用局部搜索方法求解TSP问题
假设从a出发，用一个城市序 列表示一个可能的解 设初始生成的可能解为 x0=(a,b,c,d,e)，则 f(xb)=f(x0)=38
b 10 7 a 6 7 10 c 10 5 d 13 9 6 e
选择两个城市间的位置交换方 式来得到一个可能解的邻域， 并在算法第4步选择从P中随机 选择一个元素的方法，则 P={(a,c,b,d,e)，(a,d,c,b,e)， (a,e,c,d,b)，(a,b,d,c,e)， (a,b,e,d,c)，(a,b,c,e,d)}
求解TSP问题-过程
第1次循环 P’={从P中随机选择一个元素},设为x1=(a,c,b,d,e),则 f(x1)=42， f(x1)> f(xb),P=P- {x1}={ (a,d,c,b,e), (a,e,c,d,b), (a,b,d,c,e), (a,b,e,d,c), (a,b,c,e,d)} 第2次循环
• 或定义与该点的欧氏距离，即：
N(<x’1,…,x’n>)={<x1,…,xn> : |(x1 –x’1)| +…+ |(xn –x’n)|=d}
四皇后问题的邻域
定义S=(si)表示四皇后问题的一个可 能的解，其中si表示在第i行、第si列 有一个皇后，如图，有S=(2，4，1， 3) 定义映射N为棋盘上任意两个皇后 的所在行或列进行交换。 S的邻居共有6个，所有邻居的集合 就是S的邻域。 如图，N（S）={（4，2，1，3）， （1，4，2，3）， （3，4，1，2）， （2，1，4，3），（2，3，1，4）， （2，4，3，1）}
高级搜索
一般认为，NP完全问题的算法复杂性是指数级的。 当问题规模达到一定程度时，以前这些算法显得无能 为力。 局部搜索算法、模拟退火算法和遗传算法等是较新发 展起来的算法，算法引入了随机因素，不一定能找到 最优解，但一般能快速找到满意的解。 主要内容： 基本概念 局部搜索算法 模拟退火算法
求解TSP问题-过程
问题规模与算法复杂度
问题的规模通常用输入数据量n来衡量。如旅行商问题 的城市数目、皇后问题的皇后数目等。
当问题规模比较小时，由于组合优化问题的解是有限 的，总可以通过枚举法获得问题的最优解。但当问题 的规模比较大时，其状态数往往呈指数级增长，很难 再通过枚举方法获得问题的解。
对于同一个问题，不同的求解方法，其效率是不同的， 差别可能会非常大。 通常用算法的时间复杂度来评价一个求解方法的好坏。
组合优化问题举例
TSP问题 从某个城市出发，经过n个指定的城市，每个城市 只能且必须经过一次，最后回到出发城市，如何安 排旅行商的行走路线以使总路程最短？ 约束机器排序问题 n个加工量为di(i=1,2,… n)的产品在一台机器上加 工，机器在第t个时段的工作能力为ct,完成所有产品 加工的最少时段数。
组合优化问题
优化问题 设x的决策变量，D为x的定义域，f(x)是指标函数， g(x)是约束条件集合。则优化问题可以表示为， 求解满足g(x)的f(x)最小值问题。即：
min ( f ( x) | g ( x))
xD
组合优化问题 如果在定义域上，满足条件g(x)的解是有限的， 则优化问题称为组合优化问题。 现实世界中很多问题属于组合优化问题，或者可 以转化为组合优化问题求解，如旅行商问题、皇 后问题。
旅行商问题的邻域-示例
以5城市TSP为例，可以用一个城市序列S表示一个 可能解<c1,c2,c3,c4 ,c5 >，其中ci表示第i个城市。 定义映射N为交换城市序列中的任意两个城市，即S 中任意两个元素交换位置，这样可得到S的所有邻 居，所有邻居的集合就是S的邻域。 以S=<1,2,3,4,5,>为例，其邻域N(S) = {<2,1,3,4,5>, <3,2,1,4,5>, <4,2,3,1,5> ,<5,2,3,4,1>, <1,3,2,4,5>, <1,4,3,2,5>, <1,5,3,4,2>, <1,2,4,3,5>, <1,2,5,4,3>, <1,2,3,5,4>}
2 1 5
3
4 1
2
3
4 5
局部最优与全局最优
在一个邻域内的最优解成为局部最优解 在整个定义域上的最优解成为全局最优解 最优解可以是求最大值，也可以是求最小值，思想 是一样的。以后的论述中，一般假定求最小值。
局部搜索算法
局部搜索算法是从爬山法改进而来的。 爬山法：在没有任何有关山顶的其他信息的情况下，沿着最陡 的山坡向上爬。 局部搜索算法的基本思想：在搜索过程中，始终选择当前点的 邻居中与离目标最近者的方向搜索。
Q Q Q
Q
旅行商问题的邻域
