第21卷第3期
Vol.21No.3
控 制 与 决 策
ControlandDecision
2006年3月
Mar.2006
文章编号:100120920(2006)0320241207
智能优化算法求解TSP问题
高海昌a,冯博琴a,朱 利b
(西安交通大学a.电子与信息工程学院,b.软件学院,西安710049)
摘 要:TSP(旅行商)问题代表组合优化问题,具有很强的工程背景和实际应用价值,但至今尚未找到非常有效的
求解方法.为此,讨论了最近研究比较热门的使用各种智能优化算法(蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、粒子群优化算法、免疫算法等)求解TSP问题的研究进展,指出了各种方法的优缺点和改Hopfield神经网络、进策略.最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议.
关键词:旅行商问题;蚁群算法;遗传算法;模拟退火算法;禁忌搜索算法;粒子群优化算法中图分类号:TP301 文献标识码:A
ReviewsoftheMeta-heuristicAlgorithmsforTSP
GAOHai2chang,FENGBo2qin,ZHULi
a
a
b
(a.SchoolofElectronicsandInformationEngineering,b.lare,JUniversity,Xi’an710049,China.Correspondent:GAOHai2chang,EAbstract:Travelingsalesisonofakindofcombinationoptimizationproblems,possessingaandpracticalapplicationvalue.However,thereisnoeffectivecorre2spondingsolutiAimthat,theresearchandapplicationofthemostpopularmeta2heuristicmethodssuchasantcolonyalgorithm,geneticalgorithm,simulatedannealing,tabusearch,hopfieldneuralnetwork,particleswarmoptimizationandimmunealgorithm,etc.arereviewed.Theadvantagesanddisadvantagesofeachmethodandtheimprovementstrategiesarediscussed.Thefutureresearchdirectionandsuggestionarealsogiven.
Keywords:TSP;Antcolonyalgorithm;Geneticalgorithm;Simulatedannealing;Tabusearch;Particleswarmop2timization
1 引 言
TSP(旅行商)问题已经被证明是一个NP2hard问题[1],即在P≠NP的假设下,找不到一个多
个重要课题.
2 TSP问题的定义和求解方法分类
2.1 TSP问题的定义
TSP是典型的组合优化问题[2],给定n个城市
项式时间算法来求解其最优解.TSP问题易于陈述但难于求解,自1932年提出以来,已引起许多学者的兴趣,但至今尚未找到非常有效的求解方法.
由于TSP问题代表一类组合优化问题,在实际工程中有许多应用,如计算机联网、电子地图、交通诱导、电气布线、VLSI单元布局、ATM分组交换网等.鉴于其重要的工程与理论价值,TSP常作为算法性能研究的典型算例.求其最优解的代价是指数级的,因此对其近似解的研究一直是算法设计的一
收稿日期:2005204225;修回日期:2005208215.
以及各城市之间的距离,要求找到一条遍历所有城
市且每个城市只被访问一次的路线,并使得总路线距离最短,或表述为在有n个结点的完全图中找出最短的Hamilton回路.其数学描述为:设有一个城市集合C=(c1,c2,…,cn),其中每对城市之间的距离d(ci,cj)∈R+,求一对经过C中每个城市一次的路线(cΠ1,cΠ2,…,cΠn),使
基金项目:国家863高技术研究发展计划基金项目(2003AA1Z2610).
作者简介:高海昌(1978—),男,江苏徐州人,博士生,从事智能优化算法、软件自动化测试的研究;冯博琴(1942—),
男,浙江温州人,教授,博士生导师,从事智能网络的研究.
242
n-1
控 制 与 决 策
min
第21卷
∑
i=1
d(cΠi,cΠ(i+1))+d(cΠn,cΠ1),
(1)
式中:tabuk(k=1,2,…,m)表示蚂蚁k已经走过城市的集合,开始时tabuk中只有一个元素,即蚂蚁k的出发城市,随着进化的进行,tabuk中的元素不断增加;allowedk={0,1,…,0-1}-tabuk表示蚂蚁k下一步允许选择的城市;Γij是能见度,取路径(i,j)长度的倒数;Α,Β调节信息素浓度Σ与能见度Γ的相对重要程度.
