大家好呀！我们你们好久不见的。。。咳咳，初次见面的小编！

之前重新整理了ILS的代码，有人留言问能不能提供java版。

正好最近在学启发式算法和java，为了造福人类小编打算提供模拟退火法和迭代局部搜索求解TSP的java版本，方便一些不喜欢C++的同鞋~~

代码是基于我自己写的版本，但我是学习了公众号推文之后写的，同时有参照原文代码，因此虽然与C++代码有些许区别，但总体是类似的。

本文不再赘述TSP或者SA，ILS了，有需要请点击下方链接学习（一看就懂的那种哦！）：

干货 | 用模拟退火(SA, Simulated Annealing)算法解决旅行商问题

干货|迭代局部搜索算法(Iterated local search)探幽（附C++代码及注释）

不多说了，开始看代码吧~！

SA求解TSP的JAVA代码

SA分为四个类：MainRun，Data，Path，SimulatedAnnealing。

MainRun是程序的入口。

package SA;
/** * 主函数运行类 */
public class MainRun {
  public static void main (String args[])  {    long begintime = System.nanoTime();
    Data.PrintData();    SimulatedAnnealing.SA();    SimulatedAnnealing.PrintPath();
    long endtime = System.nanoTime();    double usedTime= (endtime - begintime)/(1e9);    System.out.println();    System.out.println("程序耗时："+usedTime+"s");  }}

Data是数据类，存放SA和TSP的数据。

package SA;
/** * 数据类，包括： * TSP城市坐标，采用柏林52城 * SA系数。 */

public class Data {  public static final double  T0=50000.0, // 初始温度  T_min=1e-8,  // 结束温度  q=0.98,   // 退火系数  K=1;  //公式中的常数K   public static final int L=1000,  // 每个温度时的迭代次数，即链长  N=52;  // 城市数量
  public static double[][] city_pos= //柏林52城城市坐标，最优解7542  {  { 565,575 },{ 25,185 },{ 345,750 },{ 945,685 },{ 845,655 },  { 880,660 },{ 25,230 },{ 525,1000 },{ 580,1175 },{ 650,1130 },  { 1605,620 },{ 1220,580 },{ 1465,200 },{ 1530,5 },  { 845,680 },{ 725,370 },{ 145,665 },  { 415,635 },{ 510,875 },{ 560,365 },{ 300,465 },{ 520,585 },{ 480,415 },  { 835,625 },{ 975,580 },{ 1215,245 },{ 1320,315 },{ 1250,400 },{ 660,180 },  { 410,250 },{ 420,555 },{ 575,665 },{ 1150,1160 },{ 700,580 },{ 685,595 },  { 685,610 },{ 770,610 },{ 795,645 },{ 720,635 },{ 760,650 },{ 475,960 },  { 95,260 },{ 875,920 },{ 700,500 },{ 555,815 },{ 830,485 },{ 1170,65 },  { 830,610 },{ 605,625 },{ 595,360 },{ 1340,725 },{ 1740,245 }  };
  public static void PrintData(){    System.out.println("模拟退火算法，初始温度T0="+T0+        ",降温系数q="+q+",每个温度迭代"+L+"次");  }
}

Path是路径类，打包处理路径的静态方法。

package SA;import static SA.Data.*;import static java.lang.Math.*;
/** * 路径类，打包处理路径的静态方法： * 计算两点间距离 distance * 计算路径长度 path_len * 产生新解（新路径）create_new */
public class Path {  public static double distance(double[] p1,double[] p2)  //计算两点间距离 {    double dis=0;    dis=sqrt(pow(p1[0]-p2[0],2)+pow(p1[1]-p2[1],2));    return dis;  }
  public static double path_len(int[] city_list) //计算路径长度 {    double path=0;    for (int i=0;i<(N-1);i++)      path+=distance(city_pos[city_list[i]],city_pos[city_list[i+1]]);    path+=distance(city_pos[city_list[0]],city_pos[city_list[N-1]]) ;    return path;  }
  public static void create_new(int[] city_list)   //产生新解{     int i=(int) (random()*N);     int j=(int) (random()*N);    while(j==i)      j=(int) (random()*N);
    int temp;     temp=city_list[i];     city_list[i]=city_list[j];     city_list[j]=temp;   }}

