[发明专利]基于自适应大领域搜索的GTSP求解算法

说明书

本发明公开了一种基于自适应大领域搜索的GTSP求解算法，包括ALFG算法；ALFG算法将蚁群算法求解中的群内点更新策略融合至自适应大邻域搜索中，从而使得解的结构适应启发式算法求解的需求；在E‑GTSP基础上，提出了更新‑最差移除、更新‑最优插入、动态多点移除新的启发式，并且针对算法迭代过程中权重存在的尺度变化的问题，提出了一种新的自适应策略。本发明提供一种基于自适应大领域搜索的GTSP求解算法能有效提高更大规模的问题的求解效率的效果。

技术领域

本发明涉及广义旅行商问题领域。

背景技术

在求解MDCSP问题时，通过图的转换算法将其构建为E-GTSP模型进行求解，这种方法在更大规模的问题上效率不高，因为随着充电点和UGV工作点的增多，转换后图中顶点的数量将会随着虚拟顶点的存在而增多。因此，本文将提出一个基于自适应大邻域搜索(ALNS)的广义旅行商问题(非等价)直接求解算法：ALFG(ALNS for GTSP)。该算法使用群内点权重更新从而适应ALNS中解的结构表示需求，并通过开发新的基于贪心策略的启发式和动态多点移除启发式从而提高算法的收敛性能。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于自适应大领域搜索的GTSP求解算法能有效提高更大规模的问题的求解效率的效果。

技术方案：为实现上述目的，本发明的技术方案如下：

基于自适应大领域搜索的GTSP求解算法，包括ALFG算法；ALFG算法将蚁群算法求解中的群内点更新策略融合至自适应大邻域搜索中，从而使得解的结构适应启发式算法求解的需求；在E-GTSP基础上，提出了更新-最差移除、更新-最优插入、动态多点移除新的启发式，并且针对算法迭代过程中权重存在的尺度变化的问题，提出了一种新的自适应策略。

进一步的，所述ALFG算法的算法框架：通过权重自适应在每次迭代中可动态选择某一个插入和移除启发式；将该自适应大邻域搜索算法实现在一个具有回火的模拟退火算法上；

所述ALFG算法中群内点权重更新：使用蚁群算法对GTSP进行求解时，提出一个群内点权重更新方法，将该方法扩展至启发式求解算法中从而首次实现启发式算法解；

进一步的，所述ALFG算法包括解的结构和启发式；所述启发式包括移除启发式和插入启发式；

所述移除启发式包括更新-最差移除：首先，找到从点到点的最短路径P_s，然后点和点将被替换为x和y，其中x∈C_j-1、y∈C_j+1，二者分别为P_s中的第2和第3个点；计算方法为公式(3.7)为：

所述移除启发式还包括随机移除：在该种移除启发式中，算法每次选择一个随机的点，并将其从解中移除；

所述移除启发式还包括动态多点移除：首先将多点移除分为n_s个等级，并且n_s是由群的数量m决定的，其细节如表3.1所示。每个等级对应一个移除扇区B_i，i∈{1，...，n_s}，将集合[1，...，N_max]线性划分为n_s份则构成了这些扇区，故而每个扇区中包含的元素对应的就是DMP移除的分割系数。

随机选择一个扇区B_i，i∈{1，...，n_s}，计每次分区移除的连续点数为n_d∈B_i，n_d的选择与当前阶段的算法搜索能力相关，其概率由公式(3.9)计算得到，其中x为目前连续无提升迭代次数，γ为预设参数，表示最大连续无提升迭代次数，I代表Bi中的第I个元素。之后，整个移除过程可被分为n_d个分区，并且在前n_d-1分区中，连续移除点数为在最后一个分区中，连续点数为