comment implementer cet algorithme d'optimisation

Version imprimable

salut, je veux optimiser une fonction à l'aide de cet algorithme :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Step 1 (Initial solution)
Find an initial solution using a basic local search algorithm as
proposed in [2].
Step 2 (Tabu Search)
Repeat Steps 2.1 to 2.2 for Number Iterations iterations
2.1 (Explore the neighborhood)
2.1.1 Determine the best move while taking into
consideration the tabu moves and the aspiration
criteria. For each move x → x, we find the
solution by solving GPU(x). The cost of the
solution is the total cost of the network.
2.1.2 Determine the number of iterations (according
to a uniform distribution) for which the chosen
site is tabu.
2.2 (TS best solution update)
If the cost of the current solution is less than the cost of
the best solution found so far, update this best solution.
Step 3 (Multi-start)
3.1 (Update the solution)
If the cost of the current solution is less than the cost of
the best solution found so far, update this best solution.
3.2 (Stop condition)
If the number of start is smaller than the maximum
allowed number of starts go to step 2. Otherwise, return
the best cost found so far.
Fig. 2. Tabu search algorithm

merci de m'aider.

15/09/2012, 18h35
duf42

Bonjour,

Pourrais-tu préciser ta question et nous montrer ce que tu as commencé à coder?

Duf

Bonsoir, j'ai essayé d’implémenter ce code :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
clear all
clc
% Initialiser le réseau de simulation
eNodeB=10;% nombre des eNodeB
SGM=3;% nombre des commutateurs
c=[12,10,6,12,7,8,10,12,6,6;8,8,10,6,12,6,12,10,6,12;8,6,3,6,6,3,6,6,3,9;12,10,6,12,7,8,10,12,6,6];
h=[2,3,5,8,1,2,3,5,4,3;2,6,1,8,9,5,4,8,2,1;7,5,2,6,7,1,3,7,2,9;2,3,5,8,1,2,3,5,4,3;2,6,1,8,9,5,4,8,2,1;7,5,2,6,7,1,3,7,2,9;2,3,5,8,1,2,3,5,4,3;2,6,1,8,9,5,4,8,2,1;7,5,2,6,7,1,3,7,2,9;3,10,1,16,3,10,14,7,9,8;2,3,5,8,1,2,3,5,4,3;2,3,5,8,1,2,3,5,4,3];
% Initialiser le nombre d'itérations :
it_max=100;
it=1;
tic
% génération du solution initiale
S1=randi(SGM,1,eNodeB);
n=length(S1);
% Initialiser la liste de Taboue
tL=zeros(1,n);
% initialisé la meilleur solution
SB=S1;
% calculer le cout de la solution initiale
F=soleval(SB,SGM,eNodeB,c,h);
% initialisé le meilleur cout
FB=F;
%recherche de taboue
while(it<=it_max)
    % Explorer le voisinage
    best_cost=inf;
    for j=1:n
        if(tL(j)==0)
            SV=perm1(SB,j);
            FV=soleval1(SV,SGM,eNodeB,c,h);
 
            % si le cout de la solution courante <cout de meilleur solution
            % choisir le meilleur mouvement selon le cout
 
            if FV< best_cost
                best_cost =FV;
                Bmv=j;
            end
        end
    end
    % mettre à jour la meilleur solution par la meilleur solution voisine
    SB=perm1(SB,Bmv);
    % mettre à jours la liste de Taboue
    tL=tL-(tL>0);
    % determiner le nombre des itérations pour lesquelle le mouvement
    % choisit est tabou(valeur choisit aléatoirement en 5 et 9)
 
    tL(Bmv)=7;
 
 
    % si le cout de la solution courante <cout de meilleur solution
    % mettre à jour la meilleur solution
 
    if(best_cost<=FB)
        FB=best_cost;
        SB=SV;
    end
    it=it+1;
    it
    plot(G)
    disp(G);
    disp(SB);
end

mais ,à l'affichage, aucune modification n'est apporté sur la fonction à optimiser.