SimulatedAnnealing开始模拟退火。

package SA;import static SA.Data.*;   import static SA.Path.*;import static java.lang.Math.*;import java.util.*;
/** * 模拟退火过程 */
public class SimulatedAnnealing {
  private static int[] bestpath=new int[N];  private static int count=0;  private static double f2;
  public static void SA() //模拟退火{    for(int i=0;i<N;i++)  // 初始化总最优路径      bestpath[i]=i;
     int[] newpath=Arrays.copyOf(bestpath,bestpath.length);   // 新解
     double f1;    f2=path_len(bestpath);     double T=T0;
     while(T>T_min)     {       for (int i=0;i<L;i++)      {         create_new(newpath);         f1=path_len(newpath);         double de=f1-f2;         if (de<0)         {           System.arraycopy(newpath, 0, bestpath, 0, bestpath.length);          f2=f1;           }        else          {           double r = random();           if(exp(de/(K*T))<r)           {             System.arraycopy(newpath, 0, bestpath, 0,bestpath.length);             f2=f1;             }             else               System.arraycopy(bestpath, 0, newpath, 0, bestpath.length);         }       }       T*=q;         count++;     }  }
  public static void PrintPath() //打印最优解{    System.out.println("共降温"+count+"次，得到的TSP最优距离为"+f2+"路径为");     for(int j=0;j<N;j++)       {       if (j==0)         System.out.print(bestpath[j]);       else         System.out.print("--->"+bestpath[j]);     }  }}

ILS求解TSP的JAVA代码

ILS分为MainRun，City，Delta，Perturbation，LocalSearch，Solution。

主函数运行类，包括了ILS总方法。

package ILSTSP;import static ILSTSP.City.*; import static ILSTSP.Solution.*; import static ILSTSP.Perturbation.*;import static ILSTSP.LocalSearch.*;
/** * 主函数运行类，包括了ILS总方法以及计时功能。 */
public class MainRun {  public static void main(String args[])  {    int max_iterations = 600;    int max_no_improve = 50;    long begintime = System.nanoTime();
    Solution best_solution=new Solution();    iterated_local_search(best_solution, max_iterations, max_no_improve);
    System.out.println();    System.out.println("搜索完成！最优路线总长度 = "+best_solution.cost);    System.out.println("最优访问城市序列如下：" );      for (int i = 0; i < CITY_SIZE;i++)        System.out.print(best_solution.permutation[i]+"\t");
      long endtime = System.nanoTime();    double usedTime= (endtime - begintime)/(1e9);    System.out.println();    System.out.println("程序耗时："+usedTime+"s");  }
  static void iterated_local_search(Solution best_solution, int max_iterations, int max_no_improve)  {      Solution current_solution = new Solution();
      //获得初始随机解      random_permutation(best_solution.permutation);
      best_solution.cost = cost_total(best_solution.permutation);      local_search(best_solution, max_no_improve); //初始搜索
      for (int i = 0; i < max_iterations; i++)      {          perturbation(best_solution,current_solution); //扰动+判断是否接受新解          local_search(current_solution, max_no_improve);//继续局部搜索
          //找到更优解          if (current_solution.cost < best_solution.cost)          {              for (int j = 0; j < CITY_SIZE; j++)              {                  best_solution.permutation[j] = current_solution.permutation[j];              }              best_solution.cost = current_solution.cost;          }
          System.out.println("迭代搜索 "+i+ " 次\t" +          "最优解 = "+ best_solution.cost+          "当前解 = "+ current_solution.cost               );      }    }}

City类存放城市数据，柏林52城坐标。

package ILSTSP;
import static java.lang.Math.*;
/** * TSP数据类， * 存放柏林52城坐标， * 两点间距离计算distance_2city。 */
public class City {
  public static int CITY_SIZE=52;  // 城市数量
  public static int[][] cities=    {    { 565,575 },{ 25,185 },{ 345,750 },{ 945,685 },{ 845,655 },    { 880,660 },{ 25,230 },{ 525,1000 },{ 580,1175 },{ 650,1130 },    { 1605,620 },{ 1220,580 },{ 1465,200 },{ 1530,5 },    { 845,680 },{ 725,370 },{ 145,665 },    { 415,635 },{ 510,875 },{ 560,365 },{ 300,465 },{ 520,585 },{ 480,415 },    { 835,625 },{ 975,580 },{ 1215,245 },{ 1320,315 },{ 1250,400 },{ 660,180 },    { 410,250 },{ 420,555 },{ 575,665 },{ 1150,1160 },{ 700,580 },{ 685,595 },    { 685,610 },{ 770,610 },{ 795,645 },{ 720,635 },{ 760,650 },{ 475,960 },    { 95,260 },{ 875,920 },{ 700,500 },{ 555,815 },{ 830,485 },{ 1170,65 },    { 830,610 },{ 605,625 },{ 595,360 },{ 1340,725 },{ 1740,245 }    };
  public static double distance_2city(int[] c1,int[] c2)  //计算两点间距离 {    double dis=0;    dis=sqrt(pow(c1[0]-c2[0],2)+pow(c1[1]-c2[1],2));    return dis;  }}