用一个城市序列表示一个可能的解， 通过交换两个城市的位置S的邻居。 设S=(x1,x2,…,xi-1,xi,xi+1 ,…,xj-1,xj,xj+1,…,xn)。则通 过交换xi和xj两个城市的位置可以得到S的一个 邻居： S’=(x1,x2,…,xi-1,xj,xi+1 ,…,xj-1,xi,xj+1,…,xn) 也可以采用逆序的方式获取S的邻居，即通过交 换xi和xj两个城市之间的城市次序来得到S的邻 居： S’=(x1,x2,…,xi-1,xi,xj-1,…,xi+1,xj,xj+1,…,xn)
局部搜索算法
（1）随机选择一个初始的可能解x0 ∈D，xb=x0,P=N(xb); //D是问题的定义域， xb用于记录到目标位置的最优解，P为xb的
邻域。
（2）如果不满足结束条件，则： //结束条件为循环次数或P为空等 （3）Begin （4）选择P的一个子集P‘，xn为P’的最优解 // P’可根据问题特点，选择适当大小的子集。可按概率选择 （5）如果f(xn)<f(xb)，则xb=xn，P=N(xb)，转(2) // 重新计算P，f(x)为指标函数 （6）否则P=P-P‘，转(2) （7）End （8）输出计算结果 （9）结束
P’={从P中随机选择一个元素},设为x2= (a,d,c,b,e),则 f(x2)=45， f(x2)> f(xb), P=P- {x2}={ (a,e,c,d,b), (a,b,d,c,e), (a,b,e,d,c), (a,b,c,e,d)} 第3次循环 P’={从P中随机选择一个元素},设为x3= (a,e,c,d,b),则 f(x3)=44， f(x3)> f(xb), P=P- {x3}={ (a,b,d,c,e), (a,b,e,d,c), (a,b,c,e,d)}
常用的算法复杂性函数
多项式时间算法 O(logn)、O(n)、O(nlogn）、O(n2) 指数时间算法 O(2n)、O(n!)、O(nn) 旅行商问题和皇后问题，用枚举法的时间复杂度为 O(n!) 完备算法的复杂性在通常情况下仍是指数型的。 对指数时间算法，当问题的规模大到一定程度时，因 为所花费的时间太长了，以至于不能求解。
指派问题 一家公司经理准备安排N名员工去完成N项任务，每人 一项。由于各员工的特点不同，不同的员工去完成同 一项任务时获得的回报是不同的。如何分配工作方案 可以获得最大收益？
组合优化问题举例
0-1背包问题
设有一个容积为b的背包，n个体积分别为 ai(i=1,2,… n),价值分别为ci (i=1,2,… n)的物品， 如何以最大的价值装包？ 装箱问题 如何用个数最少的尺寸为1的箱子装进n个尺寸不超 过1的物品？ SAT问题 称 判定一个公式是否存在一个模型的问题为可满足 性问题(以后简称为SAT问题)。如果一个公式存在 模型，则称该公式是可满足的，否则称为不可满足 的。
常见的几种邻域
一维空间中 点x1附近的一个小区间 二维空间中 点<x1,y1>附近的一个小区域
N(x1) x
y
N(x1,y1) x
三维或多维空间中 • 邻域可定义为该点为中心的一个圆球体，即
N(<x’1,…,x’n>)={<x1,…,xn>: (x1 –x’1)2 +…+(xn –x’n)2=r}
旅行商问题的邻域-示例
以<1,2,3,4,5,>交换为<1,4,3,2,5>后路径变化示意图 如下：
2
1 3 4 1
2
3 4
5
5
旅行商问题的邻域-示例
还可以定义映射N‘为逆序交换获得S的所有邻居， 即S中任意两个元素之间的城市逆序重排。 以S=<1,2,3,4,5,>为例，将城市2和5之间的城市 逆序重排，得：<1,2,4,3,5> 以<1,2,3,4,5,>交换为<1,2,4,3,5>后路径变化 示意图如下：
爬山算法
1, n := s; 2, LOOP: IF GOAL(n) THEN EXIT(SUCCESS); 3, EXPAND(n) →{mi},计算h(mi), nextn=min{h(mi)} 4, IF h(n)<h(nextn) THEN EXIT(Fail); 5, n:=nextn; 6, GO LOOP; 该算法在单峰的条件下，必能达到山顶。
n!
3.6ms
77.1年
8.4×1013世 纪
2.6×1029世纪
3.0×合优化问题，至今尚未找到 多项式时间算法来获得问题的最优解，如旅行 商问题。 实际上，在很多情况下追求最优解不一定有意 义，一个满意解就可以了。如买西瓜。 求满意解的基本思想是：引入随机因素，每次 运行并不能保证求得问题的最优解，但经过多 次运行后，一般总能得到一个与最优解相差不 太大的满意解，以放弃每次必然找到最优解的 目标，来换取算法时间复杂度的降低，以适合 于求解大规模的优化问题。