TSP软件

TSP软件（精选7篇）

TSP软件 篇1

引言

漏洞是在硬件、软件、协议的具体实现或系统安全策略上存在的缺陷,从而可以使攻击者能够在未授权的情况下访问或破坏系统。就车联网TSP平台而言,漏洞可能来自软件系统设计时的缺陷或编码时产生的错误,也可能来自业务在交互处理过程中的设计缺陷或逻辑流程上的不合理之处。这些缺陷、错误或不合理之处可能被有意或无意地利用,从而对整个车联网的运行造成不利影响。例如系统被攻击或控制、重要资料被窃取、用户数据被篡改、甚至冒充合法用户对车辆进行控制。

漏洞嗅探是攻击者与防护者双方对抗的关键,防护者如果不能早于攻击者发现可被利用的漏洞,攻击者就有可能利用漏洞发起攻击。越早发现并修复漏洞,信息安全事件发生的可能性就越小。

1、TSP平台常见漏洞

系统安全漏洞与系统攻击活动之间有紧密的关系。因而不该脱离系统攻击活动来谈论安全漏洞问题。了解常见的系统漏洞,以及找到相应的补救方法是十分必要的。

1.1 SQL注入

由于程序在编写时,没有对用户输入数据的合法性进行判断,使应用程序存在安全隐患。用户可以提交一段数据库查询代码,根据程序返回的结果获得某些他想得知的数据。

其主要危害有:在未经授权状况下操作数据库中的数据;恶意篡改网页内容;私自添加系统帐号或者是数据库使用者帐号;网页挂木马等。

1.2 XSS

[1]XSS,跨站脚本攻击。恶意攻击者往Web页面里插入恶意html代码,当用户浏览该页之时,嵌入其中Web里面的html代码会被执行,从而达到恶意攻击用户的特殊目的。

其主要危害有:攻击者通常会在有漏洞的程序中插入Java Script、VBScript、Active X或Flash以欺骗用户。一旦得手,他们可以盗取用户帐户、修改用户设置、盗取/污染cookie、做虚假广告等。

1.3 信息泄露

信息泄露是指应用程序泄露应该保密的信息,例如客户端注释中泄露敏感信息、系统日志泄露敏感信息等。这些泄露的信息可能会对攻击者进一步了解应用程序,以致攻击应用程序提供一定的帮助。

1.4 越权漏洞

越权漏洞是指由于应用程序未正确实现授权功能,造成用户可以执行其没有资格执行的操作,包括可以查看或修改他本身没资格查看或修改的资源,以及可以执行用户本身没有的功能。

1.5 暴力破解

暴力破解是一种针对于密码的破译方法,即将密码进行逐个推算直到找出真正的密码为止。攻击者利用该漏洞可以破解存在该漏洞的应用程序的用户密码。

1.6 文件上传漏洞

文件上传漏洞是由于对用户文件上传部分的控制不足或者处理缺陷,而导致的用户可以越过其本身权限向服务器上传可执行的动态脚本文件。恶意攻击者利用该漏洞可以直接向服务器上传ASP木马、PHP木马等,从而控制TSP服务器。

1.7 CSRF

[2]跨站请求伪造(CSRF)攻击特性是危害性大但非常隐蔽。发起的目标都是通过伪造一个用户请求,该请求不是用户想发出去的请求,而对服务器或服务来说这个请求是完全合法的一个请求,但是却完成了一个攻击者所期望的操作。

1.8 路径遍历漏洞

许多功能强迫Web应用程序根据用户在请求中提交的参数向文件系统读取或写入数据。如果以不安全的方式执行这些操作,攻击者就可以提交专门设计的输入,使得应用程序访问开发者并不希望他访问的文件,这就是路径遍历漏洞。攻击者可利用这种缺陷读取密码和应用程序日志之类的敏感数据,或者复写安全性至关重要的数据项,如配置文件和软件代码。在最为严重的情况下,这种漏洞可使攻击者能够完全攻破应用程序与基础操作系统。

2、安全测试

安全测试不同于渗透测试,渗透测试考虑的是以黑客方法,侧重于几个点的穿透攻击,能解决急迫的一些问题,但无法针对系统做完备性的安全测试,所以难以解决系统自身实质性的安全问题。而安全测试是侧重于对安全威胁的建模,系统地对来自各个方面,各个层面威胁的全面考量,从整体系统架构、安全编码、安全测试、安全测试覆盖性、安全度量等多个因素去考虑问题,提出的解决方法则是逐步引入安全开发过程,提供相应的工具支撑,目标是提升系统自身实质性安全问题。安全测试可以检测出系统可能会来自哪个方面的威胁,正在遭受哪些威胁,以及系统已经可抵御什么样的威胁。当然,安全测试涵盖渗透测试的部分内容。

