Hej där! Jag är en leverantör inom Traveling Salesman Problem (TSP) lösningsbranschen. TSP är ett klassiskt optimeringsproblem där målet är att hitta den kortaste möjliga vägen som besöker en uppsättning städer och återvänder till startpunkten. Men här är haken: i en bullrig miljö kan det vara en verklig huvudvärk att få en korrekt lösning. I den här bloggen kommer jag att dela med mig av några tips om hur man kan förbättra noggrannheten hos TSP-lösningar när det är mycket brus.
Förstå bruset i TSP
Först och främst, låt oss prata om vad detta "brus" faktiskt betyder i TSP-sammanhang. Buller kan komma från olika källor. Till exempel kan felaktiga avståndsmätningar mellan städer vara en stor källa till buller. Kanske är uppgifterna vi har om avstånden gamla, eller så finns det några fel i mätinstrumenten. En annan källa kan vara externa faktorer som påverkar restiden, som trafikförhållanden, väder eller vägavstängningar.
När det finns brus i datan kan det kasta av sig våra TSP-algoritmer, vilket leder till suboptimala eller till och med helt felaktiga lösningar. Så det första steget för att förbättra noggrannheten är att förstå karaktären och omfattningen av bruset.
Data Förbehandling
Ett av de mest effektiva sätten att hantera buller är genom förbearbetning av data. Detta innebär rengöring och normalisering av data innan den matas in i TSP-algoritmen.
Rengöring av data
Vi måste identifiera och ta bort eventuella extremvärden i avståndsdata. Outliers är datapunkter som skiljer sig väsentligt från resten av data. Till exempel, om vi har en uppsättning avstånd mellan städer och plötsligt finns ett avstånd som är alldeles för stort eller för litet jämfört med de andra, kan det vara en avvikelse. Vi kan använda statistiska metoder som inter-kvartilområdet (IQR) för att identifiera extremvärden. När vi har identifierat dem kan vi antingen ta bort dem eller ersätta dem med mer rimliga värden.
Normalisering av data
Normalisering är ett annat viktigt steg. Det hjälper till att få alla avståndsvärden till en gemensam skala. Detta är särskilt användbart när vi använder algoritmer som är känsliga för skalan på indata. Ett vanligt sätt att normalisera data är att använda min - max normalisering, där vi skalar datan så att den ligger mellan 0 och 1.
Att välja rätt algoritm
Alla TSP-algoritmer är inte skapade lika, särskilt när det kommer till att hantera brus. Vissa algoritmer är mer robusta än andra.
Heuristiska algoritmer
Heuristiska algoritmer är ett utmärkt val i en bullrig miljö. Dessa algoritmer garanterar inte en optimal lösning, men de kan hitta en bra lösning inom rimlig tid. Till exempel är den närmaste grannalgoritmen en enkel heuristisk algoritm. Den börjar i en slumpmässig stad och flyttar sedan alltid till närmaste obesökta stad tills alla städer har besökts. Denna algoritm är relativt snabb och kan hantera en viss nivå av brus i datan.
Meta - heuristiska algoritmer
Meta-heuristiska algoritmer är ännu mer kraftfulla. De använder tekniker som simulerad glödgning, genetiska algoritmer eller optimering av myrkolonier. Dessa algoritmer är designade för att utforska lösningsutrymmet mer effektivt och kan ofta hitta bättre lösningar än enkla heuristiska algoritmer. Till exempel fungerar genetiska algoritmer genom att utveckla en population av potentiella lösningar över flera generationer. De kan anpassa sig till bruset i data genom att utforska olika regioner i lösningsutrymmet.
Inkluderar osäkerhetsmodellering
Istället för att behandla avståndsdata som fasta värden kan vi införliva osäkerhetsmodellering. Detta innebär att representera avstånden som sannolikhetsfördelningar snarare än enstaka värden.
Probabilistisk avståndsuppskattning
Vi kan använda historiska data eller statistiska modeller för att uppskatta sannolikhetsfördelningen av avstånden mellan städer. Om vi till exempel vet att restiden mellan två städer vanligtvis följer en normalfördelning med ett visst medelvärde och standardavvikelse kan vi använda denna information i vår TSP-algoritm.
Robust optimering
Robusta optimeringstekniker kan också användas för att hitta lösningar som är mindre känsliga för bruset i datan. Dessa tekniker syftar till att hitta lösningar som fungerar bra under en lång rad möjliga scenarier. Till exempel kan vi hitta en lösning som minimerar maximalt möjliga kostnad över alla möjliga realiseringar av bullriga data.
Regelbunden övervakning och uppdatering
Miljön förändras ständigt, och det är bruset i data också. Det är därför det är viktigt att regelbundet övervaka data och uppdatera våra TSP-lösningar.
Datainsamling i realtid
Vi kan använda realtidsdatakällor för att få den mest uppdaterade informationen om avstånden mellan städer. Vi kan till exempel använda GPS-data eller trafiksensorer för att få exakta restider. Genom att kontinuerligt samla in och analysera denna data kan vi anpassa våra TSP-lösningar för att ta hänsyn till de förändrade ljudnivåerna.
Adaptiva algoritmer
Vi kan också använda adaptiva algoritmer som kan justera sig själva baserat på den nya datan. Dessa algoritmer kan upptäcka förändringar i brusmönstret och modifiera sin sökstrategi därefter.
Använder högkvalitativa ingångar
När du arbetar med TSP i en bullrig miljö kan användning av högkvalitativa ingångar göra stor skillnad. Till exempel, om du är i livsmedelsindustrin och behöver optimera leveransvägarna för dina produkter, kan användning av högkvalitativa livsmedelsklassade fosfater säkerställa att dina produkter är i gott skick under transporten. Kolla in dessa produkter:Högkvalitativ DKP CAS 7758 - 11 - 4 Dikaliumfosfat av livsmedelskvalitet,Kaliumdifosfat Tetrakaliumpyrofosfat TKPP CAS 7320 - 34 - 5, ochNatriumhexametafosfatgranulat SHMP med retentionsmedel CAS nr. 10124 - 56 - 8 Livsmedelskvalitet. Dessa produkter kan hjälpa till med vattenretention och andra aspekter som kan påverka kvaliteten på dina livsmedelsprodukter under transport, vilket i sin tur kan tas med i dina TSP-beräkningar.
Slutsats
Att förbättra noggrannheten hos TSP-lösningar i en bullrig miljö är en utmanande men genomförbar uppgift. Genom att förstå brusets natur, förbearbeta data, välja rätt algoritm, införliva osäkerhetsmodellering, regelbundet övervaka och uppdatera lösningarna och använda högkvalitativa indata, kan vi få mer exakta och tillförlitliga TSP-lösningar.
Om du är intresserad av att förbättra dina TSP-lösningar eller har några frågor om våra produkter och tjänster, hör gärna av dig för en upphandlingsdiskussion. Vi är här för att hjälpa dig att optimera dina rutter och göra din verksamhet mer effektiv.
Referenser
- Johnson, DS, & McGeoch, LA (2007). "The resande salesman problem: A case study in local optimization". Lokal sökning i kombinatorisk optimering, 215 - 310.
- Gendreau, M., & Potvin, JY (red.). (2010). Handbok i metaheuristik. Springer Science & Business Media.
- Winston, WL (2003). Operationsforskning: Tillämpningar och algoritmer. Thomson South - Western.