基于改进遗传算法的大规模TSP问题求解方案

TSP问题不仅描述旅行商周游城市的问题,也是许多工程领域中复杂问题的抽象形式,找到一种有效的TSP问题求解方案具有十分重要的意义。针对大规模TSP问题中最小回路代价的求解问题,提出一种基于遗传算法的大规模TSP问题的求解方案,采用分而治之的思想,并对传统遗传算法的初始化和遗传算子进行改进,提高了算法性能。多个数据集上的实验结果证明了提出的算法能够优化收敛结果,一定程度上解决过早收敛的问题。

基于聚类集成的蚁群算法求解大规模TSP问题

ACA(Ant Colony Algorithm)是一种可以有效求解组合优化的TSP(Travelling Salesman Problem)问题的方法。然而,当TSP问题的规模较大时,该算法的求解性能将会明显减弱。本文针对大规模TSP问题提出一种基于聚类集成的蚁群算法IAPACA(Improved AP Ant Colony Algorithm)的求解方法。利用AP(Affinity Propagation)聚类对大规模旅行商问题进行处理,将大规模旅行商问题分为若干子问题,并对每个子问题用蚁群算法进行寻优。然后用改进的集成方案对子问题进行组合,得到问题的结果。最后进行TSPLIB标准库测试算例的实验仿真,实验结果表明,基于聚类集成的蚁群算法具有更好的求解效果。

基于动态聚类邻域分区的并行蚁群优化算法

本文算法体现"分而治之"的思想,首先采用动态K均值聚类快速邻域分解,其次应用蚁群算法同时对分区并行优化计算,最后基于分区重心进行邻域全局连接,得到大规模TSP问题的满意解.