基于泛化竞争和局部渗透机制的自组织网TSP问题求解方法

旅行商问题(TSP)是组合优化中最典型的NP完全问题之一,具有很强的工程背景和应用价值.文章在分析了标准SOM(Self-Organizing Map)算法在求解TSP问题的不足和在寻求总体最优解的潜力的基础上,引入泛化竞争和局部渗透这两个新的学习机制,提出了一种新的SOM算法---渗透的SOM(Infiltrative SOM,ISOM)算法.通过泛化竞争和局部渗透策略的协同作用:总体竞争和局部渗透并举、先倾向总体竞争后倾向局部渗透、在总体竞争基础上的局部渗透,实现了在总体路径寻优指导下的局部路径优化,从而使所得路径尽可能接近最优解.通过对TSPLIB中14组TSP实例的测试结果及与KNIES、SETSP、Budinich和ESOM等类SOM算法的比较,表明该算法既简单又能使解的质量得到很大提高,同时还保持了解的良好的稳健特性.     

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.     

一种改进的蚁群算法在TSP问题中的应用研究

蚁群算法是近几年发展起来的一种新型的拟生态启发式算法,它已经被成功地应用在旅行商(TSP)问题上.由于基本蚁群算法存在过早陷入局部最优解和收敛性较差等缺点,文中对基本蚁群算法在基于蚁群系统的基础上进行了改进,在信息素的更新和解的搜索过程中更多地关注了局部最优解的信息,以使算法尽可能地跳出局部最优,并且改进后的算法对一些关键参数更容易控制.多次实验表明改进的蚁群算法在解决TSP问题上与基本蚁群算法相比有较好的寻优能力和收敛能力.这种算法可以应用在其它组合优化问题上,有一定的工程应用价值.     

利用粒子滤波求解旅行商问题

针对现有优化算法求解旅行商问题(TSP)时容易陷入局部极值的缺点,提出一种基于粒子滤波的优化搜索算法,该算法将TSP最优路径的搜索过程看成是一个动态时变系统。阐述了利用粒子滤波求解TSP最优路径的基本思想,给出了该方法的具体实现步骤。为了增强算法跳出局部极值的能力,在采样过程中引入了遗传算法的交叉和变异操作来丰富样本的多样性。最后为了验证新算法的有效性,进行了仿真实验,结果表明基于粒子滤波的优化算法能够找到比其他优化算法更好的解。     

文化基因算法求解TSP问题的研究

TSP是组合优化问题中著名的NP-hard问题。针对粒子群算法求解离散的TSP问题收敛速度慢,求解精度低,易于陷入局部最优和模拟退火算法的性能与参数初始值有关及参数敏感等不足,提出了将改进的粒子群算法作为全局搜索策略,改进的模拟退火算法作为局部搜索策略的文化基因算法。介绍了两种算法的协同方法,定义了局部搜索邻域的确定以及在新种群产生中引入自组织随机移民策略。仿真结果表明,改进算法在求解TSP问题中具有很快的收敛速度,且能搜索到最优解。     

一个基于填充函数变换的对称TSP问题的局部搜索算法

该文提出了求对称TSP问题近优解的填充函数算法。首先，在用局部搜索算法求得对称TSP问题的一个局部极小解后，对该问题作填充函数变换得到一新的组合优化问题，新问题的局部极小解和最优解分别是原问题的局部极小解和最优解，而且在对称TSP问题的目标函数值大于或等于其目标函数当前极小值的区域中，新问题只有一个已知的局部极小解。随后用局部搜索算法求新问题的一个局部极小解，它或者是已知的局部极小解，或者是对称TSP问题的更好的局部极小解。对多个标准实例的计算试验表明，该文所构造的算法优于直接求解对称TSP问题的局部搜索算法。     

一种求解TSP问题的并行遗传算法

遗传算法(GA)是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点,这样就减少了收敛于局部极小的可能,也增加了处理的并行性。因此可以利用并行遗传算法(PGA)研究典型的组合优化实例-TSP问题的求解问题。该文提出一种有效的并行算法求解旅行商(TSP)问题,实验结果表明,该方法在解的精度上优于以前的算法。     

