一种改进的遗传算法及其在钢卷优化组合中的应用

针对遗传算法易于陷入局部最优和收敛速度慢的不足 ,引入个体适应度值的方差和均值来描述种群的聚散程度 ,提出了一种具有参数动态调节功能的改进遗传算法 ,仿真试验证明了算法的有效性 .改进遗传算法应用于罩式退火车间钢卷的自动组合堆垛 ,并在生产应用中取得了很好的效果     

量子遗传算法在TSP中的应用

本文提出了一种改进的量子遗传算法,其核心是对量子遗传算法中的量子旋转门的调整策略进行改进。在现有的静态、指数型动态调整策略的基础上提出了基于正弦函数的动态调整策略。文中对旅行商问题（TSP）的仿真实验结果表明：改进后的算法的优化质量和效率都优于遗传算法和一般量子遗传算法。     

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。     

一种基于混沌领域搜索的自适应遗传算法*

提出一种基于混沌领域搜索的自适应混沌遗传算法,该方法在遗传进化的过程根据种群相对多样性对每代个体引入混沌领域方法搜索有效基因,并有效地结合遗传算法善于全局优化和混沌局部搜索能力强等特点。计算结果表明,该算法可以显著提高计算效率,具有较大的实用价值。     

一种改进遗传算法在旅行商(TSP)问题中的应用

遗传算法（GA）是一种基于自然群体遗传机制的高效搜索算法，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极小的可能，同时也增加了处理的并行性。因此，可以利用遗传算法研究典型的组合优化实例－TSP问题的求解问题。本文采用了启发式三交叉算子并提出了一种全新的变异算子，使得收敛速度更快，能更有效的解决TSP问题。     

遗传算法在一类组合优化中的应用

文章研究了一类组合优化问题如：多路旅行商问题（MTSP）及分配问题。其实质为排序优化,提出了基于GA求解排序优化的求解策略,解释了实现该算法的一些关键问题,计算机模拟结果表明了该方法的有效性。     

玻璃排版优化中遗传算法的应用

研究了应用遗传算法求解非线性多目标组合优化问题———玻璃排版优化问题 ,详细讲解了如何设计求解该优化系统中三个典型组合优化子问题的遗传算法 ,并对三个子问题的求解关系进行了分析 ,总结出遗传算法的不同构造方法对系统优化结果的影响。     

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。     

TSP的一种改进遗传算法

旅行商问题（ＴＳＰ）是研究算法性能的典型算法,具有广泛的应用背景。遗传算法（ＧＡ）是由遗传进化理论指导的随机搜索寻优算法。但传统ＧＡ的寻优能力与随机搜索能力之间存在着相互制约的关系,所以对地形极其复杂、极无规律的ＴＳＰ的应用效果并不十分理想。本文通过在传统ＧＡ中引入“幼代”及其成长过程,解除了两种能力间的制约关系。实际计算结果表明,求解质量显著提高。     

遗传算法在旅行商问题中的实践与探究

TSP问题是组合优化领域的经典问题之一,旨在求出遍历若干个城市的最短路径。本文通过遗传算法GA的选择和变异算子的确定和、交叉算子的改进,并在TSP问题中的实践来探索这个经典的NP(Nondeterministic Polynomial)难题。     

引入基因簇求解TSP的遗传算法

在用遗传算法求解TSP时,极易破坏已经发现的较短线路片段,从而使遗传算法的收敛变慢.为了保护较短的线路片段,遗传操作以基因和基因簇为单位进行,优良基因簇可完整地遗传到下一代.在获得第一个近似最优解后,粉碎已发现的基因簇并继续寻优,以期能够获得全局最优解.使用CHN144及TSPLIB中的数据进行试验,找到了CHN144问题的当前最优路径.通过对TSP225的实验获得了最短路径3859,优于目前已经公布的最短路径3916.实验表明,基于基因簇的算法具备3000个城市左右的寻优能力.     

The hybrid genetic algorithm with two local optimization strategies for traveling salesman problem

Traveling salesman problem (TSP) is proven to be NP-complete in most cases. The genetic algorithm (GA) is improved with two local optimization strategies for it. The first local optimization strategy is the four vertices and three lines inequality, which is applied to the local Hamiltonian paths to generate the shorter Hamiltonian circuits (HC). After the HCs are adjusted with the inequality, the second local optimization strategy is executed to reverse the local Hamiltonian paths with more than 2 vertices, which also generates the shorter HCs. It is necessary that the two optimization strategies coordinate with each other in the optimization process. The two optimization strategies are operated in two structural programs. The time complexity of the first and second local optimization strategies are O(n) and O(n³), respectively. The two optimization strategies are merged into the traditional GA. The computation results show that the hybrid genetic algorithm (HGA) can find the better approximate solutions than the GA does within an acceptable computation time.     

基于混合杂交的遗传算法求解旅行商问题

通过混合使用多种杂交算子,提出了一种求解旅行商问题的新型遗传算法,并给出了实验验证。通过实验用该算法求解了城市数为50到100不等的旅行商问题,获得了比其它算法更精确或更接近最优的解,表明了算法的有效性。     

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.     

一种结合局部搜索策略的求解TSP的演化算法

介绍了一种结合局部搜索策略的求解流动旅行商问题（TSP）的演化算法。该算法的主要思想是将局部搜索策略在邻域内搜索的快速性与演化方法在全局搜索上的鲁棒性结合起来，从而跳离局部最优。将该算法用于TSPLIB中部分TSP实例上的试验结果表明：与传统的各种求解TSP的演化方法相比，该算法在获得全局最优解的精确度上有了一定的改善。     

一种基于基因库和多重搜索策略求解TSP的遗传算法

TSP是组合优化问题的典型代表,该文在分析了遗传算法的特点后,提出了一种新的遗传算法（GB_MGA）,该算法将基因库和多重搜索策略结合起来,利用基因库指导单亲遗传演化的进化方向,在多重搜索策略的基础上利用改进的交叉算子又增强了遗传算法的全局搜索能力。通过对国际TSP库中多个实例的测试,结果表明：算法（GB_MGA）加快了遗传算法的收敛速度,也加强了算法的寻优能力。     

模拟退火自适应大变异遗传算法及其应用

为了克服遗传算法易陷入局部最优或早熟问题,提出了一种模拟退火大变异遗传算法,采用了大比例优秀个体保护策略,以保证算法的收敛性。应用该算法求解旅行商问题的仿真实验证明了它能较快地收敛到最优解或准最优解。     

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。     

一种改进遗传算法及其在TSP问题中的应用

传统遗传算法的收敛速度与问题解的质量是影响算法寻优性能的一对主要矛盾。文章针对上述矛盾，提高了改进遗传算法的控制策略－杂交，变异的并行处理，基于适应值密度的变异操作，自调整父代迁移策略和父代与子代竞争策略，并应用于ＴＳＰ问题中，验证了算法的有效性。