2.1 安全需求

根据车联网TSP平台个人征信系统的实际情况并结合Web系统的常见安全漏洞,系统应满足如下安全需求:

系统应具备身份认证功能,保证其设计和实现上不存在漏洞。

1)系统应具备会话管理功能,保证会话的一致性和持续性,同时不存在设计和实现上的漏洞。

2)系统应具备访问授权功能,保证权限被正确的设置并不存在设计和实现上的漏洞。

3)系统应对客户端提交的数据进行安全性检查,并保证检查和过滤的全面性和有效性。

4)应保证系统在上线前,其所依赖的相关安全配置被正确设置。

5)系统应保证其敏感操作被正确的设计并实现,不存在安全漏洞。

2.2 测试内容

2.2.1 身份认证(IA)

2.2.2 会话管理(SM)

2.2.3 访问授权(AA)

2.2.4数据验证(DV)

2.2.5配置管理(CM)

参考文献

[1]邱永华.XSS跨站脚本攻击剖析与防御[M].北京:人民邮电出版社,2013.

[2]季凡,方勇,蒲伟,周妍.CSRF新型利用及防范技术研究[J].信息安全与通信保密,2013(3).

什么是TSP? 篇2

TSP, 英文 total suspended particulate 的缩写, 即总悬浮微粒, 又称总悬浮颗粒物。指悬浮在空气中的空气动力学当量直径≤100μm的颗粒物。是大气质量评价中一个通用的重要指标。它主要来源于燃料燃烧时产生的烟尘、生产加工过程中产生的粉尘、建筑和交通扬尘、风沙扬尘以及气态污染物经过复杂物理化学反应在空气中生成的相应盐类颗粒。粒径小于100μm的称为TSP, 即总悬浮物颗粒;粒径小于10μm的称为PM10, 即可吸入颗粒。TSP和PM10在粒径上存在着包含关系, 即PM10为TSP的一部分。

禁忌搜索求解TSP问题 篇3

禁忌搜索是一种新的优化方法, 其框架灵活, 通用性强, 应用领域较广。TSP是一类典型的组合优化问题, 它在交通运输、电路板线路以及物流配送等领域都有广泛的应用。本文采用改进的禁忌搜索算法求解TSP问题。

1、禁忌搜索算法

1.1 算法思想

禁忌搜索是对局部邻域搜索的一种扩展, 是一种全局逐步寻优算法, 禁忌就是禁止重复前面的工作, 有效克服局部邻域搜索易陷入局部最优的不足。该算法是通过引入一个灵活的存储结构和相应的禁忌准则来保证对不同的有效搜索途径的搜索, 并通过藐视准则来赦免一些被禁忌的优良状态, 最终实现全局优化。

1.2 邻域和候选解

定义1:令 (D, f) 为一个组合优化问题, 其中D为决策变量的可行域, f为目标函数, 设决策变量为x, 则一个邻域函数可定义为D上的一个映射, 即:N:D→2D。其中2D表示D的所有子集组成的集合。即对每个x∈D, N (x) ∈2D。N (x) 称为x的邻域, x′∈N (x) 称为x的一个邻居。

定义2若坌x∈N (x′) , 均满足f (x′) ≤f (x) 。则称x′为f在D上的局部极小解;若∀x∈D, 均满足f (x′) ≤f (x) , 则称x′为为f在D上的全局最小解。

邻域结构的设计通常与问题有关。它影响了当前解的邻域解的产生形式和数目, 以及各个解之间的关系, 对搜索质量和效率有较大的影响。

候选解通常在当前状态的邻域中择优选取, 但选取过多将造成较大的计算量, 而选取较小则容易早熟收敛。为了节省时间, 算法要有选择性取少量的优良解来改善算法的时间效率。

1.3 初始解、适应函数、禁忌准则和藐视准则

禁忌搜索对初始解有较强的依赖性, 好的初始解可以使禁忌搜索在解空间中搜索到好的解, 而较差的初始解则会降低禁忌搜索的收敛速度。在求解某个具体问题时, 如何选择高质量的初始解来提高算法搜索的质量和效率是很重要的。

禁忌搜索的适应函数是对搜索的评价, 结合禁忌准则和藐视准则来选取新的当前状态。禁忌的目的则是为了尽量避免迂回搜索。禁忌长度就是即禁忌对象不允许被选取的最大次数。禁忌对象只有当其任期为0时才能被解禁。禁忌长度与问题相关, 它可以是固定值也可以是某种规律变化的。

