旅行商问题_TSP_算法的比较

邮递员问题最短路径的解法邮递员问题，又称旅行商问题（Traveling Salesman Problem，TSP），是一个著名的组合优化问题。

它要求找到一条路径，使得邮递员从出发点出发，经过所有的城市且仅经过一次，最后回到出发点，同时路径长度最短。

由于邮递员问题是NP-hard问题，没有多项式时间的解法。

然而，存在一些启发式和近似算法可以在可接受的时间内找到较好的解决方案：1. 蛮力法：尝试所有可能的路径组合，计算每条路径的长度，最终选择最短路径作为解。

这种方法的时间复杂度为O(n!)，适用于较小规模的问题。

2. 最近邻算法：从一个起始点开始，每次选择离当前点最近的未访问过的城市作为下一个访问点，直到所有城市都被访问过，然后回到起始点。

该算法的时间复杂度为O(n^2)，虽然不能保证找到最优解，但是可以在较短的时间内找到较好的解。

3. 2-opt算法：先使用最近邻算法得到一个初始解，然后对路径进行优化。

2-opt算法通过不断交换路径中的两个边来减小路径的长度，直到没有可改进的交换。

该算法可以较快地优化路径，但无法保证找到全局最优解。

4. 遗传算法：使用进化计算的思想来解决TSP问题。

通过生成初始种群，交叉、变异等操作进行迭代优化，逐渐找到更好的路径。

遗传算法可以在较短时间内找到较好的解，但是无法保证找到最优解。

上述算法只是解决TSP问题的一部分方法，具体使用哪种方法取决于问题规模和时间要求。

对于较小规模的问题，可以使用蛮力法或者最近邻算法得到较好的解。

对于更大规模的问题，可以考虑使用启发式算法，如遗传算法等。

此外，还存在其他算法和优化技术用于处理TSP问题，根据具体情况选择合适的方法。

TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。

其图论描述为：给定图G=（V，A），其中V为顶点集，A 为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。

旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。

非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。

若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。

TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。

因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。

二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。

但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略2.1模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。

2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SW AP）；②逆序操作（INV）；③插入操作（INS）。

3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。

城市旅行问题之路程短摘要城市旅行问题即旅行商(TSP)问题，要从图G的所有周游路线中求取最小成本的周游路线，而从初始点出发的周游路线一共有(n-1)!条，即等于除初始结点外的n-1个结点的排列数，因此旅行商问题是一个排列问题。

排列问题比子集合的选择问题通常要难于求解得多，这是因为n个物体有n!种排列，只有子集合(n!>O( n2))。

通过枚举(n-1)!条周游路线，从中找出一条具有最小成本的周游路线的算法，其计算时间显然为O(n!)。

这种枚举法运算量相当庞大，随着城市数量呈指数增长。

为此，我们对比应用随机探索的模拟退火算法，线性规划和蚁群算法三种方法：模拟退火算法，利用物理退火达到平衡态时的统计思想，建立数学模型，编写该算法的MATLAB程序，进行求解，得出最短旅行的最短距离为422.13；对TSP的约束条件和目标函数编写LINGO程序，经过多次迭代，得出最短旅行的最短距离也为422.13；蚁群算法：基于自然界蚂蚁觅食的最短路径原理，建立模型，通过MATLAB程序，得出最短旅行距离为427.8971。

关键词模拟退火算法线性规划蚁群算法一．问题重述一个人要到30个不同的城市游玩，每两个城市i和j之间的距离为d ij，如何选择一条路径使得此人走遍所有城市后又回到起点，要求所走路径最短。

二.符号说明三．问题分析与处理便于我们说明和解决问题，先将题中给出的城市编号：表一30座城市的坐标3.1模拟退火方法这是一个典型的TSP组合优化问题[1]，并且是一个N-P难问题。

传统的解决此类问题的方法包括：分枝定界法、线性规划法和动态规划法等等。

随着人工智能的发展，一些智能优化的算法逐渐产生，这其中模拟退火算法因具有高效、稳定、通用、灵活的优点备受专家和学者的青睐。

将模拟退火算法引入STP问题求解，可以有效的避免在求解过程中陷入局部最优。

下面就是我们用模拟退火算法具体解决这个问题。

算法设计步骤：（1）问题的解空间和初始值城市旅行问题的解空间S 是遍访36个城市恰好一次的所有回路，是所有城市排列的集合。

求解TSP问题的几种算法比较侯淑静【摘要】The traveling salesman problem (TSP) is an important problem for the classical discrete optimization, which is very important to study the solving algorithm. After the introduction of the greedy algorithm, taboo search algorithm, simulated annealing algorithm, genetic algorithm, the author put forward the corresponding algorithm. Aiming at the four typical examples in the test base, we realized implementation of these algorithms with procedures, and the running time and the results of these algorithms are compared. The results show that the greedy algorithm can draw the solution in a short time, the taboo search algorithm and genetic algorithm have the same effect, and the results of simulated annealing algorithm is better than those of genetic algorithm.%旅行售货商问题(简称TSP )是离散优化的一个经典的重要问题，对求解算法的研究非常重要。

v1.0 可编辑可修改TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。

其图论描述为：给定图G=（V，A），其中V为顶点集，A为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。

旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。

非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。

若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。

TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。

因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。

二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。

但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。

2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。

TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。

其图论描述为：给定图G=（V，A），其中V为顶点集，A为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。

旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，?，n）；2）非对称旅行商问题（dij≠dji，?i，j=1，2，3，?，n）。

非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。

若对于城市V={v1，v2，v3，?，v n}的一个访问顺序为T={t1，t2，t3，?，t i，?，t n}，其中t i∈V（i=1，2，3，?，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。

TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。

因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。

二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。

但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。

2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。

3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。

TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。

其图论描述为：给定图G=（V，A），其中V为顶点集，A 为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。

旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，⋯，n）；2）非对称旅行商问题（dij≠dji，ϖi，j=1，2，3，⋯，n）。

非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。

若对于城市V={v1，v2，v3，⋯，v n}的一个访问顺序为T={t1，t2，t3，⋯，t i，⋯，t n}，其中t i∈V（i=1，2，3，⋯，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。

TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。

因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。

二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。

但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略2.1模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。

2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SW AP）；②逆序操作（INV）；③插入操作（INS）。

3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。

TSP的几种求解方法及其优缺点一、什么是TSP问题旅行商问题，简称TSP，即给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。

其图论描述为：给定图G=（V，A），其中V 为顶点集，A为各顶点相互连接组成的边集，设D=（dij）是由顶点i和顶点j之间的距离所组成的距离矩阵，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短距离。

旅行商问题可分为如下两类：1）对称旅行商问题（dij=dji，Πi，j=1，2，3，，n）；2）非对称旅行商问题（dij≠dji，i，j=1，2，3，，n）。

非对称旅行商问题较难求解，我们一般是探讨对称旅行商问题的求解。

若对于城市V={v1，v2，v3，，v n}的一个访问顺序为T={t1，t2，t3，，t i，，t n}，其中t i∈V（i=1，2，3，，n），且记t n+1=t1，则旅行商问题的数学模型为：minL=。

TSP是一个典型的组合优化问题，并且是一个NP完全难题，是诸多领域内出现的多种复杂问题的集中概括和简化形式，并且已成为各种启发式的搜索、优化算法的间接比较标准。

因此，快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。

二、主要求解方法基于TSP的问题特性，构造型算法成为最先开发的求解算法，如最近邻点、最近合并、最近插入、最远插入、最近添加、贪婪插入等。

但是，由于构造型算法优化质量较差，迄今为止已开发了许多性能较好的改进型搜索算法，主要有：1）模拟退火算法2）禁忌搜索算法3）Hopfield神经网络优化算法4）蚁群算法5）遗传算法6）混合优化策略模拟退火算法方法1）编码选择：采用描述TSP解的最常用的一种策略——路径编码。

2）SA状态产生函数的设计：对于基于路径编码的SA状态产生函数操作，可将其设计为：①互换操作（SWAP）；②逆序操作（INV）；③插入操作（INS）。

3）SA状态接受函数的设计：min{1，exp（-△/t）}>random[0，1]准则是作为接受新状态的条件最常用的方案，其中△为新旧状态的目标值差，t为”温度”。

最短路径求最值12个模型详解最短路径求最值是指要在最小的距离内求出最优的结果。

最短路径求最值的12个模型如下：1. 旅行商问题（TSP）：旅行商问题是求解对给定城市进行最佳巡回路径的一种最优化问题。

2. 最大流最小割：最大流最小割是一种最优化问题，它是用最小的割点将一个连通图分割成两部分，使得最大的流量在这两部分之间流动的最优化问题。

3. 关键路径算法：关键路径算法是一种运用于解决项目计划问题的最优化算法，它寻找出在所有可能路径中，最短的项目路径作为最终的项目安排。

4. 迪杰斯特拉算法：迪杰斯特拉算法是一种最短路径搜索算法，它通过控制向图中每个点的距离，来求出从指定点出发到达目的地最短的距离。

5. 弗洛伊德算法：弗洛伊德算法是一种求解最短路径的算法，通过使用动态规划的方法，它可以在网络中快速求出最短路径。

6. 贝尔曼-福德算法：贝尔曼-福德算法是一种求解最短路径的算法，它利用宽度优先和深度优先搜索结合的方法，求出网络中任意两点之间的最短路径。

7. 克鲁斯卡尔算法：克鲁斯卡尔算法是一种解决最短路径问题的算法，它通过比较每条边的权值来求解8.斐波那契堆：斐波那契堆是一种运用斐波那契算法实现最小堆和最大堆结构的数据结构，可以帮助快速查找最大和最小值。

