基于改进反序-杂交算子的免疫克隆选择算法

反序-杂交算子在求解TSP时容易陷入局部最优。为了优化电路板布局,提高计算快速性,对反序-杂交算子进行了改进,设计了1st-Inver-over算子和2nd-Inver-over算子。采用1st-Inver-over算子和2nd-Inver-over算子作为主要免疫基因操作算子实现了求解TSP的免疫克隆算法,在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度,在算法后期,根据种群的多样性自适应的选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。仿真结果表明,Inver-over ICSA比经典的GT算法具有更好的收敛性和搜索效率。

基于基因库求解TSP的改进的反序—杂交算法

文章对求解TSP的“反序-杂交”算法在反序时城市位置的选择方式上作了改进,同时限制对每个个体一次循环中反序的次数,提出一种“见好就收”的策略,并利用“基因库”(即保存了好边的矩阵)的思想来指导反序-杂交。实验证明,改进的算法在收敛性和求解速度方面都比原来经典的“反序-杂交”算法有很大的提高。

基于精英策略的反序-杂交算法

论述了反序-杂交算子在求解TSP上的优势,认为该算子算法结构简单,在求解问题时不仅速度快,而且有很好的精确性和稳定性。基于多父体杂交算法的精英子空间的方法在求解函数优化问题上可以得到很好的结果,将精英策略和反序-杂交算子相结合,来求解组合优化问题,在反序-杂交算法中运用精英策略进行个体选择,使算法具有更强的学习能力。数值实验表明,新算法比传统的反序-杂交算子具有更快的运行速度和更好的求解精度。

基于改进Inver-over算子的并行TSP演化算法

设计了基于近邻点初始化和改进Inver-over(反序杂交)算子求解旅行商问题的并行演化算法。该算法执行时,主进程每当收集到各个种群的最好个体并形成精英种群时,就对该种群执行一次Inver-over算子,然后将其中最好的个体发送给各个种群。在PVM(并行虚拟机)并行环境下的实验结果表明,并行后能取得更好的解,并且在主进程中建立精英种群的演化有助于更好更快的收敛。

几种局部优化算子在求解TSP中的性能比较

将局部优化算子引入遗传算法求解TSP问题,以求提高算法的性能。具体措施是在标准遗传算法的最后阶段增加一步,即对每代的最优个体进行一定次数的局部搜索,以求改善该最优个体。首先提出将反序-杂交法引入局部优化过程中。同几种常用的局部优化方法相比,反序-杂交法的性能最为突出。实验结果表明,该优化方法能有效求解300个城市以内的TSP问题。

基于进化算法的影片递送问题求解

影片递送问题(FDP)是组合优化的一个新问题,它比旅行商问题(TSP)复杂得多。在进化算法的基础上,提出了一种求解FDP问题的算法(IEA)。介绍了算法的设计与实现过程,并设计多种类型实例试验。实验结果表明,该算法能精确、快速的解决FDP问题。

求解旅行商问题的二阶段演化算法

对Inver-over算子进行了改进,提出了1st-Inver-over算子和2nd-Inver-over算子,实现了求解TSP问题的基于改进Inver-over算子的二阶段演化算法(Two-stage Inver-overEA)。在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度;在算法后期,根据种群的多样性自适应地选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。在TSPLIB(Traveling Salesman Problem Library)中的典型实例上的实验结果表明,Two-stage Inver-over EA比经典的GT算法具有更好的收敛性和搜索效率。