26
10

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

巡回セールスマン問題を遺伝的アルゴリズムを使ってHaskellで解く!

Last updated at Posted at 2017-12-14

大学の授業で巡回セールスマン問題を解く課題があったので、Haskellでこの問題を解いてみました!

そもそも巡回セールスマン問題とは?

複数の都市があって、セールスマンはその場所を一回ずつ通ります。最短経路で全ての場所を通って戻ってくるにはどのルートを通ればいいですか、という問題です。

巡回セールスマン問題

まずデータ構造を定義する

入力データ(場所の情報)は、x座標とy座標です。例えば、1つ目の場所は座標(90, 100)にあります。

input.txt
90 100 
40 15 
30 30 

座標の型を定義する (Coord)

座標が出てきたので、これを型にしてしまいましょう。

newtype Coord = Coord (Double, Double) deriving (Eq)

2点間の距離、例えば(90, 100)、(40, 15)の距離を図りたいときは、ユークリッド距離を使います。

Haskellでかくとこのような感じ。

distance :: Coord -> Coord -> Double
distance (Coord (x1, y1)) (Coord (x2, y2)) = sqrt $ (x1 - x2)^2 + (y1 - y2)^2

巡回路を定義する (Path)

また、座標を複数格納できるPath型も定義しましょう。

import Data.Vector
newtype Path = Vector Coord

ここではリストではなく、Vectorを使うことにします。

また、PathとPathを比較できるように、Ord型クラスのインスタンスにしましょう。

instance Ord Path where
  compare p1 p2
    | totalCost p1 > totalCost p2 = GT
    | totalCost p1 == totalCost p2 = EQ
    | totalCost p1 < totalCost p2 = LT

合計の距離の計算をどうするか?

例えば、3地点を(90,100), (40,15), (30,30)という順番で通るとします。そのときの移動距離は、

(90,100)と(40,15)の距離 + (40,15)と(30,30)の距離  + (30,30)と(90,100)の距離

となります。そこで、totalCostという関数を作ります。

eachTuple :: Vector Coord -> Vector (Coord, Coord)
eachTuple path =
  let tuples = do
        index <- enumFromTo 0 (length path - 2)
        return (path ! index, path ! (index + 1))
  in tuples `snoc` (last path, head path)

totalCost :: Path -> Double
totalCost (Path path) = sum $ uncurry distance <$> eachTuple path

eachTupleで、2点間の座標をタプルにしています。つまり、[ ((90,100), (40,15)), ((40,15), (30,30)), ((30,30), (90,100)) ]のようになります。それをdistanceにそれぞれ適用させて、あとはそれらを合計しています。

あとは、これらをTSP.hsにまとめてしまいましょう。(TSPは、traveling salesman problemの略です。)

TSP.hs
module TSP (
  totalCost
, Path(..)
, Coord
) where

import Data.Vector
import Prelude hiding (
  enumFromTo,
  length,
  last,
  head,
  sum
  )

newtype Coord = Coord (Double, Double) deriving (Eq, Show, Ord)
newtype Path = Path (Vector Coord) deriving (Eq, Show)

instance Ord Path where
  compare p1 p2
    | totalCost p1 > totalCost p2 = GT
    | totalCost p1 == totalCost p2 = EQ
    | totalCost p1 < totalCost p2 = LT

eachTuple :: Vector Coord -> Vector (Coord, Coord)
eachTuple path =
  let tuples = do
        index <- enumFromTo 0 (length path - 2)
        return (path ! index, path ! (index + 1))
  in tuples `snoc` (last path, head path)

totalCost :: Path -> Double
totalCost (Path path) = sum $ uncurry distance <$> eachTuple path

distance :: Coord -> Coord -> Double
distance (Coord (x1, y1)) (Coord (x2, y2)) = sqrt $ (x1 - x2)^2 + (y1 - y2)^2

どのアルゴリズムで解くの?

今回は遺伝的アルゴリズムで解きます!

遺伝的アルゴリズム

簡単に言えば、生物がどのようにして進化したかをアルゴリズムにしたものです。詳しくは↓
遺伝的アルゴリズム

遺伝的アルゴリズムは、以下のアルゴリズムで構成されています。

  1. N個の個体(巡回路)をランダムに初期化
  2. 親を選んで交叉する (crossover)
  3. 低確率で突然変異 (mutation)
  4. 次の世代の個体(巡回路)を選択する (selection)

今回は、ランダムな要素も入っているので、それぞれの関数をIOにしました。遺伝的アルゴリズムの全体像はこんな感じです。
また、最良解を保存するために「エリート保存」をしています。

