基于遗传算法求解旅行商问题

提出一种基于生物进化论的寻优方法－－遗传算法,用以求解名的组合优化难题－－旅行商问题,此算法与传统求解TSP问题的方法相比,具有简单、强壮、高效、高速的特点,每次皆可收到一个满意的结果,若不考虑内存限制,原则上对任何规模的对称欧几里德平面TSP问题具有通用性。     

用遗传算法求解旅行商问题

论述了用遗传算法求解旅行商问题（TSP）的算法步骤,给出了在MATLAB环境下用遗传算法解决旅行商问题的具体程序设计．将此算法应用到6个旅行商问题中,并将得到的运行结果与用弹性网络得到的结果进行了比较,发现用遗传算法得到的结果与最优解较为接近．     

基于改进遗传算法求解旅行商问题

为解决用基本遗传算法求解旅行商问题过程中保持群体多样性能力较差问题，提出了一种改进遗传算法．算法的主要改进手段是：通过二交换法来构造初始种群，以提高寻找到最优解的速度：用改进交叉算子进行交叉操作，避免了种群过早成熟．仿真结果验证了改进遗传算法的良好性能．     

求解旅行商问题的改进k-opt遗传算法

为了增强遗传算法的局部搜索能力,加速算法运行效率,尽量避免算法陷入早熟问题,提出一种改进k-opt遗传算法求解旅行商问题。该算法利用改进的k-opt方法初始化获得较优种群,引入改进的交叉变异机制增强算法全局搜索能力,结合改进的k-opt方法强化算法局部搜索能力。实验结果表明,改进的k-opt遗传算法能有效平衡算法探索和开发能力,其求解的质量优且运行效率高。     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

遗传算法求解巡回旅行商问题的最优参数组合

通过正交试验方法来研究影响遗传算法对巡回旅行商问题的求解能力的因素,通过极差分析法和方差分析法得出了影响因素从强到弱依次为交叉率、群体规模、选择算子、变异率;最优参数组合方案为:群体规模500,选择率1%,交叉率40%,变异率1%;结果表明,遗传算法具有较好的鲁棒性.     

混合遗传算法在旅行商问题中的应用

为了更优地解决旅行商问题，改进单纯用遗传算法求解旅行商问题的结果，本文通过遗传算法和禁忌搜索算法自身的特点，分别对二者的优势和不足进行分析，提出一种将二者混合使用的求解旅行商问题的算法．该算法以遗传算法为基础，用遗传算法作全局搜索，用禁忌搜索算法作局部搜索．同时，通过计算实例分析，将这种混合遗传算法用于旅行商问题的求解中．试验表明，混合遗传算法比较单纯的遗传算法的计算结果有一定的改进．     

基于eM-plant的旅行商问题仿真研究

运用遗传算法对旅行商问题(TSP)进行分析,确定其具体运行步骤.结合Em-plant软件添加遗传算法模块,对所作出的分析进行仿真,求出可能最优解,以验证分析的可行性.仿真结果说明,遗传算法解决旅行商问题是有效的.     

用分支定界算法求解旅行商问题

在0—1整数规划的基础上建立了数学模型,利用MATLAB6．5优化工具箱中的linprog函数进行求解,再经过分支定界算法计算,求出了只含有0和1的解．实验结果表明,该算法可以求解小规模旅行商问题．     

旅行商问题的近似求解算法

在最近邻法、k-变换策略和贪心算法的基础上,尝试设计效率较高的产生旅行商问题较优可行解的方法。将3变换邻域分成两种结构（称为3_1和3_2变换邻域）考虑,设计以下算法：利用最近邻法产生初始当前最优解;然后依次在当前最优解的3_2、3_1、2变换邻域中寻找更优的局部最优解成为当前最优解,直到结果没有改进。利用算法对一些经典的实例进行实验,依次将每个城市作为出发地,在多项式时间O（n^4）得到的最优解与给定的最优解相对误差在1%内。     

用免疫遗传算法实现配送路线求解

合理的配送路线可以提高物流配送的效率。针对遗传算法局部搜索能力较差的缺点,提出将免疫算法与遗传算法相结合的遗传免疫算法来对物流配送路线进行优化。采用免疫检测与免疫选择对遗传算法进行改进,并阐述了免疫算法求解配送最优路径的步骤。实例证明,免疫算法能较好地解决遗传算法中出现的退化现象,而且使收敛速度显著提高,具有良好的局部与整体收敛性,是有效可行的。     

LT递归神经网络求解旅行商问题研究

提出了一种基于LT递归神经网络的旅行商问题求解方法.采用离散型神经网络模型,先给出模型有界性和完全收敛性的证明,再给出保证网络的稳定输出解为旅行商问题有效路径的条件.在此基础上结合局部最小值逃选方法获得较优的路径.在与基于LV递归神经网络的算法比较实验证明,该算法在总体上能获得更好的有效路径.     

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。     

遗传算法求解TSP的进化策略

本文提出用遗传算法（ＧＡ）求解旅行商问题（ＴＳＰ）的一整套进化策略，包括染体的编码、反向运算、循环运算、交换运算。其中除反向运算外，均与通常的ＧＡ算法所采用的策略不同。文中解释了它们的几何意义。用该算法求解中国３１个城市的ＴＳＰ问题得到了１５４０４公里的新的路径长度。计算结果表明整个算法是有效的。     

改进遗传算法求解TSP问题

改进遗传算法采用了顶端增强算子进行选择运算以强化其收敛性，并利用动态进化因子来进行交叉算子和变异算子的选择以防止早熟。用不同的TSP问题测试时，在分析了种群规模、最大遗传代数与最优解之间的关系之后，得出该算法有较强的鲁棒性和有效性。     

求解旅行商问题的分布式演化算法

采用主-从分布式并行模式设计了一种解决商旅问题的演化算法,使用变异算子对每个个体进行独立的遗传操作.主进程只完成选择淘汰、任务的分发和很少量的遗传操作,从进程完成大量的遗传操作以及个体的适应值的计算,提高了算法速度.通过实例KROB150和CHN144对算法进行测试,结果表明,提出的并行演化算法具有加速比较好、求解精度较高、收敛速度快等特点.     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法.文中针对遗传算法较快的找到最优解并防止＂早熟＂收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度.最后实验表明,改进的算法是可行和有效的.     

求解旅行商问题的新型帝国竞争算法

针对旅行商问题,提出了一种新型帝国竞争算法,该算法引入帝国强化过程,以加强对殖民国家的开发;同时,为了改善帝国之间信息交流不足、群体多样性体现不明显的问题,又引入了后备国家集合,加入帝国交流过程。将该新型算法应用在国际通用旅行商测试库进行性能测试,结果表明,该算法比传统帝国竞争算法具有更快的收敛速度和更强的鲁棒性。