遗传算法求解TSP的研究

遗传算法通常被认为是自适应的随机搜索算法,与传统的优化方法(枚举,启发式等)相比较,以生物进化为原型,具有很好的收敛性。文章用遗传算法求解经典的旅行商问题,最后使用实验对算法进行了测试,能够在短时间内找到理想的解。     

基于改进遗传算法的TSP问题研究

通过对遗传算法和TSP问题的研究．提出了离散赌轮选择算子EPMX交叉算子和Dmutation变异算子等，对遗传算法的各个算子进行了改进。利用改进的遗传算法有效的解决了TSP问题．实验验证其与传统的解决方式相比有更好的收敛特性，解的准确性更好。     

基于遗传算法的TSP问题求解与仿真

TSP问题常用的自然编码方式在进行遗传操作时,会产生不合法路径.设计了一种新的编码方式,能有效避免这一问题,遗传操作简单易行,无需对不合理的基因片段进行合法化修正.在求解过程中,为了解决遗传算法的收敛速度和全局收敛性之间的矛盾、避免早熟,运用了Doping策略和参数切换方法.最后进行了仿真测试.结果表明,该算法能迅速淘汰劣解,具有较快的收敛速度;能有效遏制早熟,对不同规模的TSP问题能有效求得最优解.     

旅行商问题的改进差分进化方法

TSP(Traveling Salesman Problem)旅行商问题是一类典型的NP完全问题,目前大多采用遗传算法求解.差分进化算法(Differential Evolution Algorithm, DE)作为一种新型的进化算法,与遗传算法有很多相似之处.提出用改进的差分进化算法解决TSP问题.采用基于整数序规范的辅助算子解决变异问题,并引入刘海交叉算子.实验结果表明该方法有效地提高了算法的收敛速度与寻优质量,表现出了良好的特性.     

基于遗传算法求解旅行商问题

从应用的角度讨论了基于遗传算法的旅行商问（Travelling Salesman Problem,简称TSP）的求解方法,并结合实例给出了求解过程和计算机仿真结果。在算法的仿真中,改进后的算法明显优于传统的遗传算法。这表明,该算法具有良好的可行性和实用性。     

基于TSP问题的混合遗传算法研究

文章在介绍遗传算法和混合遗传算法思想的理论基础上,分析了遗传算法的主要优缺点和改进算法的有效性原则,利用模拟退火算法的局部寻优能力提出了一种改进的遗传模拟退火算法。结合两者的优点,对其中的选择、交叉和变异操作进行了改进,并将其运用到TSP问题的求解之中。同时,给出了算法的具体实现过程,并进行了仿真实验,证明了混合算法的有效性。     

一种求解TSP问题的改进遗传蚁群算法

旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率.     

改进的蚁群算法及其在TSP中的应用研究

提出一种改进的蚁群算法,其核心是应用遗传算法对蚁群算法的 4 个控制参数(α、β、ρ、q0)进行优化,以及运用 MMAS(max-min ant system)进行寻径,新算法具有全局搜索能力强的特点。对旅行商问题(TSP)的仿真实验结果表明:新算法的优化质量和效率都优于传统蚁群算法和遗传算法。     

改进遗传模拟退火算法求解TSP

遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高.     

基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

求解旅行商问题的改进混合蛙跳算法

混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）是解决组合优化问题的有效方法,’但是应用于TSP问题时,由于SFLA没有充分利用最佳个体的优良信息,导致收敛速度太慢。文中把遗传算法（Genetic Algorithm,GA）的交叉和变异引入SFLA,提出了一种针对旅行商问题（Traveling Salesman Problem,TsP）的改进混合蛙跳算法（Improved Shuffled Frog Leaping Al—gorithm,ISFLA）。应用于TSP的实验结果表明：ISFLA的收敛速度明显高于SFLA,同时优于GA和简单翻转算子。ISFLA不仅表现出了更快的收敛速度,而且能有效地缓解局部早熟收敛。     

Improved artificial bee colony algorithm for large scale colored bottleneck traveling salesman problem

In the fields such as intelligent transport and multiple tasks cooperation, the model scale constructed by colored bottleneck traveling salesman problem (CBTSP) tends to large scale, and therefore it is necessary to study the large scale CBTSP and its algorithms. An improved artificial bee colony algorithm (IABC) was applied to solve the large scale CBTSP. IABC employed generating neighboring solution (GNS) to improve artificial bee colony algorithm for CBTSP. GNS generated new solution by deletion and reinsertion operations, during this process, and it can optimized the existed solution for this problem. Experiments show that IABC can demonstrate better solution quality than other compared algorithms for large scale CBTSP.     

TSP的DNA算法

由于Adleman和Lipton的开创性工作,最近DNA计算引起了人们的极大兴趣,他们提出的分子算法解决了图形的表示方法,但是没有给出如何处理图中节点的弧线的信息。本文的目的是通过提出在图中城市间的距离用简单的弧线代表,延伸了Adleman和Lipton提出的基本的分子算法。并提出只有当算法步骤由当前的需要人工干预被可执行的可在试管中操作的DNA链代替,解决计算难题的真正可行DNA计算可以实现。该算法的创新之处在于表示城市和路径的DNA链长度的设计,能使我们在合理的范围内寻找旅行商问题的解,较大地简化了问题的复杂度。     

具有灾变的动态蚁群算法

尽管蚁群算法在优化计算中得到广泛应用,在求解大规模问题时它仍然存在的运行时间较长和容易产生过早收敛的缺点,本文在基本蚁群算法基础上,通过引入灾变、双向搜索、整段2-交换法、分段保存和对信息素等参数进行动态更新等策略改进算法,TSPLIB的一些实例求解结果均超过或达到记录的最好解,表明算法改进的效果是非常好的.     

改进的蚁群算法及其在TSP问题中的应用

针对蚁群算法容易陷入局部最优解的缺点,提出了一种改进的蚁群算法。该算法通过禁忌当前取得的最优路径,有选择地更新信息素,而后重新搜索,有效提高了基本蚁群算法的寻优能力。文中将改进后的蚁群算法应用于TSP问题,通过对典型的Eil51.tsp进行测试,证明了改进后算法的可行性有和效性。