[发明专利]一种解决旅行商问题的基于相似历史样本的孪生优化方法

说明书

本发明公开一种解决旅行商问题的基于相似历史样本的孪生优化方法，包括以下步骤：1)构建历史TSP数据库；2)构建自编码器，将所有历史TSP对应的特征向量存入Mivlus向量数据库中；3)将Mivlus向量数据库存储的所有历史TSP的特征向量划分成若干簇，记为历史TSP簇；4)获取目标TSP的数据；5)确定粗选孪生TSP簇；6)确定最小余弦距离；7)确定孪生TSP的数据和解决方案；8)学习孪生TSP和目标TSP的映射矩阵；9)获得进化算法EAs的初始解Gsubgt;t/subgt;；10)对进化算法EAs的初始解进行迭代计算，达到设定的迭代次数后，输出目标TSP的解决方案。本发明降低了成本，同时提高了效率。

技术领域

本发明涉及组合优化领域，具体涉及一种解决旅行商问题的基于相似历史样本的孪生优化方法。

背景技术

旅行商问题(Traveling Salesman Problem,TSP)是组合优化领域的基准问题。物流配送问题、汽车路径规划问题、无人机路径规划问题、机器人路径规划问题、数控机床刀具路径规划问题和雕刻机路径规划问题等实际组合优化问题均为TSP的变体。求解TSP的方法通常也可以求解上述实际组合优化问题，因此设计高效求解TSP的方法对组合优化领域的发展和解决实际组合优化问题有重要意义。

TSP是NP-Complete问题，其时间复杂度随着问题规模的增加呈指数级增长。目前对于规模较大的TSP，通常采用进化算法(Evolutionary Algorithms,EAs)求解。进化算法具有较高的灵活性，能在可接受的时间内获得高质量的计算结果。但传统EAs在解决问题时，往往默认该问题的先验知识为零。因此当求解规模较大的TSP时，EAs的搜索能力较弱，导致计算时间较长和计算结果质量较低。现实世界中的问题不是孤立存在的，当前遇到的任务可能与在历史的某个时刻完成的任务相似。例如本周日某个交通路口的路径规划和上周日该路口的路径规划。

发明内容

本发明的目的是提供一种解决旅行商问题的基于相似历史样本的孪生优化方法，包括以下步骤：

1)构建历史TSP数据库，包括历史TSP的数据和解决方案。

2)构建自编码器，将历史TSP数据库中的所有历史TSP数据依次输入到自编码器中，获得每个历史TSP对应的特征向量，并将所有历史TSP对应的特征向量存入Mivlus向量数据库中。

3)将Mivlus向量数据库存储的所有历史TSP的特征向量划分成若干簇，记为历史TSP簇，并记录每个历史TSP簇的聚类中心的特征向量。

4)获取目标TSP的数据，将目标TSP的数据输入到自编码器中，获得目标TSP的特征向量。

5)计算目标TSP的特征向量与每个历史TSP簇的聚类中心的特征向量的余弦距离，并确定余弦距离小于预设值的簇，记为粗选孪生TSP簇。

6)计算粗选孪生TSP簇的所有历史TSP的特征向量与目标TSP的特征向量的余弦距离，确定最小余弦距离。

7)根据最小余弦距离构建目标TSP的孪生TSP，确定孪生TSP的数据和解决方案。

8)学习孪生TSP和目标TSP的映射矩阵。

9)通过映射矩阵将孪生TSP的解决方案映射到目标TSP的搜索空间中，获得进化算法EAs的初始解G_t。

10)对进化算法EAs的初始解进行迭代计算，达到设定的迭代次数后，输出目标TSP的解决方案。

进一步，所述TSP的数据包括城市坐标点。

进一步，所述自编码器由输入层、隐含层和输出层组成。

进一步，所述通过自编码器获得TSP特征向量的步骤包括：