基于边缘搜索的蚁群算法

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式搜索算法。算法应用于解决组合优化问题，取得了良好的效果。定义了一种新的旅行商问题，即过程旅行商问题，针对这个问题提出了一种基于边缘搜索的改进蚁群算法。该算法通过限制蚂蚁的起点城市，提高了蚁群算法的搜索效率；并通过减少蚂蚁数量加快计算速度。应用于过程旅行商问题的仿真计算表明，该算法具有相同的计算结果和更快的求解速率。     

列队竞争算法解组合优化问题

给出了列队竞争算法解组合优化问题的框架和确定变异邻域的两条原则,并分别确定了背包问题思想和旅行商问题的变异邻域。用列队竞争算法解背包问题显示出极其优良的搜索能力,解中国旅行商问题获得了５条最优路径。实例计算表明列队竞争算法是一种解组合优化问题的有效算法。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

WebGIS中基于蚁群算法的TSP问题的求解

针对旅行商问题(TSP),研究了网络地理信息系统(WebGIS)中的蚁群优化算法(ACO)在其问题上的应用.为提高蚁群优化性能,采用一种空间拓扑结构与蚁群优化算法结合,并引入了局部搜索策略2-opt.在城市数目一定的情况下,改进蚁群算法能够得到所求TSP的全局最优解,与遗传算法和模拟退火算法比较,它具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的组合优化问题之中.结果表明,改进蚁群算法对于求解TSP问题效果是很明显的.     

基于熵的小生境蚁群算法及其应用

为克服基本蚁群算法易“早熟“的缺陷,将小生境算法和信息熵相结合,提出了基于信息熵的小生境蚁群算法。该算法采用小生境算法对蚁群算法的后期进行局部搜索并以信息熵作为开始和结束的判断依据。求解旅行商问题及房地产投资组合优化问题的结果表明其优于基本蚁群算法,该算法具有广阔的应用前景。     

用基于二进制编码的异步粒子群算法解0/1背包问题

本文提出基于二进制编码的异步粒子群算法,并用来求解0/1背包问题。0/1背包问题是给定一些物品的重量和价格,给定一个重量值,然后一个一个的装进背包里,在这个重量值的约束下求得最大值的一种组合优化问题。本文利用所提出的基于收敛因子模型的异步粒子群算法来求解0/1背包问题,试验证明,用这种方法解决0/1背包问题是非常有效的。     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以O-1背包问题为例对算法进行仿真测试,实验结果表明：人工蜂群算法有效且优于存在的蚁群算法。     

成本优化问题的蚁群算法

为了确定施工项目工期 成本均衡曲线，从而为施工项目计划和控制决策提供有效依据，提出了施工项目工期成本优化问题的蚁群算法.该方法利用施工项目工期成本优化问题的组合优化问题本质，将其转化为旅行商问题，利用自适应权重方法将工期、成本两个目标综合成单目标，采用蚁群算法进行Pareto解的搜索.通过两个实例的计算结果表明，该方法可以有效地确定具有实用价值的Pareto解，且具有较高的全局寻优能力和搜索效率，对于具有大规模网络计划的工期成本优化问题的求解是十分适用的.     

用MAX_MIN蚂蚁算法解决中国旅行商问题

简要阐述了中国旅行商问题,介绍了MAX_MIN蚂蚁算法的原理和其在蚁群算法上的改进,使用MAX_MIN蚂蚁算法解决该问题,最后的试验结果证明该方法在解决这种问题上是有效的.     

改进型蚁群算法求解旅行Agent问题

旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动如何规划最优的迁移路线．在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,大大降低了蚁群算法陷入局部极小而导致系统出现停滞现象的可能．实验结果表明,改进的蚁群算法使得移动Agent能够以更优的效率和更短的时间来完成任务．     

基于MPI的并行蚁群算法的研究与实现

在消息传递接口(message passing interface,MPI)的基础上,采用划分蚁群的策略,实现了基于MPI的并行蚁群算法,并对该算法采用旅行商问题进行了实验.实验结果表明,使用并行计算技术,可以很好地提高运行速度.     

用遗传算法求解旅行商问题

论述了用遗传算法求解旅行商问题（TSP）的算法步骤，给出了在MATLAB环境下用遗传算法解决旅行商问题的具体程序设计．将此算法应用到6个旅行商问题中，并将得到的运行结果与用弹性网络得到的结果进行了比较，发现用遗传算法得到的结果与最优解较为接近．     

一种解TSP问题的混合算法

把经典启发式算法与遗传算法相结合,构造了一种混合式算法．这种算法通过加入2-opt算法改进了边重组算法,兼有2-opt算法和边重组遗传算法的优点．对于小于80个城市的旅行商问题,能收敛到全局最优解．     

基于改进遗传算法的TSP间题求解

TSP问题是典型的NP完全问题 ,遗传算法是求解NP完全问题的一种常用方法。本文针对解决TSP问题 ,提出一种新的改进遗传算法。该算法用多样性维持机制来设计算法的选择机制 ,提高算法的求解性能。经过对TSP问题求解的实验 ,本文算法得到了很好的效果     

求解TSP问题的快速蚁群算法

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。     

求解FDP问题的演化算法

影片递送问题（简称FDP）是组合优化的一个新问题,它比旅行商问题（简称TSP）复杂得多。介绍了一种新的演化算法,这种算法首先将FDP问题转换成TSP问题,然后基于次序杂交算子（OX)和反转变异算子获得最佳解。该算法不仅易于实现,而且计算的结果精确、快速。     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法.文中针对遗传算法较快的找到最优解并防止＂早熟＂收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度.最后实验表明,改进的算法是可行和有效的.     

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.     

基于自组织网络的货郎担问题解决方案

货郎担问题（Traveling Salesman Problem，TSP）作为组合数学中的经典问题，具有一定的研究价值．首先陈述了基于自组织网络（Self-Organizing Maps，SOM）的TSP问题的解决方案，然后着重分析为什么SOM网络能够体现这样的计算智能，并探讨了如何将其应用到其它的优化问题当中．     

蚁群算法中基于知识引导的信息素控制策略

针对蚁群算法在求解旅行商问题性能方面的不足,提出了一种基于知识引导的信息素控制策略.该策略利用问题先验知识初始化信息素,旨在提高算法运行初期信息素对蚂蚁搜索的启发能力;采用群知识引导信息素更新,加强信息素对蚂蚁搜索的引导能力,增强蚂蚁搜索的目的性.实验结果表明,基于这种信息素控制策略的蚁群算法的总体性能明显优于当前最先进的蚁群算法.