随着时间的推移,以前留在各条路径上的信息素逐渐消失,用参数1-Θ表示信息素的挥发程度.经过w个时刻,蚂蚁完成一次循环,各路径上的信息素的浓度可根据如下公式进行调整:
Σij(t+w)=Θ
第21卷第3期
Vol.21No.3
控 制 与 决 策
ControlandDecision
2006年3月
Mar.2006
文章编号:100120920(2006)0320241207
智能优化算法求解TSP问题
高海昌a,冯博琴a,朱 利b
(西安交通大学a.电子与信息工程学院,b.软件学院,西安710049)
摘 要:TSP(旅行商)问题代表组合优化问题,具有很强的工程背景和实际应用价值,但至今尚未找到非常有效的
求解方法.为此,讨论了最近研究比较热门的使用各种智能优化算法(蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、粒子群优化算法、免疫算法等)求解TSP问题的研究进展,指出了各种方法的优缺点和改Hopfield神经网络、进策略.最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议.
关键词:旅行商问题;蚁群算法;遗传算法;模拟退火算法;禁忌搜索算法;粒子群优化算法中图分类号:TP301 文献标识码:A
ReviewsoftheMeta-heuristicAlgorithmsforTSP
GAOHai2chang,FENGBo2qin,ZHULi
a
a
b
(a.SchoolofElectronicsandInformationEngineering,b.lare,JUniversity,Xi’an710049,China.Correspondent:GAOHai2chang,EAbstract:Travelingsalesisonofakindofcombinationoptimizationproblems,possessingaandpracticalapplicationvalue.However,thereisnoeffectivecorre2spondingsolutiAimthat,theresearchandapplicationofthemostpopularmeta2heuristicmethodssuchasantcolonyalgorithm,geneticalgorithm,simulatedannealing,tabusearch,hopfieldneuralnetwork,particleswarmoptimizationandimmunealgorithm,etc.arereviewed.Theadvantagesanddisadvantagesofeachmethodandtheimprovementstrategiesarediscussed.Thefutureresearchdirectionandsuggestionarealsogiven.
Keywords:TSP;Antcolonyalgorithm;Geneticalgorithm;Simulatedannealing;Tabusearch;Particleswarmop2timization
1 引 言
TSP(旅行商)问题已经被证明是一个NP2hard问题[1],即在P≠NP的假设下,找不到一个多
个重要课题.
2 TSP问题的定义和求解方法分类
2.1 TSP问题的定义
TSP是典型的组合优化问题[2],给定n个城市
项式时间算法来求解其最优解.TSP问题易于陈述但难于求解,自1932年提出以来,已引起许多学者的兴趣,但至今尚未找到非常有效的求解方法.
由于TSP问题代表一类组合优化问题,在实际工程中有许多应用,如计算机联网、电子地图、交通诱导、电气布线、VLSI单元布局、ATM分组交换网等.鉴于其重要的工程与理论价值,TSP常作为算法性能研究的典型算例.求其最优解的代价是指数级的,因此对其近似解的研究一直是算法设计的一
收稿日期:2005204225;修回日期:2005208215.
以及各城市之间的距离,要求找到一条遍历所有城
市且每个城市只被访问一次的路线,并使得总路线距离最短,或表述为在有n个结点的完全图中找出最短的Hamilton回路.其数学描述为:设有一个城市集合C=(c1,c2,…,cn),其中每对城市之间的距离d(ci,cj)∈R+,求一对经过C中每个城市一次的路线(cΠ1,cΠ2,…,cΠn),使
基金项目:国家863高技术研究发展计划基金项目(2003AA1Z2610).
作者简介:高海昌(1978—),男,江苏徐州人,博士生,从事智能优化算法、软件自动化测试的研究;冯博琴(1942—),
男,浙江温州人,教授,博士生导师,从事智能网络的研究.
242
n-1
控 制 与 决 策
min
第21卷
∑
i=1
d(cΠi,cΠ(i+1))+d(cΠn,cΠ1),
(1)
式中:tabuk(k=1,2,…,m)表示蚂蚁k已经走过城市的集合,开始时tabuk中只有一个元素,即蚂蚁k的出发城市,随着进化的进行,tabuk中的元素不断增加;allowedk={0,1,…,0-1}-tabuk表示蚂蚁k下一步允许选择的城市;Γij是能见度,取路径(i,j)长度的倒数;Α,Β调节信息素浓度Σ与能见度Γ的相对重要程度.
随着时间的推移,以前留在各条路径上的信息素逐渐消失,用参数1-Θ表示信息素的挥发程度.经过w个时刻,蚂蚁完成一次循环,各路径上的信息素的浓度可根据如下公式进行调整:
Σij(t+w)=Θ