GA.hs
mating :: Vector Path -> IO (Vector Path)
mating = undefined

mutation :: Vector Path -> IO (Vector Path)
mutation = undefined

selectChildren :: Vector Path -> IO (Vector Path)
selectChildren = undefined

geneticLoop :: Int -> Vector Path -> Path -> IO Path
geneticLoop 0 _ elite = return elite
geneticLoop generation parents elite = do

  newParents <- mating parents >>=
                mutation >>=
                selectChildren

  let minPath = minimum newParents :: Path
      newElite = min minPath elite :: Path

  printf "%d generation , %f , %f\n" generation (totalCost newElite) (totalCost minPath)

  geneticLoop (generation - 1) newParents newElite

1. N個の個体(巡回路)をランダムに初期化

ここでは、巡回路をシャッフルすることで初期化します。Vectorにはshuffle関数はないようなので、自分で実装しました。

型はこのような感じにしました。

shuffleM :: (Eq a) => Vector a -> IO (Vector a)
shuffleM x = undefined

ここでは、aCoord型になります。

shuffleの実装は、ある要素を1つずつランダムにポップして、それらを連結するかんじです。

例えば以下のようにシャッフルします。

  1. [0,1,2,3]をシャッフル
  2. ランダムにインデックスを選ぶ(1のインデックスが選ばれたとする)
  3. [0,1,2,3]からをポップして、その1を結果に入れる。
  4. 新たに[0,2,3]をシャッフルする

これらを繰り返します。

Shuffleモジュールを作ったので、それを載せておきます。

Shuffle.hs
module Shuffle (
  shufflePath,
  shuffle,
  shuffleM
) where

import TSP
import System.Random
import Data.Vector
import Prelude hiding (head, tail, length)

shufflePath :: Path -> StdGen -> Path
shufflePath (Path coords) gen = Path $ shuffle coords gen

shuffle :: (Eq a) => Vector a -> StdGen -> Vector a
shuffle x gen
  | x == empty = empty
  | otherwise  =
      let (index,newGen) = randomR (0, length x - 1) gen :: (Int, StdGen)
          targetElm      = x ! index
      in targetElm `cons` shuffle (deleteFirst targetElm x) newGen

shuffleM :: (Eq a) => Vector a -> IO (Vector a)
shuffleM x = do
  gen <- newStdGen
  return $ shuffle x gen

-- | 削除したい要素の中で最初に出てきたものを取り除く
-- >>> deleteFirst 2 $ fromList [1..5]
-- [1,3,4,5]
-- >>> deleteFirst 1 $ fromList [1,2,3,4,1]
-- [2,3,4,1]
deleteFirst :: (Eq a) => a -> Vector a -> Vector a
deleteFirst x vector
  | x == head vector = tail vector
  | otherwise        = head vector `cons` deleteFirst x (tail vector)

あとは、以下のようにして使いましょう。

Main.hs
import Shuffle (shuffleM)
import TSP

inputPath :: IO (Vector Coord)
inputPath = do
  contents <- getContents
  return $ fromList $ toCoord . words <$> lines contents
    where
      toCoord :: [String] -> Coord
      toCoord [s1, s2] = Coord (read s1, read s2)
      toCoord _ = error "it is illegal file format!"

main :: IO ()
main = do
  coords <- inputPath
  paths <- replicateM poolSize $ Path <$> shuffleM coords

2. 親を選んで交叉する

交叉とは、親の遺伝子が交わることを指します。人間も同じように親の遺伝子を受け継いでいますよね。
具体的には、以下のようにしました。

  1. 2つの巡回路(親)をランダムに選択
  2. 順序交叉(order crossover)

2つの巡回路(親)をランダムに選択

まず、複数の巡回路から2つの巡回路をランダムに選ぶ関数を作りましょう。

randomRSt :: (RandomGen g, Random a) => (a, a) -> State g a
randomRSt (a,b) = state $ randomR (a,b)

twoRandomNumState :: (Random a) => (a,a) -> State StdGen (a, a)
twoRandomNumState fromTo = do
  n1 <- randomRSt fromTo
  n2 <- randomRSt fromTo
  return (n1, n2)

twoRandomNum :: (Random a) => (a,a) -> StdGen -> (a,a)
twoRandomNum fromTo = evalState (twoRandomNumState fromTo)

randomSelect :: Vector Path -> IO (Path, Path)
randomSelect paths = do
  gen <- newStdGen
  let n = length paths
      (r1, r2) = twoRandomNum (0, n - 1) gen
  return (paths ! r1, paths ! r2)

2つのランダムな数字を安全に生成するために(誤って同じ乱数ジェネレータを使わないように)、Stateモナドを使いました。twoRandomNum関数は、ある範囲の中で2つの乱数を作ります。

順序交叉(order crossover)

順序交叉

さきほど選んだ2つを交叉させます。順序交叉は以下のように交叉します。

Screenshot from 2017-12-04 10-23-05.png

  1. ランダムに交叉点を決める
  2. 子1は、親1から左側をそのまま受け継ぎ、親2からは「親1から引き継いだものを除いたもの」を受け継ぐ。
  3. 同様に、子2は、親2から左側をそのまま受け継ぎ、親2からは「親1から引き継いだものを除いたもの」を受け継ぐ。