在藐视准则的设置时, 算法应避免遗失优良状态, 激励对优良状态的局部邻域搜索, 实现全局优化的关键步骤。

在禁忌搜索算法中, 藐视准则是将某些状态解禁, 以实现更高效的优化性能。禁忌对象上次被禁忌时使得适应函数有所改善, 并且当前该禁忌对象对应的候选解的适应函数优于当前解, 则对该禁忌对象解禁。该准则保证有效的搜索。

禁忌搜索是动态搜索邻域的算法, 流程图如下:

2、禁忌算法求解TSP

TSP是一个易于描述问题却难以大规模处理的NP问题。TSP问题定义如下:

TSP设C={≤c1, c2, …, cn}≤是n个城市的集合,

L={lij≤ci, cj∈C}是集合C中城市两两相连的集合, dij (i, j=1, 2, …, n) 是lij的距离, 即。TSP是一条对C={c1, c2, …, cn}中n个城市访问且只访问一次的最短封闭曲线。TSP是一个组合最优化问题, 即有限集上的最优化。因此, TSP的一个最优解就是对应于结点标号为{1, 2, …, n}的一个排列π, 并使得长度f (π最小。其中f (π) 的定义为

本文提出的禁忌搜索算法如下:

(1) 随机解初始解x。

(2) 建立禁忌表, 设置最大迭代次数和禁忌长度。

(3) 判断是否满足终止条件

(4) 是结束搜索, 输出优化结果。

(5) 否生成x的邻域N (x) , 产生候选集。

(6) 判断是否有候选解满足藐视准则

(7) 是, 将满足藐视准则的解作为当前解。更新禁忌表。转 (3)

(8) 否, 将非禁忌最佳解作为当前解。更新禁忌表。转 (3)

3、仿真结果

本文以10个城市和30个城市为例, 城市坐标和实验结果如下

从实验寻优过程可以看出, 数据能多次逃离局部最优解, 最终在一个区域震荡, 该区域的最优不一定是全局最优。上面的两个例子就说明这个问题。10城市的最优是2.6907, 30城市的最优是423.7406。但禁忌算法的收敛深度快, 计算效率高, 稳定性好。

4、结束语

从仿真结果图中可以看出, 禁忌搜索算法的寻优下降过程非常快, 在短时间收敛于“次优解或最优解”。禁忌搜索算法在求解小规模的优化问题上显示出超强能力, 但在大规模的优化问题时表现差强人意, 如迭代次数增多, 搜索性能下降等等。这是禁忌搜索算法需再改进之处。

参考文献

[1]GareyM R, Johnson D S.A guide to the Theory ofNP-Com-pleteness[J].Computers and Intractability, 1979, 3 (5) .

[2]贺一, 刘光远.变异操作对禁忌搜索性能的影响研究[J].计算机科学, 2002, 29 (5) .

[3]张辉赵正德杨立朝赵郁亮.TSP问题的算法与应用的研究[J].计算机应用与软件, 2009, 26 (4) .

非完全图TSP问题研究 篇4

旅行商问题 (Traveling Salesman Problem, TSP) , 又称货郎担问题或旅行推销员问题, 最早由美国的Rand公司提出。问题可简单描述为:设有n个城市 (节点) , 若从某城市 (节点) 出发, 遍历各城市 (节点) 一次后返回原出发点, 要求找出一条路线, 使总路径最短[1]。TSP问题的图论描述为:设图G= (V, E) , V代表顶点集, E代表由不同顶点组成的边集, 已知道各边的长度dij, 要找出一个Hamilton回路, 使它的距离最短。现实生活中有很多问题可以归结为旅行商问题, 比如邮路问题、连锁店的货物配送路线问题、装配线上的螺帽问题和产品的生产安排问题等[2], 其研究具有重要的理论意义和应用价值。

通过中国知网检索发现, 国内外学者就TSP问题进行了相关研究:Pintea等人[3]将蚁群优化算法应用于解决旅行商问题;李勇采用动态蚁群算法研究了TSP问题[4];李如琦提出用MAX_MIN蚂蚁算法解决中国旅行商问题[5];国圆媛应用蚁群算法解决了浙江旅行商问题的最短路径[6];潘庆祥建立了有向图TSP模型, 并设计了算法进行求解[7]。

2 TSP问题分类

按照TSP路径关系的不同特征, 通常有以下两种基本分类。

(1) 根据任意两个城市 (节点) 之间是否均存在路径 (边) 相连接, 可分为完全图TSP问题与非完全图问题。完全图是指一个图的每一对不同顶点恰有一条边相连, 基于完全图的旅行商问题即为完全图TSP问题;非完全图是指存在两个顶点之间没有边相连接, 即n个端点的连接边数少于n (n-1) /2条边, 基于非完全图的旅行商问题即为非完全图TSP问题。

