【TSP问题】模拟退火算法求解TSP问题matlab源码

二、 模拟退火算法

1. 算法\ 模拟退火算法可分为解空间、目标函数和初始解三部分，其基本思想是：\ (1)初始化：初始温度T(充分大)，初始解状态s(是算法迭代的起点)，每个T值的迭代次数L；\ (2)对k=1，……，L做第(3)至第6步；\ (3)产生新解s′；\ (4)计算增量cost=cost(s′)-cost(s)，其中cost(s)为评价函数；\ (5)若t<0则接受s′作为新的当前解，否则以概率exp(-t′/T)接受s′作为新的当前解；\ (6)如果满足终止条件则输出当前解作为最优解，结束程序。终止条件通常取为连续若干个新解都没有被接受时终止算法；\ (7)T逐渐减少，且T趋于0，然后转第2步运算。

2. 参数选择\ (1)温度T的初始值设置。\ 温度T的初始值设置是影响模拟退火算法全局搜索性能的重要因素之一。初始温度高，则搜索到全局最优解的可能性大，但因此要花费大量的计算时间；反之，则可节约计算时间，但全局搜索性能可能受到影响。实际应用过程中，初始温度一般需要依据实验结果进行若干次调整。\ (2)温度衰减函数的选取。\ 衰减函数用于控制温度的退火速度，一个常用的函数为：\ T(t+1)=aT(t)\ 式中a是一个非常接近于1的常数，t为降温的次数。\ (3)马尔可夫链长度L的选取。\ 通常的原则是：在衰减参数T的衰减函数已选定的前提下，L的选取应遵循在控制参数的每一取值上都能恢复准平衡的原则。

三、TSP算法实现

1. TSP算法描述\ (1)TSP问题的解空间和初始解\ TSP的解空间S是遍访每个城市恰好一次的所有回路，是所有城市排列的集合。TSP问题的解空间S可表示为{1,2,…,n}的所有排列的集合，即S = {(c1,c2,…,cn) | ((c1,c2,…,cn)为{1,2,…,n}的排列)}，其中每一个排列Si表示遍访n个城市的一个路径，ci= j表示在第i次访问城市j。模拟退火算法的最优解与初始状态无关，故初始解为随机函数生成一个{1,2,…,n}的随机排列作为S0。\ (2)目标函数\ TSP问题的目标函数即为访问所有城市的路径总长度，也可称为代价函数：\ \ 现在TSP问题的求解就是通过模拟退火算法求出目标函数C(c1,c2,…,cn)的最小值，相应地，s*= (c*1,c*2,…,c*n)即为TSP问题的最优解。\ (3)新解产生\ 新解的产生对问题的求解非常重要。新解可通过分别或者交替用以下2种方法产生：\ ①二变换法：任选序号u,v(设uvn)，交换u和v之间的访问顺序，若交换前的解为si= (c1,c2,…,cu,…,cv,…,cn),交换后的路径为新路径，即：\ \ ②三变换法：任选序号u,v和ω(u≤vω)，将u和v之间的路径插到ω之后访问，若交换前的解为si= (c1,c2,…,cu,…,cv,…,cω,…,cn)，交换后的路径为的新路径为：\ \ (4)目标函数差\ 计算变换前的解和变换后目标函数的差值：\ \ (5)Metropolis接受准则\ 根据目标函数的差值和概率exp(-ΔC′/T)接受si′作为新的当前解si，接受准则：\

2 TSP算法流程\ 根据以上对TSP的算法描述，可以写出用模拟退火算法解TSP问题的流程图2 所示：\

``` clc; clear; close all; %% tic T0=1000; % 初始温度 Tend=1e-3; % 终止温度 L=200; % 各温度下的迭代次数(链长) q=0.9; %降温速率 % X=[16.4700 96.1000 % 16.4700 94.4400 % 20.0900 92.5400 % 22.3900 93.3700 % 25.2300 97.2400 % 22.0000 96.0500 % 20.4700 97.0200 % 17.2000 96.2900 % 16.3000 97.3800 % 14.0500 98.1200 % 16.5300 97.3800 % 21.5200 95.5900 % 19.4100 97.1300 % 20.0900 92.5500]; data=load('eil51.txt'); cityCoor=[data(:,1) data(:,2)];%城市坐标矩阵 %% % D=Distanse(X); %计算距离矩阵 D=Distanse(cityCoor);
N=size(D,1); %城市的个数 %% 初始解 S1=randperm(N); %随机产生一个初始路线

%% 画出随机解的路径图 % DrawPath(S1,X) DrawPath(S1,cityCoor) pause(0.0001) %% 输出随机解的路径和总距离 disp('初始种群中的一个随机值:') OutputPath(S1); Rlength=PathLength(D,S1); disp(['总距离：',num2str(Rlength)]);

%% 计算迭代的次数Time Time=ceil(double(solve(['1000(0.9)^x=',num2str(Tend)]))); count=0; %迭代计数 Obj=zeros(Time,1); %目标值矩阵初始化 track=zeros(Time,N); %每代的最优路线矩阵初始化 %% 迭代 while T0>Tend count=count+1; %更新迭代次数 temp=zeros(L,N+1); for k=1:L %% 产生新解 S2=NewAnswer(S1); %% Metropolis法则判断是否接受新解 [S1,R]=Metropolis(S1,S2,D,T0); %Metropolis 抽样算法 temp(k,:)=[S1 R]; %记录下一路线的及其路程 end %% 记录每次迭代过程的最优路线 [d0,index]=min(temp(:,end)); %找出当前温度下最优路线 if count==1 || d0T0; %降温 fprintf(1,'%d\n',count) %输出当前迭代次数 end %% 优化过程迭代图 figure plot(1:count,Obj) xlabel('迭代次数') ylabel('距离') title('优化过程')

%% 最优解的路径图 DrawPath(track(end,:),cityCoor)

%% 输出最优解的路线和总距离 disp('最优解:') S=track(end,:); p=OutputPath(S); disp(['总距离：',num2str(PathLength(D,S))]); disp('-------------------------------------------------------------') toc ```

​