基于遗传算法的旅行商问题求解

本文在全国范围选择了30个城市用遗传算法求解TSP问题,对选择、交叉和变异算子进行算法设计,最后用MATLAB进行编程实现。结果表明,遗传算法在求解TSP问题时具有结果准确、收敛速度快等特点。     

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。     

基于遗传算法的避障TSP问题算法设计

主要探讨复杂环境下避障TSP问题的遗传算法的求解方法.针对TSP问题和避障TSP问题的不同,在染色体的编码方式、有效范围、基因选取、遗传算子等方面对传统遗传算法进行改进,同时引入了代价矩阵和基因库以提高算法的收敛速度.     

基于遗传算法的TSP问题求解算法及其系统

TSP问题为组合优化中的经典的NP完全问题。针对这一问题,首先设计了基于遗传算法的求解算法,包括编码设计、适应度函数选择、终止条件设定、选择算子设定、交叉算子设定以及变异算子设定等,给出了基于遗传算法求解TSP问题的一般性流程,然后设计并实现了基于遗传算法的TSP问题求解系统,给出了求解系统的体系结构,并给出了求解系统基于Ja-va语言的实现机制,最后通过实验结果的分析,表明了算法具有较好的寻优性能,系统具有较好的实用性。     

求解TSP问题的一种混合遗传算法

文章针对TSP问题的特点,设计了一个求解TSP问题的混合遗传算法。该算法中设计了贪婪子路交叉算子,引入2OPT算子增强遗传算法的局部搜索能力,在选择算子设计中引入稳定状态选择机制。通过KroB100、pr136、pr144、kroB150、CHC144…问题的求解结果表明该遗传算法设计在求解TSP问题中是高效的。     

旅行商问题(TSP)的一种改进遗传算法

传统的序号编码遗传算法(GA)使用PMX、CX和OX等特殊的交叉算子，这些算子实施起来很麻烦。针对TSP问题的求解，提出了一种新的改进遗传算法：单亲进化遗传算法(PEGA)，PEGA是利用父体所提供的有效边的信息，使用保留最小边的方法进行个体的进化。与传统的遗传算法相比，PEGA算法弥补了它们的不足之处，简化了遗传算法。给出了PEGA算法的数值算例，仿真实验表明了该算法对于对称的TSP和非对称的TSP问题，都具有收敛速度快的特点，证明了该算法的有效性。     

基于遗传算法求解TSP问题的一种算法

主要研究了用遗传算法求解TSP问题。阐述了简单遗传算法的设计方法、基本原理和基本步骤。描述了简单遗传算法在TSP问题中的应用现状。根据种群个体的多样性和分布情况,提出了判定遗传算法的截止代数。简单遗传算法具有易于陷入局部最优解、收敛速度慢的特点,针对这些特点,通过改进交叉算子,加入初始化启发信息,提高了遗传算法解的精度和收敛性。     

基于遗传算法的旅行商问题仿真实现

从应用的角度讨论了基于遗传算法的旅行商问题（Travelling Salzesman Problem，简称TSP）的求解方法，在应用遗传算法求解旅行商问题时，参数值的不同设定对解有不同的影响，结合旅行商问题具体实例，对参数值的变化进行了观察，当选择Pc=0.5,pm=0.001时，得到了较为理想的最短旅行路径。     

一种改进的遗传算法及其在TSP中的实现

TSP问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种方法。文章针对TSP问题．提出了一种改进的遗传算法。在遗传算法中引入进化算法的思想，在此基础上提出顶端培育策略和分阶段策略，以求在保证群体多样性的同时加快收敛速度。在算法的仿真和测试中，改进后的算法明显优于传统的遗传算法。这表明，该算法具有良好的可行性和实用性。     

改进遗传算法的路径规划研究

本文在遗传算法的基础上,对TSP问题进行了讨论,并对传统求解方法进行了改进,加入了贪婪算法,仿真结果说明了算法的有效性。并就同样是基于遗传算法的避障路径问题进行了探索。TSP系统广泛用于公交车交通线路安排、旅游景点行程安排等,具有较高的实用价值。     