9. A*算法：A*算法是一种运用heuristics函数的最优化搜索算法，它可以快速的找到最短的路径。

10. Dijkstra–Scholten算法：Dijkstra–Scholten算法是一种在复杂网络环境中求解最短路径的算法，它采用端到端的方法求出最适合的路径。

11. Bellman-Ford算法：Bellman-Ford算法是一种最短路径算法，它将路径最优化的目标写成一个系统的线性方程，并利用动态规划技术解决这类问题。

12. Johnson算法：Johnson算法是一种运用反向算法实现最短路径搜索的方法，它由索引器和搜索器两部分组成，索引器会根据输入的起点和终点，快速计算出最短路径并输出。

TSP的几种求解方法及其优缺点旅行商问题（Traveling Salesman Problem，TSP）是一种典型的组合优化问题，在计算机科学和运筹学中具有重要的研究意义和应用价值。

TSP常用来描述一个旅行商在给定的一系列城市之间寻找最短路径的问题，即如何选择最短路径经过所有城市并回到起始城市。

针对TSP问题，有多种求解方法可供选择，下面将介绍一些常用的方法及其优缺点。

1.穷举法穷举法是一种非常简单和直观的方法，它会列举出所有可能路径并计算它们的总长度，然后从中选择最短的路径作为最优解。

穷举法的优点是能够保证找到最优解，但当城市数量较多时，计算量呈指数级增长，很难在合理的时间内得到结果。

2.贪婪算法贪婪算法是一种基于局部最优策略的求解方法。

它从一些城市出发，在每一步选择离当前城市最近的未访问过的城市作为下一步访问的城市，直到所有城市都访问过并回到起始城市。

贪婪算法的优点是简单、易于实现，计算速度较快。

然而，贪婪算法并不能保证得到最优解，可能会陷入局部最优解。

3.动态规划动态规划是一种通过将原问题分解为更小的子问题，并利用子问题的解来求解原问题的方法。

对于TSP问题，可以使用动态规划求解。

动态规划的优点是能够在较短的时间内找到最优解，但由于需要存储大量的中间结果，空间复杂度较高。

4.遗传算法遗传算法是一种模拟生物进化过程的求解方法。

它通过对候选解进行遗传操作（交叉、变异等），然后根据适应度函数来评估和选择较好的解进行下一轮进化，直到满足停止条件为止。

遗传算法的优点是适用于大规模问题，能够得到较优解，但其需要调整一些参数，并且收敛速度较慢。

5. Lin-Kernighan启发式算法Lin-Kernighan启发式算法是一种基于局部优化的TSP求解方法。

它采用迭代的方式，在每一步通过反转局部路径来优化当前解，直到达到停止条件。

Lin-Kernighan算法的优点是计算速度较快，对于大规模问题也有较好的效果。

TSP、MTSP问题遗传算法详细解读及python实现写在前⾯遗传算法是⼀种求解NPC问题的启发式算法，属于仿⽣进化算法族的⼀员。

仿⽣进化算法是受⽣物⾏为启发⽽发明的智能优化算法，往往是⼈们发现某种⽣物的个体虽然⾏为较为简单，但⽣物集群通过某种原理却能表现出智能⾏为。

于是不同的⼈研究不同的⽣物⾏为原理，受到启发⽽发明出新的仿⽣进化算法。

⽐如免疫优化算法，蚁群算法，模拟退⽕算法等，这些算法以后也会简单介绍。

本⽂的主题是遗传算法，该算法也是受到⽣物⾏为启发。

物竞天择，适者⽣存，优胜劣汰，是该优化算法的核⼼思想。

笔者在业务中需要⽤到遗传算法求解TSP问题，但是⽹上能查找到的资料对遗传算法的讲解不够通俗易懂，往往上来就是遗传变异交叉，对于我这样的初学者来说有点不知所云，于是不得不直接看源码，⼀⾏⼀⾏地理解代码的意思，才弄懂了原理。

这种⽅法对于初学者和编程基础薄弱者颇为困难，⽽且费时费⼒，苦不堪⾔。

同时，由于读者可能熟练掌握的是不同的语⾔，因此若代码是某⼀种语⾔编写的，那么掌握其他语⾔的读者很可能难以吸收，浪费了资源。

此外，⽹上关于TSP问题的资料很多，但是关于MTSP问题的资料却凤⽑麟⾓。

因此有了创作本⽂的意图，旨在⽤最通俗详尽的语⾔深⼊浅出地解释遗传算法解TSP、MTSP问题的原理及应⽤遗传算法解TSP问题原理⼀、TSP问题旅⾏商问题，即TSP问题（Traveling Salesman Problem）⼜译为旅⾏推销员问题、货郎担问题，是数学领域中著名问题之⼀。

