基于基因库求解旅行商问题的遗传算法

针对传统遗传算法(genetic algorithm,GA)求解旅行商问题(traveling salesman problem,TSP)存在寻优效率低、实验结果缺乏一致性等问题,提出了一种基于基因库的遗传算法(genetic algorithm based on genes pool,GPGA)。GPGA从种群中搜索减小哈密顿圈长度的边,并当做优良基因构成基因库。父代哈密顿圈在基因库引导下产生更优的子代哈密顿圈,基因库也随着种群的不断进化而同步更新,引导种群个体逐步向最优解靠近。算例结果表明在同样条件下,GPGA比传统遗传算法和几种改进遗传算法的性能更优。

一种求解旅行商问题的新型单亲遗传算法

论文针对旅行商问题,提出了一种新型的单亲遗传算法。它在同一条染色体上采用基因换位、基因段移位、基因段逆转和基因分组定界等操作进行基因重组,取消了传统遗传算法中的交叉算子,遗传操作简单,收敛速度快。但过早的收敛将影响结果精度,使全局最优解的出现机率很小。为此,该算法模拟自然界演化的周期性,使用基因插入操作增强算法的搜索能力,并提出运算终止的两个准则,使所得的解为全局最优解的可信度大为提高。给出了该算法的数值算例,实验结果表明,该算法较好地解决了收敛速度和寻优能力的矛盾,证明了该算法的有效性。

构建“基因库”求解TSP问题的混合遗传算法

该文设计了求解平面TSP的一种新算法,该算法首先构建一个“基因库”,在单亲演化中使用“基因库”中的基因,并将单亲演化所产生的最好解,作为群体演化中的一个个体,再进行群体演化。在求解TSPChina144问题实验中,不仅找到迄今最好的解,而且该算法具有高效的特点。

引入基因簇求解TSP的遗传算法

在用遗传算法求解TSP时,极易破坏已经发现的较短线路片段,从而使遗传算法的收敛变慢。为了保护较短的线路片段,遗传操作以基因和基因簇为单位进行,优良基因簇可完整地遗传到下一代。在获得第一个近似最优解后,粉碎已发现的基因簇并继续寻优,以期能够获得全局最优解。使用CHN144及TSPLIB中的数据进行试验,找到了CHN144问题的当前最优路径。通过对TSP225的实验获得了最短路径3859,优于目前已经公布的最短路径3916。实验表明,基于基因簇的算法具备3000个城市左右的寻优能力。

重用最大频繁模式的可持续进化算法

为了重用进化过程中沉淀在优秀个体集中的信息,设计了最大频繁序列模式挖掘算法,并在其基础上提出了重用最大频繁模式的可持续进化算法(MFPEA).该算法设置了多个不同层次的种群为不同适应度水平的个体提供生存空间,采用最大频繁序列模式挖掘算法挖掘种群中的优良基因,并将具有优良基因模块的新个体注入到不同适应度水平的种群中.文中还设计了针对不同问题动态调整进化种群规模的函数,通过一组统计数据研究了平衡计算时间与进化质量的相关参数.实验结果表明,MFPEA在维持遗传信息稳定性、避免早熟收敛方面表现良好,且获得了xit1083问题的新最优解记录(3611.496).

一种求解TSP的生物信息启发式遗传算法

遗传算法是解决旅行商问题(traveling salesman problem,TSP)的通用路径优化算法之一。为解决传统遗传算法收敛速度慢且解不稳定的问题,提出一种生物信息启发式遗传算法(bioinformation heuristic genetic algorithm,BHGA)。通过优化适应度函数和初始种群,引入生物信息学中的基因序列对比手法进行交叉重组排序,采用基因逆转操作进行变异,对遗传算法进行改进,使算法能够加快收敛速度,得到更优路径解。利用BHGA对TSPLIB数据库中算例进行求解,实验仿真结果表明:该算法在中小型规模的TSP中求解效果好且结果稳定。

引入基因簇求解TSP的P2P遗传算法

应用遗传算法求解旅行商问题时,极易破坏已经发现的较短线路片段.为此,引入基因簇以便保护较短的线路片段,基于P2P设计了TSP求解遗传算法P2PTSPGA.在交叉和变异操作的过程中,基因簇完整地遗传到下一代;在获得第一个近优解后粉碎基因簇,以避免算法陷入局部最优.使用CHN144找到了当前最优路径,并使用TSPLIB进行了串行和并行试验.TSP225实验获得了最短环路路径3859,优于目前已经公布的结果3916.实验表明,P2PTSPGA具有较高的求解性能,并具备5000左右城市的持续寻优能力.

