Particle swarm optimization-based algorithms for TSP and generalized TSP

A novel particle swarm optimization (PSO)-based algorithm for the traveling salesman problem (TSP) is presented. An uncertain searching strategy and a crossover eliminated technique are used to accelerate the convergence speed. Compared with the existing algorithms for solving TSP using swarm intelligence, it has been shown that the size of the solved problems could be increased by using the proposed algorithm.Another PSO-based algorithm is proposed and applied to solve the generalized traveling salesman problem by employing the generalized chromosome. Two local search techniques are used to speed up the convergence. Numerical results show the effectiveness of the proposed algorithms.     

求解TSP算法

首先提出旅行商问题（TSP）,并将其转化为最短有向图哈密尔顿回路问题,然后介绍了三种类型的求解TSP的算法。第一种为传统算法,包括分支定界法、改良回路法、贪婪算法、MST算法、MM算法、插入法等;第二种为现代优化算法,包括模拟退火算法、人工免疫算法、遗传算法、蚁群算法、粒子群优化算法、禁忌搜索算法、Hopfield神经网络算法等;第三种为论文提出的DNA计算算法。并对这些算法的复杂度、误差范围以及优劣点进行了分析。     

旅行售货员问题的量子算法

利用波的特性在量子环境下对货郎担问题(TSP)进行了求解,介绍了这种量子算法的基本思想及相关概念,然后分析并给出了求解货郎担问题的量子算法,最后对量子算法的发展进行了展望。     

一种新的求解TSP问题智能蚁群优化算法

提出了一种新的用于求解TSP问题的智能蚁群优化算法。新算法从TSP问题本身出发,提取出了该问题的一种本质特征,并赋予蚁群算法中的精英蚂蚁以识别该固有特征的能力,以提高精英蚂蚁的搜索质量,进而使得新算法整体的求解能力得以提高。文章中不仅阐述了新算法的原理,而且进行了仿真实验,实验结果表明新算法在求解时间和求解质量上都取得了很好的效果。     

改进的遗传算法求解TSP问题

实际应用中经常用人工智能算法如遗传算法求解TSP等一类NP难题．针对原有的遗传算法在初始化种群随机性的缺陷以及在产生子代过程中无法保存最优个体的问题．给出基于贪心算法的种群初始化和交叉变异后最优个体保存算法相结合的改进遗传算法,并在VC＋＋平台上对该算法的实现过程进行动态演示。     

关于TSP的计算复杂性

本文研究TSP的计算复杂性,指出了判定型TSP与最优型TSP具有不同的计算复杂性,同时指出了文献[1]-[3]中的一些错误。     

一种求解TSP问题的新算法

为了求解TSP问题,提出了一种新的遗传算法。它利用距离密集度和适应度定义了自适应的交叉和变异概率,采用改进的交换启发交叉算子,产生不差于父代的个体。根据最优和次优个体的差异,采用2变换法产生新个体或者进行模拟退火操作,局部搜索加快了算法向最优个体靠近的速度。仿真实验表明新算法是一种求解TSP问题的有效方法。     

高效的求解TSP问题的近似算法

提出了一种基于矩阵变换的方法,将n阶TSP问题近似转化为n-1阶TSP问题,然后用递归运算得出最后解。此算法的时间复杂度为O（n³）。而后又对此算法做了进一步的改进,近似度有很大提高但时间复杂度增加为O（n⁴）。经过实验表明,此类算法求解的近似度很高,尤其是在满足三角不等式的问题中,误差更低。利用TSPLIB数据库中的数据进行测试,得到的结果误差最多不超过10%。     

求解TSP问题的多线程演化算法

提出了一种基于单处理器的多线程演化算法。该算法着重于发挥线程之间通讯高效的特点,充分利用演化线程之间大量的通讯,避免演化计算的过早收敛。求解TSP（traveling salesman problem）问题的实验结果表明,该算法大大地提升了原简单演化算法解的质量,而且该算法的解也明显优于使用相同简单演化算法实现的基于孤岛模型的分布式演化算法所得到的解。     

一种基于最大相似性的TSP问题求解算法

提出了一种新的基于最大相似性的TSP问题求解算法。该算法在最近邻算法(Nearest-Neighbor AIgorithm)的基础上作了改进,将最短路径问题转换为最大相似性问题,即将问题由选取城市iR1=arg min{dik:k∈V\{i1,i2,…,ii}}转换为选取城市ij 1=arg min{Wjk:k∈V\{i1,i2,…,ii}},Wjk为城市i与城市i之间的相似系数。实验结果表明,该算法简明旦具有较好的有效性。     

改进的免疫算法求解TSP问题

针对TSP问题,提出基于人工免疫理论的提取免疫疫苗和注射疫苗的新算法对免疫算法进行适当的改进,给出了新的疫苗结构,以提高算法求解问题的迭代速度。实验结果表明,改进的免疫算法较原免疫算法在求解TSP问题时具有更快的收敛速度。     

求解TSP问题的混合遗传算法

TSP问题是一类经典的NP问题,目前有很多方法对其求解,而用混合遗传算法对其求解取得了很好的成效。常见的混合遗传算法有遗传算法与最速下降法相结合（GACSDM）、遗传算法与模拟退火法相结合（SAGA）。设计了贪婪的复合变异算子（GCM）,并引入隔代爬山法算子（Climb）增加遗传算法的局部搜索能力。实验结果表明该算法是有效的。     

一种改进的求解TSP问题的近似算法

旅行商问题(TSP)是典型的具有NPC复杂性的组合优化问题。在现有求解TSP问题的2-近似算法closest-point算法基础上,通过对插入点的插入位置进行改进,提出了一种有效的近似算法最近点前后插入法(CPBOA),并采用TSPLIB中的一些典型实例对该算法进行了测试,同时与典型的常数近似比算法MST-PRIM算法和closest-point算法进行了比较。实验结果表明,该算法在求解质量上与closest-point和MST-PRIM算法相比都有很大的改进,而且速度也很快。     

TSP的元胞蚂蚁算法求解

元胞蚂蚁算法是利用元胞在离散元胞空间的演化规律和蚂蚁寻优的特点,为解决实际问题提供的一种优化方法。将元胞蚂蚁算法应用于TSP问题的研究,并用一系列数值实验说明有效性。     

改进的PSO在TSP中的应用

粒子群优化算法（PSO）是Eberhart和Kennedy提出的,该算法具有思想简单、易编程实现等特点,引起了国内外相关领域众多学者的关注。本文以旅行商问题为例,提出一种离散粒子群优化算法,对粒子的位置、速度等量及运算规则进行定义,并在迭代过程中对速度引入收缩因子。实验结果表明,该算法具有很好的性能。     

求解旅行商问题的一个新的单亲遗传算法

本文提出了求解旅行商问题（TSP）的一个新的单亲遗传算法（PGA）。首先，定义了‘好’基因段的概念，并据此设计了一种新的、有效的基因段换位算子；同时，为提高该算子的搜索能力，结合一个局部搜索技术来改进该算子；然后，在此基础上提出了一个求解旅行商问题的一个新的单亲遗传算法。计算机仿真结果表明，该算法是有效的。     

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。     

使用遗传算法求解旅行商问题

遗传算法模拟自然界动物的繁衍来解决全局寻优问题,。旅行商问题是典型的组合优化问题,而且非常适于演示遗传算法的基本思想。对于遗传算法的优化,国内外许多专家结合旅行商问题提出了很多算子,结合其中的一些经典算子实现应用遗传算法解决旅行商问题的演示程序。