成长优化算法(Growth Optimizer,GO)由Qingke Zhang等人于2023年提出,该算法的设计灵感来源于个人在成长过程中的学习和反思机制。学习是个人通过从外部世界获取知识而成长的过程,反思是检查个体自身不足,调整个体学习策略,帮助个体成长的过程。
参考文献:
Qingke Zhang, Hao Gao, Zhi-Hui Zhan, Junqing Li, Huaxiang Zhang,Growth Optimizer: A powerful metaheuristic algorithm for solving continuous and discrete global optimization problems,Knowledge-Based Systems,261,2023
多旅行商问题(Multiple Traveling Salesman Problem, MTSP)是著名的旅行商问题(Traveling Salesman Problem, TSP)的延伸,多旅行商问题定义为:给定一个座城市的城市集合,指定个推销员,每一位推销员从起点城市出发访问一定数量的城市,最后回到终点城市,要求除起点和终点城市以外,每一座城市都必须至少被一位推销员访问,并且只能访问一次,需要求解出满足上述要求并且代价最小的分配方案,其中的代价通常用总路程长度来代替,当然也可以是时间、费用等。多仓库多旅行商问题是其中一种多旅行商问题。
多旅行商问题(Multiple Traveling Salesman Problem, MTSP):单仓库多旅行商问题及多仓库多旅行商问题(含动态视频)_IT猿手的博客-CSDN博客
多仓库多旅行商问题(Multi-Depot Multiple Travelling Salesman Problem, MD-MTSP):个推销员从座不同的城市出发,访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次,最后回到各自出发的城市,这种问题模型被称之为MD-MTSP。
本文选取国际通用的TSP实例库TSPLIB中的测试集bayg29作为测试例子,数据集可以自行修改。
close all
clear
clc
global data StartPoint Tnum
%数据集参考文献 REINELT G.TSPLIB-a traveling salesman problem[J].ORSA Journal on Computing,1991,3(4):267-384.
% 导入TSP数据集 bayg29
load('data.txt')
StartPoint=[1 5 15 16 20];%起点城市的序号(可以修改) 必须由小到大排列 (建议:2到6个旅行商)
Tnum=length(StartPoint);%旅行商个数
Dim=size(data,1)-Tnum;%维度
lb=-100;%下界
ub=100;%上界
fobj=@Fun;%计算总距离
SearchAgents_no=100; % 种群大小(可以修改)
Max_iteration=3000; % 最大迭代次数(可以修改)
[fMin,bestX,curve]=GO(SearchAgents_no,Max_iteration,lb,ub,Dim,fobj);
(1)4个旅行商
第1个旅行商的路径:5->29->3->26->9->12->6->5
第1个旅行商的总路径长度:937.336652
第2个旅行商的路径:15->10->2->21->28->1->13->15
第2个旅行商的总路径长度:1020.098035
第3个旅行商的路径:16->24->8->27->23->7->25->16
第3个旅行商的总路径长度:1044.413711
第4个旅行商的路径:20->4->19->11->22->17->14->18->20
第4个旅行商的总路径长度:1016.562836
所有旅行商的总路径长度:4018.411234
(2)5个旅行商
第1个旅行商的路径:1->28->12->9->6->1
第1个旅行商的总路径长度:738.241153
第2个旅行商的路径:5->2->29->3->26->5
第2个旅行商的总路径长度:850.176452
第3个旅行商的路径:15->10->21->13->4->15
第3个旅行商的总路径长度:863.828687
第4个旅行商的路径:16->27->23->8->24->16
第4个旅行商的总路径长度:832.105763
第5个旅行商的路径:20->19->7->25->11->22->17->14->18->20
第5个旅行商的总路径长度:1372.224471
所有旅行商的总路径长度:4656.576526