一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.

改进的遗传算法求解TSP

阐述了一种针对TSP问题的改进遗传算法。引入了局部优化搜索算法。加快了算法的收敛速度。减轻了初值对结果的影响。加入了改进的OX交叉算法,在交叉中合理保留了优秀个体基因的排列顺序。利用精英复制保留了优秀基因。维持了种群个体数目稳定。提出了一种新的变异算法,有效避免了路径重复,减小了运算量,提高了运算速度。

TSP问题的一种高效Memetic算法

TSP问题是组合优化领域新算法设计的一个理想测试平台。当前比较成功的算法大都基于局部优化 ,局部优化速度快 ,但收敛性差 ,往往无法求出最优解。最近 ,人们在局部优化策略的基础上提出了基于群体的局部优化算法 ,即 Memetic算法 ,试图将局部优化的高效性和遗传算法的鲁棒性结合起来。文章分析了 Memetic算法的性能和 TSP问题的特性 。

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明:CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。

基于改进遗传算法立体车库存取调度优化

研究了巷道堆垛式立体车库的结构及运行原理,其具有自动化程度高、搬运器运行无空行程、存取方便快捷等优点,但也有自身的不足之处。针对巷道堆垛类立体车库的车辆出入口相对较少造成的用户的平均等待时间较长、堆垛机的工作负荷较大等缺点,从调度策略的角度进行分析,利用改进遗传算法对立体车库进行调度策略的优化,建立了以总存取时间为目标函数的数学模型,采用混合编码,改良的OX交叉算子对车库存取序列进行优化,以使总的存取车时间最少,即用户的平均等待时间最少。经过仿真实验的验证该算法得到了较好的收敛,并得到较小的存取车总时间,获得了预期的车辆存取序列,在与其他调度优化方法比较时得出结论,该种优化方法所得结果较为实用。

一种求解旅行商问题的高效混合遗传算法

旅行商问题(TravellingSalesmanProblemTSP)是一个典型的组合优化难题,论文提出一种求解旅行商问题的高效混合遗传算法。该算法结合遗传算法和2-opt邻域搜索优化技术,并针对旅行商问题的特点,提出K近邻点集以缩减搜索空间从而加快求解速度。基于典型实例的仿真结果表明,此算法的求解效率比较高。