旅行商问题的一种模拟退火算法求解

旅行商问题(TSP)是组合优化领域里的一个典型的、易于描述却难以处理的NP难题,其可能的路径数目与城市数目是呈指数型增长的,求解非常困难。首先介绍了旅行商问题,模拟退火算法原理及其算法实现。应用模拟退火算法对TSP进行研究,给出解决TSP的一种比较精确的算法并用Matlab实现了算法。最后用该算法对TSP进行了仿真,验证了该算法的有效性。     

蚁群算法与模拟退火、遗传算法比较分析

文章首先介绍了模拟退火算法和遗传算法的由来及其应用领域,随之引出一种20世纪90年代新型智能算法——蚁群算法,然后以TSP问题为研究对象,阐述三种算法解决TSP问题的实现流程,最后将3种智能算法在两方面进行比较:求解方面和收敛速度方面。实验结果表明:求解方面,蚁群算法所得解最优;收敛速度方面,蚁群算法比模拟退火、遗传算法收敛速度快。     

继承优秀染色体片段的PSO算法求解TSP问题

粒子群优化算法(PSO)提出至今一直未能有效解决离散及组合优化问题,TSP问题是组合优化问题中一个典型的NP问题.文中参考了离散粒子群算法(DPSO)和遗传算法(GA)解决TSP问题的成功经验,提出了一种继承优秀染色体片段的PSO算法(ECFG-PSO).为避免早熟,在算法中加入了局部查找和二次初始化策略.实验证明ECFG-PSO算法解决TSP问题的效率和规模优于DPSO算法.     

基于遗传算法的动态TSP问题求解

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。本文通过分析动态TSP问题的特点,将2-OPT算法、弹性松弛算法和遗传算法结合起来,设计并实现了一种解决动态TSP问题的算法。仿真实验结果表明,该算法有较快的收敛速度,能有效地遏止早熟;无论在静态环境下还是动态环境下都可行、高效。     

基于LabVIEW仿真实现TSP问题的模拟退火算法

针对旅行商问题（TSP）具有的易于描述却难以处理的NP完全难题、其可能的路径数目与城市数目是呈指数型增长的、求解困难的特点。本文首次采用LabVIEW仿真实现模拟退火算法来求解该问题。仿真结果表明LabVIEW独有的数组运算规则可有效的实现该算法求解TSP问题，相比较其它方法，该方法更简单、实用、计算精度高、速度快，并...     

改进遗传模拟退火算法求解TSP

遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高.     

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.     

基于混合算法的堆垛机实时调度建模优化研究

堆垛机任务调度是自动化立体仓库提高作业效率、实现智能控制的核心要素之一。首先建立堆垛机实时调度系统的任务指令模型,进而将模型求解抽象为作业路径长度最短的旅行商TSP问题。利用遗传—退火混合算法解决TSP问题,根据混合算法特点设计算法流程,运用数学工具进行任务调度方案仿真,结果证明遗传—退火混合算法比单一的遗传算法或模拟退火算法在最优路径求解和时间耗费上具有优越性。     

基于并行模拟退火算法的复杂机电产品的布局设计

布局问题理论上属于NPC问题,在工程实践中经常遇到复杂机电产品的布局问题.为了较好的解决这样的问题,文章以模拟退火算法为基础,针对其早熟和收敛速度慢的缺陷加以改进,给出了并行算法和模拟退火算法相结合的算法。该算法用MPI和VC混合编程,并且加入网格服务策略,可以在多台机器上联合运行,一方面可以为模拟退火算法选择更好的运行结果,另一方面可以加快算法的运算效率。     

基于OPENMP求解旅行商问题的并行蚁群算法

蚁群算法具有自组织性、正反馈性、较强的鲁棒性和天生的并行性等优点,不足之处是需要较长的搜索时间.为了解决其搜索时间过长的问题,文中提出了一种并行实现策略,用OPENMP应用编程接口采用C++语言编程实现,能明显减少搜索所用的时间.给出了一种解决旅行商问题(TSP)的并行蚁群算法,并通过串并算法执行时间的比较,说明并行算法的优越性.     

基于模拟退火算法的平面稀疏阵优化

大规模稀疏阵列优化时,解空间十分庞大,一般优化算法难以实现.模拟退火算法不是一种解空间遍历算法,因而非常适合用于解决此类问题.利用平面阵的对称性,对解空间进行镜像压缩,进一步提高了优化效率.利用解空间压缩后的模拟退火算法优化得到了一种副瓣特性优良的稀疏布阵方式.     

基于路径选择的自适应蚁群算法研究

本文提出样本空间经过K-均值聚类算法聚类加工处理后,算法通过动态地调整选择路径概率,优化TSP求解过程中解的分布均衡性,可以在加速收敛和防止早熟、停滞现象之间取得很好的平衡。这种新的算法提供了在样本空间预处理情况下,动态自适应地解决TSP问题最优解的新方法。比起普通蚁群算法,此算法对大规模数据的最优解的求解更有显著效果。     

SAGA在软件测试数据自动生成中的应用

总结了测试数据自动生成的通用模型,把模拟退火遗传算法(SAGA)引入模型中作为核心搜索方法,避免了单一遗传算法易陷入局部最优的问题。在算法中,通过实施模拟退火筛选、改进加速适应度函数和控制温度迭代方式达到了模拟退火算法(SA)与遗传算法(GA)的有机融合,并优化了SA的邻域构造方式,加入了遗传算法的最优保留策略,使得算法在收敛效率等方面更加有效。试验证明,该方法是有效的测试数据自动生成方法。     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

模拟退火算法在单目标规划问题中的应用

模拟退火算法是一种用于解决连续、有序离散和多模态优化问题的随机优化技术。它对于非常复杂，高度非线性的大型系统优化的求解，表现出比其他传统优化算法更加独特和优越的性能。现介绍了模拟退火算法的原理、数学模型及其求解步骤，并以一实例来说明模拟退火算法在解决组合优化问题时的有效性和优越性。     

一种进化模拟退火矢量量化图像编码新算法

模拟进化和模拟退火是解决全局优化问题的随机搜索技术,它们在工程领域有着广泛的应用.本文将这两种技术有机结合,提出了一种进化模拟退火算法,并用其解决图像编码矢量量化码书设计问题.实验表明,算法具有收敛速度快、码书性能佳等优点.     

改进的遗传算法在(N+M)容错系统优化中的应用

根据(N M)容错控制系统模型高度非线性和复杂性的特点，尝试用一种改进的遗传算法来实现对此类复杂模型的优化求解。模拟退火和分层遗传算法是2种较好的改进遗传算法性能的方法，通过对其进行研究，将这两种思想有机地结合起来，提出了一种基于模拟退火机制的分层遗传算法。该算法以分层遗传算法流程作为主体流程，把模拟退火机制融入其中，用以调整优化群体。并将他应用于(N M)容错系统的数学模型的优化。仿真结果表明，该算法与传统遗传算法相比，不仅能增强算法的全局收敛性，还能加快遗传进化速度，得到满意的全局最优解。     

基于蚁群和模拟退火算法的聚类新方法

模拟退火算法具有良好的全局搜索能力,而蚁群算法具有良好的分布式并行性和正反馈能力.针对样本维数大、数目多时聚类效果不满意的问题,提出了混合的蚁群模拟退火算法,思路是利用K-均值算法的结果作为初值,再使用蚁群算法和模拟退火算法对初值进行调整聚类,结果表明这种算法比较有效.