求解TSP问题的思维进化算法

针对一类非数值问题──TSP的特点,在基本思维进化算法(MEC)框架的基础上,提出了求解TSP的趋同和异化策略,从而实现了MEC在求解非数值问题的一个应用,并对其收敛性进行了简要证明。同某些遗传算法(IENS和GESA)比较的仿真实验结果表明:MEC在收敛速度、解的优良性等方面要优于这些遗传算法。     

基于改进遗传算法的大规模TSP问题求解方案

TSP问题不仅描述旅行商周游城市的问题,也是许多工程领域中复杂问题的抽象形式,找到一种有效的TSP问题求解方案具有十分重要的意义。针对大规模TSP问题中最小回路代价的求解问题,提出一种基于遗传算法的大规模TSP问题的求解方案,采用分而治之的思想,并对传统遗传算法的初始化和遗传算子进行改进,提高了算法性能。多个数据集上的实验结果证明了提出的算法能够优化收敛结果,一定程度上解决过早收敛的问题。     

求解旅行商问题的几种智能算法

旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。对于大规模TSP问题,目前仍未有非常有效的方法,如何快速有效的求解TSP问题有着重要的理论价值和实际意义。文章介绍了什么是TSP,论述了目前求解旅行商问题较为有效的六种智能算法（遗传算法、蚁群算法、Hopfield神经网络算法、模拟退火算法、人工免疫算法、混合优化算法）,并简单阐述了其优缺点,给出了未来针对TSP问题的研究重点。     

智能优化算法求解TSP 问题

TSP（旅行商）问题代表组合优化问题，具有很强的工程背景和实际应用价值，但至今尚未找到非常有效的求解方法．为此，讨论了最近研究比较热门的使用各种智能优化算法（蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等）求解TSP问题的研究进展，指出了各种方法的优缺点和改进策略．最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议．     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题（Traveling Salesman Problem,TSP）实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002（259 269.09）、pla85900（152 394 182.43）和brd14051（489 842.93）等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

面向组合优化问题的一种全新遗传算法

提出了一种全新的遗传算法，并结合组合优化领域的典型难题——TSP问题，设计了编码、交叉及变异等遗传算子，克服了传统遗传算法的编码及遗传操作未能够充分反映及利用道传信息的缺陷，较大程度上降低了传统遗传搜索中存在的盲目性，搜索速度得到明显提高。最后将本遗传算法应用于20个城市的TSP问题求解，计算结果证明了该遗传算法的收敛质量满足要求，收敛速度明显优于许多现有的算法。     

基于Elitism策略的改进免疫遗传算法求解TSP问题

TSP问题是一类典型的NP完全问题。作者结合Elitism策略提出了一种新的改进免疫遗传算法。该算法既保留了遗传算法的全局随机搜索的优点,又避免了免疫遗传算法的早熟、收敛速度慢等缺点。经仿真实验对比,在求解TSP问题时,该文提出的新算法具有收敛速度快及动态收敛性好的优点。     

求解TSP问题的遗传算法硬件实现

旅行商问题(TSP)是一个经典的、易于描述却难以处理的组合优化问题,被证明属于NP完全问题,在实际中有着广泛的应用,因此快速、有效地解决TSP问题有着重要的实际应用价值.遗传算法是一种模拟生物进化启发式全局优化搜索算法,在组合优化领域得到了相当广泛的研究.文中根据硬件的特点,用遗传算法来求解TSP问题,并用Handel-C语言对算法进行编程,最终在FPGA上实现对TSP问题的求解,真正做到了用软件的方法来设计硬件,有效地缩短了系统实时响应周期,提高了系统的可靠性,为设计高速运行的复杂算法提供了可能.     

对一类带聚类特征TSP问题的并行遗传算法求解

提出了一种带聚类处理的并行遗传算法,该算法首先对大规模TSP问题进行聚类处理,将其分解成一些小规模TSP问题,然后分别对每个小规模TSP问题利用遗传算法并行求解,最后将所有小规模TSP问题的解按一定规则合并成大规模TSP问题的解。对大规模TSP问题的模拟实验表明该算法极大地提高了遗传算法的收敛速度。     

一种求解TSP问题的多种群并行遗传算法

遗传算法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.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.