求解TSP问题的改进模拟退火遗传算法

巡回旅行商问题（TSP）是最典型的NP的难题,遗传算法（GA）是解决这类问题的有效方法之一。由于该问题的解是一种特殊的序列,一般的交叉算子在该问题的求解效果方面并不理想,提出了贪心的3PM交叉算子,同时又引入退火选择方法,形成一种新的模拟退火遗传算法GCBSAGA（Greed Cross-3PM Based on Simulated Annealing Genetic Algorithms）。该算法还将模拟退火算法与遗传算法相结合,使得遗传算法在前期发挥着全局搜索的强大功能,很容易收敛到全局较优解;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能,最终收敛到全局最优解。经过国际公认的TSPLIB提供的实验数据的验证,GCBSAGA在实例eil76、eil101、pr144、st70均找到了比TSPLIB提供的最优路径更优的解。     

求解TSP问题的改进遗传算法

旅行商问题(TSP)是遗传算法得以成功应用的典型问题.文章对遗传算法加以改进,提出了新的选择策略和交叉算子,并且引入了兄弟竞争的策略来加快收敛速度和全局搜索能力.把该算法应用在不同类型的TSP问题的求解上,表现出了比传统遗传算法更好的收敛性和计算效率.说明改进算法是有效的.     

应用改进的遗传算法求解TSP问题

旅行商问题,也称货郎担问题,属于完全NP问题,而遗传算法在解决组合排列问题方面占有很重要的地位.针对TSP问题,提出了一种改进的遗传算法.利用交换启发交叉算子和可变交叉概率实现局部搜索,加快算法的收敛速度,利用变换变异算子和可变变异概率维持群体的多样性防止算法早熟收敛.Java仿真实验结果表明,改进后的算法明显优于传统的遗传算法,说明该算法具有良好的有效性和可行性.     

一种基于改进遗传算法的TSP问题求解方法

通过改进经典遗传算法的交叉算子和变异算子,提出了一种改进遗传算法。介绍了该算法的基本步骤及特点,并对TSP问题进行了仿真实验。实验结果表明改进算法有效地提高了算法的收敛速度与寻优质量,在解决TSP问题时表现出良好特性,与经典遗传算法相比具有明显优势。     

用一种含启发式变异策略的遗传算法求解TSP

通过分析TSP问题的特征,结合以减少周游路线中交叉边为启发式信息,引入了一个遗传算法中新的变异策略用于TSP求解。对新策略的有效性进行了证明并且给出了具体的实现方案,同时通过TSP Lib上的测试样例将该启发式变异算子和另外两个传统的变异算子(插入式变异和交换式变异)进行了比较。比较结果表明了新变异策略具有更大的优势。     

模拟退火遗传算法求解TSP问题

本文提出了一个用于求解TSP问题的改进模拟退火的遗传算法,利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。用100个城市和255个城市的TSP问题验证算法,实验测试的结果表明该方法具有较好的收敛效果和可靠的稳定性。     

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。     

一种改进遗传算法在旅行商(TSP)问题中的应用

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。本文采用了启发式三交叉算子并提出了一种全新的变异算子，使得收敛速度更快，能更有效的解决TSP问题。     

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。     

求解TSP问题的遗传算法新方法研究

遗传算法是一种基于自然选择与遗传变异等生物进化机制的全局优化搜索算法。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,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。本文借助于遗传算法,采用新的交叉算子,给出了旅行销售员问题较优解的求解方法。     

一种求解TSP问题的并行遗传算法

遗传算法(GA)是一种基于自然群体遗传机制的有效搜索算法,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,也增加了处理的并行性。因此可以利用并行遗传算法(PGA)研究典型的组合优化实例-TSP问题的求解问题。该文提出一种有效的并行算法求解旅行商(TSP)问题,实验结果表明,该方法在解的精度上优于以前的算法。     

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。     

一种新的混合遗传算法求解旅行商问题

提出一种改进的混合遗传算法来求解TSP问题。在传统遗传算法基础上,杂交算子部分引入郭涛算法,使得算法保持较好的多样性和全局搜索能力,从而克服了传统遗传算法过早收敛的缺陷;变异算子引入粒子群算法,以加速算法收敛速度并提高求解精度,使其更快地找到最优解。通过TSPLIB大量经典实例验证,该算法均能快速找到比现有最优结果更好的解。     

一种求解旅行商问题的贪婪边重组交叉算子

提出了一种新的求解旅行商问题的贪婪边重组交叉算子。该交叉算子吸取了边重组交叉算子的优点,使得父代在进化过程中获得的优良的边能顺利地遗传给子代。同时,在边重组的过程中,该交叉算子引入所求旅行商问题的具体信息以指导新边的生成,从而该交叉算子具有贪婪特征。实验结果表明:对于简单的旅行商问题,贪婪边重组交叉算子能显著提高算法效率;对于大规模的旅行商问题,该交叉算子的效果也较理想。     

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。     

遗传算法在旅行商问题中的实践与探究

TSP问题是组合优化领域的经典问题之一,旨在求出遍历若干个城市的最短路径。本文通过遗传算法GA的选择和变异算子的确定和、交叉算子的改进,并在TSP问题中的实践来探索这个经典的NP(Nondeterministic Polynomial)难题。     

基于遗传算法的旅行商问题仿真实现

从应用的角度讨论了基于遗传算法的旅行商问题（Travelling Salzesman Problem，简称TSP）的求解方法，在应用遗传算法求解旅行商问题时，参数值的不同设定对解有不同的影响，结合旅行商问题具体实例，对参数值的变化进行了观察，当选择Pc=0.5,pm=0.001时，得到了较为理想的最短旅行路径。     

用于求解TSP问题的改进遗传算法

TSP问题是一个典型的组合优化问题,也是一个NP难题,一般很难精确地求出其最优解,因而找出有效的近似解算法具有重要意义。针对基本遗传算法在解决TSP问题时所存在的收敛速度慢、容易“早熟”的问题,在选择算子中引入选择因子,同时提出一种改进的交叉算子和基于种群相似度的更新策略。改进的交叉算子是先比较两个城市间距离再进行交换城市序号,因此加快了收敛的速度,而基于种群的相似度更新策略则在算法的后期可以有效地防止早熟。通过对实例144进行测试,证明该算法在解决该类问题上取得了较好的效果。     

一种改进的求解TSP问题的演化算法

演化算法是解决组合优化问题的高效搜索算法．该文在现有求解TSP问题的演化算法的基础上,通过引入映射算子、优化算子以及增加一些控制策略,提出了一种高效的演化搜索算法．实验表明,该算法是有效的,通过对CHN144以及国际通用的TSPLIB中不同城市规模的数据进行测试表明,其中实例CHN144得到的最短路径为30353．860997,优于吴斌等运用分段算法得到的最短路径30354．3,亦优于朱文兴等人的结果,实例st70和kroB150得到的最短路径分别与运用分段算法得到的最短路径值相同,实例pr136得到的最短路径值为96770．924122,优于TSPLIB中提供的最短路径96772,对于其它实例也均能快速地得到和TSPLIB中提供的最优路径相同或更优的路径,该算法不仅很容易收敛到问题的最优解,而且求解速度极快．