基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。

一种求解旅行商问题的新型单亲遗传算法

论文针对旅行商问题,提出了一种新型的单亲遗传算法。它在同一条染色体上采用基因换位、基因段移位、基因段逆转和基因分组定界等操作进行基因重组,取消了传统遗传算法中的交叉算子,遗传操作简单,收敛速度快。但过早的收敛将影响结果精度,使全局最优解的出现机率很小。为此,该算法模拟自然界演化的周期性,使用基因插入操作增强算法的搜索能力,并提出运算终止的两个准则,使所得的解为全局最优解的可信度大为提高。给出了该算法的数值算例,实验结果表明,该算法较好地解决了收敛速度和寻优能力的矛盾,证明了该算法的有效性。

单亲进化遗传算法在配送中心选址中的应用

为更好地实现配送中心优化选址,在分析物流配送中心的作用及现存的用传统遗传算法进行选址的基础上,提出应用单亲进化遗传算法求解选址模型。首先, 利用父体所提供的有效边的信息, 使用保留最小边的方法对个体进行进化, 求得费用最低的优化路径; 然后以优化路径作为父体, 求解从各基因为始点的基因片段值之和, 选择最佳基因片段组合, 得到问题的解, 该算法可以有效、快速地求得配送中心选址问题的全局最优解。

最短路由问题的改进单亲进化遗传算法

基于信息素动态更新的蚁群算法(DACO)求解大规模最短路由问题收敛时间过长,单亲进化遗传算法(PEGA)在产生初始种群、选择父体及基因换位等操作中存在随机性太大的问题,论章将这两种算法相结合,提出了基于改进蚁群算法的单亲进化遗传算法(DACO-PEGA),该算法通过控制蚁群周游次数,求得满意可行解或次优解,再将已得路由作为初始种群进行优化改良,求得最短路由。实验结果表明,该算法应用于求解最短路由问题行之有效.

基于构建基因库求解TSP问题的改进遗传算法

文章针对TSP问题设计了一种将基因库和遗传算法结合起来的新算法,该算法首先构建一个基因库,在单亲演化中利用基因库指导种群的进化方向,其次在此基础上采用单亲进化遗传算法中的基因重组操作,保留每次获得的最好解组成初始种群,最后采用顺序交叉算子进行群体演化。给出的实验结果显示,该算法所获得的解与最优解的相对误差都不超过2%,该算法的收敛速度和寻优能力明显优于该问题的单亲进化遗传算法。