といった感じです。

orderCrossOver :: Path -> Path -> IO (Vector Path)
orderCrossOver papa@(Path coords) mama = do
  gen <- newStdGen
  let n = length coords
      (dividePoint,_) = randomR (1, n - 1) gen :: (Int, StdGen)
  return $ divCpChromo dividePoint mama papa

divCpChromo :: Int -> Path -> Path -> Vector Path
divCpChromo divPoint (Path papa) (Path mama) =
  let (p1, p2) = splitAt divPoint papa :: (Vector Coord, Vector Coord)
      m1 = filter (`notElem` p1) mama :: Vector Coord
      m2 = filter (`notElem` p2) mama :: Vector Coord
  in Path (p1 ++ m1) `cons` singleton (Path (m2 ++ p2))

交叉点をインデックスの1からn-1としているのは、0からだと何も入れ替わらないからです。

あとは、今説明した処理を繰り返せばいいだけです。

mating :: Vector Path -> IO (Vector Path)
mating parents = do
  childList2 <- replicateM (length parents) $ do
    (papa, mama) <- matingSelection parents
    crossOver papa mama :: IO (Vector Path)
  return $ concatVector childList2

concatVector :: Vector (Vector a) -> Vector a
concatVector = concatMap id

これでmating関数ができあがりました。

3. 低確率で突然変異

今回は10%の確率で、巡回路がシャッフルされます。Vectorの要素を1つずつ確認するような処理なので、foldlを使ってみました。

mutationRate = 0.1

mutation :: Vector Path -> IO (Vector Path)
mutation children = do
  gen <- newStdGen
  return $ fst $ foldl mutate (empty, gen) children
  where
    mutate :: (Vector Path, StdGen) -> Path -> (Vector Path, StdGen)
    mutate (ps, gen) p = do
      let (r, newG) = randomR (0, 1) gen :: (Double, StdGen)
      if r < mutationRate
        then (shufflePath p newG `cons` ps, newG)
        else (p `cons` ps, newG)

4. 次の世代の個体(巡回路)を選択する (selection)

今回は、トーナメント選択を使います。

Screenshot from 2017-12-04 10-56-37.png

  1. ランダムにn個選ぶ
  2. その中からcostが最小のものを選ぶ
  3. 指定した分だけ繰り返す

まず、複数の巡回路から1つの巡回路をランダムに選択する関数を作りましょう。

randomSelectOne :: Vector Path -> IO Path
randomSelectOne paths = do
  gen <- newStdGen
  let n = length paths
      (index, _) = randomR (0, n - 1) gen :: (Int, StdGen)
  return $ paths ! index

そして、トーナメント選択をする関数を作ります。

tournamentSelect :: Int -> Int -> Vector Path -> IO (Vector Path)
tournamentSelect poolSize n paths = replicateM poolSize $ do
  randomSelectPath <- replicateM n (randomSelectOne paths)
  return $ minimum randomSelectPath

ここでのnは、トーナメントの大きさです。上の図ではn=3になっています。
poolSizeは、「指定した分だけ繰り返す」ものです。

全体のコード

あとは、main関数でgeneticLoop関数を呼べばいいですね。

generationNum = 100

main = do
  coords <- inputPath

  paths <- replicateM poolSize $ Path <$> shuffleM coords
  elite <- geneticLoop generationNum paths (head paths)

  print $ totalCost elite

Githubに全体のコードを載せました。
Genetic-Algorithm-Haskell

実験

TSP Data for the Traveling Salesperson Problemからデータを取りました。att48.tspというデータセットを使います。

レポジトリをダウンロードして、以下のコマンドで実行できます。

$ stack build
$ stack exec genetic-algorithm-vector < input/48node.txt 

結果があまりよくない場合は、poolSizeの値を増やしましょう。

なお、最適解は33523.70850743559だと思われます。

結果

generationNum = 100poolSize=6000で試しました。

100 generation	117502.3637	117502.3637
99 generation	111547.6981	111547.6981
98 generation	98044.69584	98044.69584
97 generation	95280.17597	95280.17597
96 generation	95280.17597	100666.9047
95 generation	95280.17597	101406.8389
94 generation	95280.17597	100290.5332
.
.
.
7 generation	34714.01486	34714.01486
6 generation	34714.01486	34714.01486
5 generation	34714.01486	34714.01486
4 generation	34714.01486	34714.01486
3 generation	34714.01486	34714.01486
2 generation	34714.01486	34714.01486
1 generation	34714.01486	34714.01486
34714.014857028
100.689914082s

研究室のマシンで試したので、実行速度はかなり速いです。
グラフにしてみると、こんな感じです。

best-result-of-GA.png

最適解が33523.70850743559なので、100秒で34714.014857028出せるのは優秀ですね。

実は遺伝的アルゴリズムのライブラリがHaskellにある

mooというライブラリがあるようですね。

あとがき

がんばりました。
Haskellで遺伝的アルゴリズムを実装するのは大変かなと思いましたが、案外かけました。Haskellは型がしっかりしているし、とてもプログラムが設計しやすく、かきやすい言語だなと感じました。

Haskellでいろいろ考えながらコーディングするのが楽しかったです。おわり。

参考

巡回セールスマン問題

遺伝的アルゴリズム(wiki)

遺伝的アルゴリズム

様々な選択・交叉・突然変異

TSP Data for the Traveling Salesperson Problem

26
10
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
26
10

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?