求解TSP问题的抗体克隆优化算法

为解决传统求解TSP问题(Traveling Salesman Problem)的方法所固有的组合爆炸问题,提出了一种新的基于MHC(Major Histocompatibility Complex,主要组织相容性复合体)的抗体克隆优化算法(Antibody Clone Optimization Algorithm inspired by MHC,COAMHC).该算法应用MHC分子单倍型特性将优秀抗体基因保存为MHC串,并通过疫苗接种遗传至子代以增强其局部搜索能力;应用MHC分子多态性并通过基因突变以及随机引入新抗体基因来提高抗体群多样性,以增强其全局搜索能力.通过TSP问题的仿真实验表明,该算法在收敛速度、和求解精度方面比经典克隆选择算法CLONALG性能更好.     

基于邻域抗体交叉的克隆选择算法

传统克隆选择算法由于没有交叉算子而无法在抗体间进行信息交流,进化过程中随机和盲目的变异会产生数量众多近似甚至相同的抗体,由此引起多样性丧失而导致早熟收敛。为解决该问题,提出了邻域抗体交叉的克隆选择算法,通过对匹配度近似抗体的交叉产生新抗体,在保留原有优质基因的同时,又能从其他抗体引入新信息。针对旅行商问题的仿真实验也证明了新算法的稳定性和有效性。     

求解TSP问题免疫算法的动态疫苗策略

为提高人工免疫算法求解旅行商(TSP)问题的效率,设计了一种疫苗的动态提取策略．该策略通过对记忆种群的一个随机子集进行线性复杂度的集合求交集运算,不仅能自适应地提取单个基因疫苗,而且能获得长度大于1的多基因疫苗组．随着迭代的进行疫苗长度的自适应增加,降低了原TSP问题的规模,压缩了算法的搜索空间．与其他疫苗策略相比,该策略无需人为参与,能更准确地预测最优路径中的边,帮助算法获得更高质量的解．     

求解TSP问题的遗传算法改进研究

概述了遗传算法的基本原理及求解步骤。针对基本遗传算法在求解TSP(traveling salesman problem)问题时存在的收敛速度慢、种群多样性易遭到破坏、易收敛于局部最优解等问题,简要介绍了两阶段遗传算法、粗粒度遗传算法、混合遗传算法等几种算法对基本遗传算法所作的改进。分析了这几种改进遗传算法的基本原理、参数设置、遗传算子的操作方法。整理得出这些改进遗传算法在求解TSP问题时的操作步骤及它们存在的优缺点,最后提出了遗传算法未来在求解TSP问题时的发展趋势。     

基于动态克隆选择算法的病毒检测模型

为了更加有效地检测病毒变种和未知病毒,受生物免疫系统的启发,提出了一种基于人工免疫系统(AIS)的计算机病毒检测模型.通过引入动态克隆选择算法并对其改进,解决了训练过程中自我空间静态固定的问题,提高了病毒检测系统对于不断变化病毒环境的动态适应能力.实验结果表明,该模型拥有较强的自适应能力,可有效地检测病毒程序,并且具有较低的误报率.     

遗传算法求解TSP问题的研究进展

文章介绍了TSP问题和遗传算法的基本原理以及特点；针对解决TSP问题，论述了遗传算法在编码表示和遗传操作算子等方面的应用情况，分别指出了顺序表示、路径表示和布尔矩阵表示的优缺点．阐述了三种基本的操作算子的应用现状；最后，简单说明了混合遗传算法在求解TSP问题中的应用并对遗传算法解决TSP问题的前景提出了展望．     

基于遗传算法的TSP问题求解

遗传算法（ＧＡ）是一种基于自然群体遗传机制的高效搜索算法,由于它在搜索空间中同时考虑许多点,这样就减少了收敛于局部极小的可能,同时也增加了处理的并行性。因此,可以利用遗传算法研究典型的组合优化实例———ＴＳＰ问题的求解问题,相应的求解方法称为遗传优化算法。计算机模拟结果表明,与Ｈｏｐｆｉｅｌｄ神经网络算法相比较,遗传优化算法不仅在收敛速度方面优于神经网络算法,而且通过较少的计算量就可以得到优于神经网络算法而更接近于最优解的满意解。     

采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

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。     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

货郎担问题与单亲遗传算法

用单亲遗传算法解组合优化的货郎担问题 ,给出了基因重组的换位 ,移位和倒排等概率操作方法。通过 9节点的算例 ,证实了该算法对组合优化问题是可行的 ,有较快的收效速度。但过早的收敛将影响结果精度 ,使全局优化解的出现机率很小。为此 ,对染色体种群的个体数量 ,终止条件的选取等进行了算值实验 ,并提出了计算终止的 2个准则 ,计算结果表明合理的收敛条件 ,可以使寻优过程充分 ,所得的解为全局最优解的可信度大为提高。     

改进量子交叉免疫克隆算法及其应用

根据不同交叉算子的互补特性,提出了改进量子交叉免疫克隆算法(improved quantum crossover immune cloanl algorithm, IQCICA)。交叉算子由具有深度挖掘和广度挖掘特征的两种算子组成,并通过适当的参数控制两种算子的选择。将该算法应用于著名的组合优化问题-旅行商问题(traveling salesman problems, TSP),并将计算结果与其它算法进行了对比分析。仿真结果表明,混合量子交叉免疫克隆选择算法能有效平衡全局和局部搜索能力,有着较好的收敛速度和稳定性。     

克隆选择单变量边缘分布算法

张庆彬，吴惕华，刘波针对单变量边缘分布算法（UMDA）求解复杂优化问题的局限性，将人工免疫系统引入分布估计算法（EDAs）领域，提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法（CLONALG），利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题（TSP）的仿真实验表明，与UMDA、CLONALG以及UMDA和2 opt局部搜索算法的混合算法(UMDA2 opt)相比，克隆选择单变量边缘分布算法具有更高的优化性能.     

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．     

TSP问题的改进演化算法

TSP问题的应用非常广,但当前较成熟的算法大都基于局部优化,而局部优化往往无法求出最优解。所提出的算法兼顾了两父体算子与一元算子的优点,并具有免疫算法的免疫记忆功能,是一个具有较强的选择压力和适应地改变的变化算子的演化算法。与其他遗传算法和免疫算法相比具有收敛速度更快,结果更优的特点。     

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.     

回归蚁群算法

针对基本蚁群算法在收敛速度和求解精度方面的不足,提出一种回归蚁群算法．通过外加牵引力使得蚂蚁按照城市的整体分布规律寻优,增加了算法的全局收敛性．并通过圈地算法,减少了局部搜索的计算量．多个旅行商问题的仿真结果验证了该方法的可行性和高效性．