Здравейте! Аз съм доставчик в бизнеса с решения за проблема с пътуващия търговец (TSP). TSP е класически оптимизационен проблем, при който целта е да се намери най-краткият възможен маршрут, който посещава набор от градове и се връща към началната точка. Но тук е уловката: в шумна среда получаването на точно решение може да бъде истинско главоболие. В този блог ще споделя някои съвети как да подобря точността на TSP решенията, когато наоколо има много шум.
Разбиране на шума в TSP
Първо, нека поговорим какво всъщност означава този „шум“ в контекста на TSP. Шумът може да идва от различни източници. Например, неточните измервания на разстоянието между градовете могат да бъдат основен източник на шум. Може би данните, които имаме за разстоянията, са стари или има грешки в измервателните уреди. Друг източник може да са външни фактори, които влияят на времето за пътуване, като условия на движение, време или затворени пътища.
Когато има шум в данните, това може да откаже нашите TSP алгоритми, което води до неоптимални или дори напълно грешни решения. И така, първата стъпка към подобряване на точността е да се разбере природата и степента на шума.
Предварителна обработка на данни
Един от най-ефективните начини за справяне с шума е чрез предварителна обработка на данни. Това включва почистване и нормализиране на данните преди подаването им в алгоритъма на TSP.
Почистване на данните
Трябва да идентифицираме и премахнем всякакви отклонения в данните за разстоянието. Извънредните стойности са точки от данни, които се различават значително от останалите данни. Например, ако имаме набор от разстояния между градовете и внезапно има едно разстояние, което е твърде голямо или твърде малко в сравнение с останалите, то може да е отклонение. Можем да използваме статистически методи като междуквартилен диапазон (IQR), за да идентифицираме отклонения. След като ги идентифицираме, можем или да ги премахнем, или да ги заменим с по-разумни стойности.
Нормализиране на данните
Нормализирането е друга важна стъпка. Помага да се приведат всички стойности на разстоянието до обща скала. Това е особено полезно, когато използваме алгоритми, които са чувствителни към мащаба на входните данни. Често срещан начин за нормализиране на данни е да се използва минимална - максимална нормализация, при която мащабираме данните така, че да са между 0 и 1.
Избор на правилния алгоритъм
Не всички TSP алгоритми са създадени еднакви, особено когато става въпрос за обработка на шум. Някои алгоритми са по-стабилни от други.
Евристични алгоритми
Евристичните алгоритми са чудесен избор в шумна среда. Тези алгоритми не гарантират оптимално решение, но могат да намерят добро решение за разумен период от време. Например алгоритъмът за най-близък съсед е прост евристичен алгоритъм. Започва от произволен град и след това винаги се придвижва до най-близкия непосетен град, докато не бъдат посетени всички градове. Този алгоритъм е сравнително бърз и може да се справи с известно ниво на шум в данните.
Мета - евристични алгоритми
Мета-евристичните алгоритми са още по-мощни. Те използват техники като симулирано отгряване, генетични алгоритми или оптимизиране на колонии от мравки. Тези алгоритми са предназначени да изследват по-ефективно пространството за решения и често могат да намерят по-добри решения от простите евристични алгоритми. Например, генетичните алгоритми работят, като развиват популация от потенциални решения в продължение на множество поколения. Те могат да се адаптират към шума в данните, като изследват различни региони от пространството на решението.
Включване на моделиране на неопределеността
Вместо да третираме данните за разстоянието като фиксирани стойности, можем да включим моделиране на неопределеността. Това означава представяне на разстоянията като вероятностни разпределения, а не като единични стойности.
Вероятностна оценка на разстоянието
Можем да използваме исторически данни или статистически модели, за да оценим вероятностното разпределение на разстоянията между градовете. Например, ако знаем, че времето за пътуване между два града обикновено следва нормално разпределение с определена средна стойност и стандартно отклонение, можем да използваме тази информация в нашия TSP алгоритъм.
Стабилна оптимизация
Стабилни техники за оптимизация могат също да се използват за намиране на решения, които са по-малко чувствителни към шума в данните. Тези техники имат за цел да намерят решения, които се представят добре при широк набор от възможни сценарии. Например, можем да намерим решение, което минимизира максималните възможни разходи за всички възможни реализации на шумните данни.
Редовно наблюдение и актуализиране
Околната среда непрекъснато се променя, както и шумът в данните. Ето защо е важно редовно да наблюдаваме данните и да актуализираме нашите TSP решения.
Събиране на данни в реално време
Можем да използваме източници на данни в реално време, за да получим най-актуалната информация за разстоянията между градовете. Например, можем да използваме GPS данни или сензори за трафик, за да получим точно време за пътуване. Като непрекъснато събираме и анализираме тези данни, можем да коригираме нашите TSP решения, за да отчетем променящите се нива на шум.
Адаптивни алгоритми
Можем също да използваме адаптивни алгоритми, които могат да се коригират въз основа на новите данни. Тези алгоритми могат да открият промени в модела на шума и съответно да променят своята стратегия за търсене.
Използване на висококачествени входове
Когато работите с TSP в шумна среда, използването на висококачествени входове може да направи голяма разлика. Например, ако сте в хранително-вкусовата промишленост и трябва да оптимизирате маршрутите за доставка на продуктите си, използването на висококачествени хранителни фосфати може да гарантира, че вашите продукти са в добро състояние по време на транспортиране. Вижте тези продукти:Висококачествен DKP CAS 7758 - 11 - 4 хранителен дикалиев фосфат,Калиев дифосфат Тетракалиев пирофосфат TKPP CAS 7320 - 34 - 5, иНатриев хексаметафосфат гранулиран SHMP със задържан агент CAS № 10124 - 56 - 8 хранителен клас. Тези продукти могат да помогнат при задържане на вода и други аспекти, които могат да повлияят на качеството на вашите хранителни продукти по време на транспортиране, което от своя страна може да бъде включено във вашите изчисления на TSP.
Заключение
Подобряването на точността на TSP решенията в шумна среда е предизвикателна, но постижима задача. Чрез разбиране на естеството на шума, предварителна обработка на данните, избор на правилния алгоритъм, включване на моделиране на неопределеността, редовно наблюдение и актуализиране на решенията и използване на висококачествени входове, можем да получим по-точни и надеждни TSP решения.
Ако се интересувате от подобряване на вашите TSP решения или имате някакви въпроси относно нашите продукти и услуги, не се колебайте да се свържете с нас за обсъждане на обществената поръчка. Ние сме тук, за да ви помогнем да оптимизирате маршрутите си и да направим операциите ви по-ефективни.
Референции
- Johnson, DS, & McGeoch, LA (2007). „Проблемът с пътуващия търговец: Казус от локалната оптимизация“. Локално търсене при комбинаторна оптимизация, 215 - 310.
- Gendreau, M., & Potvin, JY (Eds.). (2010). Наръчник по метаевристика. Springer Science & Business Media.
- Уинстън, WL (2003). Операционни изследвания: Приложения и алгоритми. Томсън юг - запад.