假设有⼀个旅⾏商⼈要拜访n个城市，他必须选择所要⾛的路径，路径的限制是每个城市只能拜访⼀次，⽽且最后要回到原来出发的城市。

路径的选择⽬标是要求得的路径路程为所有路径之中的最⼩值。

想要求解出TSP问题的最优解，⽬前唯⼀的⽅法是穷举出所有的路径。

然⽽，路径的数量级是n!，也就是⽬标点数量的阶乘。

当n为14时，n!已经⼤于800亿。

当n更⼤，为30，40 时，更是天⽂数字，即使计算机⼀秒钟计算⼀亿次，其求解时间也远⼤于我们的寿命。

TSP的几种求解方法及其优缺点旅行商问题（TSP）是一个组合优化问题，目的是找到一条最短的路径，使得旅行商能够访问一系列城市并返回起始点。

TSP由于其复杂性而被广泛研究，已经发展出了许多求解方法。

本文将讨论几种主要的TSP求解方法，包括贪婪算法、局部算法、遗传算法和蚁群算法，并分析它们的优缺点。

1.贪婪算法贪婪算法是一种基于贪心策略的求解方法。

它从一个起始城市开始，每次选择距离当前城市最近的未被访问过的城市作为下一步的目标城市，直到所有的城市都被访问过。

贪婪算法的优点是简单易于理解和实现，并且在处理小规模问题时效果显著。

然而，贪婪算法没有考虑全局最优解，很容易陷入局部最优解，不能保证找到最优解。

2.局部算法局部算法是一类启发式算法，它通过不断优化当前解来逐步接近最优解。

其中最典型的是2-opt算法，它通过交换路径中的两个顶点位置来改进解的质量。

局部算法的优点是可以找到局部最优解，且计算时间较短。

然而，局部算法容易陷入局部最优解，而且计算开销随问题规模增加而增加，且不能保证找到全局最优解。

3.遗传算法遗传算法是一种模拟生物进化的随机算法。

它通过模拟遗传、交叉和变异等基因操作来生成和改进解。

遗传算法的优点是可以处理大规模问题，且不容易陷入局部最优解。

同时，遗传算法能够在空间中探索多个解，提高解的多样性。

然而，遗传算法的计算开销相对较高，需要大量的迭代和种群更新。

此外，遗传算法的性能与参数设置相关，需要进行调整。

4.蚁群算法蚁群算法是一种模拟蚂蚁觅食行为的算法。

它通过模拟蚂蚁在路径上释放信息素的过程，来引导蚂蚁选择路径。

蚁群算法的优点是能够找到较好的解并具有一定的自适应性。

它适用于处理大规模问题，且能够处理问题中的不确定性。

然而，蚁群算法的计算开销较高，并且参数设置对结果影响较大。

综上所述，TSP的求解方法包括贪婪算法、局部算法、遗传算法和蚁群算法等。

每种方法都有自己的优点和缺点。

选择适合问题规模、问题特征和求解时间的方法是关键。

旅行商问题的几种求解算法比较作者:(xxx学校)摘要:TSP问题是组合优化领域的经典问题之一,吸引了许多不同领域的研究工作者,包括数学,运筹学,物理,生物和人工智能等领域,他是目前优化领域里的热点.本文从动态规划法,分支界限法,回溯法分别来实现这个题目,并比较哪种更优越,来探索这个经典的NP(Nondeterministic Polynomial)难题.关键词:旅行商问题求解算法比较一.引言旅行商问题(Travelling Salesman Problem),是计算机算法中的一个经典的难解问题,已归为NP 一完备问题类.围绕着这个问题有各种不同的求解方法,已有的算法如动态规划法,分支限界法,回溯法等,这些精确式方法都是指数级(2n)[2,3]的,根本无法解决目前的实际问题,贪心法是近似方法,而启发式算法不能保证得到的解是最优解,甚至是较好的解释.所以我认为很多问题有快速的算法(多项式算法),但是,也有很多问题是无法用算法解决的.事实上,已经证明很多问题不可能在多项式时间内解决出来.但是,有很多很重要的问题他们的解虽然很难求解出来,但是他们的值却是很容易求可以算出来的.这种事实导致了NP完全问题.NP表示非确定的多项式,意思是这个问题的解可以用非确定性的算法"猜"出来.如果我们有一个可以猜想的机器,我们就可以在合理的时间内找到一个比较好的解.NP-完全问题学习的简单与否,取决于问题的难易程度.因为有很多问题,它们的输出极其复杂,比如说人们早就提出的一类被称作NP-难题的问题.这类问题不像NP-完全问题那样时间有限的.因为NP-问题由上述那些特征,所以很容易想到一些简单的算法――把全部的可行解算一遍.但是这种算法太慢了(通常时间复杂度为O(2^n))在很多情况下是不可行的.现在,没有知道有没有那种精确的算法存在.证明存在或者不存在那种精确的算法这个沉重的担子就留给了新的研究者了,或许你就是成功者.本篇论文就是想用几种方法来就一个销售商从几个城市中的某一城市出发,不重复地走完其余N—1个城市,并回到原出发点,在所有可能的路径中求出路径长度最短的一条,比较是否是最优化,哪种结果好.二.求解策略及优化算法动态规划法解TSP问题我们将具有明显的阶段划分和状态转移方程的规划称为动态规划,这种动态规划是在研究多阶段决策问题时推导出来的,具有严格的数学形式,适合用于理论上的分析.在实际应用中,许多问题的阶段划分并不明显,这时如果刻意地划分阶段法反而麻烦.