改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法（Quantum—inspired Evolutionary Algorithm，QEA），在解决实际问题中遇到的困难，提出一种改进的量子进化算法，应用于求解旅行商问题（Travelling Salesman Problem，TSP）,并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题，表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。     

改进的演化近似算法求解TSP问题

TSP是典型的具有NPC复杂性的组合优化问题。在演化算法的基础上，提出了一种有效求解TSP问题的近似算法IEAA。IEAA采用单性生殖方式，通过保留一组较优个体加速了算法的收敛。详细介绍了的算法的设计和实现．并用于求解CTSP问题，实验结果表明，该算法能有效的解决CTSP问题，且算法性能优于基本演化算法SEA。     

基于改进遗传算法的TSP问题研究

通过对遗传算法和TSP问题的研究．提出了离散赌轮选择算子EPMX交叉算子和Dmutation变异算子等，对遗传算法的各个算子进行了改进。利用改进的遗传算法有效的解决了TSP问题．实验验证其与传统的解决方式相比有更好的收敛特性，解的准确性更好。     

基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

蚁群算法在解决TSP问题中的应用

文章首先对蚁群算法与TSP问题进行简要介绍,在此基础上对蚁群算法在解决TSP问题中的应用进行论述。期望通过本文的研究能够对TSP问题的解决有所帮助。     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

旅行商问题的改进差分进化方法

TSP(Traveling Salesman Problem)旅行商问题是一类典型的NP完全问题,目前大多采用遗传算法求解.差分进化算法(Differential Evolution Algorithm, DE)作为一种新型的进化算法,与遗传算法有很多相似之处.提出用改进的差分进化算法解决TSP问题.采用基于整数序规范的辅助算子解决变异问题,并引入刘海交叉算子.实验结果表明该方法有效地提高了算法的收敛速度与寻优质量,表现出了良好的特性.     

求解TSP问题的改进蚁群算法研究

文章提出了运用一种改进的蚁群算法,主要用来求解旅行商问题(Travelling Salesman Problem,TSP)。实验表明,改进的蚁群算法一定程度上弥补了基本的蚁群算法容易陷入收敛停滞的缺点,且更容易发现更好性质的解。     

基于Hopfield网解决TSP问题

利用神经网络解决组合优化问题是神经网络应用的一个重要方面。组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。首先介绍了Hopfield神经网络的工作原理,然后具体介绍了TSP问题,然后给出了Hopfield神经网络解决TSP问题的实例,最后的结果表明利用Hopfield神经网络解决TSP问题可以求得问题最优解的次优解。     

基于TSP问题的混合遗传算法研究

文章在介绍遗传算法和混合遗传算法思想的理论基础上,分析了遗传算法的主要优缺点和改进算法的有效性原则,利用模拟退火算法的局部寻优能力提出了一种改进的遗传模拟退火算法。结合两者的优点,对其中的选择、交叉和变异操作进行了改进,并将其运用到TSP问题的求解之中。同时,给出了算法的具体实现过程,并进行了仿真实验,证明了混合算法的有效性。     

蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

TSP问题的几种常用求解算法比较

本文介绍了TSP问题及其常见的解法,给出了计算实例,并结合计算实例对各求解算法进行了比较。本文对于各种算法的比较对于TSP问题的求解具有一定的参考价值。     

一种基于Geatpy库求解TSP问题的方法

本文基于数学领域中最为著名的问题之一就是旅行商问题(TSP),属于典型的组合优化问题,对于大规模TSP问题在使用经典算法很难求出精确解的情况下,一般采用智能算法来获取最优解或次优解。基于Geatpy遗传算法库,本文给出了一种求解TSP问题的方法,实验结果证明该方法是有效的,具有一定的通用性,值得进一步应用推广。     

旅行商问题的一个近似算法

给出了“旅行商”问题的一个近似算法，讨论了误差分析与算法的复杂度。     

多材料Terminal Steiner树拼接问题的近似算法研究

在赋权连通网络下,给定多种材料及每种材料的费用和拼接费用,以便寻找赋权网络中的一棵Terminal Steiner树,并用给定材料连接此树,使得总费用及材料根数达到最小,记此问题为多材料Terminal Steiner树拼接问题。为了解决Terminal Steiner树拼接问题,首先分析Terminal Steiner树拼接问题是NP问题,不存在多项式时间算法;然后基于Steiner树问题和变尺寸装箱问题的近似算法及算法复杂度,给出多材料的Terminal Steiner树拼接问题的一个近似算法;最后证明算法的近似值及近似算法的时间复杂度。     

求解旅行商问题的改进混合蛙跳算法

混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）是解决组合优化问题的有效方法,’但是应用于TSP问题时,由于SFLA没有充分利用最佳个体的优良信息,导致收敛速度太慢。文中把遗传算法（Genetic Algorithm,GA）的交叉和变异引入SFLA,提出了一种针对旅行商问题（Traveling Salesman Problem,TsP）的改进混合蛙跳算法（Improved Shuffled Frog Leaping Al—gorithm,ISFLA）。应用于TSP的实验结果表明：ISFLA的收敛速度明显高于SFLA,同时优于GA和简单翻转算子。ISFLA不仅表现出了更快的收敛速度,而且能有效地缓解局部早熟收敛。     

一种求解集合最小覆盖问题的随机算法

集合最小覆盖问题是运筹学研究中的一个基本的组合优化问题,文章以线性规划为基础,提出了一种求解集合最小覆盖问题的随机近似算法。     

新型定向交叉在NSGA-Ⅱ求解多目标TSP问题中的应用

针对NSGA-Ⅱ算法求解多目标TSP问题的易出现未成熟收敛、计算时间复杂度高且稳定性不够等不足,通过设计面向多目标TSP问题的新型定向交叉算子,并采用权重聚合方法将标准化后的多目标空间转化为单目标空间,借助贪心策略重组基因来增加算法的收敛速度而减少交叉次数;与此同时,利用定向交叉思想,寻找多目标空间上的边界解来增强算法的分布性和对新空间的探索能力,最终实现算法优化效率的提升。通过在多目标TSP标准测试数据集上的仿真实验,结果表明新型定向交叉能有效地均衡寻优过程中收敛性与分布性,在优化效率上明显好于改进前的算法。