求解子旅行商问题的改进蚁群算法

已有求解子旅行商问题的蚁群算法存在容易早熟、易于陷入局部最优的问题。为此,提出一种改进的蚁群算法。将拥挤因子嵌入到蚁群算法的状态转移和信息素更新过程中,增强全局搜索能力,设计邻域搜索技术和局部变异技术,以提高解的质量和加快收敛速度。实验结果表明,该算法的求解质量和稳定性较好。     

模糊人工蜂群算法的旅行商问题求解

针对传统人工智能算法早熟收敛问题, 基于模糊化处理和蜂群寻优的特点, 提出一种模糊人工蜂群算法, 将模糊输入/输出机制引入到算法中来保持蜜源访问概率的动态更新。根据算法计算过程中的不同阶段对蜜源访问概率有效调整, 避免算法陷入局部极值。通过对旅行商问题的仿真实验和与其他算法的比较来验证算法的性能。计算结果表明, 该算法有良好的鲁棒性和有效性。     

求解旅行商问题的一个新的单亲遗传算法

本文提出了求解旅行商问题（TSP）的一个新的单亲遗传算法（PGA）。首先，定义了‘好’基因段的概念，并据此设计了一种新的、有效的基因段换位算子；同时，为提高该算子的搜索能力，结合一个局部搜索技术来改进该算子；然后，在此基础上提出了一个求解旅行商问题的一个新的单亲遗传算法。计算机仿真结果表明，该算法是有效的。     

求解大规模旅行商问题的改进大洪水算法

大洪水算法是通过模拟洪水上涨过程来进行全局寻优的启发式算法,r-opt算法是一类常用的路径改进算法.本文针对旅行商问题,提出一种将二者有机融合的改进大洪水算法,可用于快速求解大规模和超大规模的TSP问题.算法在Delphi7环境下编程实现,经过大量TSPLIB中的数据实例进行测试和验证,求解结果与已公布的最好结果误差基本都在1％以下,为困难的大规模旅行商问题提供了新的求解手段.     

基于改进粒子群优化算法求解旅行商问题

本文提出了一种改进粒子群优化算法:在算法中引入了速度变异机制和粒子自探索机制。这种改进后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。用改进后的粒子群算法求解标准的旅行商问题,数字仿真表明了算法有效性。     

混合算法求解旅行商问题

该文分析了改进粒子群优化算法和回溯法各自的优缺点,将改进后的粒子群优化算法和回溯法相结合求解旅行商问题．保证了算法的快速收敛和全局收敛能力,仿真实验表明两种算法结合弥补了粒子群算法全局搜优能力不足问题。     

基于混合粒子群优化算法的旅行商问题求解

针对旅行商问题提出一种混合粒子群优化算法。为了增强算法的局部搜索能力,在粒子群优化算法中加入倒置、对换等局部搜索算法。利用遗传算法全局搜索能力强的特点对用粒子群优化算法求到的解进行优化,对全局最优路径通过消除交叉路径进行优化,以进一步提高混合算法的性能。仿真结果表明,中小规模旅行商问题能够在较少的代数内收敛到较满意解。     

旅行商问题求解算法综述

旅行商问题作为NP难题的典型代表,从诞生以来一直都是计算机算法理论研究的热点话题,各种针对该问题的算法层出不穷。对相关的代表性算法进行了介绍与总结,在分析各种算法的特点之后,提出了各类算法的改进方向,对旅行商问题的研究进行了展望。     

解决旅行商问题的改进算法

首先提出旅行商问题(TSP),然后实现了常见的解决TSP问题的算法:有传统算法中的贪心算法和回溯法,还有现代优化算法中的基本遗传算法。并针对这3种算法的缺点提出了一种改进的算法,即综合运用贪心算法和遗传算法,依据贪心选择的原则指导遗传操作,可以大大加快搜索的速度,仿真实验表明改进的算法是十分有效和实用的。     

