大邻域搜索
回顾邻域
一个在最速下降局部搜索里的关键步骤是：
- 找到当前状态的最好相邻点
- 我们要求每个访问点都需要满足所有约束
大邻域
- 通常我们有小邻域，且我们探索邻域里的每一个点，利用：
- 穷举搜索
- 我们也可以有大邻域和通过以下方法探索：
- 约束编程，或
- 混合整数规划
大邻域搜索（LNS）
我们如何指定一个大邻域？通常：
- 给定一个现有的状态 \(d\)
- 其中 k% 的变量 \(x_i\) 固定在它们的现有值 \(d_i\)
- 对剩余的未固定的变量求解
- 就好像对原始问题的一个简化版求解
也可以用其他方法：
- 将邻域定义为变量值最多有 \(k\) 个变化的状态
- 除了特定的相关变量外，固定其他变量
- 与问题相关的邻域定义
优势：
- 可以“看见”和探索得更远
- 更不容易困在局部最小值
- 可以处理任意约束（只要你的求解器可以处理它们）
考虑：
- 如果邻域太大呢？
- 如果领域太小呢？
- 那些使用大邻域后依然陷入的局部最小值？
- 我们怎么得到一个初始的可行解？
基本的最小化问题的大邻域搜索算法框架：
large_neighbourhood_search(f, D)
d := initial_validation(D)
while(not stoppingcondition())
N := define_neighbourthood(d, D)
e := explore_neighbourhood(N)
if (f(e) < f(d))
d := e
return d
注：通常限制邻域的搜索
-
initial_validation(D)
- 为了得到初始解，我们可以忽略目标值，即解决原问题的约束满足版本
- 对调度问题而言是简单的
- 贪心算法
- 得到的时间表可能很差，但我们后续会进行改进
-
define_neighbourthood(d, D)
- 定义当前解（点）\(d\) 附近的一个邻域 \(N\) 进而搜索
- 对相同的 \(d\) ，在不同的迭代使用中可以有不同的结果
- 通常通过松弛一组变量来指定这样的领域
-
explore_neighbourhood(N)
- 搜索邻域以找到另一个解 \(e\) （默认情况下即邻域里最好的）
- 搜索的方式可能会改变
- 在大邻域搜索，我们通常使用约束编程或者混合整数规划来完成
就像其它的局部搜索算法，大邻域搜索不能证明最优。在实践中，我们运行大邻域搜索直到资源耗尽并返回当前答案。
定义邻域
根据具体问题而定：如果我们理解了问题之后我们可能会选择松弛
- 与问题的某一部分相关的所有变量
- 可能是使目标值特别差的一组变量
以车辆寻路问题为例，它有以下要点：
- 每个任务有特定位置和时间段
- 我们把任务分配给卡车
可能的邻域定义：
- 取消 / 松弛某一卡车的所有现有任务分配
- 允许一个卡车优化自己的时间表
- 取消 / 松弛在某一时间段内的所有现有任务分配
- 允许卡车之间交换任务
- 取消 / 松弛在某一区域的所有现有任务分配
- 允许卡车之间交换任务
我们也可以使用自适应选择的邻域：
- 集中在一些已经成功的方法上
一般化的随机邻域定义
随机邻域定义
- 对每一个变量
- 有 \(k\%\) 的概率将它固定在当前的值
- 对所有松弛的变量求解
关于 \(k\) ：
- 如果 \(k\) 的选择比较合适的话，效果会好得令人惊奇
- 太大：邻域的自由度有限，搜索中不能发现改善之处
- 太小：太大的邻域以至于搜索使用时间过长，基于等同于求解原来的问题
自适应的随机邻域定义
从 \(k\%\) 的固定率开始，对于任意邻域最多允许搜索 \(S\) 步
重复以下步骤
- 利用 \(k\) 生成随机的邻域 \(N\)
- 在 \(S\) 步之内求解大邻域搜索问题
- 如果求解在 \(n\) 步之内完成，而且 \(n<<S\)
- 令 \(k\) 更小（固定更少的变量）
- 如果求解在 \(S\) 步之内未能完成
- 令 \(k\) 更大（固定更多的变量）
自适应邻域定义具有鲁棒性，而且很难很难被击败！
大邻域搜索的变种——贪心的大邻域搜索
-
在大邻域中搜索
-
第一个得到改善的解，或者
-
直到资源耗尽
-
-
前往第一个解
-
继续大邻域搜索的循环
小结
- 一种强大的局部搜索方法
- 基于完备的搜索方法
- 可以处理任意约束
- 即使有时我们想把某些约束转化为惩罚
- 使用完备搜索方法可以拓展应用到更大的问题
- 随机邻域是鲁棒的
- 并不是说大邻域搜索就是最好的，对于一些特殊应用，专门为其设计的局部搜索策略有可能会好于大邻域搜索
灭火问题
- 给定
- 43 个悟空
- 100 个着火点，每个着火点要求不同数量的悟空和持续时间来扑灭
- 约束
- 在任何时间，需要的悟空不能超过可用的数量
- 在任何两个相邻的火点中，较低高度的火应该在较高的火点之前扑灭
- 目标
- 每个火点都在一天中的某个时间变得最弱，这也是对付它的最好时间
- 最小火灭火时间和最好时机的误差之和
灭火问题模型
-
数据
int: w; % 悟空数量 int: n; % 火点数量 set of int: FIRE = 1..n; array[FIRE] of int: d; % 持续时间 array[FIRE] of int: reqW; % 需要的悟空数量 array[FIRE] of int: best; % 最好时机 int: m; % 优先次序对的数量 set of int: PREC = 1..m; array[PREC] of FIRE: pre; % 先扑灭这个 array[PREC] of FIRE: post; % 再扑灭这个 int: maxt = sum(f in FIRE))(d[f]); % 最大时间点 -
决策变量
array[FIRE] of var 0..maxt: s; % 灭火开始时间 array[FIRE] of var 0..maxt: e = [s[f] + d[f] | f in FIRE]; % 结束时间 -
约束
constraint forall(i in PREC) (e[pre[i]] <= s[post[i]]); include "cumulative.mzn"; constraint cumulative(s, d, reqW, w); -
目标
var int: obj = sum(f in FIRE)(abs(s[f] - best[f])); solve minimize obj; output["Start = \(s)\n" ++ "End = \(e)\n" ++ "Obj = \(obj)\n"];
标签：变量,int,邻域,离散,FIRE,搜索,array 来源： https://www.cnblogs.com/xxxxxxxxx/p/13139094.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。