TSP问题的一种改进遗传算法

针对传统遗传算法（以下简称GA）解决旅行商问题（以下简称TSP）时存在的缺陷与不足，对传统GA的结构加以改进，并提出OX改良算子、贪婪倒位变异算子、组合变异算子等，使该算法在提高搜索效率与解质量方面取得很好的综合平衡。仿真实验验证了该算法的有效性。     

一种求解TSP问题的改进遗传算法

旅行商问题（Traveling Salesman Problem TSP）是一个典型的组合优化问题，但应用基本遗传算法求解TSP问题时存在许多不足．结合TSP问题的特点，提出一种改进的遗传算法：应用贪心策略初始化种群，用2-opt对其进行优化，使得在初始个体中就包含较优子路径，在一定程度上加快算法收敛性，防止早熟和近亲繁殖．对交叉算子和变异算子进行改进后，既能维持种群的多样性，也保留了父代个体大部分优良性能．应用改进的算法对20个城市的TSP问题进行求解，结果表明该算法求解速度快而且求解的质量较好．     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

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．     

一种求解TSP问题的改进遗传算法

遗传算法(GA)是基于生物进化论的一种全局优化搜索算法,是求解TSP问题的一种方法,但它存在如何较快地找到最优解并防止"早熟"收敛的问题.结合TSP问题最优解一般包含城市与其最近城市的相连的特点,提出了贪婪两点插入变异算子,改进了启发式杂交算子,并根据个体适应度与群平均适应度根据个体的适应度赋予不同的变异概率,使得较好的个体探测路径,较差个体开发新个体.对初始群体作局部优化提高其质量加快算法的收敛速度,最优个体连续几代一直保留,则采用局部微调算子使子代中的最优个体跳离局部解.通过实验分析,改进的算法能较快的收敛到TSP问题的已知最优解;其测试结果与国际标准测试库TSPLIB中的最优路径相比,或接近或优于.     

改进遗传交叉算子求解TSP

遗传算法中的交叉步骤最根本的作用就是要使子代继承父代的优秀基因。根据TSP问题的特点考虑了用遗传算法求解TSP问题中遇到的交叉算子，构造出一种能很好继承父代优秀基因的交叉算子。实例计算表明该算法在收敛速度快的同时，具有较强的全局搜索能力。     

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。     

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。     

磁共振电阻抗成像问题的一个迭代解法

针对磁共振电阻抗成像（MREIT）的一个数学模型,提出了一个迭代算法．算法的基本思想是使用逐次线性化．通过将问题化为非线性算子方程,推导出算子的形式导数,给出了线性化问题解的等价表达．     

基于Inver-over算子的并行TSP演化算法研究

提出了一种基于Inver-over算子对TSP问题进行求解的并行演化算法.该算法采用主从模式,即主处理节点在执行中只负责接收全局最优个体并进行局部寻优,而各个从节点则负责执行Inver-over变异操作,当取得的最好个体优于主节点所保存的全局最优个体时,则立即更新后者.文章讨论了上述算法的可行性,并给出了相应的数学模型.     

蚂蚁算法在工件排序问题中的应用

蚂蚁算法是近年来新出现的一类随机型仿生算法。它已被成功的应用于组合优化问题中,如旅行商(TravelSalesmanProblem,TSP)问题等。运用蚂蚁算法研究m台机器目标函数为最小时间表长的同顺序车间作业排序问题(Fm|prmu|Cmax),设计出解决该问题的算法步骤与流程;并将蚂蚁算法与解决该问题的其它启发式算法进行了比较。比较的结果说明,蚂蚁算法能有效地解决此类问题,其最优结果优于或者与其他算法的最优结果相当。     

基于改进遗传算法的TSP间题求解

TSP问题是典型的NP完全问题 ,遗传算法是求解NP完全问题的一种常用方法。本文针对解决TSP问题 ,提出一种新的改进遗传算法。该算法用多样性维持机制来设计算法的选择机制 ,提高算法的求解性能。经过对TSP问题求解的实验 ,本文算法得到了很好的效果     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP（TravelingSalesmanProblem）问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

有向循环图G（n，α_1，α_2）中哈密顿圈的存在性判别及其结构

本文详尽讨论了有向循环图Ｇ（ｎ，α_１，α_２）存在哈密顿圈的充分必要条件，并揭示了其中哈密顿圈的组合结构。我们还构造了一个Ｏ（ｎ３）算法，当Ｇ（ｎ，α_１，α_２）为哈密顿图时，算法可求出它的所有哈密顿圈．     

一个解决0/1背包问题的蚁群方法

蚁群算法已成功地应用于著名的旅行商问题和其他一些组合优化难题。为了使用蚁群算法来解决经典的0／1背包问题，本文比较了旅行商问题和0／1背包问题的不同之处，在原有的蚁群优化模型的基础上扩展了它的应用范围，用来解决0／1背包问题。同时，相应的一些参数也得到了优化。实验结果显示了蚁群算法的健壮性和作为启发式算法在解决组合优化难题时的潜力。     

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。     

基于TSP问题的远航程无人水下航行器路径规划研究

针对远航程无人水下航行器的路径规划问题,本文提出了一种基于旅行商（TSP）问题的路径规划的新方法。阐述了TSP问题的基本原理,并采用了模拟退火算法和遗传算法进行了仿真研究,获得较好的仿真结果。     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法（CIPSO）。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。