求解旅行商问题的多尺度量子自由粒子优化算法

针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上。     

以TSP为代表的组合优化问题研究现状与展望

旅行商问题(TSP)是运筹学的著名命题,也是目前研究最为广泛的组合优化问题之一.对TSP的研究成果将对求解NP类问题产生重要影响.首先给出组合优化问题和TSP问题的基本概念.然后综述了以TSP为代表的组合优化问题的研究历史和现状,并着重对传统方法和启发式现代智能优化算法做了比较.最后对智能优化算法中的研究热点以及在TSP问题上的应用做了展望,预测了未来技术难点,并对今后可进一步研究的问题做了探讨.     

基于遗传算法求解TSP问题的一种算法

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。利用交换启发交叉算子实现局部搜索加快算法的收敛速度和利用变换变异算子维持群体的多样性防止算法早熟收敛，给出了一种求解TSP问题的遗传算法。仿真实验结果表明了该算法的有效性和可行性。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷．然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO）,使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合．该文以旅行商问题（TSP）为例,针对遗传算法（GA）解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低．     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

解决TSP问题的局部调整离散微粒群算法

微粒群算法提出以来一直不能较好的解决离散及组合优化问题,针对这个问题,通过对微粒群算法的优化机理的分析,对原有的微粒群进化方程中的速度和位置的更新等进行重新的定义,同时提出一种具有自适应能力的惯性因子,使其适合解决TSP这样的组合优化问题.针对过去的离散算法整体调整容易形成对路径的破坏这一缺点,在重新定义的算法上加入局部调整的策略,形成一种局部调整的离散微粒群算法(local adjustive discrete PSO,LADPSO),通过在ch31和ei151上的试验,证明了该算法在解决这一问题上是可行的.     

直接搜索模拟退火算法的自适应改进

针对直接搜索模拟退火算法求解高维优化问题存在稳定性差、收敛成功率低现象,提出一种自适应的直接搜索模拟退火算法。该算法通过构造基于迭代温度动态调整搜索范围的新点产生方式和自适应寻优模块,增强了算法跳出局部极值和加快邻域搜索的能力,利用柯西分布状态发生函数的大范围遍历特点,弥补了直接搜索模拟退火算法求解高维多峰值问题易陷入局部解和计算效率低的不足。结合可行规则法处理约束问题,典型高维函数和工程优化设计实例的测试结果表明,该算法能够有效求解高维优化问题,整体性能较直接搜索模拟退火算法有显著提高。     

一种新的融合分布估计的蚁群优化算法

提出了一种新的融合分布估计的蚁群优化算法。该算法突破了传统蚁群过早收敛的局限性,且蚁群中的每个蚂蚁具有更全面的学习能力,从而能够有效地解决组合优化问题。仿真实验结果表明该算法的性能优于现有的其它几种蚁群优化算法。     

一种求解TSP问题的离散蝙蝠算法

蝙蝠算法是一种新型的群智能优化算法,在求解连续域优化问题上取得了较好的优化效果,但在离散优化领域的应用较少。研究了求解TSP问题的离散蝙蝠算法,设计了相关操作算子实现算法的离散化,并引入逆序操作使算法跳出局部最优。对TSPLIB标准库中若干经典实例进行测试并与粒子群和遗传算法进行对比分析,结果表明设计的离散蝙蝠算法无论在求解质量还是求解效率上都有明显优势,是一种高效的优化算法。     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

利用改进的随机松弛法求解旅行商问题

旅行商问题是一个典型的组合优化问题,也是多种复杂问题的一种简化形式.因此,寻求一种有效的算法来求解此问题成为研究热点.随机松弛法是一种基于Metropolis迭代法求解的启发式随机搜索算法.针对该算法在求解旅行商问题时,存在易陷入局部最优的缺点,本文提出了三种不同的改进方法.即就是说,在解变换产生新解的过程中,首先,随机选择三个城市.然后,分别给出了三种不同的随机处理方法.最后,在仿真研究中,与已有方法相比,结果表明所给的三种方法的路径更短,结果更优.     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.