求解动态旅行商问题的蚁群优化算法新策略

动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利用能力的权衡是一个关键问题。传统的思路是在搜索前期侧重探索能力,使蚁群充分获取搜索空间的信息,随着搜索过程的进行逐渐增强利用能力,使蚁群逐渐收敛。然而,以上思路不利于在动态场景中快速获得质量较高的解。针对动态旅行商问题,提出了一种新的探索-利用权衡策略,在环境变化后,首先使用模拟退火算法增强利用能力以快速获得质量较高的解,在解质量难以提高时再使用自适应性轮盘赌选择方法帮助算法跳出局部极值。在权重变化的动态旅行商问题上的实验证明,所提新策略优于其它蚁群优化算法及变体。

用动态搜索算法求解时间依赖型旅行商问题

为解决基于时段的时间依赖型旅行商问题(time-dependent traveling salesman problem,TDTSP),提出处理跨时段的方法,并建立了相应的数学模型.用动态搜索算法ds-k-opt(k=2,2.5,3)分别求解该问题.仿真算例表明,动态搜索算法中部分ds-2.5-opt解和绝大部分ds-3-opt解优于动态规划启发式算法,且能求解更大规模的TDTSP问题.动态搜索算法的解随k的增大而更优,但运算时间也更长.

动态旅行商问题的研究

传统的旅行商问题都是静态的,但在现实中许多问题是动态的。该文提出动态旅行商问题,问题的规模随时间不断变化。实时问题对算法的求解效率要求很高,为此设计了基于模糊规则的在线遗传算法,可以根据求解问题的变化,在线精炼模糊控制规则来控制算法的参数。仿真实验验证了算法的有效性。

基于仿真的遗传算法求解动态旅行商问题

以标准旅行商问题的扩展问题——动态旅行商问题为对象,分析了动态旅行商问题中由于道路流量实时变化所引起的标准旅行商问题的数学建模与优化求解的问题复杂性。通过建立其计算机仿真模型再现动态旅行商问题中众多复杂的非平稳、随机因子。进而提出了基于计算机仿真模型的遗传算法,即根据计算机仿真的结果,应用改造后的遗传算法搜索原问题的优化解。最后,在多智能体仿真平台上实现该优化算法,并以此求解20个城市的动态旅行商问题,计算结果验证了算法的有效性。

基于最优插入子集的动态规划算法求解旅行商问题

针对多阶段决策过程求解旅行商问题中离散确定性决策模型单一的问题,提出一种基于最优插入子集的动态规划法。通过研究旅行商问题的插入算法,提出简单插入最优性猜想和同型插座猜想并应用不完全归纳法进行测试。依据同型插座猜想的推论,引入最优插入子集的概念,重新设计了不同于Held-Karp解法的新算法。实验结果表明,该算法在不同数据集上均能求得最优解,并达到已知的运行时间界限。

基于动态规划法和模拟退火算法求解旅行商问题

旅行商问题是一个非常典型、容易描述却难以处理的NP完全问题,同时也是许多领域内出现的多种复杂问题的集中概括和简化形式.有效解决旅行商问题在计算理论上和实际应用上都有很高的价值.文章对几种常见算法的优缺点进行总结,并利用动态规划法和模拟退火算法结合实例求解旅行商最短路问题.

求解旅行商问题的动态邻域差异演化算法改进研究

旅行商问题(Traveling Saleman Problem,TSP)是一个典型的组合优化问题,针对该问题主要采用动态规划和智能优化等算法。为了有效求解TSP问题,设计了一种带邻域操作的差异演化算法。为了克服差异演化算法容易收敛于局部最优的弱点,通过引入簇和邻域的概念,将种群中的个体归入距离其最近的子种群,用个体的当前邻域极值替换群体的当前最佳。同时,算法在进化过程中动态调整邻域大小。通过在多个TSP问题上的仿真实验表明,该算法在求解TSP问题时鲁棒性强,求解精度高。

求解旅行商问题的改进粒子群算法

针对粒子群算法求解旅行商问题时存在易陷入局部最优及收敛速度慢等缺陷,提出一种改进粒子群算法。将伊藤算法中的漂移和波动算子运用于粒子群算法中的学习因子,将牛顿力学中的加速度因子映射粒子群算法的惯性权重。用改进后的粒子群算法求解TSP标准测试库中的多个类型和不同规模的问题,与传统算法进行对比,对比结果表明,该算法是可行有效的。

时变网络环境下旅行商问题研究

对时变旅行商问题进行描述,提出处理一般跨时段的新方法,并建立数学模型.在求解方法上构造动态搜索优化算法ds-k-opt(k=2,2.5,3)求解该问题.通过实验仿真,大部分动态搜索优化算法解质量优于动态规划启发式算法,且求解规模更大.动态搜索优化算法解随k值增大而更优,算法运行时间也随之增加.