一种基于基因库和多重搜索策略求解TSP的遗传算法

TSP是组合优化问题的典型代表,该文在分析了遗传算法的特点后,提出了一种新的遗传算法(GB—MGA),该算法将基因库和多重搜索策略结合起来,利用基因库指导单亲遗传演化的进化方向,在多重搜索策略的基础上利用改进的交叉算子又增强了遗传算法的全局搜索能力。通过对国际TSP库中多个实例的测试,结果表明:算法(GB—MGA)加快了遗传算法的收敛速度,也加强了算法的寻优能力。

离散型细菌觅食算法求解TSP

旅行商问题(TSP)是组合优化问题的典型代表,针对TSP的求解提出一种离散型细菌觅食(DBFO)算法。该算法通过结合2-opt算法设计了一种适合处理离散型变量的趋化算子,将细菌觅食算法推广到了离散情形。同时,结合TSP的特点,在迁徙算子中引入基因库的思想来指导新个体的生成,提高了算法的搜索效率。通过对TSPLIB标准库中22个实例进行仿真实验。实验结果表明,该算法能够有效求解城市规模500以下的TSP,与混合蚁群算法和离散型萤火虫群算法相比,具有更好的全局收敛性和稳定性。

中药配方颗粒自动发药机取药路径优化

通过对中药配方颗粒自动发药机系统发药流程的介绍,提出针对该系统的发药路径的优化问题,采用解决TSP的传统遗传算法,并对交叉、变异遗传算子进行适当的改进,结合基因表达数据,较好地解决了该问题。实际运行证明,经过本算法的优化路径提高了系统的发药效率。

区域破坏重建的蚁群优化算法

传统蚁群算法在解决旅行商问题(TSP)有较大的优势,但也存在一些不足,如收敛速度慢、易陷入局部最优等。针对这些问题,提出区域破坏重建的蚁群优化算法(RDRACO)。RDRACO应用区域破坏重建算法解决因信息素积累而陷入局部最优的问题,并将蚁群算法的信息素更新规则和全局更新策略进行了调整,使之与该算法匹配。另外在蚁群路径选择中加入2-Opt算子,加快收敛速度和提高收敛精度。实验采用TSPLIB中的20个经典TSP数据集对RDRACO进行仿真实验,仿真结果表明:RDRACO算法通过较少的迭代次数就可找出数据集较小TSP的已知最优路径,并在数据集较大TSP收敛精度上有显著的优化。RDRACO在提高收敛速度的同时具有较高的精度和较好的鲁棒性。

碎纸片自动拼接复原

为了提高碎纸片的拼接效率和保护信息安全,提出一种碎纸片拼接复原算法,主要由墨迹特征提取和图像匹配两个过程构成.针对英文文档碎纸片,本文提出一种基于文字基线、改进的遗传算法(GA)及光学字符识别技术(OCR)的自动化拼接算法.该算法先根据同行字母的下基线基本相近的准则进行分行归类;并将分类后同一类碎纸片拼接问题转化为旅行商问题,采用改进的遗传算法及光学字符识别技术进行求解;最后根据下基线的位置采用贪婪算法为辅助,实现组行成页.此外,本文结合中文文字的特征,将算法进行修改,得到自动拼接中文文档碎纸片的算法.根据以上算法编写MATLAB程序对横纵切的中英文碎纸片进行拼接试验,结果表明,无需进行人工干预,能够实现全自动拼接.

遗传算法求解旅行商问题时的基因片段保序

针对基于遗传算法的 TSP问题求解 ,尝试了多种遗传操作 ,分析了这些操作在遗传算法中的作用 ,讨论了基因片段保序在利用遗传算法求解 TSP问题中的重要性 .

基因重组算法设计及多目标旅行商问题求解

遗传算法等启发式算法在求解旅行商问题时,存在收敛速度较慢、容易出现过早收敛及算法计算效率较低的问题。在模式理论基础上,提出一种新的基因重组算法。根据优良基因模式,设计模式重组算子,运用重构及进化规划的思想设计算法的个体重构算子和个体选择算子。建立一个多目标旅行商问题模型,分析每一轮计算旅行路线适应度值的差异性,采用熵值法确定路程和费用权重。系列实验表明,基因重组算法在求解多目标旅行商问题时,计算效率远高于比较的算法,收敛速度和求解精度也较一般启发式算法有明显改善。