(2) 根据任意两个城市之间来回路径均是否相等, 可分为无向图TSP问题和有向图TSP问题。所谓无向图, 是指一个图中的每条边都没有方向, 往返的费用值相等, 即dij=dji;所谓有向图, 是指一个图中的每条边有方向, 往返的费用值不等, 即dij≠dji

上述研究多是针对完全图TSP问题, 而完全图是一种简单图, 任何两个顶点之间均有线路连接, 处于当前节点时, 可以选择任意节点作为待访问的后续节点, 问题求解相对容易。但是, 针对非完全图的研究较少。

3 非完全图TSP问题的数学模型

与完全图TSP问题不同, 非完全图TSP问题中存在城市之间没有路径连接, 需要对问题进行转换处理。一种设想是寻找一条经过第三个城市的最短路来间接地表示两个城市之间的路径关系[8], 即令

dij=min{dip+dpj}, 1≤i, j, p≤n

但是, 这种设想要增加从若干种可能中选优, 且仅仅是局部选优的计算过程, 当城市数目n很大时, 将使问题复杂化。

受到运筹学中大M法思想的启发, 本文引入M (一个非常大的正数) 来表示没有路径直接相连的两个城市之间的距离, 从而将问题转换成完全图TSP问题。

建立其数学模型如下:

上式中, n为集合中所含图的顶点数。约束 (1) 和 (2) 意味着对每个点而言, 仅有一条边进和一条边出;约束 (3) 则保证了没有任何子回路解的产生。于是, 满足约束 (1) 、 (2) 和 (3) 的解构成了一条Hamilton回路。

4 实例验证

选取oliver30问题作为研究对象 (节点坐标如表1所示) , 随机选取节点17与20, 22与26, 28与4三对节点, 设置其间没有边连接, 将其改造成非完全图TSP问题, 如表1所示。根据前文所述, 设置节点对17与20, 22与26, 28与4之间的距离d17.20, d22.26, d4.2S为M, 考虑本例节点间距, 取M=10000。

采用蚁群算法在计算机上仿真计算, 得到最优路径如图1所示。

在非完全图TSP问题中, 搜索TSP路线的次数应等于或者少于完全图TSP问题, 所得到的TSP路线方案总数也应少于完全图TSP情形。本例中, 由于节点17与20没有路径直接相连接 (可认为距离值非常大) , 如图中虚线所示, 只能途径18, 19号节点再到达20号节点。同样, 节点22与26, 28与4之间, 只能途径其他节点绕道抵达。仿真计算得到最短路径为:

20→ 21→22→23→25→24→26→27→28→29→30→ 2→ 1→ 3→ 4→ 5→ 6→ 7→ 8→ 9→10→11→12→13→14→15→16→17→18→19。

对应的路径距离值:423.7406。

5 结语

非完全图TSP问题中存在着某些城市 (节点) 之间没有路径直接相连, 使得处于该节点位置时, 其路径选择受到一定限制, 这给问题的解决带来了一些困难。受到运筹学中大M法思想的启发, 通过引入一个非常大的正数 (即大M) 来表示这些节点间的距离, 从而将非完全图TSP问题转化成完全图TSP问题, 降低了问题求解的难度, 使其变成规范化的、易于求解的TSP问题。需要指出的是, 本文提出的这种将非完全图TSP问题转化成完全图TSP问题的转化思想, 同样适用于其他非标准TSP问题。

摘要：指出了TSP问题是一种具有代表性的组合优化问题, 在现实生活中有着广泛的应用。不同于完全图, 非完全图TSP问题中存在着某些节点之间没有路径直接相连, 使得处于该节点位置时, 其路径选择受到一定限制。受运筹学中大M法思想的启发, 提出了通过引入一个非常大的正数 (即大M) 来表示此类节点间的距离, 从而将非完全图TSP问题转化成完全图TSP问题, 降低了问题求解的难度, 并且验证了该方法的有效性。

关键词：TSP问题,非完全图,大M法,仿真

参考文献

[1]余详宣, 崔国华.计算机算法基础[M].武汉:华中科技大学, 1998.

[2]李会玲.基于模拟退火的遗传优化算法在TSP问题中的应用[J].热处理技术与装备, 2007, 28 (6) :51~55.

[3]Pintea C M, Pop P C, Dumitrescu D.An ant-based technique for the dynamic generalized traveling salesman problem[C].Proceedings of the 7th WSEAS International Conference on Systems Theory and Scientific Computation, 2007:257~261

[4]李男, 段正澄.动态蚁群算法求解TSP问题[J].计算机工程与应用, 2003, 39 (17) :104~107.