求解子旅行商问题的改进蚁群算法

已有求解子旅行商问题的蚁群算法存在容易早熟、易于陷入局部最优的问题。为此,提出一种改进的蚁群算法。将拥挤因子嵌入到蚁群算法的状态转移和信息素更新过程中,增强全局搜索能力,设计邻域搜索技术和局部变异技术,以提高解的质量和加快收敛速度。实验结果表明,该算法的求解质量和稳定性较好。

基于旅行商问题转化和遗传算法求解汽配件喷涂顺序

对汽配件颜色喷涂顺序进行优化有助于企业进一步降低生产成本,而目前尚无研究对该类问题提出针对性的数学模型和解法。考虑到每一个汽配件必须喷涂且只喷涂一次,具有旅行商问题(TSP)的基本特征,为此提出了TSP转化的建模方法并选用并行性和鲁棒性强的遗传算法(GA)进行求解。首先,将汽配件定义为TSP顶点,根据汽配件的颜色和类别要求定义顶点之间的距离和生产约束条件,以此构建了使喷涂序列颜色切换次数最少的0-1规划模型。其次,将汽配件的颜色和类别约束转化为惩罚因子,从而构成遗传算法的适应度函数,并基于锦标赛选择策略综合设计了复制、交换、翻转、滑动的变异策略。最后,构造汽配件数为64、93、293个,颜色数为5、7、10种的三组数据进行仿真实验,所提算法对这三组数据均能求得精确最优解5,7,10,而重复运行算法,可以获得近似最优解的均值分别为5.63,7.30,11.49。实验结果表明所建立的数学模型对汽配件颜色喷涂顺序问题的刻画准确,设计的遗传算法高效实用,此二者可推广应用于其他类似的生产加工问题。

一种求解旅行商问题的信息传播算法

针对旅行商问题求解精度较差、容易陷入局部最优等缺点,提出一种新的求解旅行商问题的信息传播算法。根据旅行商问题的特征,将线性方程嵌入信息传播算法方程中得到旅行商问题的势函数,进而将其转换为因子图,在因子图上利用信息传播算法的迭代方程进行迭代计算。在迭代过程中选择边际信念的最小值,从而得到旅行商问题的初始解,在算法达到设定的迭代次数后,引入局部搜索算法进行求解。在若干数据集上的实验结果表明,新算法能够有效求解旅行商问题。

求解旅行商问题的多尺度量子自由粒子优化算法

针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上。

旅行商问题的一些特殊情况和启发式算法

本文讨论了一些带有和式目标及瓶颈目标的可以有效求解的特殊类型的旅行商问题,并提出了有关由这种特殊问题导出启发式算法的可能性。

求解旅行商路径规划问题的改进模拟退火算法

旅行商路径规划问题(GTSP)是一个典型的NP完全问题。文中针对这一困难问题,改进了能够求解GTSP问题的传统模拟退火算法,这样的做法回避了传统算法的一些缺点。具体而言,GTSP问题可以转化为多段映射问题,而动态规划算法可解决这一问题,同时还大幅缩短了整个算法的运行时间。大量实验结果证明,改进的模拟退火算法能够在更短的时间内收敛,并可得到比传统模拟退火算法质量更好的最优解。

含优先级约束的旅行商问题研究

旅行商问题(TSP)是经典的组合优化问题,其目标是找出一条经过图中所有结点刚好一次的最短路径。实际应用中常常还包含优先级规则,此时称之为含优先级约束的旅行商问题(TSP-PC)。该问题广泛存在于物流服务、交通运输、生产制造等应用场景中,高效的求解方法有助于减小操作成本、提升服务效率。基于此,文中建立了描述该问题的整数线性规划模型,设计了相应的动态规划精确算法。相关的数值实验表明,该算法可以高效地求出不同规模的问题的最优解。

动态车辆路径问题排队模型分析

分析了一类动态车辆路径问题,其中顾客需求以泊松流形式出现,现场服务时间服从一般分布.提出解决该问题的两种策略:顺序服务策略和中点改进策略,利用排队论、几何概率论等领域的知识分别求出了这两种策略的系统时间,并通过仿真数据实验验证了这两种策略的有效性.

动态规划粒子群算法解PCB数控钻孔最佳走刀路线问题

设计印刷电路板(PCB)数控钻的走刀路线是数控钻编程的重要组成部分,目前自动编程系统生成的钻孔路线未必是最佳走刀路线。本文在粒子群算法的基础上提出动态规划粒子群算法,并用此方法求解PCB的最佳走刀路线,获得了满意的结果。

基于TSP问题的动态蚁群遗传算法

近年来围绕提高蚁群算法性能,出现了多种蚁群算法和遗传算法的融合方法,在对蚁群算法、遗传算法和其他相关融合算法进行充分研究的基础上,通过将遗传算法和蚁群算法进行动态融合,并对传统遗传算法的重插入子代操作进行新的改进设计,提出了一种新的动态蚁群遗传算法。将动态蚁群遗传算法应用于TSP问题(Travelling Salesman Problem)的求解,以3个典型的TSP模型为例,通过对多种算法的求解结果进行对比分析,验证了动态蚁群遗传算法具有较好的寻优能力、算法稳定性和寻优速度。

基于动态分组算法求解TSP问题

利用TSP问题特点,提出了动态分组算法求TSP问题.将TSP环路动态随机分解成双环,再用最佳组合方式组合成单环,实现了在总体路径寻优下的局部路径优化,从而使所得路径尽可能接近最优解.通过对TSPLIB中实例的大量实验及与KD、KL、SETSP、Budinich和ESOM等类SOM算法的比较,表明该算法具有良好的性能.