[0])x0 = [x[0], ]y0 = [y[0], ]plt.plot(x, y)plt.scatter(x_org, y_org, marker="o", c='g')plt.scatter(x0, y0, marker="o", c="r")for i in range(len(city_list)):plt.text(x_org[i], y_org[i], point_org[i], ha='center', va='bottom', fontsize=10)plt.title("Taboo_Search(" + desc + ": " + str(cost) + ")")plt.show()if __name__ == "__main__":ts_random = Taboo_search(city_list=city_list, candidate_count=40, taboo_list_length=3, iteration_count=4000)ts_greedy = Taboo_search(city_list, candidate_count=40, taboo_list_length=3, iteration_count=4000,is_random=False)start_time1 = datetime.datetime.now()route_random, cost_random = ts_random.taboo_search()end_time1 = datetime.datetime.now()duration1 = (end_time1 - start_time1).secondsroute_greedy, cost_greedy = ts_greedy.taboo_search()end_time2 = datetime.datetime.now()duration2 = (end_time2 - end_time1).secondsdraw_line_pic(route_random, cost_random, duration1, "random")print("最优路径：", route_random)print("最短距离：", cost_random)print("随机TS耗时：",end_time1-start_time1)draw_line_pic(route_greedy, cost_greedy, duration2, "greedy")

参考：【1】禁忌搜索

禁忌搜索算法及TS解TSP问题相关推荐

【改进篇】Python实现VRP常见求解算法——禁忌搜索算法（TS）
基于python语言,实现经典禁忌搜索算法(TS)对车辆路径规划问题(CVRP)进行求解, 优化代码结构,改进Split函数目录往期优质资源 1. 适用场景 2. 改进效果对比 3. 求解结果 4 ...
禁忌搜索算法(tabu search)解决TSP及其Matlab代码
1.算法简介禁忌搜索算法TS(Tabu search),顾名思义核心在于"禁忌",简单来说就是在某一个过程中把一些不太好的操作给禁止了,直到搜索到一个"最优秀" ...
领域搜索算法java_使用JAVA实现算法——禁忌搜索算法解决TSP问题
packageBasePart;importjava.io.BufferedReader;importjava.io.FileInputStream;importjava.io.IOException ...
禁忌搜索算法TS求解TSP问题
目录一.局部邻域搜索二.禁忌搜索三.禁忌搜索算法流程四.算法求解例题一.局部邻域搜索局部邻域搜索是基于贪婪准则持续地在当前的邻域中进行搜索,虽然算法通用,易于实现,且容易理解,但其搜索性能 ...
【TS TSP】基于matlab禁忌搜索算法求解31城市旅行商问题【含Matlab源码 1143期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[TSP]基于matlab禁忌搜索算法求解31城市旅行商问题[含Matlab源码 1143期] 点击上面蓝色字体,直接付费下载,即可. 获取 ...
【算法】禁忌搜索算法(Tabu Search，TS)超详细通俗解析附C++代码实例
01 什么是禁忌搜索算法? 1.1 先从爬山算法说起爬山算法从当前的节点开始,和周围的邻居节点的值进行比较. 如果当前节点是最大的,那么返回当前节点,作为最大值 (既山峰最高点):反之就用最高的邻居 ...
基于改进禁忌搜索算法求解TSP问题（Matlab代码实现）
目录 1 概述 2 改进禁忌搜索算法 3 运行结果 4 参考文献 5 Matlab代码实现 1 概述当城市数量较少时,理论上可以通过穷举法来列举出最优方案,然而当城市数量较多时,所有路线之和将呈指数 ...
【MATLAB】禁忌算法（TS）求解TSP问题
目录 1.TS概述 1.1 TS介绍 1.2 TS流程 1.3 TS流程特点 2.基于TS求解TSP问题 2.1 tsp.m 2.2 CalDist.m 2.3 drawTSP.m 2.4 tabu_ ...
遗传-粒子群算法遗传-禁忌搜索算法求解TSP问题
1. 前言上一篇博文[五种常见启发式算法求解TSP问题-总结篇]中,总结了五种常见启发式算法在求解TSP问题上的效果,其中遗传算法的求解质量最差,而粒子群算法和禁忌搜索算法的求解效果最佳,因此本文计 ...
禁忌搜索算法求解TSP旅行商问题C++（2020.11.19）
TS算法求解TSP问题C++ 1.禁忌搜索算法 1.1 基本思想及主要特点 1.2 基本概念 1.3 算法流程 2. TS求解TSP问题的C++实现 2.1 输入数据文件:bayg29.tsp 2.2 ...

禁忌搜索算法及TS解TSP问题

文章目录

禁忌搜索

一、局部领域搜索

二、TS算法

2.1 通过针对爬山法的分析，提出了TS搜索算法：

2.2 TS算法的特点:

2.3 TS算法构成要素:

2.3 禁忌搜索特点

三、TS算法举例

TS解TSP问题

禁忌搜索算法及TS解TSP问题相关推荐

最新文章

热门文章