求解多目标旅行商问题的混合遗传算法

一般TSP问题是单目标的,只追求一个性能指标:所走路径最短。然而对于具体的TSP问题,实际中常常需要考虑:路程最短、时间最少、费用最省、风险最小等等多方面的因素。设计了贪婪的复合变异算子(GCM),引入隔代爬山法算子来提高多目标TSP问题的搜索能力。实验结果表明该算法是有效的。

面向多起点均衡多旅行商问题的进化算法

为解决多起点均衡多旅行商问题,分析问题的特点,从优化旅行商的起点、最小化所有旅行商总路程和维持各旅行商路径均衡的角度出发,提出一种基于改进交叉、变异操作的遗传算法。根据均衡多旅行商问题的优化目标,构建新型评价函数,设计双染色体编码方式。在此基础上,引入改进的三交换启发式交叉操作并设计双变异策略。在经典旅行商问题的测试集TSPLIB上,与其它求解多旅行商问题的进化算法进行对比,验证算法的有效性。

混合算法求解多目标平衡旅行商问题

平衡旅行商问题(balanced traveling salesman problem,BTSP)是旅行商问题(traveling salesman problem,TSP)的变化模型,是另一种组合优化问题,可在汽轮机(gas turbine engines,GTE)等的优化问题中得到应用,但BTSP模型只能对含单个旅行商一个任务的优化问题建模,不能同时对含多个旅行商多任务的问题进行建模和优化.基于此,首次提出了一种多目标平衡旅行商问题(multiobjective balanced traveling salesman problem,MBTSP)模型,可建模含多个旅行商多任务的优化问题,具体可应用在含多个目标或个体的实际问题,例如含多个GTE的优化.相关文献的研究已证实,伊藤算法和遗传算法(genetic algorithm,GA)在求解组合优化问题中具有较好的性能,因此,应用混合伊藤算法(hybrid ITO algorithm,HITO)和混合遗传算法来求解MBTSP问题.HITO通过蚁群算法(ant colony optimization,ACO)来产生基于图的概率生成模型,再用伊藤算法的漂移和波动算子对该图模型进行更新,从而得到MBTSP的最优解.对于混合遗传算法,第一个用贪心法对遗传算法进行改进,命名为贪心法遗传算法(genetic algorithm with greedy initialization,GAG),第二个用爬山算法优化遗传算法,称之为爬山法遗传算法(genetic algorithm by hill-climbing,GAHC),最后一个为模拟退火遗传算法(genetic algorithm with simulated annealing,GASA).为了有效验证该算法,使用小尺度到大尺度的不同规模MBTSP问题的数据进行实验,结果表明:混合算法在求解MBTSP问题是有效的,并表现出不同的特点.

多目标旅行商问题竞争决策算法

竞争决策算法是在分析大自然生物世界特别是人类的各种竞争机制和决策原理的基础上,利用竞争造就优化、决策左右结果的特性来到达优化目的的新型寻优算法。给出了用竞争决策算法求解多目标旅行商问题的算法,经过大量数据测试和验证,获得了较好的结果。

双目标旅行商问题及其蚂蚁算法实验研究

对双目标旅行商问题设计了基于Pareto概念的多目标蚂蚁算法.借助于算法的全局搜索能力,在整个解空间内快速搜索多目标组合的Pareto有效解,并利用多目标蚂蚁算法维持解集多样性的特点,使搜索到的Pareto解在前沿均匀分布.经大量算例求解验证了其有效性,该算法具有较好的通用性.

基于偏好信息的多目标旅行商问题Pareto优化求解

多目标旅行商问题(MOTSP)是经典旅行商问题的扩展,其优化目标包含了距离、成本、收益及风险等多个相互冲突的指标.本文提出了一种基于偏好的Pareto演化算法p-PEA用于建模并求解此NP-hard问题.该优化算法建立在MOTSP的智能体仿真模型之上,从而解决了数学建模不能真实再现实际MOTSP中众多影响因素的问题.通过仿真的方法,算法能够得到MOTSP可行解的各项评价指标值.在此基础上,通过设计演化算法搜索问题的Pareto优化解集.其中,将决策者的决策偏好信息引入到Pareto优化解集的求解过程中,所得结果将更合理.最后,以一个130个城市的旅行商问题为例验证了算法的有效性.

一种求解多目标旅行商问题的混合进化算法

许多科学与工程优化问题往往需要转化为多目标旅行商问题进行求解,由于目标函数之间的冲突性,使得这类问题不存在能够优化所有目标函数的唯一最优解,而是存在一个Pareto最优解集或者Pareto Front。为了获得一个高质量的Pareto最优解集,提出了一种基于蚁群优化和差分进化的混合多目标进化算法。在提出的算法中,一方面采纳分解机制利用蚁群优化算子实现对Pareto最优解的开发,另一方面采纳拥挤度概念利用差分进化算子实现对Pareto Front的探索。通过对一组标准测试算例的仿真实验,结果表明所提出的算法比现有的算法能够获得分布性和收敛性更优的Pareto解集。

面向多旅行商问题的多目标模拟退火算法研究

多旅行商问题是经典旅行商问题的一种演化,考虑一些约束,可以转换为一些较现实的问题,具有较高的理论研究和应用价值.在多旅行商问题中,一个任务由多位旅行商共同完成,问题的求解难度较经典旅行商问题更大.现有的研究中指定旅行商个数,将问题转换为固定数量的多旅行商问题.本文构建了求解pareto解的多目标多旅行商问题模型,针对一定规模的城市数量和约束的问题,获得多旅行商问题中旅行商的合适数量.本文将旅行商的个数和多旅行商的最长访问路径作为优化目标,采用改进的多目标模拟退火(IMOSA)算法和传统的多目标遗传算法对问题进行了求解.采用30个城市的旅行商问题对两种算法进行了测试,发现改进的多目标模拟退火算法相较于多目标遗传算法计算复杂度低,且能发现较好的pareto解,算法性能更优.

