物种生灭算法的改进策略

物种生灭算法(Species Explode and Deracinate Algorithm,SEDA)是一种简单、高效的群智能优化算法。为了进一步提高SEDA算法的寻优速度、解的质量,首先,通过一种无排序筛选幸存物种的递归算法,提出了基于递归筛选的SEDA算法,减少了SEDA算法的时间复杂度,提高了算法的寻优速度;其次,通过引入衍生趋势的方法,提出了基于衍生趋势的SEDA算法,提高了SEDA算法对复杂、难以寻优的优化问题解的质量。三个测试函数的仿真结果表明,改进的方法具有更小的时间复杂度,能够有效改善SEDA算法解的质量。

噪声混沌神经网络在TSP中的应用研究

分析了NCNN(噪声混沌神经网络)模型的几个重要参数对系统性能的影响,并对其进行了优化。仿真结果表明,优化的算法能成功解决旅行商问题,比传统的依靠经验选择参数的方法更有效,在收敛速度同解的质量之间取得了很好的折中。

基于网络分割的P-中位问题求解方法

针对传统的PMP（P-median problem）算法在单机环境下无法突破大规模地理网络求解时的空间和时间瓶颈,提出了一种基于网络分割的大规模稀疏网络P-中位问题求解方法.采用多层k-路划分算法对网络进行分割,将大规模PMP问题转换为多个小规模的PMP问题;研究了＂子网络求解-归并-调整中位点数＂操作对PMP解质量的优化效果;应用测试数据评价了网络分割对PMP解质量的影响.结果表明：该算法能够在单机环境下解算大规模PMP问题;分割后PMP解的偏差率在0.16%～2.82%之间;随着中位点数的增加,网络分割对PMP解质量的影响呈减弱的趋势.