Solution类，存放解，即路径。

package ILSTSP;
import static java.lang.Math.*; import static ILSTSP.City.*;
public class Solution {  public int[] permutation=new int[CITY_SIZE]; //城市排列    public double cost;  
  //获取随机城市排列    public static void random_permutation(int[] cities_permutation){        int n=CITY_SIZE;      int[] temp=new int[CITY_SIZE];      for(int i=0;i<CITY_SIZE;i++)         temp[i]=i;       for(int i=0;i<CITY_SIZE-1;i++)      {        int r=(int) random()*n;        cities_permutation[i]=temp[r];        temp[r]=temp[n-1];        n--;      }      cities_permutation[CITY_SIZE-1]=temp[0];    }
    public static double cost_total(int[] cities_permutation){        double total_distance = 0;        for (int i = 0; i < CITY_SIZE-1; i++)            total_distance += distance_2city(cities[cities_permutation[i]], cities[cities_permutation[i+1]]);        total_distance += distance_2city(cities[cities_permutation[0]], cities[cities_permutation[CITY_SIZE-1]]);        //最后一个城市和第一个城市计算距离        return total_distance;    }}

扰动类。

package ILSTSP;import static ILSTSP.Solution.*; import static ILSTSP.City.*;import static java.lang.Math.*; 
/** * 扰动类，跳出局部。 */
public class Perturbation {  //扰动  public static void perturbation(Solution best_solution, Solution current_solution){      double_bridge_move(best_solution.permutation, current_solution.permutation);      current_solution.cost = cost_total(current_solution.permutation);  }
  //将城市序列分成4块，然后按块重新打乱顺序。  //用于扰动函数  private static void double_bridge_move(int[] cities_permutation, int[]  new_cities_permutation){    int[] pos=new int[5];    pos[0]= 0;     pos[1]= (int) random()*(CITY_SIZE/3)+1;      pos[2]= (int) (random()*(CITY_SIZE/3)+CITY_SIZE/3);      pos[3]= (int) (random()*(CITY_SIZE/3)+(CITY_SIZE/3)*2);    pos[4]= CITY_SIZE;
    int n=4;    int[] random_order=new int[4],        temp=new int[4];    for(int i=0;i<4;i++)       temp[i]=i;     for(int i=0;i<3;i++)    {      int r=(int) (random()*n);      random_order[i]=temp[r];      temp[r]=temp[n-1];      n--;    }    random_order[3]=temp[0];
    int deadprotect=0;    do    {      int i=0;        for (int j=pos[random_order[0]];j<pos[random_order[0]+1];j++)        {          new_cities_permutation[i]=cities_permutation[j];          i++;        }
        for (int j=pos[random_order[1]];j<pos[random_order[1]+1];j++)        {          new_cities_permutation[i]=cities_permutation[j];          i++;        }
        for (int j=pos[random_order[2]];j<pos[random_order[2]+1];j++)         {          new_cities_permutation[i]=cities_permutation[j];          i++;        }
        for (int j=pos[random_order[3]];j<pos[random_order[3]+1];j++)        {          new_cities_permutation[i]=cities_permutation[j];          i++;        }
        deadprotect++;        if (deadprotect==5) break;
      }while(AcceptanceCriterion(cities_permutation, new_cities_permutation));  }
  //判断接受准则  private static boolean AcceptanceCriterion(int[] cities_permutation, int[] new_cities_permutation){    int AcceptLimite=500;    double c1=cost_total(cities_permutation);    double c2=cost_total(new_cities_permutation)-AcceptLimite;    if (c1<c2)      return false;    else      return true;  }}

局部搜索类

package ILSTSP;
import static ILSTSP.City.*; import static ILSTSP.Delta.*;
/** * 局部搜索类， * 采用反转i到j之间城市序列的邻域动作。 */
public class LocalSearch {  //本地局部搜索，边界条件 max_no_improve  //best_solution最优解  //current_solution当前解  public static void local_search(Solution best_solution, int max_no_improve){      int count = 0;      int i, k;      double inital_cost = best_solution.cost; //初始花费      double now_cost = 0;
      Solution current_solution = new Solution(); //为了防止爆栈……直接new了，你懂的
    for (i = 0; i < CITY_SIZE - 1; i++)      {         for (k = i + 1; k < CITY_SIZE; k++)      {        Delta[i][k] = calc_delta(i, k, best_solution.permutation);          }      }
      do      {          //枚举排列          for (i = 0; i < CITY_SIZE - 1; i++)          {              for (k = i + 1; k < CITY_SIZE; k++)              {                  //邻域动作                  two_opt_swap(best_solution.permutation, current_solution.permutation, i, k);          now_cost = inital_cost + Delta[i][k];                  current_solution.cost = now_cost;                  if (current_solution.cost < best_solution.cost)                  {                      count = 0; //better cost found, so reset                      for (int j = 0; j < CITY_SIZE; j++)                      {                          best_solution.permutation[j] = current_solution.permutation[j];                      }                      best_solution.cost = current_solution.cost;                      inital_cost = best_solution.cost;                      Update(i, k, best_solution.permutation);                  }              }          }          count++;      } while (count <= max_no_improve);  }
  //邻域动作 反转index_i   private static void two_opt_swap(int[] cities_permutation, int[] new_cities_permutation, int index_i, int index_j){      for (int i = 0; i < CITY_SIZE; i++)      {          new_cities_permutation[i] = cities_permutation[i];      }
      swap_element(new_cities_permutation, index_i, index_j);  }
  //颠倒数组中下标begin到end的元素位置  private static void swap_element(int[] p, int begin, int end){      int temp;      while (begin < end)      {          temp = p[begin];          p[begin] = p[end];          p[end] = temp;          begin++;          end--;      }  }}

