第二章 禁忌搜索算法

2.2 禁忌搜索
2.2.1 算法的主要思路 2.2.2 禁忌搜索示例
► 2.3 禁忌搜索的关键参数和操作
2.3.1 变化因素 2.3.2 禁忌表 2.3.3 其他
2.4 禁忌搜索的实现与应用
2.4.1 30城市TSP问题（d*=423.741 by D B Fogel） 2.4.2 基于禁忌搜索算法的系统辨识
2.1 局部搜索
2.1.1 邻域的概念
例
TSP问题解的一种表示方法为D={x=(i1,i2,…,in)|
i1,i2,…,in是1,2,…,n的排列}，定义它的邻域映射为2
－opt，即x中的两个元素进行对换，N(x)中共包含 x的Cn2=n(n-1)/2个邻居和x本身。 例如：x=(1,2,3,4)，则C42=6，N(x)={(1,2,3,4), (2,1,3,4), (3,2,1,4), (4,2,3,1), (1,3,2,4), (1,4,3,2), (1,2,4,3)}
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.2 禁忌表
禁忌对象的选取
情况1：禁忌对象为简单的解变化
第3步—— xnow=(ACBED)，f(xnow)=43，H={(ABCDE;45)， (ACBDE;43) ，(ACBED;43)} Can_N(xnow)={(ACBED;43)，(ACBDE;43)， (ABCED;44)，(AEBCD;45)，(ADBEC;58)}。 xnext=(ABCED)
在距离空间中，通常的邻域定义是以一点为中心的 一个球体；
组合优化问题中
N : x D N ( x) 2 D , 且x N ( x)，称为一个邻域映射， 其中2 D 表示D 的所有子集组成的集合 。 N ( x)称为x的邻域，y N ( x)称为x的一个邻居。
智能优化计算
华东理工大学自动化系 2010年
8 T 4.5 T 7.5 ☻
智能优化计算
华东理工大学自动化系 2010年
2.2 禁忌搜索
2.2.2 禁忌搜索示例
四城市非对称TSP问题
第4步
解的形式 A CB D f(x3)=7.5 禁忌对象及长度 B A C D 候选解
对换 评价值
B
2 C
3 1
CD BC BD
4.5 T 4.5 T 3.5 T
智能优化计算
华东理工大学自动化系 2010年
2.1 局部搜索
2.1.3 局部搜索示例
五个城市的对称TSP问题
初始解为xbest=(ABCDE)，f(xbest)=45，定义邻域映射 为对换两个城市位置的2-opt，选定A城市为起点。
智能优化计算
华东理工大学自动化系 2010年
2.1 局部搜索
2.1.2 局部搜索算法
STEP 1
选定一个初始可行解x0，记录当前最优解xbest:=x0, T=N(xbest)；
STEP 2
当T\{xbest}=Φ时，或满足其他停止运算准则时，输出 计算结果，停止运算；否则，从T中选一集合S，得 到S中的最好解xnow；若f (xnow)<f(xbest)，则xbest := xnow ，T=N(xbest)；否则T:=T\S；重复SETP 2。
xnext=(ACBDE)
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.2 禁忌表
禁忌对象的选取
情况1：禁忌对象为简单的解变化
第2步—— xnow=(ACBDE)，f(xnow)=43，H={(ABCDE;45)， (ACBDE;43)} Can_N(xnow)={(ACBDE;43)，(ACBED;43)， (ADBCE;44)，(ABCDE;45)，(ACEDB;58)}。 xnext=(ACBED)
► 2.2 禁忌搜索
2.2.1 算法的主要思路 2.2.2 禁忌搜索示例
2.3 禁忌搜索的关键参数和操作
2.3.1 变化因素 2.3.2 禁忌表 2.3.3 其他
2.4 禁忌搜索的实现与应用
2.4.1 30城市TSP问题（d*=423.741 by D B Fogel） 2.4.2 基于禁忌搜索算法的系统辨识
2.2 禁忌搜索
2.2.2 禁忌搜索示例
四城市非对称TSP问题
第6步
解的形式 A DCB f(x5)=8 禁忌对象及长度 B A C D 候选解
对换 评价值
B
2 C
0 1
CD BC BD
3.5 T 4.5 T 4 ☻
智能优化计算
华东理工大学自动化系 2010年
2.1 局部搜索
2.1.1 邻域的概念 2.1.2 局部搜索算法 2.1.3 局部搜索示例