[5]李如琦, 苏媛媛.用MAX_MIN蚂蚁算法解决中国旅行商问题[J].湖南工业大学学报, 2007 (5)

[6]国圆媛, 许延鑫, 吴江.浙江旅行商问题研究[J].中国新技术新产品, 2009 (22) :147~149.

[7]潘庆祥, 徐自然.具有重复路径的有向TSP问题[J].才智, 2014 (17) :103~106.

改进的遗传算法求解TSP 篇5

本文采用2-Opt局部搜索算法对标准遗传算法进行了改进。另外，在运算过程中利用不同程度的精英复制有效保留了优秀基因，同时也维持后代种群的个体数量不变。为了保证交叉后产生新个体编码的有效性，引入了改进的OX交叉算法。还提出了一种新的变异算法，随机产生变异基因的位置，算法简单，运算量小，可通过改变变异次数调整运算结果。通过调整变异率、变异次数和交叉率、交叉节点等参数，得到了较好的试验结果。

1 改进的遗传算法

1.1 2-Opt算法

2-Opt算法是一种局部启发式搜索算法，其原理示意图如图1所示。算法的实质是将节点a2与a3之间的城市码逆序排列，得到新的路径。

考虑路径p1:

其中1 2 3 4 5 6 7 8为城市编码，p1表示这些编码按顺序联接形成的路径。

可见，2-Opt算法与节点a1与a2的选择无关，改变a2与a3的位置，会得到不同精度和收敛速度的结果。

2-Opt操作后，得到的路径:

1.2 选择和复制

采用式(1)求个体的期待值:

由于个体被选择(复制)的次数ni将由期待值vi四舍五入得到。种群进行选择操作之后个体的数量将会由所变化。常会发现进行选择后的种群个体数量远远小于初始种群。在选择后进行合理的精英复制可以解决这个问题。将最优个体进行一定数量的复制，加入经选择后个体数目减少的种群中，一方面可以保留最优个体，另一方面可以保证种群数量的稳定。

1.3 变异

随机产生两个整数，作为变异城市码的位置。将这两个位置的城市码交换，即得到变异后的新个体。传统的变异方法容易产生重复路径，或不能保证每个城市只经过一次，导致算法得出不符合要求的结果。改进后的算法可以避免这个问题。同时适当调整种群变异率和个体的变异次数会有效地改善结果。

1.4 交叉

改进的OX顺序交叉。这种交叉操作能避免重复路径的产生，保留排列并融合不同排列的有序结构单元。两个父个体交叉时，通过选择父个体1的一部分，保存父个体2中城市码的相对顺序生成子个体。为了减小问题的复杂程度，利用最常见的一点交叉方法。

以下面两个个体为例说明交叉方法(|表示交叉点的位置):

将父体2的第一段复制到父体1之前，得到

父体1的第一段复制到父体2之前，得到

此时两个体中o1、o2中都有重复城市码，从第二段开始扫描，去掉与第一段城市码重复的编码即得到子个体。以o1为例，从第二段第一个编码1开始扫描，第二段第二个编码2与第一段第三个编码重复，去掉;第三段第一个编码4与第一段第一个编码重复，去掉;直至扫描到第三段最后一个编码。这样子个体生成为:

o1:(4 5 2 1 3 6 7 8 9);o2:(1 2 3 4 5 8 7 6 9)。

2 算法步骤

随机产生初始种群，对所有个体应用2-Opt局部搜索算法，然后进行选择、复制、交叉和变异，得到的子代种群应与父代种群个体数目相等，判断是否符合终止条件，若不符合按同样的方法继续计算，直至符合条件为止。设定终止条件为:(1)达到最大迭代次数C;(2)迭代得到结果与最优解之差小于δ。当满足条件2时算法结束;若条件2一直不能满足，达到最大迭代次数之后算法结束。

算法步骤具体如下:

(1)随机产生初始种群E，个体数为N。

(2)对所有个体应用2-Opt。

(3)求取种群E中个体的适应度，用期待值法将最优个体复制到TempE中，现在TempE中有k1个个体。

(4)取种群中E适应度最大的个体M复制(N-k1)e次，进行变异操作。并将变异后的个体复制到TempE中，现在TempE中有k2=k1+(N-k1)e个个体。

(5)将M复制N-k2次放到TempE中，现在TempE中有N个个体。对所有个体应用2-opt。

(6)对新种群TempE进行变异率为a的变异操作，保留最优个体。

(7)对种群TempE进行交叉操作，交叉点为n，交叉率为x，将TempE中个体复制到E中。

(8)求种群的目标函数值，若符合终止条件，输出最短路径;否则转(2)。

3 试验结果

以求30个城市的最短路径为例进行试验，这些城市在平面内的坐标参照文献[8]。以下各图和表展示了标准遗传算法(SGA)和改进遗传算法(IGA)求解该问题时的其中一次试验结果。

