求解TSP的离散野马优化算法

针对求解TSP问题,提出一种新的元启发式算法离散野马优化算法(DWHO),应用最小位置匹配值法(MPMV)对求解结果进行离散化解码;为提高算法搜索能力,结合野马放牧、交配、领导者交流与选拔行为,引入变邻域搜索策略,增强了算法的局部搜索能力、加快算法收敛速度。选取TSPLIB标准库33个算例进行实验,并与交换序列人工蜂群算法(ABCSS)、离散蜘蛛猴优化算法(DSMO)两种算法进行比较。实验结果表明,DWHO求得的最优解与ABCSS、DSMO两种算法的最优解相比,最优解改进率最大值分别达到4.52%和3.41%。同时,将离散野马优化算法求解TSP收敛速度与以上两种算法进行比较,其收敛速度具有一定的优势。结果表明离散野马优化算法求解能力和精度具有优势。

基于遗传算法特性的混合粒子群算法求解TSP问题

为解决粒子群算法在旅行商问题上的收敛速度慢和路径最优化选择的问题,提出了一种新型的基于遗传算法特性的混合粒子群算法,对旅行商问题的最优路径进行规划.根据种群比例原则与迭代前的路径进行交叉、变异、复制等操作,建立了具有遗传算法特性的混合粒子群算法,并用于求解burma14问题.结果表明:相比传统的粒子群算法和模拟退火-禁忌搜索算法,混合粒子群算法在求解burma14问题中收敛时间与最优路径等指标上都有明显的优势,且随着迭代次数与种群个数的增大,算法的最优解逐渐减小;当最佳参数为种群个数150,迭代次数300时,最优解为30.179 424.

TSP问题求解在电气设计过程中的应用

通过介绍求解旅行商问题(TSP)的特点,论述采用启发式算法中的最近邻点算法、交叉迂回优化算法的原理和计算方法,提出TSP问题高质量求解的思路,并实现基于AutoLISP编程开发技术在AutoCAD平台上计算机自动生成最优布线功能,可提高工程技术人员的设计效率。

基于信息熵的改进蚁群算法求解TSP问题

针对蚁群算法求解精度低、易陷入局部最优的缺点,提出一种基于信息熵的自适应改进蚁群算法。通过算法自身特性定义结合熵值对种群参数进行自适应优化;采用分组合作的信息素更新策略,通过较活跃性个体引导整个种群,扩大搜索范围;通过对较优路径的奖励,平衡收敛速度和搜索范围之间的关系;在种群信息熵过低时,加入局部搜索策略,进一步提高算法精度。实验结果表明,相较于蚁群算法,改进算法具有较好的求解精度以及跳出局部最优的能力。

基于改进禁忌搜索算法求解TSP问题

针对禁忌搜索算法(tabu search algorithm,TS)对初始解依赖性较强的问题,提出一种改进的禁忌搜索算法求解TSP问题。在分析TSP问题特点后,分别采用随机生成初始解算法、改良圈算法、CW节约算法和贪婪算法生成初始解并比较4种算法的计算效果,从中选出最优解作为TS算法的初始解。在禁忌搜索过程中比较Insert邻域、Swap邻域和2-opt邻域的改进效果,选择最优的邻域变换模式得到改进解。在仿真实验中,设置合适的参数,通过与相关文献实验结果的对比,验证了该算法的有效性。

基于遗传算法求解TSP问题的研究及Matlab实现

TSP问题属于组合优化问题,同时也是一个NPC问题,因此人们一直致力于为其寻找有效的近似求解算法。遗传算法是模仿生物进化而构建的一种随机搜索方法,具有较强的全局搜索能力、潜在的并行性以及良好的可扩展性,能有效求解TSP问题。然而,如何确定遗传参数和选择遗传操作一直是一个难题,本文针对TSP问题的求解构建完整的遗传算法体系,选择合适的参数,设计多组交叉算子和变异算子,分别对TSP问题进行求解。通过多次实验以及对实验结果的分析比较,探究不同的交叉算子和变异算子求解TSP问题的效果,为遗传操作中交叉算子和变异算子的选择提供一定的参考。

A Population Based Incremental Learning Algorithm with Pleitropic Traits and Its Application in Selected Traveling Salesman Problems

In this paper the population based incremental learning method is extended to a form of multiple traits for one gene to reflect pleiotropic and polygenic characters in natural evolved systems and the entropy of a probability distribution is used to decide the evolvability of the system. This method is used to solve a typical combinatorial optimization problem ─ the symmetric traveling salesman problem. Some results are better than the best existing algorithm of evolutionary algorithms for the problem.

求解TSP的一种改进遗传算法

TSP问题是典型的NP-hard组合优化问题,GA是求解此类问题的一种方法。但它存在如何较快地找到最优解并防止“早熟”收敛的问题。文章针对上述问题并结合TSP问题的特点,提出了改进的遗传算法。它从相似性的思想出发,按适应值相似性将群体分级,在不同的级内采用不同的操作,产生数目不等的新解并利用加速算子使其更接近局部极小值。改进后的算法较好地解决了群体多样性与收敛性的矛盾。实验结果表明,该文算法的改进是有效的。

一种快速求解TSP问题的遗传算法

文章受求最短路径算法的启发,提出一个启发算子用于遗传算法求解TSP问题,通过50,144,150等城市的TSP问题求解,表明该算法求解速度快并且解的质量也非常好。

基于蚁群算法和免疫算法融合的TSP问题求解

利用蚁群算法和免疫克隆选择算法的各自优势提出了一种新的融合优化方法:结合抗体小窗口局部搜索算法的蚁群和克隆选择融合算法(Aca—Csa—s Algorithm,简称ACLA).在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞;克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度;局部搜索策略的应用,也有效提高了ACLA算法搜索效率.针对TSP实验结果表明,该算法在收敛速度与求解精度上均取得了较好的效果.

