领域搜索算法java_多起点的局部搜索算法(multi-start local search)解决TSP问题(附Java代码及注释)...
以下文章来源于数据魔术师 ,作者向柯玮
前言
各位看客老爷们,大家好~
今天要为大家带来的干货是multi-start local search算法解决TSP问题(Java的实现)。
大家可不要因为这个算法的名字比较长,就觉得这个这个算法很难,其实没有哦-
这个算法还是非常简单的,希望大家能够通过这个简单的算法来了解面对NP-hard问题,我们可以采取的策略是什么。
算法简介
这个算法,其实大家通过名字就可以知道,一定和Iterated local search(迭代局部搜索算法)存在一定的联系。
(这是当然呀,名字都差不多,还需要你说吗?)
迭代局部搜索算法公众号在之前已经介绍过了,有兴趣的小伙伴可以再看看~
这两个算法相似的地方我们就不多说了。我们主要介绍这个算法优势之处。
优势
这种算法,他是多起点的,初始解的生成和遗传算法挺类似的。
通过随机打乱,生成多个随机新解,以此来增大达到最优解的目的。
可能大家光这么看,没啥感觉,我们可以通过数学公式来让大家直观的感受一下。
我们认为有N个城市,令传统的LS搜索的次数为A,传统的MLS搜索次数为A',改进过的MLS搜索次数为A'',可以容易得出下面的公式。
现在让我们再来看看实际的程序跑出来的结果。
这是传统的LS。
这是传统的MLS。
这是咱们优化过的MLS。
从以上两个例子我们可以看出,MLS确实能够提高单次程序运行获得优质解的概率。
那么,下面就让我们简单地总结一下MLS的一些优点。
如果是在多线程情况下进行探索,那么速度和LS是差不多的
探寻到最优解的概率更大了
对于新手来说,也可以更好的学习这种多个初始解的思想,便于以后GA等算法的学习
虽然本次代码的展示仍然是采用单线程,但是只要单线程的明白了,多线程其实很容易就变过去了。
算法流程分析
现在我们先来介绍介绍最普遍的一种multi-start local search(多起点的局部搜索算法)。
大致的流程就是上面这副图一样,在读取数据之后生成第一个解,即按照0-1-2-3……排序的解。
然后将这个解进行打乱,生成N组解,然后分别对这N组解利用2-opt算子进行邻域搜索。
我个人感觉这一种multi-start local search算法并不是很好。
都是采用的多线程操作,对于新手都不是很友好,代码不大看得明白
算子太少,单一的2-opts算子很难找到较好的解
对一些比较差的初始解(通过邻域搜索都无法找到更好的解),没有进行一些处理
鉴于上面的不足,我对这个算法进行了一定程度的改进。如下图。
代码解析
在上面,我们大致的介绍了本次算法的大致实现过程。
接下来,我们对部分代码进行解读
启动函数
这个函数是我们的main函数,我们在这里完成我们所有的操作。
我们在iter函数中完成我们的搜索过程。
public class launch {
public static void main(String[] args) {
mls my_solution=new mls(); //生成mls对象
readfile my_file=new readfile(); //读取文件
my_file.buildInstance("F:\\mls\\data\\uy734.tsp.txt"); //读取文件
my_solution.setiLSInstance(my_file.getInstance()); //设置好距离矩阵
my_solution.setsolution(); //设置好初始解
my_solution.iter(); //开始迭代
my_solution.print_best(); //输出最优解
System.out.println("最佳适应度为:"+my_solution.print_of()); //输出最佳适应度
}
}
iter函数
这个函数就是最主要的函数,相当于整个搜索的过程的启动器。
我们在这个函数中,每次生成一个新的随机解,然后进行邻域搜索。这个就是区别于LS的根本之处。
并用'tihuan'作为改随机解是否为一个较好解的标志。
public void iter() {
for(int c=0;c
{
Solution localsolution2 = this.currBest.clone();
for (int j = c; j < this.iLSInstance.getN(); j++) {
Solution now = ls(localsolution2.clone(), j);
if (now.getOF() < this.dLSGlobalBest.getOF())
this.dLSGlobalBest = now.clone();
}
}
for (int i = 0; i < this.iLSInstance.getN(); i++) {
tihuan=false;
Solution localsolution = this.currBest.clone();
localsolution=restart(localsolution);