Delta类，在原推文中未讲解，这里略微讲解一下。

Delta实际上是对局部搜索的过程进行去重优化。

Delta[i][j]中存放的数字表示反转i，j间路径后对总距离的改变量。（我们之前没有定义计算总距离的方法，因为这次改为了由Delta计算总距离）

对calc_delta部分，每次翻转以后没必要再次重新计算Delta值，只需要在翻转的头尾做个小小处理。

比如：

有城市序列   1-2-3-4-5 总距离 = d_12 + d_23 + d_34 + d_45 + d_51 = A

翻转后的序列 1-4-3-2-5 总距离 = d_14 + d_43 + d_32 + d_25 + d_51 = B

由于 d_ij 与 d_ji是一样的，所以B也可以表示成 B = A – d_12 – d_45 + d_14 + d_25。

对Update部分，每次翻转以后不需要依次更新所有Delta值，有一部分是可以忽略的。

比如：

对于城市序列1-2-3-4-5-6-7-8-9-10，如果对3-5应用了邻域操作2-opt （即翻转）， 事实上对于Delta 1-2、6-10是不需要重复计算的。

package ILSTSP;
import static ILSTSP.City.*;
/** * Delta类， * 对局部搜索的过程进行去重优化。 * Delta[i][j]数组中存放的数字表示反转i，j间路径后对总距离的改变量。 */
public class Delta {  public static double[][] Delta=new double[CITY_SIZE][CITY_SIZE];
  public static double calc_delta(int i, int k,  int[] tmp)  {    /*                  以下计算说明：                  对于每个方案，翻转以后没必要再次重新计算总距离                  只需要在翻转的头尾做个小小处理
                  比如：                  有城市序列   1-2-3-4-5 总距离 = d12 + d23 + d34 + d45 + d51 = A                  翻转后的序列 1-4-3-2-5 总距离 = d14 + d43 + d32 + d25 + d51 = B                  由于 dij 与 dji是一样的，所以B也可以表示成 B = A - d12 - d45 + d14 + d25                  下面的优化就是基于这种原理      */      double delta=0;      if((i==0)&&(k==CITY_SIZE-1))         delta=0;      else    {      int i2=(i-1+CITY_SIZE)%CITY_SIZE;          int k2=(k+1)%CITY_SIZE;           delta = 0                  - distance_2city(cities[tmp[i2]], cities[tmp[i]])                  + distance_2city(cities[tmp[i2]], cities[tmp[k]])                  - distance_2city(cities[tmp[k]], cities[tmp[k2]])                  + distance_2city(cities[tmp[i]], cities[tmp[k2]]);    }      return delta;  }
  public static void Update(int i, int k,  int[] tmp)  {    /*    去重处理，对于Delta数组来说，对于城市序列1-2-3-4-5-6-7-8-9-10，如果对3-5应用了邻域操作2-opt ， 事实上对于    7-10之间的翻转是不需要重复计算的。所以用Delta提前预处理一下。
    当然由于这里的计算本身是O（1） 的，事实上并没有带来时间复杂度的减少（更新操作反而增加了复杂度）     如果delta计算 是O（n）的，这种去重操作效果是明显的。      */    if (i!=0 && k != CITY_SIZE - 1){      i --; k ++;      for (int j = i; j <= k; j ++){        for (int l = j + 1; l < CITY_SIZE; l ++){          Delta[j][l] = calc_delta(j, l, tmp);        }      }
      for (int j = 0; j < k; j ++){        for (int l = i; l <= k; l ++){          if (j >= l) continue;          Delta[j][l] = calc_delta(j, l, tmp);        }      }    }// 如果不是边界，更新(i-1, k + 1)之间的     else{      for (i = 0; i < CITY_SIZE - 1; i++)          {            for (k = i + 1; k < CITY_SIZE; k++)        {          Delta[i][k] = calc_delta(i, k, tmp);            }          }      }// 边界要特殊更新   }}