粒子群算法(PSO)是一套比較經典的算法, 旅行商問題(TSP)同樣是一個經典的問題。如果想用PSO去解決TSP問題的話,那麼應該如何去解決呢?
于是就有查資料,找到PSO解決TSP問題論文一文。
初看之下一陣欣喜,因為我發現,如果按照論文中的方法能夠成功的話,那麼包括布谷鳥,螢火蟲都可以通過類似的辦法進行有意義的嘗試。
按照論文的思路,我撰寫了如下代碼
% main.m
% 調用
clc
clear
close all
number = ; % 14個城市
global cities
cities = rand(number,) * - ; % 假設城市分布在 [-100,-100] ,[100,100]的平面内
[best,par,ItorMean,ItorBest] = PSO4TSP_v1(cities);
netplot(cities,best.loc);
figure
itor = length(ItorMean);
plot(:itor,ItorMean,'r',:itor,ItorBest,'g');
% PSO 算法,globalBest為全局最優,par是最終的粒子資訊,ItorMean是每次疊代平均适應度,ItorBest是每次疊代最佳适應度
function [globalBest,par,ItorMean,ItorBest] = PSO4TSP_v1(cities)
%% 參數設定
number_cities = size(cities,); % 城市數
number_pars = ; % 粒子個數
maxItor = ; % 最大疊代次數
initSSnumber = number_cities;
ss = zeros(initSSnumber,);
globalBest.fitness = -inf;
ItorMean = zeros(,maxItor);
ItorBest = zeros(,maxItor);
%% 粒子初始化
for i = : number_pars
% 初始化粒子位置
par(i).loc = randperm(number_cities);
% 初始化交換
for j = : initSSnumber
ss(j,:) = randperm(number_cities,);
end
par(i).v = ss;
par(i).best = par(i);
par(i).fitness = fitness(par(i).loc);
if globalBest.fitness < par(i).fitness
globalBest = par(i);
end
end
%% 疊代求優
eachItor = zeros(,number_pars);
for i = : maxItor
for j = : number_pars
t = rand;
u = rand;
ssLoc = getSS(par(j).best.loc,par(j).loc);
ssLocLen = size(ssLoc,);
ssGlo = getSS(globalBest.loc,par(j).loc);
ssGloLen = size(ssGlo,);
temp1 = rand(,ssLocLen);
Item2 = ssLoc(temp1<t,:);
temp2 = rand(,ssGloLen);
Item3 = ssGlo(temp2<u,:);
par(j).loc = doSS(par(j).loc,par(j).v);
ss = unionSS(unionSS(par(j).v,Item2),Item3);
par(j).v = ss;
myfitness = fitness(par(j).loc);
eachItor(j) = myfitness;
if myfitness > par(j).fitness
par(j).fitness = myfitness;
par(j).best = par(j);
if myfitness > globalBest.fitness
globalBest = par(j);
end
else
par(j).fitness = myfitness;
end
end
ItorMean(i) = mean(eachItor);
ItorBest(i) = max(eachItor);
end
end
% netplot.m
function netplot(city,n) %連線各城市,将路線畫出來
figure
hold on
plot(city(:,),city(:,),'*');
line([city(:,);city(,)],[city(:,);city(,)]);
end
% fitness.m
% 計算城市間的距離
function z = fitness(n)
global cities
tstart = n;
tend = [n(:end),n()];
z = sum(distance(cities(tstart,),cities(tstart,),cities(tend,),cities(tend,)));
z=/z;
end
% getSS.m
function ss = getSS(v1,v2)
% 求SS算子
% v1,v2是一組向量,v1,v2所包含的元素應該相同。
% 若v1,v2順序相同,則傳回ss = [];
% 若順序不同,則傳回一個ss算子,即v2通過ss變換可以得到v1
ss = [];
while
idx = find(v1 ~= v2);
if isempty(idx)
break;
end
idx2 = find(v2 == v1(idx()));
so = [idx(),idx2];
ss = [ss;so];
v2 = doSO(v2,so);
end
% doSS.m
function v = doSS(v,ss)
% SS操作函數
% v:之前的方案
% ss:SS算子,用作交換(n*2)的矩陣
% v:SS操作之後的結果
if ~isempty(ss)
[m,n] = size(ss);
if m == && n ~=
ss = ss';
m = n;
n = ;
end
if n ~=
help doSS
error('ss must be n*2 matrix');
end
for i = : m
v = doSO(v,ss(i,:));
end
end
end
% doSO.m
function v = doSO(v,so)
% SO操作函數
% v:之前的方案
% so:SO算子,用作交換
% v:SO操作之後的結果
if ~isempty(so)
if length(so) ~=
help doSO
error('length of "so" iso must equals ');
else
len = length(v);
if so() > len || so() > len || so() < || so() <
help doSO
error('"so" iso is not the index of v');
else
v(so()) = v(so()) + v(so());
v(so()) = v(so()) - v(so());
v(so()) = v(so()) - v(so());
end
end
end
end
% getSS.m
% 論文中的減法操作
function ss = getSS(v1,v2)
% 求SS算子
% v1,v2是一組向量,v1,v2所包含的元素應該相同。
% 若v1,v2順序相同,則傳回ss = [];
% 若順序不同,則傳回一個ss算子,即v2通過ss變換可以得到v1
ss = [];
while
idx = find(v1 ~= v2);
if isempty(idx)
break;
end
idx2 = find(v2 == v1(idx()));
so = [idx(),idx2];
ss = [ss;so];
v2 = doSO(v2,so);
end
% unionSS.m
% 論文中的⊕操作
function ss = unionSS(ss1,ss2)
% ss1,ss2算子合并操作
vm1 = max(max(ss1));
vm2 = max(max(ss2));
if isempty(ss1)
if isempty(ss2)
ss = [];
else
ss = ss2;
end
elseif isempty(ss2)
ss = ss1;
else
vm = max(vm1,vm2);
v = : vm;
v2 = doSS(doSS(v,ss1),ss2);
ss = getSS(v,v2);
end
end
當我信心滿滿的運作的時候,效果卻令人大跌眼鏡。
雖然從疊代的圖中能看出來,算法确實是取尋優了而且也收斂,但是得到的最終效果卻不能令人滿意。
後來,我又查閱了相關資料,發現這兩篇文章java版本的PSO求解TSP問題,C++版本的PSO求解TSP問題參考的同一篇文獻,而且結果同樣有不能令人接受,是以隻能暫時認為這篇古老的文獻的公式出錯。
展望下未來的情況,也許可以找到更好的文獻取代這篇文獻,亦或者把之前的疊代公式改正确。
如果是後者,我們可以通過經典PSO問題類比推理出求解TSP的V’id可能需要在原先的公式加上一個随機速度Vir。推測Vir為一個SO或者是随着疊代次數增加而算子長度向0收斂的SS。筆者正向這個方向進行嘗試。