for (int j = 0; j < this.iLSInstance.getN(); j++) {
Solution now = ls(localsolution.clone(), j);
if (now.getOF() < this.dLSGlobalBest.getOF())
this.dLSGlobalBest = now.clone();
}
for(int m=0;m
System.out.print(localsolution.getsolution().get(m)+"-->");
System.out.println(localsolution.getsolution().get(this.iLSInstance.getN()-1));
if(!tihuan)
step++;
if(step==50)
{
i--;
step=0;
}
}
}
LS函数
LS函数,即local search函数,我们通过这个函数,完成我们对每组解的每个位置的城市的邻域搜索操作。
并用‘tihuan’作为是否生成更好的解(这里是指生成比当前随机解好的解)的标志。
public Solution ls(Solution ssolution,int i) {
Solution best = ssolution.clone();
for (int j = i + 1; j < this.iLSInstance.getN() +i; j++) {
Solution now=ssolution.clone();
if(j
now.swap(i, j);
now.setOF(this.cLSCalculator.calc(this.iLSInstance, now));
if (now.getOF() < best.getOF()) {
best = now.clone();
tihuan=true;
}
if(!tihuan){
now.swap(i,j);
now.relocate(i,j);
now.setOF(this.cLSCalculator.calc(this.iLSInstance, now));
if (now.getOF() < best.getOF()) {
best = now.clone();
tihuan=true;
}
}
}
else if(j-this.iLSInstance.getN()
now.relocate(i,j-i);
now.setOF(this.cLSCalculator.calc(this.iLSInstance, now));
if (now.getOF() < best.getOF()) {
best = now.clone();
tihuan=true;
}
}
}
return best;
}
restart函数
这个是我们用来生成随机新解的函数。
public Solution restart(Solution solution){
int[]haveset=new int[iLSInstance.getN()];
haveset[0]=0;
for(int i=0;i
int n=rLSRandom.nextInt(iLSInstance.getN());
while (haveset[n]!=0)
n=rLSRandom.nextInt(iLSInstance.getN());
solution.getsolution().set(i,n);
haveset[n]=1;
}
solution.setOF(this.cLSCalculator.calc(this.iLSInstance, solution));
return solution;
}
小结
好了,我们现在把算法的大致流程,主要的代码都展示了一下,大家可以把自己的data输进去,看看结果怎么样,T^T,小玮得到的结果都不是很理想--
该算法的随机性很大,获得优质解的难度还是蛮大的。
但是我觉得这个算法从传统LS变过来给了我们很多启发,比如说,在寻求最优解的时候,我们可以采用多线程来提高寻求最优解的效率等等。
我希望大家通过本次推文,能够了解到邻域解是如何产生的,以及算法不够好时的我们可以采用哪些改进。
那么在下一次的推文中,会介绍一种船新的组合优化解决VRPTW的算法~让我们一起期待吧!
本篇推文代码请在公众号后台回复【MLS代码】获取(不用输入【】)
领域搜索算法java_多起点的局部搜索算法(multi-start local search)解决TSP问题(附Java代码及注释)...相关推荐
- 转 | 禁忌搜索算法(Tabu Search)求解带时间窗的车辆路径规划问题详解(附Java代码)
以下文章来源于数据魔术师 ,作者周航 欲下载本文相关的代码及算例,请关注公众号[程序猿声],后台回复[TSVRPJAVA]不包括[]即可 前言 大家好呀! 眼看这9102年都快要过去了,小编也是越来越 ...
- 【智能算法】迭代局部搜索(Iterated Local Search, ILS)详解
更多精彩尽在微信公众号[程序猿声] 迭代局部搜索(Iterated Local Search, ILS) 00 目录 局部搜索算法 简单局部搜索 迭代局部搜索 01 局部搜索算法 1.1 什么是局部搜 ...