矩阵式旅行商问题的最优解

针对一类特殊的平面TSP问题,其中所有城市的位置都规整地排成矩阵,每一行（每一列）相邻城市的距离相等;对行距等于列距以及行距的其中一种情况,都分别给出了最优算法和证明,而对行距不等于列距的另一种情况也给出了三个算法以及它们的比较。     

求解函数优化问题的改进的人工蜂群算法

为提高人工蜂群算法求解复杂函数优化问题的性能,分析了算法中侦察蜂逃逸行为的不足,并对其进行改进:定义了逃逸指标,使其能准确地反映个体状态对算法早熟的影响;重新设计选择机制,让侦察蜂不需要参数控制,能自适应地选择可能导致算法早熟收敛的个体执行逃逸操作;改进了逃逸算子,降低了逃逸操作的盲目性。通过9个典型测试问题的实验结果表明:在指定误差精度下,本改进算法均能有效收敛;同时与基本人工蜂群算法和已有的典型改进相比,本改进算法在收敛精度和速度上均有明显提高。说明提出的改进策略能有效提高算法求解复杂函数优化问题的能力。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

改进人工蜂群算法求解多目标连续优化问题

针对多目标连续优化问题,依据人工蜂群算法原理给出其求解流程,并指出算法中更新策略存在盲目搜索和丢失优秀个体的不足,随后提出改进方案。改进方案包含两部分:首先,设计一种自适应搜索算子,使算法在运行过程中能根据个体质量自动调节搜索范围,让算法搜索行为准确高效;其次,利用外部集合记录下新产生的个体,一次迭代完成后结合外部集合重新构造种群,让算法能有效地保存进化过程中产生的优秀个体。实验中将改进人工蜂群算法与NSGA2算法、改进前算法以及文献报道的同类优秀算法进行了比较,结果说明:改进人工蜂群算法在求解多目标连续优化问题中具有良好的收敛性和均匀性。     

瓶颈TSP的蚂蚁系统优化

对瓶颈TSP问题给出了一种融合局部搜索机制和MAX－MIN策略的蚂蚁优化算法，在通用微机上求解了一系列实例问题，获得了满意的效果。     

改进蚁群算法求解TSP

针对蚁群算法存在易陷入局部寻优、收敛缓慢等缺陷,提出一种基于邻接矩阵的两层搜索决策来选择转移路径的方法对蚁群算法进行改进,求解TSP问题。通过实验及分析,验证了该算法具有较好性能。     

基于极值优化策略的改进的人工蜂群算法

为提高人工蜂群算法在求解优化问题中的性能,结合极值优化策略提出一种改进的人工蜂群算法.改进算法基于极值优化策略高效率的寻优机制重新设计了原算法中跟随蜂的局部搜索方案,并具体给出了新方案的组元变异算子和最差组元判定规则.通过对优化问题中8个典型测试函数的仿真实验表明,与基本人工蜂群算法和已有的典型改进算法相比,改进算法在寻优精度和收敛速度上均有明显提高,在优化问题求解中体现出较强的寻优能力.     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

基于改进蜂群算法的倒立摆控制器优化设计

环形倒立摆系统以其非线性、不稳定、高阶的、强耦合的特性,已经成为控制理论教学以及模拟机器人行走、卫星飞行姿态等复杂系统控制的重要实验平台;文章中引入了LQR控制算法,实现对倒立摆的稳定控制;而为了避免LQR控制器设计过程中反复调节加权矩阵Q,R的复杂性,同时得到更优异的控制效果,将人工蜂群(ABC)算法应用于LQR控制器设计中;而为了克服传统蜂群算法的缺陷,加快收敛速度和增加种群的多样性,在雇佣蜂阶段和跟随蜂阶段对算法进行了改进;仿真结果表明,改善的ABC算法的能够很好地完成LQR控制器参数寻优,控制效果良好。     

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.     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。