基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法（Quantum—inspired Evolutionary Algorithm，QEA），在解决实际问题中遇到的困难，提出一种改进的量子进化算法，应用于求解旅行商问题（Travelling Salesman Problem，TSP）,并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题，表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。     

基于遗传算法的动态TSP问题求解

TSP问题是一个经典的NP难度的组合优化问题,遗传算法是求解TSP问题的有效方法之一。本文通过分析动态TSP问题的特点,将2-OPT算法、弹性松弛算法和遗传算法结合起来,设计并实现了一种解决动态TSP问题的算法。仿真实验结果表明,该算法有较快的收敛速度,能有效地遏止早熟;无论在静态环境下还是动态环境下都可行、高效。     

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.     

一种快速求解TSP问题的遗传算法

文章受求最短路径算法的启发，提出一个启发算子用于遗传算法求解TSP问题，通过50，144，150等城市的TSP问题求解，表明该算法求解速度快并且解的质量也非常好。     

基于并行遗传算法的弹性TSP研究

文章针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化.通过对算法的分析和实验,尤其是在典型的CHN144 TSP求解上发现了新的最优解这一结果表明,本文算法的改进是有效的.     

用参数正交选优神经网络算法解货郎问题

本文发现了货郎问题(TSP)能量函数的参数空间中的吸引域与全局性优化解之间存在着确定的对应关系，并找到了许多参数空间中的吸引域．在此基础上提出了一种新算法——参数正交选优神经网络算法求解TSP，30城市、31城市(中国)和300城市TSP的求解结果都十分满意，表明这种新算法的有效性．     

基于LabVIEW仿真实现TSP问题的模拟退火算法

针对旅行商问题（TSP）具有的易于描述却难以处理的NP完全难题、其可能的路径数目与城市数目是呈指数型增长的、求解困难的特点。本文首次采用LabVIEW仿真实现模拟退火算法来求解该问题。仿真结果表明LabVIEW独有的数组运算规则可有效的实现该算法求解TSP问题，相比较其它方法，该方法更简单、实用、计算精度高、速度快，并...     

改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

一种求解TSP问题的改进近似算法

TSP问题是组合最优化中的一个著名问题,具有极高的理论和应用价值。本文通过对已有近似算法进行改进,提出了一种求解TSP问题更有效的近似算法。仿真实验表明,改进后的近似算法比原始算法获得的解更好,而且鲁棒性更优。     

通过缓冲高适应度个体改进遗传算法实现的收敛特性

文中概要阐述了遗传算法的算法实现产生过早收敛的原因，提出了在常规遗传算法中增加对最优个体缓冲的改进算法，延长具有高适应度个体的生存期，进而维持较高的种群多样性，以获得更好的收敛速度和优化解，并对建立缓冲区的一些规则进行了讨论。文中以求解旅行商问题为例，对改进前后的遗传算法的运行情况进行对比分析，结论为改进算法能获得更好的收敛性能。     

蚁群算法的几乎处处强收敛性分析

蚁群算法是一种新型的模拟进化算法,已在很多组合优化问题中得到成功应用,但其收敛性分析还比较缺乏.以TSP问题来描述一类蚁群算法的数学模型,并通过对状态空间的分解和反射壁的构筑,从鞅理论角度论证了该类蚁群算法的几乎处处强收敛性以及能在有限步内收敛到全局最优解集,试图为蚁群算法的研究探索一条新的思路.     

Memory-Efficient and High-Throughput Decoding of Quasi-Cyclic LDPC Codes

We propose turbo-sum-product (TSP) and shuffled-sum-product (SSP) decoding algorithms for quasi-cyclic low-density parity-check codes, which not only achieve faster convergence and better error performance than the sum-product algorithm, but also require less memory in partly parallel decoder architectures. Compared with the turbo decoding algorithm, our TSP algorithm saves the same amount of memory and may achieve a higher decoding throughput. The convergence behaviors of our TSP and SSP algorithms are also compared with those of the SP, turbo, and shuffled algorithms by their extrinsic information transfer (EXIT) charts.     

A comparative study of three evolutionary algorithms incorporating different amounts of domain knowledge for node covering problem

This paper compares three different evolutionary algorithms for solving the node covering problem: EA-I relies on the definition of the problem only without using any domain knowledge, while EA-II and EA-III employ extra heuristic knowledge. In theory, it is proven that all three algorithms can find an optimal solution in finite generations and find a feasible solution efficiently; but none of them can find the optimal solution efficiently for all instances of the problem. Through experiments, it is observed that all three algorithms can find a feasible solution efficiently, and the algorithms with extra heuristic knowledge can find better approximation solutions, but none of them can find the optimal solution to the first instance efficiently. This paper shows that heuristic knowledge is helpful for evolutionary algorithms to find good approximation solutions, but it contributes little to search for the optimal solution in some instances.     

遗传算法的自适应进化策略及TSP问题的遗传优化

本文研究遗传算法的进化策略，提出了一种在遗传操作层次上将局部搜索方法与基本遗传算法要结合，依据遗传群体的环境参量动态地调整遗传算法的进化策略和控制局部搜索强度的自适应进化策略，并结合货郎担（ＴＳＰ）优化问题介绍其具体实现方法，给出实验结果。     

数字电路测试生成的基本算法

计算机辅助测试（CAT）工具有助于数字电路测试的自动化，这主要是由于使用了有效的算法和相应的软件结构。文章主要介绍了测试生成领域有重大影响的基本要领和算法。     

改进粒子群算法在货物装载中的应用

本文采用改进粒子群算法求解货物装载问题。首先对传统背包问题进行分析，指出其在现实生活中存在的问题，提出了以最大价值为目标的更具现实意义的多目标模型，然后用粒子群算法进行求解，给出了一个算法求解的实验实例。在实现粒子群算法时，我们对基本粒子群算法进行了一些改进。实验证明采用这种改进的粒子群算法解决货物装载问题切实可行，有较高的搜索效率。     

Particle swarm optimization versus genetic algorithms for phased array synthesis

Particle swarm optimization is a recently invented high-performance optimizer that is very easy to understand and implement. It is similar in some ways to genetic algorithms or evolutionary algorithms, but requires less computational bookkeeping and generally only a few lines of code. In this paper, a particle swarm optimizer is implemented and compared to a genetic algorithm for phased array synthesis of a far-field sidelobe notch, using amplitude-only, phase-only, and complex tapering. The results show that some optimization scenarios are better suited to one method versus the other (i.e., particle swarm optimization performs better in some cases while genetic algorithms perform better in others), which implies that the two methods traverse the problem hyperspace differently. The particle swarm optimizer shares the ability of the genetic algorithm to handle arbitrary nonlinear cost functions, but with a much simpler implementation it clearly demonstrates good possibilities for widespread use in electromagnetic optimization.     

一种结合知识挖掘的进化规划算法

进化规划是一种进化计算方法。进化规划主要使用随机化技术来实现优化过程。与其它进化算法相比,进化规划只有变异操作,而没有交叉操作,因此变异操作的有效性对进化规划算法的成功至关重要。在传统进化规划算法中,进化规划的变异操作具有完全的随机性,这虽然有利于避免局部极值,但却导致较大的计算量。在本文算法中,将知识挖掘技术引入进化规划之中。知识挖掘技术主要用于发现规则,然后利用发现的规则指导变异操作过程,提高变异操作的效率。最终加快了进化规划算法的速度,而计算效果没有明显下降。通过知识挖掘技术的引入,进化规划算法有了初步的智能特性。将本文所介绍的新算法应用于视频编码的运动估计实验中,结果表明新算法有良好的计算速度和计算精确性。