改进的遗传算法求解旅行商问题

提出一种解决旅行商问题的改进遗传算法.在传统遗传算法的基础上,引入贪婪算法进行种群初始化;从遗传进化代数和个体适应函数值两个方面实现遗传参数自适应调节,在加快寻优速度的同时防止寻优陷入局部最优;采用基于贪婪方法的启发式交叉算子优化交叉结果;对交叉前后的种群分别实施精英个体保留策略,保证最优基因结构得以延续.实验结果分析表明,改进的遗传算法可以在种群规模较小的情况下具有更可靠的寻优能力.     

指针网络改进遗传算法求解旅行商问题

虽然遗传算法相较于其他算法能够更好地求解旅行商问题,但这种算法在使用的过程中容易陷入局部最优的问题,进而导致问题求解遭遇困境。文章在简要介绍旅行商问题的基础上,介绍了遗传算法求解旅行商问题的思路和方法,并明确算法应用中存在的不足。在此基础上提出基于指针网络改进遗传算法求解旅行商问题的新思路,为弥补遗传算法的缺陷提供相应的原理支持。     

一种求解旅行商问题的改进遗传算法

针对基本遗传算法存在容易"早熟",无法全局收敛的现象,设计了一种新交叉算子和变异算子,并在遗传算子构造中引入贪心控制策略.新算子的引入丰富了种群的多样性,提高了算法的全局搜索能力.实例仿真表明,改进遗传算法在迭代陷入局部最优时,能在较短的时间内跳出局部最优,继续寻找全局最优解.     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

求解旅行商问题的一个改进的遗传算法

利用遗传算法求解TSP问题,通常需要使用PCX,CX和OX等特殊的交叉算子以提高算法的运行效率。针对自然数编码的方式,提出一种改进的遗传算法,即改进传统的顺序交叉算子,进行不相同子排列顺序交叉,使子代继承父代中优秀的子排列,加快算法的收敛速度。另外,采用没有重复的稳态繁殖避免早熟。实验结果表明,此改进算法对于TSP和DHC问题均具有较好的性能。     

面向旅行商问题的一种改进遗传算法

针对传统遗传算法解决组合优化领域的典型难题--旅行商问题时存在的缺陷与不足,对传统遗传算法加以改进.引入了种群熵和基因座多样性来测度种群的多样性,并利用求得的测度值修改了个体的适应度,达到了预期目的.还提出启发式交叉箅子、二分局部搜索、自适应遗传参数,使该算法在提高搜索效率与解质量方面取得了综合平衡.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.     

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。     

使用遗传算法求解旅行商问题

遗传算法模拟自然界动物的繁衍来解决全局寻优问题,。旅行商问题是典型的组合优化问题,而且非常适于演示遗传算法的基本思想。对于遗传算法的优化,国内外许多专家结合旅行商问题提出了很多算子,结合其中的一些经典算子实现应用遗传算法解决旅行商问题的演示程序。     

求解非连通图旅行商问题的改进遗传算法

为了克服传统遗传算法的早熟收敛问题,提出改进遗传算法。采用基于旅行商遍历城市顺序的染色体编码,结合随机法与贪心法生成初始种群,提高遗传效率。通过执行优先保留交叉和平移变异操作,引入局部邻域搜索,给出最优解是否满足非连通约束的判据。最后,实验结果验证了该算法的有效性。     

一种混合局部搜索算法的遗传算法求解旅行商问题

针对遗传算法容易产生早熟现象以及局部寻优能力较差的缺点,提出一种求解旅行商问题的高效混合遗传算法。该算法首先用加权最近邻法产生初始种群,对种群中相同的个体,用K-近邻法产生新的个体代替相同的个体,然后淘汰适应性较差的个体,用交叉操作产生新的个体,最后,对部分个体进行3-opt优化变异,对种群中优秀个体用改进的Lin-Kernighan算法进行优化。对TSPLIB中部分实例的仿真结果表明,所提出的混合局部搜索算法的改进遗传算法在求解TSP问题时可以高效地获得高质量的解。     

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。     

基于基因库求解旅行商问题的遗传算法

针对传统遗传算法(genetic algorithm, GA)求解旅行商问题(traveling salesman problem, TSP)存在寻优效率低、实验结果缺乏一致性等问题,提出了一种基于基因库的遗传算法(genetic algorithm based on genes pool, GPGA)。GPGA从种群中搜索减小哈密顿圈长度的边,并当做优良基因构成基因库。父代哈密顿圈在基因库引导下产生更优的子代哈密顿圈,基因库也随着种群的不断进化而同步更新,引导种群个体逐步向最优解靠近。算例结果表明在同样条件下,GPGA比传统遗传算法和几种改进遗传算法的性能更优。     

求解工作量平衡多旅行商问题的改进遗传算法

针对工作量平衡的多旅行商问题,提出了一种融合杂草算法繁殖机制和局部优化变异算子的改进遗传算法（Reproductive mechanism and Local optimization mutation operator based Genetic Algorithm,RLGA）。该算法利用入侵杂草优化算法中以适应度为基准的繁殖机制来产生种群并进行遗传操作,以此来提高算法的搜索效率;同时提出一种混合局部优化算子作为变异算子来提高算法的局部搜索能力,从而提高收敛精度。实验结果表明,RLGA在求解工作量平衡的多旅行商问题时可以快速收敛到较优解,并且求解精度得到了很大的提高。     

一种改进的遗传算法及其在旅行商问题中的应用

针对以往各种遗传算法解决旅行商问题（TSP）经常面临过早收敛问题,提出了一种改进的遗传算法,使得改进后的算法可以有效保持种群多样性,从而提高了算法的稳定性和准确性。应用于解决TSP问题,并通过编程测试将改进后的遗传算法和经典遗传算法作了对比。     

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。     

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。     

基于遗传算法的多人旅行商问题求解

旅行商问题是一个经典的XP完全问题,多人旅行商问题的求解则更具挑战性。以往对求解多人旅行商问题的研究局限于以所有成员路径总和最小为优化标准,面对以所有成员路径最大值最小为优化标准的另一类多人旅行商问题却未加注意。文章给出了这两类多人旅行商问题的形式化描述,探讨了利用遗传算法求解这两类多人旅行商问题的基本思想和具体方案,进行了仿真实验验证。仿真实验数据表明,这是一种高效而且适应性强的多人旅行商问题求解方法。