Проблема коммивояжера: основанный на решателе

В этом примере показано, как использовать бинарное целочисленное программирование, чтобы решить классическую задачу коммивояжера. Эта проблема включает нахождение самого короткого закрытого тура (путь) через набор остановок (города). В этом случае существует 200 остановок, но можно легко изменить nStops переменная, чтобы получить различный проблемный размер. Вы будете решать начальную задачу и видеть, что решение имеет подтуры. Это означает, что найденное оптимальное решение не дает один непрерывный путь через все точки, но вместо этого имеет несколько разъединенных циклов. Вы будете затем использовать итеративный процесс определения подтуров, добавления ограничений и повторного выполнения оптимизации, пока подтуры не будут устранены.

Для подхода, основанного на проблеме смотрите проблему Коммивояжера: основанный на проблеме.

Чертите карту и остановки

Сгенерируйте случайные остановки в грубом многоугольном представлении континентальных США.

figure;

load('usborder.mat','x','y','xx','yy');
rng(3,'twister') % makes a plot with stops in Maine & Florida, and is reproducible
nStops = 200; % you can use any number, but the problem size scales as N^2
stopsLon = zeros(nStops,1); % allocate x-coordinates of nStops
stopsLat = stopsLon; % allocate y-coordinates
n = 1;
while (n <= nStops)
    xp = rand*1.5;
    yp = rand;
    if inpolygon(xp,yp,x,y) % test if inside the border
        stopsLon(n) = xp;
        stopsLat(n) = yp;
        n = n+1;
    end
end
plot(x,y,'Color','red'); % draw the outside border
hold on
% Add the stops to the map
plot(stopsLon,stopsLat,'*b')

Формулировка задачи

Сформулируйте проблему коммивояжера для целочисленного линейного программирования можно следующим образом:

  • Сгенерируйте все возможные прохождения, имея в виду все отличные пары остановок.

  • Вычислите расстояние для каждого прохождения.

  • Функция стоимости, чтобы минимизировать является суммой расстояний прохождения для каждого прохождения на туре.

  • Переменные решения являются двоичным файлом, и сопоставленный с каждым прохождением, где каждый 1 представляет прохождение, которое существует в туре, и каждый 0 представляет прохождение, которое не находится в туре.

  • Чтобы гарантировать, что тур включает каждую остановку, включайте линейное ограничение, что каждая остановка включена точно два прохождения. Это означает одно прибытие и одно отклонение от остановки.

Вычислите расстояния между точками

Поскольку существует 200 остановок, существует 19 900 прохождений, означая 19 900 бинарных переменных (# переменные = 200 выбирают 2).

Сгенерируйте все прохождения, имея в виду все пары остановок.

idxs = nchoosek(1:nStops,2);

Вычислите все расстояния прохождения, приняв, что земля является плоской для того, чтобы использовать Пифагорейское правило.

dist = hypot(stopsLat(idxs(:,1)) - stopsLat(idxs(:,2)), ...
             stopsLon(idxs(:,1)) - stopsLon(idxs(:,2)));
lendist = length(dist);

С этим определением dist вектор, продолжительность тура

dist'*x_tsp

где x_tsp бинарный вектор решения. Это - расстояние тура, который вы пытаетесь минимизировать.

Ограничения равенства

Проблема имеет два типа ограничений равенства. Первое осуществляет это должно быть 200 общих количеств прохождений. Второе осуществляет ту каждую остановку, должен иметь два прохождения, присоединенные к нему (должно быть прохождение в каждую остановку и прохождение, отбыв из каждой остановки).

Задайте первый тип ограничения равенства, что у вас должен быть nStops прохождения, в форме Aeq*x_tsp = beq.

Aeq = spones(1:length(idxs)); % Adds up the number of trips
beq = nStops;

Чтобы задать второй тип ограничения равенства, что должно быть два прохождения, присоединенные к каждой остановке, расширяют Aeq матрица как разреженная.

