基于蚁群算法的TSP问题求解

TSP问题是典型的NP—hard组合优化问题,蚁群算法是一种求解此类问题的优化算法,通过模拟蚂蚁觅食行为来解决NP问题。文章使用蚁群算法求解TSP问题,并结合TSP问题的特点选择了一种合适的蚁群更新策略。     

遗传算法在TSP问题中的应用

遗传算法是借鉴生物界自然选择和进化机制发展起来的全局的概率搜索算法,旅行商问题（TSP）是著名的NP问题,也是组合优化、计算机科学界经典的问题之一。本文简介了遗传算法的原理、设计方法和基本步骤,并着重用遗传算法对TSP问题进行近似求解。     

完全图哈密尔顿圈遗传算法的MATLAB模拟实现

求解完全图上的哈密尔顿圈是典型的组合优化问题,遗传算法是解决此类NP问题的一种较理想的方法。对基本的遗传算法进行改进,在选择操作和变异操作中加入贪心优化思想,使算法获得更优的全局最优解。在MATLAB环境下模拟实现了哈密尔顿圈的经典问题——TSP(travelling salesman problem)旅行商问题,从而验证了该算法的可行性和正确性。       

完全图哈密尔顿圈遗传算法的MATLAB模拟实现

求解完全图上的哈密尔顿圈是典型的组合优化问题,遗传算法是解决此类NP问题的一种较理想的方法。对基本的遗传算法进行改进,在选择操作和变异操作中加入贪心优化思想,使算法获得更优的全局最优解。在MATLAB环境下模拟实现了哈密尔顿圈的经典问题———TSP( travelling salesman problem)旅行商问题,从而验证了该算法的可行性和正确性。     

一种基于免疫遗传的TSP求解方法

为了更有效的求解旅行商问题(TSP),利用遗传算法与免疫算法各自的特点以及二者的共性提出了一种新的优化方法——免疫遗传算法,在本算法中采用抗体浓度调节机制并引入能量函数来求解TSP问题。给出了求解TSP问题的抗体、抗原、抗体浓度以及能量函数的数学表示,描述了该算法求解TSP的具体实现过程。仿真实验结果表明该方法在解决同类问题时比传统人工神经网络、遗传算法以及单一免疫算法取得了更短路径和更快的收敛。     

基于局部搜索机制快速求解TSP问题的自适应遗传算法

提出了一种基于局部搜索机制快速求解TSP的遗传算法。基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生。仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率。     

基于局部搜索机制快速求解TSP问题的自适应遗传算法

提出了一种基于局部搜索机制快速求解TSP的遗传算法.基于局部搜索机制,自适应地将标准遗传算法与局部启发式算法结合,使得局部启发式算法只在有效改善种群个体质量的情况下才允许执行,有效地避免了因局部搜索次数过多而引起的陷入局部最优和计算负担过重现象的发生.仿真结果表明,该算法具有较强的全局优化能力及较快的收敛速度,在求解TSP问题时有较高效率.     

TSP问题及几种常见算法的比较研究

TSP问题是一个经典的NP完全问题,它在众多领域中都有着广泛而有价值的实际应用,所以一直有众多的学者对其进行研究。从介绍TSP问题入手,从动态规划法、分枝界限法、遗传算法、蚁群算法等四种常见算法开始,在概述了各种算法的基本原理、程序设计的基本步骤的基础上,对各种算法的优缺点、时间复杂度、适用范围等几个方面进行了分析和比较。     

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。     

用遗传算法求解课程表问题

课程表问题是NP完全类问题。近些年来人们尝试着用进化算法求此问题，本文根据大学编排课表的特点设计了一种全新的编码和适应值函数，并应用遗传算法求解，试验说明了该方法的可行性和有效性。     

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．     

Max-Min蚁群算法在固定货架拣选路径优化中的应用

固定货架拣选路径优化问题是一个典型的TSP问题 .为NP完全难题 .使用Max MinAntSystemAlgorithm来求解该问题 ,计算机仿真结果表明该方法能较快地找到最优解 ,而且比神经网络、启发式方法更能有效地找到最优解     

用B和B′算法求解TSP问题

B算法和B′算法都是A^*算法的变种,TSP（Travelling Salesman Problem)问题为NP完全问题,无一般的多项式复杂度算法,但采用合适的启发函数后,利用B算法或B′算法,可在多项式时间内解出。作利用C＋＋的继承功能统一算法形式,实现一个完成TSP问题求解的通用搜索算法。     

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.     

基于遗传蚁群算法的Qos路由约束问题的研究

针对Qos路由约束问题（是一个NP-完全问题,即是一个多项式复杂程度的非确定问题）,设计了一种将遗传算法和蚁群算法优点融合的算法（GA_ACO）.该算法的基本思想是：用遗传算法生成蚁群算法需要的信息素初值,然后利用蚁群算法求得精解.通过NS2仿真表明遗传蚁群算法相比单一的遗传算法和蚁群算法更适合解决Qos路由约束问题.     

非连通无线传感器网络的最少传感器节点部署

传感器节点的部署包括连通网络和非连通网络2种情况. 为了最小化网络部署开销,对非连通网络的传感器节点部署问题进行了研究,建立了整数线性规划模型,并证明该问题为NP complete问题. 为找到该问题的近似最优解,通过理论分析确定了传感器节点的候选部署区域,提出了一种启发式的传感器节点贪婪部署算法,迭代地将传感器节点部署到覆盖目标点数最多的候选部署区域,直到覆盖所有目标点. 通过仿真实验将所提出的贪婪部署算法和现有的遗传算法以及问题模型的最优解进行了比较,验证了算法的有效性.