基于TSP问题的蚁群算法综述

蚁群算法是受现实蚂蚁群体行为启发而得出的一类仿生算法。本文以解决TSP问题为基础,系统地介绍了蚁群算法从诞生到成熟过程中几个代表性的算法。在阐述算法基本思想的前提下,着重论述算法的创新之处。

一种求解TSP问题的相遇蚁群算法

蚁群算法是由意大利学者M.Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。

求解货郎担问题(TSP)的佳点集遗传算法

文章针对求解货郎担问题（ＴＳＰ），给出了一种佳点集遗传算法。通过对ＣＨＮ１４４实例的仿真求解，取得了令人满意的结果，可以看出该算法不仅提高了求解的效率和精度，还有效地避免了“早熟”现象。

求解TSP问题的自适应离散型布谷鸟算法

对于求解的TSP问题,提出了一种自适应离散型布谷鸟算法(Adaptive Discrete Cuckoo Search,ADCS)。在基于布谷鸟搜索算法(Cuckoo Search,CS)的搜索原理下构造TSP问题的路径求解策略。针对离散型算法整体调整容易破坏已形成的较优路径和随着算法迭代数目增加导致种群多样性下降这两个缺陷,设计了一种针对路径的自适应型局部调整算子和全局随机扰动策略,采用了简单的2-opt优化算子作为局部优化算子以加快算法的收敛速度。最后采用多组不同规模的标准TSPLIB数据与其他的优化算法进行对比实验,结果表明ADCS算法在求解精度和稳定性方面具有优势。

求解TSP问题的一种改进的遗传算法

TSP问题是典型的NP完全问题,遗传算法是求解NP完全问题的一种理想方法。文章针对解决TSP问题,提出使用改进的遗传算法,即用浓度控制选择策略以保证群体的多样性,用贪婪交叉算子和启发式倒位变异算子来提高算法的收敛速度,较好地解决了群体的多样性和收敛速度的矛盾。算法的分析和测试表明,该文算法的改进是有效的。

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。

求解TSP问题的多级归约算法

TSP(traveling salesman problem)问题是最经典的NP-hard组合优化问题之一.长期以来,人们一直在寻求快速、高效的近似算法,以便在合理的计算时间内解决大规模问题.由于对较大规模的问题,目前的近似算法尚不能在较短的时间内给出高质量的解,因此提出了多重归约算法.该算法的基本原理是通过对TSP问题的局部最优解与全局最优解之间关系的分析,发现对局部最优解的简单的相交操作能以很高的概率得到全局最优解的部分解.利用这些部分解可以大大缩小原问题的搜索空间,同时也不会降低搜索的性能.这就是所谓的归约原理.再通过多次归约使问题的规模降到足够小,然后对这个较小规模的实例直接用已有的算法求解,最后通过相反的次序拼接部分解,最终得到一个合法的解.在TSPLIB(traveling salesman problem library)中,典型实例上的实验结果表明,此算法在求解质量和求解速度上与目前已知的算法相比有较大的改进.

一种求解TSP问题的动态杂交算子

TSP(TravelingSalesmanProblem)问题是最经典的NP-hard组合优化问题之一。长期以来,人们一直在寻求快速、高效的近似算法,以便在合理的时间内解决大规模问题。论文在文犤5犦提出的两交换启发交叉算子的基础上,通过分析,发现该算子的杂交结果与所选择的首城市有关,因而不同的首城市的选择会大大影响该算子的效率,此外,在杂交母体范围内执行贪婪策略也导致了算法的效率较低。为此,提出了一种新的有效利用局部信息的杂交算子,该算子能够有效地保存母体信息,进一步摆脱首城市的选择问题。实例仿真证明了该算子的有效性。

神经网络求解TSP问题的理论分析及其改进

经过对 TSP(Travelling Salesman Problem)网络的较为完整的特征分析,证明了只有在网络运行的初始状态有效解方向和无效解方向才是网络的特征方向,可以通过控制网络连接权矩阵的特征值的数值来控制这时网络向有效解方向运行,而在网络的运行过程中却无法控制网络向有效解方向运行.只能保证网络向能量下降方向运行,这是网络出现无效解的根本原因,尽管如此,文中通过改进网络的能量函数,从而改进网络的特征值来控制网络的初始运行行为,实验结果表明,改进后的网络具有有效解空间大、收敛速度快、易于获得满意解等优点.

蚁群算法中参数α、β、ρ设置的研究——以TSP问题为例

以TSP问题为例 ,对蚁群算法中参数α、β、ρ的作用作了理论上的研究 ,同时对最优的参数配置问题作了分析。在保证获得解的前提下 ,为了提高计算速度 ,对基本蚁群算法中的选择路线策略进行了调整。通过实例计算表明 ,这种调整是切实可行的 ,有较好的实用价值。