[发明专利]基于混合元启发式算法的旅行商最优路径确定方法

说明书

本发明提供一种基于混合元启发式算法的旅行商最优路径确定方法，属于旅行商技术领域，构建旅行商问题，设置初始狼群中狼的数量N；通过随机贪婪策略在初始狼群中构造N条初始回路，N条初始回路为N条狼的N个初始解的组合；计算每个初始解的路径花费，并选择路径花费前三小的初始解所对应的狼的组合作为原始最优解；通过局部搜索算法对含有原始最优解的狼群进行迭代更新，获取当前轮次的前3个最优解；利用当前轮次的最优解进行下一轮次的狼群迭代计算，直至达到设定的迭代次数，并获取末次迭代的前3个最优解；获取末次迭代的前3个最优解中第一条头狼代表的解，作为旅行商问题的最优路径。具有提升初始解质量和旅行商最优路径获取精度的技术效果。

技术领域

本发明属于旅行商技术领域，具体涉及一种基于混合元启发式算法的旅行商最优路径确定方法、系统、电子设备以及存储介质。

背景技术

旅行商问题(Traveling Salesman Problem，TSP)是组合优化领域的经典问题，核心是寻求遍历所有路径规划需求点的最小路径成本。旅行商问题属于NP-Complete的范畴，目前对于大规模案例常使用启发式算法。启发式算法能够在合理时间内获得最优解，并且具有自适应性强的优点。大量的经典启发式算法近年来被提出，例如布谷鸟搜索(CuckooSearch，CS)，禁忌搜索(Tabu Search，TS)，模拟退火(Simulated Annealing，SA)，遗传算法(Genetic Algorithm，GA)，蚁群优化(Ant Colony Optimization，ACO)，粒子群算法(Particle Swarm Optimization，PSO)，萤火虫算法(Firefly Algorithm，FA)等，将上述基本算法与其他算法进行混合，从而在有限的时间内达到最优解。

现有的启发式算法中，灰狼优化算法(Grey Wolf Optimizer，GWO)是一种基于自然启发的群体智能算法。该算法在2014年被Mirjalili提出，自提出以来，该算法受到广泛关注，并被应用到各个领域。灰狼优化算法模拟灰狼捕获猎物的社会行为，灰狼维持着它们的社会等级制度，第一领导梯度的领袖被称为狼a；第二领导梯度的领袖被称为狼b；第三领导梯度的领袖被称为狼d；剩余的狼为没有领导力的普通狼，统称为狼w。在狩猎过程中，前三领导梯度的狼(a,b,d)指导普通狼(w)进行位置更新。

GWO以在短时间内解决连续优化问题而闻名，但使用GWO直接解决离散优化问题并不常见。因此，很少有相关工作来改进GWO使其成为解决离散优化问题的有效方法。TSP问题作为十分闻名的离散优化问题，本发明通过改进GWO为TSP问题提供新的解决思路和解决方案。

发明内容

本发明提供一种基于混合元启发式算法的旅行商最优路径确定方法、系统、电子设备以及存储介质，用以克服现有技术中存在的至少一个技术问题。

为实现上述目的，本发明提供一种基于混合元启发式算法的旅行商最优路径确定方法，方法包括：

构建旅行商问题，设置初始狼群中狼的数量N；

通过随机贪婪策略在初始狼群中构造N条初始回路，N条初始回路为N 条狼的N个初始解的组合；

计算每个初始解的路径花费，并选择路径花费前三小的初始解所对应的狼的组合作为原始最优解；其中，原始最优解包括3条头狼，除头狼以外的狼为普通狼；

通过局部搜索算法对含有原始最优解的狼群进行迭代更新，获取当前轮次的前3个最优解，即3条头狼；

利用当前轮次的最优解进行下一轮次的狼群迭代计算，直至达到设定的迭代次数，并获取末次迭代的前3个最优解，即3条头狼；

获取末次迭代的前3个最优解中第一条头狼代表的解，作为旅行商问题的最优路径。