Matlab模拟退火算法解决旅行商问题实战

1. 项目概述：当模拟退火遇上旅行商

第一次听说用模拟退火算法（Simulated Annealing, SA）解决旅行商问题（Traveling Salesman Problem, TSP）时，我脑海中浮现的是铁匠淬火工艺与地图上连点成线的奇妙组合。这个经典组合在物流路径规划、电路板布线、DNA测序等场景中有着广泛应用，而Matlab凭借其强大的矩阵运算和可视化能力，成为实现该算法的理想工具。

去年为某物流公司优化配送路线时，我亲身体验了传统遗传算法陷入局部最优的困境，而改用模拟退火后，在相同计算资源下路线长度缩短了12%。本文将分享如何用Matlab实现这个"先高温后降温"的智能优化过程，包含完整的参数设置技巧和可视化方案。

2. 核心原理拆解

2.1 旅行商问题的数学本质

TSP问题可形式化为：给定n个城市及其两两距离，寻找访问每个城市一次并返回起点的最短环路。其解空间规模为(n-1)!/2，当n=20时已有约6×10^16种可能。Matlab中常用距离矩阵表示：

matlab复制% 生成10个城市的随机坐标（0-100范围内）
cities = 100*rand(10,2);  
% 计算欧氏距离矩阵
distMatrix = squareform(pdist(cities));

2.2 模拟退火的核心机制

算法模仿金属退火过程，通过控制温度参数T实现：

1. 高温阶段：接受劣解（类似分子剧烈运动）
2. 降温阶段：逐渐收敛（分子有序排列）

关键公式：

• 接受概率：P = exp(-ΔE/T)
• 降温策略：T(k+1) = α·T(k) （α∈(0,1)）

注意：初始温度T0建议取目标函数变化量标准差的2-3倍，可通过蒙特卡洛采样估算

3. Matlab实现详解

3.1 算法框架搭建

matlab复制function [bestRoute, minDist] = saTSP(distMatrix, params)
    % 初始化
    currentRoute = randperm(size(distMatrix,1)); 
    currentDist = calcRouteDist(currentRoute, distMatrix);
    bestRoute = currentRoute; minDist = currentDist;
    T = params.T0;
    
    for k = 1:params.maxIter
        % 生成新解（2-opt局部搜索）
        newRoute = perturbRoute(currentRoute);
        newDist = calcRouteDist(newRoute, distMatrix);
        
        % 判断是否接受新解
        deltaE = newDist - currentDist;
        if deltaE < 0 || rand < exp(-deltaE/T)
            currentRoute = newRoute;
            currentDist = newDist;
            
            % 更新全局最优
            if currentDist < minDist
                bestRoute = currentRoute;
                minDist = currentDist;
            end
        end
        
        % 降温
        T = params.coolingRate * T;
        
        % 可视化当前状态
        if mod(k,params.visualizeStep)==0
            visualizeRoute(cities, bestRoute);
            title(sprintf('Iter:%d, Temp:%.2f, Dist:%.2f',k,T,minDist));
        end
    end
end

3.2 关键操作实现

路径扰动（2-opt交换）：

matlab复制function newRoute = perturbRoute(route)
    n = length(route);
    i = randi(n-1);
    j = randi([i+1,n]);
    newRoute = route;
    newRoute(i:j) = route(j:-1:i); % 反转子路径
end

距离计算优化：

matlab复制function dist = calcRouteDist(route, distMatrix)
    dist = 0;
    n = length(route);
    for i = 1:n-1
        dist = dist + distMatrix(route(i), route(i+1));
    end
    dist = dist + distMatrix(route(end), route(1)); % 回到起点
end

4. 参数调优实战

4.1 参数敏感度分析

4.2 可视化监控技巧

matlab复制function visualizeRoute(cities, route)
    plot(cities(:,1), cities(:,2), 'o'); hold on;
    plot(cities(route([1:end,1]),1), cities(route([1:end,1]),2), '-r');
    hold off; axis equal;
end

建议每100次迭代可视化一次，重点关注：

1. 路线交叉点数量（越少越好）
2. 目标函数下降曲线（应呈阶梯式下降）
3. 接受率变化（理想维持在20%-40%）

5. 性能优化策略

5.1 计算加速技巧

向量化距离计算：

matlab复制function dist = fastRouteDist(route, distMatrix)
    shifted = circshift(route,-1);
    dist = sum(distMatrix(sub2ind(size(distMatrix), route, shifted)));
end

并行降温试验：
同时运行多个降温速率（如0.90, 0.95, 0.99），通过parfor并行计算：

matlab复制coolingRates = [0.90, 0.95, 0.99];
parfor i = 1:length(coolingRates)
    params.coolingRate = coolingRates(i);
    [~, dist(i)] = saTSP(distMatrix, params);
end

5.2 混合算法设计

在降温后期结合局部搜索：

matlab复制if T < params.T0*0.1 % 低温阶段
    newRoute = localSearch(newRoute); % 使用Lin-Kernighan等启发式
end

6. 工业级应用案例

某PCB钻孔路径优化项目参数配置：

matlab复制params = struct('T0', 500,     % 初始温度
                'coolingRate', 0.95, 
                'maxIter', 20000,
                'visualizeStep', 500);

运行结果对比：

• 随机初始路径：328mm
• 传统遗传算法：291mm（200代）
• 模拟退火算法：273mm（收敛迭代15000次）

避坑指南：实际坐标单位转换时，曾因忘记将英寸转为毫米导致结果偏差10倍，务必检查距离矩阵单位一致性

7. 扩展应用方向

1. 动态TSP：实时交通状况作为时变距离矩阵

   matlab复制distMatrix = getRealTimeTraffic(cities);
   

2. 多目标优化：同时优化路程和时间成本

   matlab复制deltaE = w1*deltaDist + w2*deltaTime;
   

3. 三维TSP：无人机巡检路径规划

   matlab复制cities = [x,y,z]; % 包含高度信息
   

在完成200个城市的路径优化后，我发现初始温度设置与城市规模的关系近似满足：T0≈15√n。这个经验公式可帮助快速确定参数起点，但具体项目仍需通过少量试验微调。