混合算法求解着色瓶颈旅行商问题

基于着色旅行商问题(colored traveling salesman problem,CTSP),给出了一种适用性更加宽泛的组合优化问题模型:着色瓶颈旅行商问题(colored bottleneck traveling salesman problem,CBTSP).CBTSP可建模含有部分重合工作区域的规划问题,譬如有合作任务和单独任务的人员与车辆的路线规划,此类问题由于目标函数与旅行商问题不一样,因此不能够用CTSP模型来建模.由于CBTSP属于NP难问题,对于规模大的此类问题,自然启发式算法是个合适的选择.基于此,提出了一种自然启发式算法求解CBTSP,该算法是基于伊藤过程的粒子群算法(particle swarm optimization,PSO)、模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithm,GA)的混合算法(PSGA).PSGA首先用二重染色体编码来构建问题的解,然后运用遗传算法的交叉操作进行更新,其中交叉长度由伊藤过程的活动强度来控制,而活动强度由粒子半径和环境温度来决定.为了充分验证算法的有效性,使用小尺度到大尺度不同规模的数据进行实验,通过广泛的实验与分析表明:PSGA求解CBTSP问题的求解质量要优于对比算法.

改进蜂群算法求解大规模着色瓶颈旅行商问题

在智能交通、多任务协作等领域,用着色瓶颈旅行商问题(CBTSP,colored bottleneck traveling salesman problem)所构建模型尺度易趋向于大规模,因此有必要研究大规模CBTSP及其求解算法。本文将一种改进蜂群算法(IABC,improved artificial bee colony algorithm)应用于求解大规模CBTSP。IABC首先运用m-tour编码方法生成问题的解,然后使用产生邻近解(GNS,generate neighboring solution)优化蜂群算法求解该问题,GNS通过采用删除和重插入操作来产生新的解,并在该过程中实现对已有解的优化。实验表明IABC求解大规模CBTSP问题的求解质量优于其他对比算法。