运筹优化学习05:Lingo进行TSP路径优化源码分享与经典文献分析

简介: 运筹优化学习05:Lingo进行TSP路径优化源码分享与经典文献分析

1 TSP经典模型

1.1 DFJ模型

引文格式:


G.B. Dantzig, D.R. Fulkerson and S.M. Johnson, "Solution of a large scale traveling salesman problem", Oper. Res. 2, 393-410(1954).

模型表述:

2019062909551116.png

1.2 MTZ模型

引文格式:

C.E. Miller, A.W. Tucker and R.A. Zemlin, "Integer programming formulations and traveling salesman problems", J. ACM 7,

326-329 (1960).

数学表述:


引入了自由变量来消除子路径

20190629095930356.png

是一个比较弱的LP松弛,其可行解并不是一个凸多边形平面

2 模型分析与经典文献赏析

DFJ模型可以较为容易的拓展到CVRP中,但拓展到DVRP中就不那么容易了更不用说要拓展到VRPTW中了

MTZ模型的子路径消除约束可与其他强约束合并

原文赏读:

20190629100858897.png

3 模型拓展与Lingo源码

3.1 拓展模型表述

2019062910115810.png

20190629101716564.png

3.2 Lingo源代码

MODEL: 
SETS: 
CITY / 1.. 6/: U; ! U( I) = 顾客编号序列; 
LINK( CITY, CITY): DIST, ! 距离矩阵; X; ! 二进制变量,根据链接(i,j)是否被访问决定X( I, J) = 1或0 ;
ENDSETS 
DATA: !距离矩阵,可以是对称矩阵也可以使非对称矩阵; 
DIST =0 56 35 21 51 60 
56 0 21 57 78 70 
35 21 0 36 68 68 
21 57 36 0 51 61 
51 78 68 51 0 13 
60 70 68 61 13 0; 
ENDDATA 
!模型参考文献:Desrochers, M., & Laporte, G. (1991). Improvements and extensions to the Miller-Tucker-Zemlin subtour elimination constraints. Operations Research Letters, 10(1), 27–36.; 
!doi:10.1016/0167-6377(91)90083-2?;
N = @SIZE( CITY); 
MIN = @SUM( LINK: DIST * X); 
@FOR( CITY( K): 
  @SUM( CITY( I)| I #NE# K: X( I, K) ) = 1; ! 必须到达顾客点k; 
  @SUM( CITY( J)| J #NE# K: X( K, J) ) = 1; ! 必须从顾客点k离开 
  @FOR( CITY( J)| J #GT# 1 #AND# J #NE# K: U( J) >= U( K) + X ( K, J) - ( N - 2) * ( 1 - X( K, J)) + ( N - 3) * X( J, K))!子路径消除约束,属于弱约束,在规模较大问题时,效果有限;
     ); ! 保证变量为二进制变量; 
@FOR( LINK: @BIN( X)); ! 二进制变量约束;
@FOR( CITY( K)| K #GT# 1: 
  U( K) <= N - 1 - ( N - 2) * X( 1, K); 
  U( K) >= 1 + ( N - 2) * X( K, 1)
    ); 
END 



相关文章
|
5月前
如何用公式化思维?几个经典公式收集
如何用公式化思维?几个经典公式收集
|
12月前
|
存储 供应链 算法
《数学模型(第五版)》学习笔记(2)第3章 简单的优化模型 第4章 数学规划模型
《数学模型(第五版)》学习笔记(2)第3章 简单的优化模型 第4章 数学规划模型
148 1
|
11月前
|
大数据
数学建模1:lingo软件求解优化模型
数学建模1:lingo软件求解优化模型
104 0
|
1月前
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
165 1
|
3月前
|
机器学习/深度学习 数据采集 算法
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机分类模型(SVC算法)项目实战
Python实现ISSA融合反向学习与Levy飞行策略的改进麻雀优化算法优化支持向量机分类模型(SVC算法)项目实战
|
3月前
|
机器学习/深度学习 人工智能 算法
计算机算法基础概述与常用算法解析
计算机算法基础概述与常用算法解析
|
4月前
|
算法 vr&ar
技术好文共享:遗传算法解决函数优化
技术好文共享:遗传算法解决函数优化
[数模论文写作]模型的建立与求解(二)
[数模论文写作]模型的建立与求解(二)
|
5月前
|
算法
2022国赛数模A题思路以及解析(附源码 可供学习训练使用)
2022国赛数模A题思路以及解析(附源码 可供学习训练使用)
1154 2
|
机器学习/深度学习 算法 Python
[数模论文写作]模型的建立与求解(一)
[数模论文写作]模型的建立与求解
下一篇
无影云桌面