一般来说,只要该问题可以划分成规模更小的子问题,并且原问题的最优解中包含了子问题的最优解(即满足最优子化原理),则可以考虑用动态规划解决.所以动态规划的实质是分治思想和解决冗余,因此,动态规划是一种将问题实例分解为更小的,相似的子问题,并存储子问题的解而避免计算重复的子问题,以解决最优化问题的算法策略.旅行商问题(TSP问题)其实就是一个最优化问题,这类问题会有多种可能的解,每个解都有一个值,而动态规划找出其中最优(最大或最小)值的解.若存在若干个取最优值的解的话,它只取其中的一个.在求解过程中,该方法也是通过求解局部子问题的解达到全局最优解,但与分治法和贪心法不同的是,动态规划允许这些子问题不独立,(亦即各子问题可包含公共的子子问题)也允许其通过自身子问题的解作出选择,该方法对每一个子问题只解一次,并将结果保存起来,避免每次碰到时都要重复计算.关于旅行商的问题,状态变量是gk(i,S),表示从0出发经过k个城市到达i的最短距离,S为包含k个城市的可能集合,动态规划的递推关系为:gk(i,S)=min[gk-1(j,S\{j})+dji] j属于S,dji表示j-i的距离.或者我们可以用:f(S,v)表示从v出发,经过S中每个城市一次且一次,最短的路径.f(S,v)=min { f(S-{u},u)+dist(v,u) }u in Sf(V,1)即为所求2.分支限界法解TSP问题旅行商问题的解空间是一个排列树,与在子集树中进行最大收益和最小耗费分枝定界搜索类似,使用一个优先队列,队列中的每个元素中都包含到达根的路径.假设我们要寻找的是最小耗费的旅行路径,那可以使用最小耗费分枝定界法.在实现过程中,使用一个最小优先队列来记录活节点,队列中每个节点的类型为M i n H e ap N o d e.每个节点包括如下区域: x(从1到n的整数排列,其中x [ 0 ] = 1 ),s(一个整数,使得从排列树的根节点到当前节点的路径定义了旅行路径的前缀x[0:s], 而剩余待访问的节点是x [ s + 1 : n - 1 ]),c c(旅行路径前缀,即解空间树中从根节点到当前节点的耗费),l c o s t(该节点子树中任意叶节点中的最小耗费), rc o s t(从顶点x [ s : n - 1 ]出发的所有边的最小耗费之和).当类型为M i n He a p N o d e ( T )的数据被转换成为类型T时,其结果即为l c o s t的值.分枝定界算法的代码见程序.程序首先生成一个容量为1 0 0 0的最小堆,用来表示活节点的最小优先队列.活节点按其l c o s t值从最小堆中取出.接下来,计算有向图中从每个顶点出发的边中耗费最小的边所具有的耗费M i n O u t.如果某些顶点没有出边,则有向图中没有旅行路径,搜索终止.如果所有的顶点都有出边,则可以启动最小耗费分枝定界搜索.根的孩子(图1 6 - 5的节点B)作为第一个E-节点,在此节点上,所生成的旅行路径前缀只有一个顶点1,因此s=0, x[0]=1, x[1:n-1]是剩余的顶点(即顶点2 , 3 ,., n ).旅行路径前缀1 的开销为0 ,即c c = 0 ,并且,r c o st=n i=1M i n O u t .在程序中,bestc 给出了当前能找到的最少的耗费值.初始时,由于没有找到任何旅行路径,因此b e s t c的值被设为N o E d g e.程序旅行商问题的最小耗费分枝定界算法templateT AdjacencyWDigraph::BBTSP(int v[]){// 旅行商问题的最小耗费分枝定界算法// 定义一个最多可容纳1 0 0 0个活节点的最小堆MinHeap > H(1000);T *MinOut = new T [n+1];// 计算MinOut = 离开顶点i的最小耗费边的耗费T MinSum = 0; // 离开顶点i的最小耗费边的数目for (int i = 1; i <= n; i++) {T Min = NoEdge;for (int j = 1; j <= n; j++)if (a[j] != NoEdge &&(a[j] < Min || Min == NoEdge))Min = a[j];if (Min == NoEdge) return NoEdge; // 此路不通MinOut = Min;MinSum += Min;}// 把E-节点初始化为树根MinHeapNode E;E.x = new int [n];for (i = 0; i < n; i++)E.x = i + 1;E.s = 0; // 局部旅行路径为x [ 1 : 0 ] = 0; // 其耗费为0E.rcost = MinSum;T bestc = NoEdge; // 目前没有找到旅行路径// 搜索排列树while (E.s < n - 1) {// 不是叶子if (E.s == n - 2) {// 叶子的父节点// 通过添加两条边来完成旅行// 检查新的旅行路径是不是更好if (a[E.x[n-2]][E.x[n-1]] != NoEdge && a[E.x[n-1]][1] != NoEdge && ( + a[E.x[n-2]][E.x[n-1]] + a[E.x[n-1]][1] < bestc || bestc == NoEdge)) {// 找到更优的旅行路径bestc = + a[E.x[n-2]][E.x[n-1]] + a[E.x[n-1]][1]; = bestc;E.lcost = bestc;E . s + + ;H . I n s e r t ( E ) ; }else delete [] E.x;}else {// 产生孩子for (int i = E.s + 1; i < n; i++)if (a[E.x[E.s]][E.x] != NoEdge) {// 可行的孩子, 限定了路径的耗费T cc = + a[E.x[E.s]][E.x];T rcost = E.rcost - MinOut[E.x[E.s]];T b = cc + rcost; //下限if (b < bestc || bestc == NoEdge) {// 子树可能有更好的叶子// 把根保存到最大堆中MinHeapNode N;N.x = new int [n];for (int j = 0; j < n; j++)N.x[j] = E.x[j];N.x[E.s+1] = E.x;N.x = E.x[E.s+1]; = cc;N.s = E.s + 1;N.lcost = b;N.rcost = rcost;H . I n s e r t ( N ) ; }} // 结束可行的孩子delete [] E.x;} // 对本节点的处理结束try {H.DeleteMin(E);} // 取下一个E-节点catch (OutOfBounds) {break;} // 没有未处理的节点}if (bestc == NoEdge) return NoEdge; // 没有旅行路径// 将最优路径复制到v[1:n] 中for (i = 0; i < n; i++)v[i+1] = E.x;while (true) {//释放最小堆中的所有节点delete [] E.x;try {H.DeleteMin(E);}catch (OutOfBounds) {break;}}return bestc;}while 循环不断地展开E-节点,直到找到一个叶节点.当s = n - 1时即可说明找到了一个叶节点.旅行路径前缀是x [ 0 : n - 1 ],这个前缀中包含了有向图中所有的n个顶点.因此s = n - 1的活节点即为一个叶节点.由于算法本身的性质,在叶节点上lco st 和cc 恰好等于叶节点对应的旅行路径的耗费.由于所有剩余的活节点的lcost 值都大于等于从最小堆中取出的第一个叶节点的lcost 值,所以它们并不能帮助我们找到更好的叶节点,因此,当某个叶节点成为E-节点后,搜索过程即终止.while 循环体被分别按两种情况处理,一种是处理s = n - 2的E-节点,这时,E-节点是某个单独叶节点的父节点.如果这个叶节点对应的是一个可行的旅行路径,并且此旅行路径的耗费小于当前所能找到的最小耗费,则此叶节点被插入最小堆中,否则叶节点被删除,并开始处理下一个E-节点.其余的E-节点都放在while 循环的第二种情况中处理.首先,为每个E-节点生成它的两个子节点,由于每个E-节点代表着一条可行的路径x [ 0 : s ],因此当且仅当是有向图的边且x [ i ]是路径x [ s + 1 : n - 1 ]上的顶点时,它的子节点可行.对于每个可行的孩子节点,将边的耗费加上 即可得到此孩子节点的路径前缀( x [ 0 : s ],x) 的耗费c c.由于每个包含此前缀的旅行路径都必须包含离开每个剩余顶点的出边,因此任何叶节点对应的耗费都不可能小于cc 加上离开各剩余顶点的出边耗费的最小值之和,因而可以把这个下限值作为E-节点所生成孩子的lcost 值.如果新生成孩子的lcost 值小于目前找到的最优旅行路径的耗费b e s t c,则把新生成的孩子加入活节点队列(即最小堆)中.如果有向图没有旅行路径,程序返回N o E d g e;否则,返回最优旅行路径的耗费,而最优旅行路径的顶点序列存储在数组v 中.3.回朔法解TSP问题回朔法有"通用解题法"之称,它采用深度优先方式系统地搜索问题的所有解,基本思路是:确定解空间的组织结构之后,从根结点出发,即第一个活结点和第一个扩展结点向纵深方向转移至一个新结点,这个结点成为新的活结点,并成为当前扩展结点.如果在当前扩展结点处不能再向纵深方向转移,则当前扩展结点成为死结点.此时,回溯到最近的活结点处,并使其成为当前扩展结点,回溯到以这种工作方式递归地在解空间中搜索,直到找到所求解空间中已经无活结点为止.旅行商问题的解空间是一棵排列树.对于排列树的回溯搜索与生成1,2,……, n的所有排列的递归算法Perm类似.设开始时x=[ 1,2,… n ],则相应的排列树由x[ 1:n ]的所有排列构成.旅行商问题的回溯算法找旅行商回路的回溯算法Backtrack是类Treveling的私有成员函数,TSP是Treveling的友员.TSP(v)返回旅行售货员回路最小费用.整型数组v返回相应的回路.如果所给的图G不含旅行售货员回路,则返回NoEdge.函数TSP所作的工作主要是为调用Backtrack所需要变量初始化.由TSP调用Backtrack(2)搜索整个解空间.在递归函数Backtrack中,当i = n时,当前扩展结点是排列树的叶结点的父结点.此时,算法检测图G是否存在一条从顶点x[ n-1 ]到顶点x[ n ]的边和一条从顶点x[ n ]到顶点1的边.如果这两条边都存在,则找一条旅行售货员回路.此时,算法还需判断这条回路的费用是否优于已找到的当前最优回路的费用best.如果是,则必须更新当前最优值bestc和当前最优解bestx.当i < n时,当前扩展结点位于排列树的第i–1 层.图G中存在从顶点x[ i-1 ]到顶点x[ i ]的边时,x[ 1:i ]构成图G的一条路径,且当x[ 1:i ]的费用小于当前最优值时,算法进入排列树的第I 层.否则将剪去相应的子树.算法中用变量cc记录当前路径x[ 1:i ]的费用.解旅行商售货员问题的回溯法可描述如下:templateclass Traveling {friend Type TSP(int * *,int [],Type);private:void Backtrack(int i);int n, //图G的顶点数* x, //当前解*bestx; //当前最优解Type * *a, //图G的邻接矩阵cc, //当前费用bestc, //当前最优值NoEdge; //无边际记};templatevode Traveling::Backtrack(int i){if(I==n){if(a[x[n-1]][x[n]]! = NoEdge &&a[x[n]][1]!= NoEdge &&(cc + a[x[n-1]][x[n]]+a[x[n]][1]bestc== NoEdge) ){for(int j=1;j<=n;j++)bestx[j]=x[j];bestc =cc + a[x[n-1]][x[n]]+ a[x[n]][1];}}else {for(int j=I; j<=n;j++)//是否可进入x[j]子树if(a[x[i-1]][x[j]]! = NoEdge &&(cc + a[x[i-1]][x[i]]< bestc||bestc == NoEdge//搜索子数Swap(x[i],x[j]);cc += a[x[i-1]][x[i]];Backtrack(I+1);cc -= a[x[i-1]][x[i]];Swap(x[i],x[j]);}}}templateType TSP(Type * *a,int v[],int n,Type NoEdge){Traveling Y;//初始化YY.x = new int[n+1];// 置x为单位排列for(int i=1;i<=n;i++)Y.x[i] = I;Y.a=a;Y.n=n;Y.bestc = NoEdge;Y.bestc = v; = 0;Y. NoEdge = NoEdge;//搜索x[2:n]的全排列Y.Backtrack(2);Delete[] Y.x;三.三种方法的比较1.动态规划法和回朔法的比较:这本来就是两个完全不同的领域,一个是算法领域,一个是数据结构问题.但两者又交叉,又有区别.从本质上讲就是算法与数据结构的本质区别,回朔是一个具体的算法,动态规划是数据结构中的一个概念.动态规划讲究的是状态的转化,以状态为基准,确定算法,动态规划法所针对的问题有一个显著的特征,即它所对应的子问题树中的子问题呈现大量的重复.动态规划法的关键就在于,对于重复出现的子问题,只在第一次遇到时加以求解,并把答案保存起来,让以后再遇到时直接引用,不必重新求解.简单的说就是:动态规划法是从小单元开始积累计算结果.回朔讲究过程的推进与反还,随数据的搜索,标记,确定下一步的行进方向,回朔是去搜索. 如果想要搜索时,发现有很多重复计算,就应该想到用动态规划了.动态规划和搜索都可以解决具有最优子结构的问题,然而动态规划在解决子问题的时候不重复计算已经计算过的子问题,对每个子问题只计算一次;而简单的搜索则递归地计算所有遇到的的子问题.比如一个问题的搜索树具有如下形式:........A......./.......B...C...../.\./.....D...E...F如果使用一般深度优先的搜索,依次搜索的顺序是A-B-D-E-C-E-F,注意其中节点E被重复搜索了两次;如果每个节点看作是一个子问题的话,节点E所代表的子问题就被重复计算了两次; 但是如果是用动态规划,按照树的层次划分阶段,按照自底向上的顺序,则在第一阶段计算D,E,F;第二阶段计算B,C;第三阶段计算A;这样就没有重复计算子问题E.搜索法的优点是实现方便,缺点是在子问题有大量的重复的时候要重复计算子问题,效率较低;动态规划虽然效率高,但是阶段的划分和状态的表示比较复杂,另外,搜索的时候只要保存单前的结点;而动态规划则至少要保存上一个阶段的所有节点,比如在动态规划进行到第2阶段的时候,必须把第三阶段的D,E,F三个节点全部保存起来,所以动态规划是用空间换时间.