[发明专利]运用基于重用策略的智能群体算法优化动态旅行商问题的方法

说明书

本发明公开了一种运用基于重用策略的智能群体算法优化动态旅行商问题的方法。传统的旅行商问题需要在一个静态的搜索空间中找到一条代价最小的哈密顿回路。但实际上，现实世界中一些可以以旅行商问题为模型的应用并不都是静态的。它们的问题模型中的城市集合和权重矩阵是动态变化的。在动态环境中，上一次环境中搜索结果可以被新环境下的群体重用并得以学习。这样可以缩小问题的搜索空间，从而让算法在更短的时间内搜索到更优的路径。本发明提出了一种更具现实意义的动态旅行商建模方法以及将一种对历史搜索结果重新利用的策略，在实验中，通过设定环境不同程度的改变来测试方法的动态性能，证明了本发明在不同的动态环境下均合理有效。

技术领域

本发明涉及动态旅行商建模和智能计算技术领域，具体涉及一种运用基于重用策略的智能群体算法优化动态旅行商问题的方法。

背景技术

旅行商问题(Traveling Salesman Problem,TSP)自提出以来就一直被认为是经典的组合优化问题，售货员需要在一个固定的无向图G＝{V,A,W}中找到一条从某一城市结点出发遍历其它所有城市结点一次，最后回到出发点的最短的哈密顿回路，其中V表示一组给定的结点(在不同的问题模型中，结点的代表对象不同)，A表示图中所有无向边的集合，W是关于无向图G的加权矩阵。矩阵中的每一个元素的值代表从与其相关联的两个城市的距离。旅行商问题的模型已经被成功地扩展到解决线路调度、机器调度及测序、物流系统设计等一系列实际问题上。与此同时，一些具有针对性的算法相继被提出并且成功的应用到静态场景的优化中。但实际上，现实世界中一些可以以旅行商问题为模型的应用并不都是静态的，也就是说在它们的问题模型中无向图G包含的结点集合和权重矩阵是动态变化的，这就导致了动态旅行商为题的产生。动态旅行商问题来源于现实，其动态场景在现实中有很多的实例，比如校车接送学生问题以及邮递员的收发信件问题。也就是说，当某些学生有特殊事由不能上课或有些地方的人没有信件收发时，校车和邮递员就不需要去这些地方。这些情形就使得它们每天要去的目的地集合是不定的。另一方面，如果两个结点之间的最短路径不可达时(由于道路故障，交通堵塞等原因造成)，售货员需要选择一条次优的路径，这就导致了这两个结点的遍历距离发生改变(物理空间距离不变)。在这两种情况下，售货员的目标仍然是在动态变化的目标结点集合中寻找到一条从初始点出发遍历其它所有存在于目标集合中结点一次最后回到初始出发点的哈密顿回路。由于其动态场景的广泛性和现实性，对动态旅行商问题的研究不仅极具现实意义而且在物流行业中可以帮助企业减少运输成本。在这种情况下，为动态旅行商问题设计出一个合乎实际的模型来测试其相关求解算法是必要并且具有现实应用价值的。由于动态旅行商问题是基于传统静态旅行商问题的一种延伸，其本质还是组合优化问题，所以同样可以使用一些常用于解决组合优化问题的方法来求解。这些算法主要分为确定性算法和随机算法两种。确定性算法，比如梯度法和爬山法、分支定界法等，容易陷入局部最优点，导致次优的路径遍历长度。而且一些确定性算法过于依赖初始搜索点的选择，因此往往不适用于动态旅行商问题的优化。相对的，随机算法能够广泛地对解空间进行搜索，因此比确定性的方法更适合于动态旅行商问题的优化。一种具有代表性的随机算法，也就是进化算法吸引了众多研究者的关注。进化算法的特点是几乎不需要所求问题的任何信息而只需要优化目标的信息。它不受搜索空间限制性假设的约束，不要求如连续性、可导性等假设，能从离散的、多极值的、含有噪音的高维的问题中以很高的概率找到全局最优解。其中，粒子群算法是其重要的一个分支，是一种模拟自然界中鸟群和鱼群捕食的随机搜索算法。粒子群算法由于其更新规则清晰，简单实用，自提出以来就得到了广发的应用，例如动态分配、医学图形配准、机器学习与训练、数据挖掘与分类等领域。与其它的进化算法相比，粒子群算法具有收敛速度快，解的质量稳定等优点。目前的粒子群算法主要针对连续空下的问题求解，不少学者曾尝试将连续空间下的粒子群算法扩展到离散空间下。在这些尝试中，一种比较成功的是基于集合和概率理论的粒子群优化算法。这种算法将整个离散的搜索空间看成是一个全集，任何一个可行解都被看作是这个全集的一个子集，在连续空间下的每个粒子的速度被定义成是一组带概率的边的集合。在优化过程中，连续空间中速度和位置的更新操作都被替换成定义在集合上的速度和位置的更新操作。这种算法具有易扩展、性能稳定等优点并且已经被扩展到了一些诸如带时间窗的路径问题的优化中。所以，这种基于集合和概率论的粒子群算法十分适合动态旅行商问题的求解。此外，一种模拟蚂蚁在寻找食物过程中通过信息素来发现路径的行为的蚁群算法被提出来用以解决旅行商问题。蚁群算法具有鲁棒性强、全局搜索、并行分布式计算、易于其它问题结合等优点，并且它的应用领域越来越广泛，如车间调度问题、车辆路径问题、网络路由问题、蛋白质折叠等问题。这些问题大部分都是NP难的组合优化问题，一些传统的算法难求解或无法求解，而蚁群算法为这些难题的求解提供了有效的手段。所以，蚁群算法十分适用于动态旅行商问题的求解。因此也十分适合于动态旅行商问题的优化。