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.2 禁忌表
禁忌对象的选取
情况1：禁忌对象为简单的解变化
第1步—— xnow=(ABCDE)，f(xnow)=45，H={(ABCDE;45)} Can_N(xnow)={(ACBDE;43)，(ABCDE;45)， (ADCBE;45)，(ABEDC;59)，(ABCED;44)}。
智能优化计算
华东理工大学自动化系 2010年
2.1 局部搜索
2.1.3 局部搜索示例
五个城市的对称TSP问题
方法2：一步随机搜索
第1步 从N(xbest)中随机选一点，如xnow=(ACBDE)， 对应目标函数为f(xnow)=43< 45
xbest:=xnow=(ACBDE)
智能优化计算
华东理工大学自动化系 2010年
A B C
D E
智能优化计算
华东理工大学自动化系 2010年
2.1 局部搜索
2.1.3 局部搜索示例
五个城市的对称TSP问题
方法1：全邻域搜索
第2步 N(xbest)={(ACBDE)，(ABCDE)，(ADBCE)， (AEBDC)，(ACDBE)，(ACEDB)，(ACBED)}， 对应目标函数为f(x)={43, 45, 44, 59, 59, 58, 43} xbest:=xnow=(ACBDE)
(x1, …, xi-1, xi, xi+1,…, xn)→(x1, …, xi-1, yi, xi+1,…, xn) 即只有第i个分量发生变化。 也包含多个分量变化的情形。
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.1 变化因素
目标值的变化
目标值的变化隐含着解集合的变化。
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.2 禁忌表
禁忌对象的选取
情况1：禁忌对象为简单的解变化
禁忌长度为4，从2－opt邻域中选出最佳的5个解组 成候选集Can_N(xnow)，初始解xnow=x0=(ABCDE)， f(x0)=45，H={(ABCDE;45)}。
2.3.1 变化因素
解的简单变化
假设x, y D，邻域映射为 ，其中D为优化问题的定义域， N 则简单解变化 x y N ( x) 是从一个解变化到另一 个解。
智能优化计算
华东理工大学自动化系 2010年
2.3 禁忌搜索的关键参数和操作
2.3.1 变化因素
向量分量的变化
设原有的解向量为(x1, …, xi-1, xi, xi+1, …, xn)，向量 分量的最基本变化为
2.1.3 局部搜索示例
五个城市的对称TSP问题
方法1：全邻域Βιβλιοθήκη 索第1步 N(xbest)={(ABCDE)，(ACBDE)，(ADCBE)， (AECDB)，(ABDCE)，(ABEDC)，(ABCED)}， 对应目标函数为f(x)={45, 43, 45, 60, 60, 59, 44} xbest:=xnow=(ACBDE)
对换 评价值
B
C 3
CD BC BD
4.5 T 3.5 ☻ 4.5
智能优化计算
华东理工大学自动化系 2010年
2.2 禁忌搜索
2.2.2 禁忌搜索示例
四城市非对称TSP问题
第3步
解的形式 A CDB f(x2)=3.5 禁忌对象及长度 B A C D 候选解
对换 评价值
B
3 C
2
CD BC BD
智能优化计算
华东理工大学自动化系 2010年
2.2 禁忌搜索
2.2.1 算法的主要思路
算法的提出
禁忌搜索（Tabu search）是局部邻域搜索算法的 推广，Fred Glover在1986年提出这个概念，进而 形成一套完整算法。
算法的特点
禁忌——禁止重复前面的工作。
跳出局部最优点。
/~glover/
智能优化计算
华东理工大学自动化系 2010年
第二章 禁忌搜索算法
智能优化计算
华东理工大学自动化系 2010年
► 2.1 局部搜索
2.1.1 邻域的概念 2.1.2 局部搜索算法 2.1.3 局部搜索示例
2.2 禁忌搜索
2.2.1 算法的主要思路 2.2.2 禁忌搜索示例
2.3 禁忌搜索的关键参数和操作
禁忌长度的选取
智能优化计算
华东理工大学自动化系 2010年
2.2 禁忌搜索
2.2.2 禁忌搜索示例
四城市非对称TSP问题
第4步（如果减小禁忌长度）
解的形式 A CB D f(x3)=7.5 禁忌对象及长度 B A C D 候选解
对换 评价值
B