一种求解TSP问题的改进禁忌搜索算法

禁忌搜索算法作为一种新兴的智能搜索算法,已被广泛应用于各类优化问题。本文综合解向量的分量变化和目标值变化,提出一种新的候选解和当前解选择策略,并用改进的新算法求解TSP问题。实验表明新的算法具有良好的性能。     

求解TSP问题的改进模拟退火算法

通过分析传统模拟退火算法的原理和存在的不足,提出了一个用于求解TSP问题的改进模拟退火算法。新算法增加了记忆当前最好状态的功能以避免遗失当前最优解,并设置双阈值使得在尽量保持最优性的前提下减少计算量。根据TSP和SA的特征设计了个体邻域搜索方法和高效的计算能量增量方法,加快了算法的运行速度。实验测试的结果表明,新算法比传统的模拟退火算法具有更快的收敛速度和更优的解质量。     

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TSP的空间锐化模拟退火算法

１引言模拟退火算法已被成功地用于求旅行商问题（ＴＳＰ）的最优路径［１］．但当ＴＳＰ实例搜索空间的“地形曲面”较粗糙时,有限时操作模拟退火过程可能因最终落入一个较差的局部“陷井”无法跳出,而难以得到高质量解．不同于通常改进算法自身的思路,本文提出了一种...     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

免疫模拟退火算法求解TSP

文章介绍了免疫学的一些基本理论,然后在模拟退火算法及免疫算法的基础上,提出了一种新的免疫模拟退火算法求解TSP。通过对CHN144以及标准的TSPLIB中的PR1002的数据进行测试,结果表明该算法具有良好的性能。     

温度可控的求解 TSP问题的模拟退火算法*

在现有求解 TSP 问题的模拟退火算法的基础上,通过引入新的两点算子以及利用fprintf()函数﹑fscanf()函数和全局变量的作用,提出了一种温度可控的模拟退火算法。对CHN144 以及标准的TSPLIB 中不同国家的城市的数据进行测试。测试结果表明,该算法很容易收敛到问题的最优解。     

求解TSP的改进模拟退火算法

利用模拟退火算法给出了求解旅行商问题的一种新方法.在模拟退火算法的基本原理基础上,针对解变换只交换两个城市而容易落入局部最优解的缺点,提出了在解变换产生新解的过程中,采用逆转操作的改进方法.这使得迭代过程突破局部最优圈,然后跳到另一个搜索空间.这样能够使其更具多样性,改善了模拟退火算法的局部搜索能力.并将其应用于求解旅行商问题,显著改善了它局部寻优的能力.在几个公共测试数据集上的结果表明,算法稳定可行,在求解组合优化问题方面,具有良好的性能.     

一种模拟退火算法与禁忌搜索算法的混合算法

通过结合模拟退火算法与禁忌搜索算法的优点,提出一个组合算法,并将其应用到旅行商问题（TSP）中。并用C＋＋实现一般的模拟退火算法和这种组合的模拟退火算法．比较结果显示出这种组合算法可以得到更好的结果。     

求解旅行商问题的整体优先算法

针对欧几里德旅行商问题,提出了一种“整体优先”算法。该算法的基本思路是边构造边调整路径,在调整中采用了独创的逆向调整方法,避免算法陷入局部优化陷阱。理论分析和大量实验结果表明,该算法不仅时间复杂度和空间复杂度低,寻优能力也相当强,其综合性能超过目前的一些主流算法。     

求解旅行商问题的二阶段演化算法

对Inver-over算子进行了改进,提出了1st-Inver-over算子和2nd-Inver-over算子,实现了求解TSP问题的基于改进Inver-over算子的二阶段演化算法（Two-stage Inver-over EA）。在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度;在算法后期,根据种群的多样性自适应地选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。在TSPLIB（Traveling Salesman Problem Library）中的典型实例上的实验结果表明,Two-stage Inver-over EA比经典的GT算法具有更好的收敛性和搜索效率。     

旅行售货员问题的图论近似算法

讨论了旅行售货员问题和图论中的哈密顿回路之间的关系,在此基础上结合图论中关于完全图最短路径的近似算法得到旅行售货员问题的一种近似算法。通过分析及实例验证了所提出的算法的可行性及有效性。     

改进粒子群优化算法求解TSP问题

针对粒子群优化算法易陷入局部极值的缺点,提出一种改进粒子群算法,该算法借鉴贪婪算法的思想初始化种群,利用两个种群同时寻优,并将遗传算法中交叉和变异操作引入其中,实现种群间的信息共享。用14点TSP标准数据对算法性能进行了测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