图2绘制了其中一次试验得出的贯穿所有城市的最短路径示意图，可以很明显的看出改进遗传算法的优势;图3和图4分别给出了算法开始到终止的过程中最短总路径长度和最优个体适应度的变化情况。表1给出了初始值由接近最优到逐渐趋于随机的5种情况下的实验结果比较。

由表中数据对比可知:尽管改进遗传算法较标准遗传算法复杂，单次循环时间长，但由于进化代数小，所以运行时间仍小于普通遗传算法。随着初值趋于随机的变化，两种算法的运行时间都变长，但可以看出改进遗传算法受影响程度较小。在最后一组初值下标准遗传算法已经不能在500步之内找到全局最优解，但改进遗传算法仍然取得了较好的结果。

4 结论

本文提出了一种新的变异算法，这种算法有效避免了路径重复，减小了运算量，提高了运算速度。加入了改进的OX交叉算法，在交叉中合理保留了优秀个体基因的排列顺序。把局部启发式搜索算法和标准遗传算法结合了起来，加快了算法的收敛速度，减轻了初值对结果的影响。仿真结果表明，改进的遗传算法收敛性好，受初值影响小，运算时间缩短。

参考文献

[1] Samanliogolu F,Ferrell Jr W G,Kurz M.A memetic random-key genetic algorithm for a symmetric multi-objective traveling salesman problem.Computer and Industrial Engineering,2008;55:439-449

[2]杨行峻，郑君里.人工神经网络与盲信号处理.北京，清华大学出版社，2003:162

[3] Rosen K H.离散数学及其应用.北京，机械工业出版社，2002:480

[4]高海昌，冯博琴，朱利.智能优化算法求解TSP问题．控制与决策，2006;21(3):242-247

[5]莫海芳，康力山.求解TSP的混合遗传算法.计算机工程与应用，2007;43(18):40-44

[6] Baraglia R,Hidalgo J I,Perego R.A hybrid heuristic for the traveling salesman problem.IEEE Trans on Evolutionary Computation,2001;5(5):613-622

[7]尹传忠，卜雷，蒲云，等.带回送和时间窗的车辆路径问题的模型及算法.西南交通大学学报，2006;41(3):290-295

模拟退火遗传算法求解TSP问题 篇6

本文在分析遗传算法和模拟退火的基础之上求解TSP问题, 针对遗传算法的不足, 结合模拟退火思想对遗传算法进行改进, 并将传统遗传算法与改进后的遗传算法所得结果进行比较, 表明了改进后遗传算法在求解此问题上的优越性, 取得了理想的试验结果。

2 遗传算法设计

遗传算法基本结构可概括为:1初始化种群;2对种群每个个体进行评估;3选择 (竞争生存机会) ;4变化 (重组、杂交与变异) ;5如不满足终止条件, 转2;否则结束[1,2]。

2.1 种群初始化

种群的规模选择应适当, 盲目的增大种群规模不能使算法得到改进, 反而大大增加了计算的开销。以20个城市为例, 种群初始化时, 先产生1, 2, ……, 20的一条规则路径, 然后在这条路径中随机选两个数, 将它们交换位置, 这样做若干次保证这条路变成了一条随机的路径。以这条随机路径为基础, 对一些随机的位, 做两两交换, 这样产生了一个个体;同样地产生种群里其它的个体[3,4]。

2.2 适应度函数与最优解的保存

用个体 (一条闭合路径) 的周长 (平面欧氏距离) 作为该个体的适应值。求得种群中所有个体的适应值后, 将适应值最大的个体保存起来, 到演化完毕时, 这个个体就是最后要求的解。

2.3 选择 (竞争) 策略

这里采用了轮盘选择策略。可以采用一个映射对适应值进行规范:

其中, F是适应度函数求出的适应值, Fmax为其中的最大值, F′是规范后的适应值。然后, 用F′来构造轮盘, 概率为:

表示了某一个体被选入下一代的概率。

2.4 杂交算子

在遗传算法里面, 可以用单体杂交, 双体杂交和多体杂交。但要保证种群的规模不变, 须保证n个个体杂交产生n个后代, 后代产生之后要代替其父体的位置[5,6]。

2.5 变异算子

变异可以看作是外界对种群的影响。变异是为了引入新的因素, 希望个体在外界的作用下, 能够自我优化, 产生好的基因[7,8]。变异算子采用了简单的倒序变换, 以8个城市为例, 随机的产生两个小于8的整数, 对某个个体进行分割, 将分割段倒序并放回原来的位置即可。

