求解TSP的改进自组织PSO算法

针对粒子群算法(PSO)的早熟收敛现象,从种群多样性出发,基于自组织临界性特点改进PSO算法的参数设置,采用自组织的惯性权重和加速系数,并增加了变异算子。借鉴交换子和交换序概念,设计出了能直接在离散域进行搜索的改进的自组织PSO算法。用于旅行商问题(TSP)的求解,并与基本及其他典型改进PSO算法进行性能比较。实验结果证实改进的自组织PSO算法是有效的。

变异概率对PSO算法求解TSP问题的影响研究

提出了一种求解旅行商问题的改进粒子群算法,该算法引入了求解离散问题的学习机制和变异策略以提升粒子群算法求解旅行商问题的效率.通过对两个经典的测试问题(Oliver30和burma14)的仿真研究,表明不同变异概率对算法的影响,当变异概率为0.5时,算法的运行效率最高.

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法。该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题。利用MATLAB对其进行了仿真。仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法。

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。

基于混合蛙跳粒子群算法的TSP问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能,在算法搜索初期,将混合蛙跳算法和粒子群算法相融合,针对初始粒子群随意性大、粒子分布不均的问题,利用混合蛙跳算法的分组策略将种群分组,采用改进的蛙跳更新公式优化次优个体,并抽取各层次个体得到新种群,从而提高最优个体的获得速度;在算法后期,引入3重交叉策略和基于疏密性的引导变异操作,解决粒子多样性降低、易陷入局部最优的问题。利用改进算法求解TSP问题,并与其他算法进行对比。结果表明,改进算法是有效的且性能优于其他算法。

求解TSP的自适应优秀系数粒子群优化算法

针对基本离散粒子群优化(PSO)算法求解旅行售货商问题(TSP)时容易陷入局部最优解和早熟收敛的问题,提出了一种基于自适应优秀系数的粒子群(SECPSO)算法。为了提高算法的全局搜索能力,在已有工作的基础上,进一步利用启发式信息对静态的路径优秀系数进行修改,使之可根据解的搜索过程进行自适应动态调整;另外,为了进一步提高解的精确性和算法的收敛速度,添加了3-opt搜索机制,提高算法的局部搜索能力。利用Matlab进行了实验仿真,用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法性能进行了测试。实验结果表明,与其他几种算法相比,SECPSO算法在全局寻优能力和更快的收敛速度方面表现更优,是求解TSP问题的一种有潜力的智能算法。

PSO算法在MAV群并行仿真试验中的应用研究

利用MAV群执行搜索任务具有安全、快速、高效等优点,无论在军用还是民用方面都将发挥不可替代的作用。考虑到MAV群的续航能力和提高搜索效率的需要,在执行搜索任务的时候首先确定一条"最短"路径至关重要。寻找最短路径问题已经有许多成熟的方法,研究的是采用粒子群优化算法求解最短路径的问题。与其他求解TSP问题的方法相比,粒子群优化算法具有概念简单、鲁棒性好、智能背景深刻等优点;尤其重要的是它天生具有并行计算的潜质,适于并行化后应用到并行仿真中去。实现了PSO算法的并行化,并验证了运行结果的正确性。

粒子群算法在TSP中的应用及其LabVIEW实现

旅行商问题(Traveling Salesman Problem,TSP)是一种经典的、受到广泛研究的组合优化问题之一。粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于群体的进化算法,算法通过微粒间的相互作用来发现复杂搜索空间中的最优区域。文章在前人工作的基础上,对标准PSO算法进行了改进,引入交换子和交换序的概念,将PSO算法应用于求解TSP问题,并在LabVIEW平台下实现。实验结果表明,改进的粒子群算法可以应用于TSP问题,且具有精度高的优点。

一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。

改进的粒子群算法在旅行商问题中的应用

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将模拟退火算法(SA)引入PSO,提出一种新的粒子群算法求解旅行商问题。该算法结合了PSO的快速寻优能力和SA的概率突跳特性,保证了群体的多样性,避免了种群的退化。通过与SA、基本遗传算法和基本蚁群算法进行对比实验,证明了该算法求解TSP的效果最好,且简单易实现、实用性较高。

粒子群算法与遗传算法的结合研究

自上世纪80年代以来,智能优化算法(粒子群算法、遗传算法等)通过模拟或者揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路。通过将不同算法结合来达到更好的优化效果日益成为当前优化研究领域的热点。在粒子群算法中引入遗传算法的交叉和变异算子及种群分割策略,将两种算法有机结合,提出了粒子群算法与遗传算法的混合优化算法(GA-PSO)。为了验证该GA-PSO混合优化算法是否具有良好性能,将该算法用于一些标准测试函数的优化。

用粒子群优化算法求解旅行商问题综述

TSP是一个典型的NP-完全问题,由于其在许多领域内具有实际的应用价值,一直有众多学者对其进行研究。PSO是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景。主要介绍了近几年来用PSO算法求解TSP的研究状况,并进行了分析和展望。

基于自适应粒子—蚁群算法的掘进面机器人装药路径智能优化

针对我国地下矿山掘进面对孔装药效率低的问题,开展装药路径智能优化研究。基于蚁群优化算法,引入惯性权重自适应变化粒子群算法,求解信息素启发因子α及期望值启发因子β;引入自适应信息素挥发因子ρ,根据装药路径规划问题几何特性提出自适应信息素浓度更新策略。将算法用于求解TSPLIB库中的问题,结果表明,改进算法在不同问题中求得最优解,求解精度比基本蚁群算法及几种基于蚁群算法的改进算法提高5%~9%。在实验室中利用机器人模拟掘进面对孔作业,对孔时间缩短约8%。实现地下矿山掘进面对孔装药路径智能优化,对孔装药效率提升,为智能矿山建设提供参考。