基于聚类集成的蚁群算法求解大规模TSP问题

ACA（Ant Colony Algorithm）是一种可以有效求解组合优化的TSP（Travelling Salesman Problem）问题的方法。然而,当TSP问题的规模较大时,该算法的求解性能将会明显减弱。本文针对大规模TSP问题提出一种基于聚类集成的蚁群算法IAPACA（Improved AP Ant Colony Algorithm）的求解方法。利用AP（Affinity Propagation）聚类对大规模旅行商问题进行处理,将大规模旅行商问题分为若干子问题,并对每个子问题用蚁群算法进行寻优。然后用改进的集成方案对子问题进行组合,得到问题的结果。最后进行TSPLIB标准库测试算例的实验仿真,实验结果表明,基于聚类集成的蚁群算法具有更好的求解效果。     

蚁群遗传算法对于TSP问题的应用

遗传算法和蚁群算法是两种具有代表性的智能算法。在解决组合优化问题时,遗传算法具有较快的全局搜索能力,但在解决规模较大的TSP问题时存在一定缺陷,不能取得全局最优解。相反蚁群算搜索速度相对较慢,但有着较高的准确性,对于大规模问题有较好的效果。本文改进了两种算法,将蚁群算法与遗传算法融化起来。首先借助遗传算法的快速搜索能力,快速接近最优解,通过求解结果为蚁群算法设置初始信息量,再借助蚁群算法进行最终结果的求解,得到最优解。经过计算机仿真发现,在一定情况下,新的改进算法对TSP问题的求解能力有一定提高。     

求解TSP的改进蚁群算法*

针对蚁群算法存在的搜索时间长、易限于局部最优解等缺陷,提出了一种改进的蚁群算法。通过在初始化信息素矩阵中采用候选城市列表减少劣质解,在局部搜索中采用聚类进行二次搜索,缩小了算法的搜索范围、改善了解空间的质量,提高了搜索速度。仿真结果表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

对一类带聚类特征TSP问题的并行遗传算法求解

提出了一种带聚类处理的并行遗传算法,该算法首先对大规模TSP问题进行聚类处理,将其分解成一些小规模TSP问题,然后分别对每个小规模TSP问题利用遗传算法并行求解,最后将所有小规模TSP问题的解按一定规则合并成大规模TSP问题的解。对大规模TSP问题的模拟实验表明该算法极大地提高了遗传算法的收敛速度。     

求解TSP的带混沌扰动的模拟退火蚁群算法

针对蚁群算法易陷入局部最优及收敛速度较慢的问题,提出一种带混沌扰动的模拟退火蚁群算法。引入模拟退火机制及混沌系统,分别对基本蚁群算法中的蚂蚁种群搜寻范围以及信息素设定与更新进行改进,提高蚁群算法全局搜索能力。使用该算法与基本蚁群算法同时求解TSP这一经典组合优化问题,对两种算法的求解性能进行对比分析。仿真结果表明,该算法的求解精度及求解效率都明显优于基本蚁群算法。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

PASCP在大规模TSP中的应用

蚂蚁系统是由M．Dorigo等人首先提出的一种新型的模拟进化算法，初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力，但同时也存在收敛速度慢等缺点。该文提出了一种带聚类处理的并行蚂蚁系统，该算法首先将大规模TSP问题通过聚类处理分解成一些小规模，ISP问题，然后对每一个小规模TSP问题分别使用蚂蚁系统并行求解，最后将所有小规模TSP问题的解合并成TSP问题的解。对带聚类特征的大规模TSP问题的仿真实验表明该算法极大地提高了蚂蚁系统的收敛速度。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。