3 模拟退火算法设计

在演化的前期, 种群的质量较差, 因此给变异产生的后代较多的生存机会, 而随着演化向末期推进, 将他们的生存机会减到平衡状态。针对传统模拟退火算法存在的问题, 主要在新解的生成, 当前解的改良方面进行改进。

3.1 新解的生成

改进模拟退火算法中新解的生成是通过在闭合的路径中随机选择3条边进行断裂, 这样将生成3个路径段, 对这3个路径段进行倒置操作, 在满足路径原则的前提条件下, 对以上6个路径段进行重新组

F福建电脑UJIAN COMPUTER

合, 选择最优的一条作为新解。以9个城市为例: (1, 2, 3, 4, 5, 6, 7, 8, 9) 假设断点为1, 4, 7 (8, 9, 1, 丨2, 3, 4, 丨5, 6, 7) ——— (1) (1, 9, 8, 丨4, 3, 2, 丨7, 6, 5) ——— (2) 将 (1) 与 (2) 重新组合得到新路径 (1) (8, 9, 1, 丨2, 3, 4.丨7, 6, 5) 得到新路径 (2) (8, 9, 1, 丨4, 3, 2.丨5, 6, 7) 得到新路径 (3) (8, 9, 1, 丨2, 3, 4.丨5, 6, 7) 得到新路径 (4) (1, 9, 8, 丨4, 3, 2.丨5, 6, 7) 得到新路径 (5) (1, 9, 8, 丨2, 3, 4.丨7, 6, 5) 得到新路径 (6) (1, 9, 8, 丨2, 3, 4.丨5, 6, 7)

在新产生的6个新路径中选择最优路径作为新路径。

3.2 解的改良

改良过程采用的是局部最优化和单点最优位置两种方法。局部最优化是在当前解中随机选取小段路径, 对该小段路径进行重新排列组合。选择最优局部路径代替原来的路径段。单点最优位置就是, 在当前染色体中对每一个基因在染色体中的位置进行遍历, 选择最佳位置。

3.3 总体算法的流程

算法流程如图1所示。

4 实验分析

为了检验算法的性能, 本文做了两组实验, 第一组采用kroc100进行验证, 第二组采用了tsp255进行验证。算法的路径图如图2-3所示。

从实验的效果图来看, 改进后的算法针对TSP问题求解具有较好的效果。通过表1可以看出改进后算法求得的最优解基本接近当前的最优解, 可见算法具有较好的稳定性。

5 结语

本文提出了改进的模拟退火和遗传算法求解TSP问题。设计的改进算法在初始解的选择、新解的生成、当前解的改良及交叉方式等方面提出了新的观点, 提高了最优解的搜索速度。

摘要：本文提出了一个用于求解TSP问题的改进模拟退火的遗传算法, 利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。用100个城市和255个城市的TSP问题验证算法, 实验测试的结果表明该方法具有较好的收敛效果和可靠的稳定性。

关键词：遗传算法,旅行商问题,模拟退火算法

参考文献

[1]张盛意.基于改进模拟退火的遗传算法求解背包问题[J].微电子学与计算机, 2011, 28 (2)

[2]郭晓利.电网知识协同发现策略研究[J].东北电力大学学报, 2014, 34 (1) :94-98

[3]王建忠.TSP问题的一种快速求解算法[J].微电子学与计算机, 2011, 28 (1)

[4]曲朝阳.基于本体语言OWL的电网领域知识表示方法[J].东北电力大学学报, 2012, 32 (4) :30-34

[5]孟凡奇.不依赖字符集的数据库非标字段检测方法[J].东北电力大学学报, 2012, 32 (4) :4-7

[6]曲朝阳.基于双层次分析的智能变电站数据分类方法[J].东北电力大学学报, 2014, 34 (2) :61-65

[7]曲楠.XEN虚拟机动态增量迁移的设计与实现[J].东北电力大学学报, 2014, 34 (3)

TSP超前探测技术应用分析 篇7

TSP (Tunnel Seismic Prediction) 是目前应用最多的隧道地震波超前地质预报方法之一。TSP作为隧道施工中普遍采用的长距离超前地质预报手段, 可以对岩体的参数进行定量测量, 对工作面前方遇到与隧道轴线近垂直的不连续体 (节理、裂隙、断层破碎带等) 界面的测量结果比较可靠[9,10,11,12,13]。因此, 采用TSP超前地质预报对隧道进行长期预报对施工有较好的指导意义, 能达到减小地质灾害的目的。