利用粒子滤波求解旅行商问题

针对现有优化算法求解旅行商问题(TSP)时容易陷入局部极值的缺点,提出一种基于粒子滤波的优化搜索算法,该算法将TSP最优路径的搜索过程看成是一个动态时变系统。阐述了利用粒子滤波求解TSP最优路径的基本思想,给出了该方法的具体实现步骤。为了增强算法跳出局部极值的能力,在采样过程中引入了遗传算法的交叉和变异操作来丰富样本的多样性。最后为了验证新算法的有效性,进行了仿真实验,结果表明基于粒子滤波的优化算法能够找到比其他优化算法更好的解。     

求解旅行商问题的改进局部搜索混沌离散粒子群优化算法

针对基本离散粒子群优化(DPSO)算法收敛速度慢、易于陷入局部最优等问题,提出了一种基于优秀系数的局部搜索混沌离散粒子群优化(ILCDPSO)算法并用于求解旅行商问题(TSP)。基于轮盘赌选择原理,给每段路径设定一个合理的优秀系数,以提高短边被选择的概率,从而有利于提高算法的寻优能力和收敛速度;为了进一步提高解的精确性,在算法机制中添加了局部搜索策略,通过调整每个城市在给定邻域内的城市路径,提高算法的局部搜索能力;另外,在算法的迭代公式中加入了混沌序列来提高粒子的随机性和多样性,增强了算法的全局搜索能力。最后用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法进行了测试,并与粒子群优化(PSO)算法、改进的PSO(IPSO)算法和混沌PSO(CPSO)算法等进行了比较。实验数据显示,在相同的实验条件下,与其他算法相比,ILCDPSO算法获得最优解的平均迭代次数较少且获得最优解的次数比例最高。研究结果表明,加入优秀系数后,ILCDPSO算法在收敛速度、全局寻优能力以及稳定性方面均优于其他算法。     

求解旅行商问题的高效自适应混合蚂蚁算法

在目前求解TSP问题效果最好的混合算法——最大最小蚂蚁算法和3-opt局部搜索算法的基础上,提出了一种改进的混合蚂蚁算法。算法前期使用局部搜索的解初始化信息素矩阵,加快收敛速度,后期依Metropolis接受准则概率接受局部优化解,有效地避免陷入局部最优,自适应的信息素调节机制使算法更加灵活,而K近邻候选集则使之适应大规模问题求解,理论分析和TSPLIB中部分实例仿真结果表明,此算法能比其他改进蚁群算法具有更多优越性。     

求解TSP的自适应优秀系数粒子群优化算法

针对基本离散粒子群优化（PSO）算法求解旅行售货商问题（TSP）时容易陷入局部最优解和早熟收敛的问题,提出了一种基于自适应优秀系数的粒子群（SECPSO）算法。为了提高算法的全局搜索能力,在已有工作的基础上,进一步利用启发式信息对静态的路径优秀系数进行修改,使之可根据解的搜索过程进行自适应动态调整;另外,为了进一步提高解的精确性和算法的收敛速度,添加了3-opt搜索机制,提高算法的局部搜索能力。利用Matlab进行了实验仿真,用国际通用的TSP数据库（TSPLIB）中的若干经典实例对算法性能进行了测试。实验结果表明,与其他几种算法相比,SECPSO算法在全局寻优能力和更快的收敛速度方面表现更优,是求解TSP问题的一种有潜力的智能算法。     

求解TSP问题的改进混合蛙跳算法

针对TSP问题的特点,设计了一种求解TSP问题的改进的混合蛙跳算法。该算法改进了子种群青蛙个体优化的方式,而不仅是对最坏个体进行优化,这种方式可以有效提高算法的收敛速度。提出了青蛙个体翻转时依赖于全局最优解的“导优”概率和依赖于子种群局部最优解的“导次优”概率,进一步提高了算法寻找最优解的能力。在多个TSPLIB上的实验结果表明,该算法是可行有效的。     

一类特殊的集送一体化TSP问题及其遗传算法求解

同类商品集送一体化的旅行商问题是经典TSP问题的一种新变体,建立了该问题的数学模型,根据该问题的特征,结合局域搜索优化算法,改进了遗传算法的交叉、变异算子。对算例的求解证明了遗传算法在解决1-PDTSP问题上优越性。