Aeq = [Aeq;spalloc(nStops,length(idxs),nStops*(nStops-1))]; % allocate a sparse matrix
for ii = 1:nStops
    whichIdxs = (idxs == ii); % find the trips that include stop ii
    whichIdxs = sparse(sum(whichIdxs,2)); % include trips where ii is at either end
    Aeq(ii+1,:) = whichIdxs'; % include in the constraint matrix
end
beq = [beq; 2*ones(nStops,1)];

Бинарные границы

Все переменные решения являются двоичным файлом. Теперь установите intcon аргумент к количеству переменных решения, помещенных нижняя граница 0 на каждом и верхней границе 1.

intcon = 1:lendist;
lb = zeros(lendist,1);
ub = ones(lendist,1);

Оптимизируйте Используя intlinprog

Проблема готова к решению. Чтобы подавить итеративный выход, выключите отображение по умолчанию.

opts = optimoptions('intlinprog','Display','off');
[x_tsp,costopt,exitflag,output] = intlinprog(dist,intcon,[],[],Aeq,beq,lb,ub,opts);

Визуализируйте решение

segments = find(x_tsp); % Get indices of lines on optimal path
lh = zeros(nStops,1); % Use to store handles to lines on plot
lh = updateSalesmanPlot(lh,x_tsp,idxs,stopsLon,stopsLat);
title('Solution with Subtours');

Как видно на карте, решение имеет несколько подтуров. Ограничения, заданные до сих пор, не предотвращают эти подтуры. Для того, чтобы предотвратить любой возможный подтур, вам было бы нужно невероятно большое количество ограничений неравенства.

Подсовершите поездку по ограничениям

Поскольку вы не можете добавить все подтуристические ограничения, проявите итерационный подход. Обнаружьте подтуры в текущем решении, затем добавьте ограничения неравенства, чтобы предотвратить те конкретные подтуры. Путем выполнения этого вы находите подходящий тур в нескольких итерациях.

Устраните подтуры по-разному ограничения. Пример того, как это работы - то, если у вас есть пять точек на подтуре, затем у вас есть пять линий, соединяющих те точки, чтобы создать подтур. Устраните этот подтур путем реализации ограничения неравенства, чтобы сказать, что там должно быть меньше чем или равно четырем линиям между этими пятью точками.

Еще больше найдите все линии между этими пятью точками и ограничьте решение не иметь больше чем четыре из этих существующих линий. Это - правильное ограничение потому что, если бы пять или больше из линий существовали в решении, то решение имело бы подтур (график с n узлы и n ребра всегда содержат цикл).

detectSubtours функция анализирует решение и возвращает массив ячеек векторов. Каждый вектор в массиве ячеек содержит остановки, вовлеченные в тот конкретный подтур.

tours = detectSubtours(x_tsp,idxs);
numtours = length(tours); % number of subtours
fprintf('# of subtours: %d\n',numtours);
# of subtours: 27

Включайте линейные ограничения неравенства, чтобы устранить подтуры, и неоднократно вызывать решатель, пока всего один подтур не остается.

A = spalloc(0,lendist,0); % Allocate a sparse linear inequality constraint matrix
b = [];
while numtours > 1 % repeat until there is just one subtour
    % Add the subtour constraints
    b = [b;zeros(numtours,1)]; % allocate b
    A = [A;spalloc(numtours,lendist,nStops)]; % a guess at how many nonzeros to allocate
    for ii = 1:numtours
        rowIdx = size(A,1)+1; % Counter for indexing
        subTourIdx = tours{ii}; % Extract the current subtour
%         The next lines find all of the variables associated with the
%         particular subtour, then add an inequality constraint to prohibit
%         that subtour and all subtours that use those stops.
        variations = nchoosek(1:length(subTourIdx),2);
        for jj = 1:length(variations)
            whichVar = (sum(idxs==subTourIdx(variations(jj,1)),2)) & ...
                       (sum(idxs==subTourIdx(variations(jj,2)),2));
            A(rowIdx,whichVar) = 1;
        end
        b(rowIdx) = length(subTourIdx)-1; % One less trip than subtour stops
    end

    % Try to optimize again
    [x_tsp,costopt,exitflag,output] = intlinprog(dist,intcon,A,b,Aeq,beq,lb,ub,opts);
    
    % Visualize result
    lh = updateSalesmanPlot(lh,x_tsp,idxs,stopsLon,stopsLat);
    
    % How many subtours this time?
    tours = detectSubtours(x_tsp,idxs);
    numtours = length(tours); % number of subtours
    fprintf('# of subtours: %d\n',numtours);
end
# of subtours: 20
# of subtours: 7
# of subtours: 9
# of subtours: 9
# of subtours: 3
# of subtours: 2
# of subtours: 7
# of subtours: 2
# of subtours: 1
title('Solution with Subtours Eliminated');
hold off

Качество решения

Решение представляет выполнимый тур, потому что это - один замкнутый цикл. Но действительно ли это - тур минимальной стоимости? Один способ узнать состоит в том, чтобы исследовать структуру output.

disp(output.absolutegap)
     0

Малость абсолютного разрыва подразумевает, что решение или оптимально или имеет общую длину, которая является близко к оптимальному.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте