[发明专利]一种基于改进的鲸鱼优化算法的旅行商问题求解方法

说明书

本发明涉及计算机人工智能技术领域，公开了一种基于改进的鲸鱼优化算法的旅行商问题求解方法，包括：设置算法参数；利用混沌映射初始化种群位置；计算个体适应度并记录当前最优解个体；进入迭代阶段，得到更新的概率p；通过判断概率p和系数向量A，选择一种方式更新鲸鱼位置；进入模拟退火阶段，计算新的种群适应度；依据贪婪规则判断位置是否进行更新，更新则输出全局最优鲸鱼位置和适应度，否则直接以模拟退火概率P接受新种群的位置，然后输出全局最优鲸鱼位置和适应度，选择适应度值最小的作为最优路径。与现有技术相比，本发明精度更高、收敛速度快、鲁棒性强和全局搜索范围广，能够跳出局部最优，具有突出的性能。

技术领域

本发明涉及计算机人工智能技术领域，具体涉及一种基于改进的鲸鱼优化算法的旅行商问题求解方法。

背景技术

针对旅行商问题(TSP)的研究，长期以来，人们一直在寻求一种高效、快速的近似算法，以便在合理的计算时间范围内准确地求解一个规模较大的问题。其中，典型的智能优化算法有蚁群算法、粒子群算法和灰狼算法等。这些智能优化算法在处理旅行商问题(TSP)上虽然各有优点，但有时也存在参数多、寻优能力较弱、易陷入局部极值的局限性，因此许多学者对旅行商问题(Traveling Salesman Problem,TSP)及相关应用结合进行智能算法探讨。

鲸鱼优化算法(WOA)是一种新型启发式优化算法，是模仿座头鲸的狩猎行为进而提出的。在WOA算法中，每只座头鲸的位置代表一个可行解，在海洋世界里，座头鲸的狩猎过程有搜索猎物、包围猎物、猎物捕食三种过程。为了描述这种行为Mirjalili提出了这三种过程的数学模型。虽然鲸鱼优化算法(WOA)结构简单、易于理解且在故障诊断、光伏电池参数等工程已经成功应用，但在求解旅行商问题(TSP)中仍然存在收敛速度慢以及无法找到全局最优解的问题。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于改进的鲸鱼优化算法的旅行商问题求解方法，增强了全局搜索能力，并且加快问题求解方法收敛速度，提升方法稳定性。

技术方案：本发明提供了一种基于改进的鲸鱼优化算法的旅行商问题求解方法，包括如下步骤：

步骤1：算法参数初始化，以旅行商问题中城市路径规划的城市位置数据作为鲸鱼个体的位置信息，同时初始化参数包括种群规模N、随机数l、最大迭代次数T_max、螺旋方程的常量系数b；

步骤2：通过Circle混沌映射产生混沌序列对鲸鱼种群位置初始化；

步骤3：设置初始温度T₀和计算种群中个体适应度，找出最优个体及个体的最优适应度数值，并对最优个体进行柯西变异；

步骤4：进入迭代阶段，更新收敛因子a，进而更新系数向量A和惯性权值w，最后得到更新后的系数向量c、随机数l和概率p；

步骤5：进入判断阶段，当p＜0.5时，若|A|＞1，进入全局搜索，更新个体位置，若|A|≤1进入包围猎物，更新个体位置，当p≥0.5时，进入捕食猎物，更新鲸鱼位置，利用二维栅格地图模型，获取选取的旅行商问题经典实例问题中起始城市点到目标点可行路径的参数，得到每只鲸鱼所有可行的初始路径；

步骤6：进入模拟退火阶段，新产生子代鲸群，随机化鲸鱼个体，计算新的种群适应度；

步骤7：依据贪婪规则判断位置是否进行更新，如果更新则输出全局最优鲸鱼位置和适应度，否则以概率p接受新种群的位置，然后输出全局最优鲸鱼位置和适应度，选择一条适应度值最小的作为选取的旅行商问题经典实例城市路径规划问题的最优路径；

步骤8：记录最优鲸鱼个体位置及其适应度，并判断是否满足t＞T_max，不满足则t＝t+1，继续执行步骤3，直到满足条件结束。