一、TSP问题
TSP问题（Travelling Salesman Problem）即旅行商问题，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。
TSP问题是一个组合优化问题。该问题可以被证明具有NPC计算复杂性。TSP问题可以分为两类，一类是对称TSP问题（Symmetric TSP），另一类是非对称问题（Asymmetric TSP）。所有的TSP问题都可以用一个图（Graph）来描述：
V={c1, c2, …, ci, …, cn}，i = 1,2, …, n，是所有城市的集合. ci表示第i个城市， n为城市的数目；
E={(r, s): r,s∈ V}是所有城市之间连接的集合；
C = {crs: r,s∈ V}是所有城市之间连接的成本度量（一般为城市之间的距离）；
如果crs = csr, 那么该TSP问题为对称的，否则为非对称的。
一个TSP问题可以表达为：
求解遍历图G = (V, E, C)，所有的节点一次并且回到起始节点，使得连接这些节点的路径成本最低。
二、爬山算法
爬山算法是一种局部择优的方法，采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。 该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。属于人工智能算法的一种。
爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如下图所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。
爬山算法实施步骤：
三、爬山算法求解TSP问题
在该JAVA实现中我们选择使用上的数据att48，这是一个对称TSP问题，城市规模为48，其最优值为10628.其距离计算方法下图所示：
具体代码如下：
package noah;import java.io.BufferedReader;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import java.util.Random;public class HillClimbing { private int MAX_GEN;// 迭代次数 private int cityNum; // 城市数量,编码长度 private int[][] distance; // 距离矩阵 private int bestT;// 最佳出现代数 private int[] bestGh;// 最好的路径编码 private int bestEvaluation; private Random random; public HillClimbing() { } /** * constructor of GA * * @param n * 城市数量 * @param g * 运行代数 * **/ public HillClimbing(int n, int g) { cityNum = n; MAX_GEN = g; } // 给编译器一条指令，告诉它对被批注的代码元素内部的某些警告保持静默 @SuppressWarnings("resource") /** * 初始化HillClimbing算法类 * @param filename 数据文件名，该文件存储所有城市节点坐标数据 * @throws IOException */ private void init(String filename) throws IOException { // 读取数据 int[] x; int[] y; String strbuff; BufferedReader data = new BufferedReader(new InputStreamReader( new FileInputStream(filename))); distance = new int[cityNum][cityNum]; x = new int[cityNum]; y = new int[cityNum]; for (int i = 0; i < cityNum; i++) { // 读取一行数据，数据格式1 6734 1453 strbuff = data.readLine(); // 字符分割 String[] strcol = strbuff.split(" "); x[i] = Integer.valueOf(strcol[1]);// x坐标 y[i] = Integer.valueOf(strcol[2]);// y坐标 } // 计算距离矩阵 // 针对具体问题，距离计算方法也不一样， // 此处用的是att48作为案例，它有48个城市，距离计算方法为伪欧氏距离，最优值为10628 for (int i = 0; i < cityNum - 1; i++) { distance[i][i] = 0; // 对角线为0 for (int j = i + 1; j < cityNum; j++) { double rij = Math .sqrt(((x[i] - x[j]) * (x[i] - x[j]) + (y[i] - y[j]) * (y[i] - y[j])) / 10.0); // 四舍五入，取整 int tij = (int) Math.round(rij); if (tij < rij) { distance[i][j] = tij + 1; distance[j][i] = distance[i][j]; } else { distance[i][j] = tij; distance[j][i] = distance[i][j]; } } } distance[cityNum - 1][cityNum - 1] = 0; bestGh = new int[cityNum]; bestEvaluation = Integer.MAX_VALUE; bestT = 0; random = new Random(System.currentTimeMillis()); } // 初始化编码Ghh void initGroup() { int i, j; bestGh[0] = random.nextInt(65535) % cityNum; for (i = 1; i < cityNum;)// 编码长度 { bestGh[i] = random.nextInt(65535) % cityNum; for (j = 0; j < i; j++) { if (bestGh[i] == bestGh[j]) { break; } } if (j == i) { i++; } } } public int evaluate(int[] chr) { int len = 0; // 染色体，起始城市,城市1,城市2...城市n for (int i = 1; i < cityNum; i++) { len += distance[chr[i - 1]][chr[i]]; } // 城市n,起始城市 len += distance[chr[cityNum - 1]][chr[0]]; return len; } // 爬山算法 public void pashan(int[] Gh, int T) { int i, temp, tt = 0; int ran1, ran2; int e;// 评价新值 int[] tempGh = new int[cityNum]; bestEvaluation = evaluate(Gh); // 爬山代数T for (tt = 0; tt < T; tt++) { for (i = 0; i < cityNum; i++) { tempGh[i] = Gh[i]; } ran1 = random.nextInt(65535) % cityNum; ran2 = random.nextInt(65535) % cityNum; while (ran1 == ran2) { ran2 = random.nextInt(65535) % cityNum; } // 两交换法实施邻域操作 temp = tempGh[ran1]; tempGh[ran1] = tempGh[ran2]; tempGh[ran2] = temp; e = evaluate(tempGh);// 评价新值 if (e < bestEvaluation) { bestT = tt; bestEvaluation = e; for (i = 0; i < cityNum; i++) { Gh[i] = tempGh[i]; } } } } public void solve() { initGroup();// 初始化编码 pashan(bestGh, MAX_GEN); System.out.println("最佳长度出现代数："); System.out.println(bestT); System.out.println("最佳长度"); System.out.println(bestEvaluation); System.out.println("最佳路径："); for (int i = 0; i < cityNum; i++) { System.out.print(bestGh[i] + ","); if (i % 10 == 0 && i != 0) { System.out.println(); } } } /** * @param args * @throws IOException */ public static void main(String[] args) throws IOException { System.out.println("Start...."); HillClimbing hillClimbing = new HillClimbing(48, 5000); hillClimbing.init("c://data.txt"); hillClimbing.solve(); }}
运行结果截图：
四、总结
爬山算法由于其简单的结构，在处理多约束大规模问题时比较力不从心，很难得到较好的解，但在小规模的NP问题求解中，解的质量还是比较好的；此外爬山算法结构简单，在某些情况下，整体效率比A星算法的效果还好。
注：本文部分内容来源于网络，但程序以及分析结果属于本人成果，转载请注明！