另外,有一种折衷的办法,就是备忘录法,这是动态规划的一种变形.该方法的思想是:按照一般的搜索算法解决子问题,但是用一个表将所有解决过的子问题保存起来,遇到一个子问题的时候,先查表看是否是已经解决过的,如果已解决过了就不用重复计算.比如搜索上面那棵树,在A-B-D-E的时候,已经将E记录在表里了,等到了A-B-D-E-C的时候,发现E已经被搜索过,就不再搜索E,而直接搜索F,因此备忘录法的搜索顺序是A-B-D-E-C-(跳过E)-F自底向上的动态规划还有一个缺点,比如对于下面的树:........A......./.......B...C......G...../.\./.\..../.....D...E...F..H (I)如用自底向上的动态规划,各个阶段搜索的节点依次是:D,E,F,H,IB,C,GAA才是我们最终要解决的问题,可以看到,G,H,I根本与问题A无关,但是动态规划还是将它们也解决了一遍,这就造成了效率降低.而备忘录法则可以避免这种问题,按照备忘录法,搜索的次序仍然是:A-B-D-E-C-(跳过E)-F.备忘录法的优点是实现简单,且在子问题空间中存在大量冗余子问题的时候效率较高;但是要占用较大的内存空间(需要开一个很大的表来记录已经解决的子问题),而且如果用递归实现的话递归压栈出栈也会影响效率;而自底向上的动态规划一般用for循环就可以了.值得一提的是,用动态规划法来计算旅行商的时间复杂度是指数型的.2. 分支限界法和回朔法的比较:分支限界法类似于回溯法,也是一种在问题的解空间树T上搜索问题解的算法.但在一般情况下,分支限界与回溯法的求解目标不同.回溯法的求解目标是找出T中满足约束条件的所有解,而分支限界法的求解目标则是找出满足约束条件的一个解,或是在满足约束条件的解中找出使某一目标函数值达到极大或极小的解,即在某种意义下的最优解.我们先看一个列子:设G=(V,E)是一个带权图.图1中各边的费用(权)为一正数.图中的一条周游线是包括V中的每个顶点在内的一条回路.一条周游路线的费用是这条路线上所有边的费用之和.所谓旅行售货员问题就是要在图G中找出一条有最小费用的周游路线.给定一个有n个顶点的带权图G,旅行售货员问题要找出图G的费用(权)最小的周游路线.图1是一个4顶点无向带权图.顶点序列1,2,4,3,1;1,3,2,4,1和1,4,3,2,1是该图中3条不同的周游路线.1 256 1043 20 4图1 4顶点带权图该问题的解空间可以组织成一棵树,从树的根结点到任一叶结点的路径定义了图G的一条周游路线.图1是当n=4时这种树结构的示例.其中从根结点A到叶结点L的路径上边的标号组成一条周游路线1,2,3,4,1.而从根结点到叶结点O的路径则表示周游路线1,3,4,2,1.图G的每一条周游路线都恰好对应解空间树中一条从根结点到叶结点的路径.因此,解空间树中叶结点个数为(n-1)!.A1B2 3 4C D E3 24 2 3F G H I J K4 3 4 2 3 2L M N O P Q图2 旅行售货员问题的解空间树对于图1中的图G,用回溯法找最小费用周游路线时,从解空间树的根结点A出发,搜索至B,C,F,L.在叶结点L处记录找到的周游路线1,2,3,4,1,该周游路线的费用为59.从叶结点L返回至最近活动结点F处.由于F处已没有可扩展结点,算法又返回到结点C处.结点C成为新扩展结点,由新扩展结点,算法再移至结点G 后又移至结点M,得到周游路线1,2,4,3,1,其费用为66.这个费用不比已有周游路线1,2,3,4,1的费用小.因此,舍弃该结点.算法有依次返回至结点G,C,B.从结点B,算法继续搜索至结点D,H,N.在叶结点N算法返回至结点H,D,然后再从结点D开始继续向纵深搜索至结点O.依次方式算法继续搜索遍整个解空间,最终得到1,3,2,4,1是一条最小费用周游路线.以上便是回溯法找最小费用周游路线的实列,但如果我们用分支限界法来解的话,会更适合.由于求解目标不同,导致分支限界法与回溯法在解空间树T上的搜索方式也不相同.回溯法以深度优先的方式搜索解空间树T,而分支限界法则以广度优先或以最小消耗优先的方式搜索解空间树T.分支限界法的搜索策略是,在扩展结点处,先生成所有的儿子结点(分支),然后再从当前的活动点表中选择下一个扩展结点.为了有效地选择下一扩展结点,以加速搜索的进程,在每一活结点处,计算一个函数值(限界),并根据这些已计算出的函数值,从当前活结点表中选择一个最有利的结点作为扩展结点,使搜索朝着解空间树上的最优解的分支推进,以便尽快的找出一个最优解.四.结论:参考文献:动态规划dynamic programming图片：图片：图片：图片：图片：图片：图片：图片：图片：图片：图片：图片：图片：dongtai guihua动态规划(卷名：自动控制与系统工程)dynamic programming研究多段（多步）决策过程最优化问题的一种数学方法，英文缩写DP，是最优控制和运筹学的重要数学工具。