1工程概况

某隧道位于秭归县水田坝镇境内, 隧道采用分幅式, 其左幅起讫桩号ZK126+622～ZK130+458, 总长3 836.0 m, 右幅起讫桩号YK126+554～YK130+369.5, 总长3 815.5 m。隧道属标准间距隧道, 设计路面为单向坡, 纵坡降1.692%～1.693%, 最大埋深约421.36 m, 属深埋特长隧道。

隧道区属构造剥蚀侵蚀层状低中山岭剥夷面峡谷区, 受向斜构造以及层状坚硬砂岩—半坚硬砂质泥岩夹软质泥页岩岩性差异风化剥蚀控制, 区内山岭走向、坡面形态复杂多变, 隧道场址位于秭归盆地西翼, 主要由侏罗系层状坚硬砂岩—半坚硬砂质泥岩夹软质泥页岩 (碎屑岩类) 构成, 隧道区内上覆盖层为残坡积碎石土, 沿山坡分布, 局部沟谷处有第四系冲洪积亚黏土、砾卵石层, 下伏基岩为紫红色薄—中层泥质粉砂岩与灰白色中—厚层长石砂岩不等厚互层。

2TSP探测原理

在设计的震源点用少量炸药激发产生地震波, 当地震波遇到岩石波阻抗差异界面 (如断层、破碎带、岩性变化、溶洞和地下水等) 时, 部分地震波信号反射回来, 部分信号透射进入前方介质。反射的地震波信号被高灵敏度的地震波传感器接收。通过TSPwin软件对数据进行处理, 便可了解隧道工作面前方地质体的性质、位置及规模。TSP超前地质预报测线及仪器布置如图1所示。

3数据采集、处理

此次预报采用的是TSP 203plus系统, 对隧道进口ZK127+091～ZK127+218段进行探测, 探测范围共127 m。沿隧道右侧洞壁布置24个爆破点, 爆破点平行于隧道底面呈线形排列, 孔距1.5 m, 孔深1.5 m, 炮孔垂直于边墙向下倾斜15°～20°以利于灌水堵孔。距最后的爆破点15 m处设接收器点, 接收器安装孔的孔深2 m, 内置接收传感器。采集的TSP数据通过TSP win软件进行处理, 获得P波、SH波、SV波的时间剖面、深度偏移图和反射层提取图以及岩石物性参数等一系列成果。

4数据解释

在成果解释中, 预报裂隙水常遵循以下准则:①若S波反射较P波强, 则表明岩层饱含水;②Vp/Vs增加或δ突然增大, 常常由于流体的存在而引起;③S波遇富水岩层反射很强, 且S波反射明显较P波反射强。S波深度偏移以强烈的负反射开始, 以强烈的正反射结束。P波深度偏移以强烈的负反射开始, 以强烈的正反射结束。

基于上述基本准则, 结合不同不良地质的特征, 根据TSP处理结果可知:在ZK127+177附近, 纵、横波波速比 (Vp/Vs) 大幅增加 (由1.63增大到1.88) , 泊松比明显增加 (由0.19增大到0.30) , 密度显著降低 (由2.03 g/cm3降为1.92 g/cm3) , 弹性模量显著降低 (由15 GPa降为10 GPa) , 且横波反射明显较纵波反射强。因此, 可推断此处岩体内节理裂隙发育且含较多裂隙水。

5实际开挖结果验证

当隧道施工至ZK127+177时, 实际揭露围岩为紫红色粉砂质泥岩, 节理裂隙发育, 拱部呈破碎状, 滴状渗水, 整体稳定性较差;拱顶有大面积股状流水, 流量较大。

与实际开挖结果对照, TSP超前地质预报比较准确预报了涌水的位置, 为隧道的施工安全起到了指导作用。

6结论

(1) 隧道施工初勘不能较准确地确定不良地质体的发育位置和情况, 所以在施工过程中超前地质预报必须列入工序。

(2) TSP地质预报可对隧道工作面前方的围岩进行较准确探测, 通过超前地质预报, 能及时掌握工作面前方的地质情况, 为隧道施工和及时调整支护参数提供依据, 有效控制和避免地质灾害的发生。

(3) TSP预报准确预报了某隧道ZK127+177处的涌水情况, 据此, 施工单位及时变更了支护形式, 保证了隧道的顺利施工。TSP对裂隙水的探测结果比较准确, 对类似工程有较好的借鉴意义。

摘要：TSP技术是目前较先进的隧道超前地质预报技术, 可以较准确地探明隧道不良地质问题, 对施工中的地质灾害防治具有较好的作用。结合某岩溶隧道施工探测应用实例, 介绍了TSP探测原理、数据采集处理及解释方法。实际开挖结果证明, TSP超前地质预报技术比较准确地预报了涌水的位置, 为隧道的施工安全起到了指导作用。