[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

摘要

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。

主权项

1.一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，其特征在于，所述的方法包括：S1、动态旅行商模型框架设计步骤，动态旅行商模型被设计成如下的一系列状态的改变，访问结点集合的变化或者权值矩阵的变化都将导致搜索空间的状态改变，每一个状态只对应访问结点集合的改变或者权值矩阵的改变，并且序列S中从s1开始的任意两个相邻的状态的改变方式是前后一致的，搜索空间的状态改变可表示为：S＝s0s1s2s3…sk…sμ其中，s0代表初始状态，sk代表搜索空间的第k个状态，μ代表搜索空间发生改变的次数总和，从状态sk到状态sk+1的转变表明搜索空间发生改变；S2、路径权值动态改变的实施步骤，在权值改变情况下，每一个特定的状态都有一个唯一的权值矩阵与其对应，在sk状态下的权值矩阵记为可表示如下:其中为在状态sk中需要访问结点的总数，在路径权值动态改变的情况下，所有状态中需要访问的结点集合大小是不变的，即从状态sk到状态sk+1可表示如下： δ ijs k + 1 = δ ijs k · D c , ifδ ijs k = δ ijs 0 a n d N c > rand i j δ ijs 0 , ifδ ijs k ≠ δ ijs 0 a n d N c < rand i j ]]>其中Dc∈[Lb,Ub]，Lb和Ub分别代表权值改变因子的上限和下限，和分别代表在状态sk和在状态sk+1中，从结点i到结点j的权值大小，是初始状态下从结点i到结点j权值的大小，randij是为产生的一个随机数，Nc是0到1之间的参数；S3、访问结点动态改变的实施步骤，在访问结点动态改变的情况下，原始状态中需要访问的结点结合表示为访问结点总数记为后续状态sk中需要访问的结点集合表示为访问结点总数记为从状态sk到sk+1的转变中，某些结点会被暂时从访问结点集合中添加或删除，假设中的结点集合为： V 1 s k = { 1 , 2 , 3 , ... , i , ... , N s k } ]]>在转变之前，模型会随机生成一个可正可负整数满足以下两个条件： N s k ∈ [ N s 0 · N r , N s 0 ] , ( k = 1 , 2 , ... , μ ) ]]> | N s k + 1 - N s k | ≥ N s 0 · D f ( | N s k + 1 - N s k | = | Dr s k + 1 | ) ]]>其中，μ是状态数，Nr和Df都是0到1之间的范围因子，Df用来控制相邻两个状态访问结点集合改变程度的大小，Nr用来控制访问结点集合大小的范围，如果小于0，对于每个在中的结点，模型会产生一个随机数rndi来模拟结点访问的随机性，如果存在于则结点将从中暂时移除，如果大于0，中的结点将会被添加到中，这样，在状态下需要访问的结点可以表示为： V 1 s k + 1 = { V 1 s k - { V 1 s k rnd i } | i ∈ [ 1 , | Dr s k + 1 | ] a n d V 1 s k rnd i ∈ V 1 s k } , i f Dr s k + 1 < 0 { V 1 s k ∪ { V 2 s k rnd i } | i ∈ [ 1 , | Dr s k + 1 | ] a n d V 2 s k rnd i ∈ V 2 s k } , i f Dr s k + 1 > 0 ; ]]>S4、优化目标步骤，用cij和yij分别表示如下的二元决策变量： f ( x k ) = Σ i = 1 N s k Σ j = 1 N s k c i j y i j δ ijs k ]]>其中，xk表示在状态sk中找到的最小路径值,edgeij表示结点i和结点j构成的边，优化的目标是在任意状态sk中要找到一条所有结点都在中的路径代价最小的哈密顿回路；S5、重用策略实施步骤，将学习到状态sk为止的前次环境中所有保存在Archive中最好的解，此从重用的过程可以定义为：其中，代表在状态中种群所有个体的历史最优可行解，在重新使用Archive之前，如果环境发生的是维度改变，则需要对Archive中的解进行调整，调整以后，状态sk+1和Archive每一个解要访问的结点集合是相同的，这些粒子可以被重用到状态sk的优化中，如果环境发生的是权值改变，则直接使用保存在Archive中的解。