- 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" ...
- java 路径规划_转 | 禁忌搜索算法(Tabu Search)求解带时间窗的车辆路径规划问题详解(附Java代码)...
以下文章来源于数据魔术师 ,作者周航 欲下载本文相关的代码及算例,请关注公众号[程序猿声],后台回复[TSVRPJAVA]不包括[]即可 前言 大家好呀! 眼看这9102年都快要过去了,小编也是越来越 ...
- 局部搜索:禁忌搜索(Tabu Search)解决TSP问题的python案例
禁忌搜索解决TSP问题的python案例 Tabu Search 禁忌(Tabu Search)算法是一种亚启发式(meta-heuristic)随机搜索算法,它从一个初始可行解出发,选择一系列的特定 ...
- C语言局部搜索算法(爬山法,模拟退火法,遗传算法)求解八皇后问题
C语言局部算法求解八皇后问题 写在前面 八皇后问题及局部搜索算法 爬山法(hill-climbing searching) 算法介绍 代码实现 退火法(simulated annealing) 算法介 ...
- 旅行商问题(TSP)与局部搜索算法
本篇为在University of Birmingham 学习Advanced Nature-Inspired Search and Optimisation课程中的笔记之一 This is one ...
- k图着色 局部搜索算法与模拟退火算法的python实现
文章目录 前言 如何评价一个解? 通过计算出的冲突来找它的邻居解 数据的格式 局部搜索 概述 补充 代码 模拟退火 概述 补充 代码 总结以及不足之处 前言 这两种算法就不详细介绍了,流程思路比较简单 ...
- 人工智能中的局部搜索算法
在局部搜索算法中,我们不再关心从初始节点到目标节点之间的路径,而是考虑从当前节点出发,移动到它的邻近状态,直到到达合理的目标状态.相比于前面所说的无信息搜索算法和有信息搜索算法,局部搜索算法往往能 ...
- 通用局部搜索算法之WALKSAT
通用局部搜索算法之WALKSAT 设施区位及算法 2009-08-28 20:44:47 阅读29 评论0 字号:大中小 通用局部搜索算法之WALKSAT GSAT 和 WalkSat 是用于求解布尔 ...
最新文章
- jenkins配置git
- QPS、TPS、RT、并发数、吞吐量理解和性能优化深入思考
- Jupyter notebook Ipython 魔法函数 Magic 计算代码(函数)耗时 Timing(%%time %time %timeit)
- 画活动图教程_二次元人物头发怎么画?画好头发有什么技巧?
- OpenCV在Linux中安装
- 【8086汇编-Day6】关于loop的实验
- WPF与WCF c#
- Navicat安装激活
- 正数(十进制)变二进制 除以2取余 小数(十进制)变二进制 乘以2取整数
- (4) XOS 源码详解: os_s_xxxx.s 汇编代码的 堆栈空间定义,比较简洁的方式
- iOS 横竖屏适配 ---masonry
- 【语音处理】时域信号分析基本工具,什么是窗函数
- 全自动降噪插件-Acon Digital Extract:Dialogue 1.1.2 WiN-MAC
- LATEX参考文献添加文章doi号并嵌入超链接+IEEE期刊缩写查询
- android通话模块详解
- 临床执业助理医师(综合练习)题库【8】
- c语言编程自幂数,【C语言基础】-自幂数优化-这个算法快得像一道闪电
- 台式计算机内存卡与普通有啥区别,电脑硬盘和内存有什么区别?
- (三)java流程控制语句
- C语言——日期转换为天数
热门文章
- 1066 图像过滤 (15 分)—PAT (Basic Level) Practice (中文)
- Android系统中属性值的设置和使用
- TCP三次握手四次挥手介绍
- js正则及常用方法函数总结
- 《Linux内核分析》第三周笔记 构造一个简单的Linux系统MenuOS
- MYSQL 引擎的情况
- LeetCode: Implement strStr() [027]
- POJ-1699 Best Sequence 状态压缩DP
- VBA中,可以利用下面的语句来调用Excel内置对话框
- Debian - NFS搭建 + 测试