一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

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。     

一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。     

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。     

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。     

求解TSP问题的改进遗传算法

旅行商问题(TSP)是遗传算法得以成功应用的典型问题.文章对遗传算法加以改进,提出了新的选择策略和交叉算子,并且引入了兄弟竞争的策略来加快收敛速度和全局搜索能力.把该算法应用在不同类型的TSP问题的求解上,表现出了比传统遗传算法更好的收敛性和计算效率.说明改进算法是有效的.     

一种基于基因库求解TSP的单亲遗传算法

研究商品流通路线问题,TSP是组合优化问题的典型代表。针对TSP问题提出了一种改进的遗传算法。以引入＂基因库＂为基础,为了寻找出最优路径,提出一种只使用变异算子和选择算子繁殖后代的单亲遗传算法（PGA）,并设计了一种新的组合算子作为算法的主搜索算子。算法利用基因库指导单亲遗传演化的进化方向,利用设计的组合算子来增强算法的搜索能力,从而很好地仿真了自然界的进化过程。计算结果证明,基因库的PGA算法具有较高的求解质量和求解效率,尤其是在求解Lin318 TSP问题时获得了优于目前最好解最短路径,可为设计提供有效的参考。     

一种新的求解TSP的混合量子进化算法

在分析量子进化基本概念的基础上，提出了一种新的求解TSP的混合量子进化算法（MQEA）。该算法将三段优化局部搜索算法融入量子进化机制，采用一种基于边的编码方法，应用最近邻规则设置初始参数，并设计了排序交叉算子以扩展种群的搜索范围。通过选取国际通用旅行商问题（TSP）实例库(TSPLIB)中的多个实例进行测试，表明新算法具有高的精确度和鲁棒性，即使对于中大规模问题（城市数大于500），也能以很小的种群和微小的相对误差求得满意解。     

遗传算法的混合算子策略

在一般遗传算法中，求最优解时既可避免早熟收敛，又能提高收敛速度是困难的，因为算法中使用了单独一组交叉算子／变异算子。本文提出一种新的基于混合算子的遗传算法执行策略。在求解旅行商问题（TSP）中，为了提高局部搜索能力和收敛速度，给出了一种基于边重组的启发式交叉算子。仿真实验表明了这种算法的有效性。     

基于构建基因库求解TSP问题的改进遗传算法

文章针对TSP问题设计了一种将基因库和遗传算法结合起来的新算法,该算法首先构建一个基因库,在单亲演化中利用基因库指导种群的进化方向,其次在此基础上采用单亲进化遗传算法中的基因重组操作,保留每次获得的最好解组成初始种群,最后采用顺序交叉算子进行群体演化。给出的实验结果显示,该算法所获得的解与最优解的相对误差都不超过2%,该算法的收敛速度和寻优能力明显优于该问题的单亲进化遗传算法。     

单亲进化遗传算法在配送中心选址中的应用

为更好地实现配送中心优化选址，在分析物流配送中心的作用及现存的用传统遗传算法进行选址的基础上，提出应用单亲进化遗传算法求解选址模型。首先，利用父体所提供的有效边的信息，使用保留最小边的方法对个体进行进化，求得费用最低的优化路径；然后以优化路径作为父体，求解从各基因为始点的基因片段值之和，选择最佳基因片段组合，得到问题的解，该算法可以有效、快速地求得配送中心选址问题的全局最优解。     

基于PEGA求解TSPD的物流配送路径优化算法

配送-收集旅行商问题是物流中的重要问题，与一般的旅行商问题不同，目前对该问题的研究有限，一般假定必须在完成所有的配送需求后才服务需求，并且所用算法性能较差。运用PEGA利用父体所提供的有效边的信息，使用保留最小边的方法对个体进行进化，求得费用最低的优化路径，得到问题的解。该算法可以快速地求得问题的全局最优解。     

A novel two-stage hybrid swarm intelligence optimization algorithm and application

This paper presents a novel two-stage hybrid swarm intelligence optimization algorithm called GA–PSO–ACO algorithm that combines the evolution ideas of the genetic algorithms, particle swarm optimization and ant colony optimization based on the compensation for solving the traveling salesman problem. In the proposed hybrid algorithm, the whole process is divided into two stages. In the first stage, we make use of the randomicity, rapidity and wholeness of the genetic algorithms and particle swarm optimization to obtain a series of sub-optimal solutions (rough searching) to adjust the initial allocation of pheromone in the ACO. In the second stage, we make use of these advantages of the parallel, positive feedback and high accuracy of solution to implement solving of whole problem (detailed searching). To verify the effectiveness and efficiency of the proposed hybrid algorithm, various scale benchmark problems from TSPLIB are tested to demonstrate the potential of the proposed two-stage hybrid swarm intelligence optimization algorithm. The simulation examples demonstrate that the GA–PSO–ACO algorithm can greatly improve the computing efficiency for solving the TSP and outperforms the Tabu Search, genetic algorithms, particle swarm optimization, ant colony optimization, PS–ACO and other methods in solution quality. And the experimental results demonstrate that convergence is faster and better when the scale of TSP increases.     

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。     

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。     

单亲进化遗传算法在多个配送中心选址中的应用

为更好地实现多个配送中心优化选址,在分析物流配送中心的作用及现存的用传统遗传算法进行选址的基础上,提出应用单亲进化遗传算法求解选址模型。首先,将所有的需求点按空间地理位置的关系自然划分为若干个配送区域范围;其次,在每一个配送区域,利用父体所提供的有效边的信息,使用保留最小边的方法对个体进行进化,求得费用最低的优化路径;再以优化路径作为父体,求解从各基因为始点的基因片段之和,选择最佳基因片段组合,得到问题的解。该算法可以有效、快速地求得多个配送中心选址问题的全局最优解。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

基于极值动力学的自组织优化算法求解TSP问题

旅行商问题(traveling salesman problem, TSP)具有很强的理论研究和工程应用价值. 在定义离散状态变量和局部适应度的基础上, 分析了TSP优化解的微观特征; 将自组织临界(self-organized criticality, SOC)的概念引入到组合优化领域, 提出了一种基于极值动力学的自组织优化算法. 该算法利用快速下降和间断涨落的动态搜索过程, 高效地遍历解空间中的局部最优解. 针对TSPLIB中典型实例, 计算结果表明其求解效率和优化性能均优于模拟退火和遗传算法等优化方法. 文中算法提供了一种全新的思路, 有助于从系统角度理解组合优化问题的复杂性, 并分析合理的优化动力学过程.     

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．     

求解TSP的交配算子设计策略

旅行商问题(TSP)是一类典型的NP完全问题,遗传算法(GA)是求解这类问题的常用方法之一.由于该问题的解是一种特殊的序列,一些典型的GA交配方法在求解该问题时的性能并不理想.通过多次对比两种常用的GA交配方法与3种专门为TSP作优化的交配方法,总结了一种对旅行商问题的交配算子的设计策略,即注重对双亲的边继承以及加入适当的贪心控制策略.通过对Gr17、Oliver30、Eil51、Eil76和Krob100等测试数据进行实验,证明了在该策略的指导下改进的两种交配算子具有更好的表现.