无线传感网中基于时变多旅行商和遗传算法的多目标数据采集策略

相比传统数据路由的数据采集技术,无线移动节点技术逐步成为近年来无线传感网中数据采集的另一种新技术。由于其中对静态节点遍历次序的求解本身是一个NP难问题,提出了一种更为通用的基于多移动节点的多目标数据采集策略,将此问题建模为一种时变多旅行商问题模型。考虑到其属于NP难的离散优化问题模型,设计了一种针对问题特点的混合遗传算法来求解多个移动节点的规划路径,并对设计的算法给出了收敛性证明。通过对公开数据集的测试证实,所提基于多移动节点采集数据的时变旅行商问题模型和设计的求解算法确实能有效地提高数据采集的效率和实时性。

有时间约束旅行商问题的启发式遗传算法

有时间约束的旅行商问题作为旅行商问题的拓展 ,是一个重要的NP难题 ,深入研究这一问题具有重要的理论和实践意义。将时间窗约束转化为目标约束 ,采用序列编码设计了基于启发式规则的可同时处理软、硬时间约束的遗传算法——— 2 交换变异的遗传算法和 3 交换变异的遗传算法。实验表明HGA1优于简单遗传算法(SGA) ,HGA2优于HGA1。

旅行商问题的综述教学研究

旅行商问题是数学上的组合优化问题,是一个经典的NP完全问题。该问题在工程上有很强的实用背景;对该问题的研究一直受到众多学者的重视,对其的求解亦提出了各种不同算法;同时就该问题还提出了各种推广形式,但就该问题的教学研究却很少有人涉及。针对这些情况,本文就该问题的综述与教学做几方面的研究,以提高对该问题的教学质量、增强学生的学习积极性。

关于中国旅行商问题的探讨

对中国旅行商问题进行了探讨。首先,我们运用蚁群算法得到了中国旅行商的最短路旅行方案;其次,在最短路旅行方案的基础上,再考虑最经济的旅行花费问题,我们建立了旅行问题的无约束条件优化模型,同时得到了最小花费;最后,综合考虑省钱、省时又方便的约束条件,我们建立了旅行问题的均衡多目标优化模型,并运用Lingo软件编程最终得到了较合理的旅行订票方案。

基于多目标快速探索随机树的移动机器人巡检路径优化方法

针对移动机器人需要访问多目标的巡检路径规划问题,该文提出一种多目标快速探索随机树路径优化方法。首先,根据提供的环境地图与巡检目标点,该文采用一种RRT-Connect-ACO算法得到目标点的巡检顺序和可行路径;然后,通过引入信息子集,对路径进行优化,得到最终的最优路径。实验结果表明,与现有的多目标路径规划算法相比,该方法考虑了地形的影响,得到的最优路径更符合实际情况。

基于MATLAB的蚁族算法求解旅行商问题

目前求解旅行商问题效果最好的混合算法是最大最小蚂蚁算法和局部搜索算法,本文对蚁群算法的仿真学原理进行概要介绍,蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能多目标优化算法,通过蚁群觅食过程中最短路径的搜索策略,给出基于MATLAB的蚁群算法在旅行商问题中的应用,并通过实例仿真结果表明,此算法有一定优越性。

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。

用蚂蚁算法解决多目标TSP问题

分析了多目标问题的性质 ,提出一种在多个目标间权衡的评价指标 .用一种较新的进化算法 -蚂蚁算法来解决多目标 TSP问题 .

用混合遗传算法求解多目标TSP问题

针对多目标TSP问题,提出了非群体迭代型多目标遗传算法与局部阶段搜索算法相结合的混合遗传算法。其中非群体迭代型多目标遗传算法通过个体的被优越数和种群的分布情况计算个体适应度,采用基于路径表示的编码方法进行编码,使用竞争选择策略、部分匹配交叉和变换变异进行遗传操作。最后使用该算法对两个实例进行实验计算并分析其程序运行结果。结果表明该算法是很有效的。

蚁群算法在多目标TSP问题中的应用研究

鉴于蚁群算法在处理组合优化问题中的优势,本文针对多目标TSP问题,对蚁群算法进行深入研究,探索多目标环境下蚁群算法的运行机制,同时构建多目标蚁群算法框架,并设计优化算子。仿真实验结果验证了本文算法的可行性与有效性。

关于移动数据业务问题

利用蜂窝移动通信系统向用户提供高质量的数据业务，一直是蜂窝移动通信网运营商孜孜以求的重要服务目标。本文针对在移动通信网上开放数据业务的一些问题进行探讨。

多目标遗传算法下焊接机器人焊接路径规划方法研究

为了提高焊接机器人的工作效率,需要获取最优焊接路径。为此,提出多目标遗传算法下焊接机器人路径规划方法。通过建立防碰撞模型,计算其安全距离,使机器人在运行过程中自行躲避障碍物,安全完成作业;在符合生产节拍的情况下,运用旅行商问题描述机器人焊接路径规划问题;采用多目标遗传算法对焊接路径规划模型进行求解,使焊接机器人规划出最短路径。试验结果表明,所提方法在有障碍物环境的路径规划结果与理想轨迹相比,其误差小,可避免碰撞障碍物,且规划的路径长度短。