基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

基于自适应模拟退火遗传算法的非线性方程组求解

将非线性方程组的求解问题转化为函数的优化问题。针对传统的遗传算法（GA）容易早熟的不足,对其进行了两方面改进,采用自适应交叉比例产生交叉后代和变异后代,并融合模拟退火算法（SA）的思想,建立了自适应模拟退火遗传算法（ASAGA）。数值实验表明,该算法提高了遗传算法的全局搜索能力,是求解非线性方程组的一种有效算法。     

改进的混合遗传模拟退火算法及其在组合优化中的应用研究

本文分析了遗传算法和模拟退火算法的优缺点,提出了一种混合遗传模拟退火MGASA算法,对其进行了优化操作,并将该算法应用于组合优化中TSP问题的解决.经实验验证,MGASA算法优于普通的GA和SA算法.     

基于遗传和模拟退火算法求解3-SAT问题

命题逻辑公式的CNF范式的可满足性问题（sAT）是计算机科学的非常重要的核心问题,能否快速求解SAT问题是目前的研究热点之一。介绍Johnson算法、遗传算法和模拟退火算法,比较三种算法的特性,提出综合GA、SA算法优点的一种混舍遗传和模拟退火算法的思想。数值计算结果表明,相对于Johnson算法,采用启发式（SA、GA）算法可以显著地提高3-SAT问题解的质量和求解速度。     

混合伊藤算法求解多尺度着色旅行商问题

着色旅行商问题（CTSP）是多旅行商问题（MTSP）与旅行商问题（TSP）的一种扩展,主要应用于含重复区域的多机工程系统（MES）等工程问题。CTSP是NP完全问题,尽管相关研究尝试采用遗传算法（GA）、模拟退火（SA）等方法求解该问题,但它们求解的问题尺度有限,且速度和求解质量上不尽人意。基于此,尝试采用一种基于均匀设计（UD）融合蚁群（ACO）算法和伊藤算法（IT?）的混合伊藤算法（UDHIT?）来求解该问题。UDHIT?采用UD来选择合适的参数组合,借助ACO的概率图模型来产生可行解,并利用伊藤算法的漂移和波动算子进行优化。实验的结果表明,UDHIT?求解多尺度CTSP的最优解和平均解比传统GA、ACO和IT?有所改善。     

混合伊藤算法求解多尺度着色旅行商问题

着色旅行商问题（CTSP）是多旅行商问题（MTSP）与旅行商问题（TSP）的一种扩展,主要应用于含重复区域的多机工程系统（MES）等工程问题。CTSP是NP完全问题,尽管相关研究尝试采用遗传算法（GA）、模拟退火（SA）等方法求解该问题,但它们求解的问题尺度有限,且速度和求解质量上不尽人意。基于此,尝试采用一种基于均匀设计（UD）融合蚁群（ACO）算法和伊藤算法（IT?）的混合伊藤算法（UDHIT?）来求解该问题。UDHIT?采用UD来选择合适的参数组合,借助ACO的概率图模型来产生可行解,并利用伊藤算法的漂移和波动算子进行优化。实验的结果表明,UDHIT?求解多尺度CTSP的最优解和平均解比传统GA、ACO和IT?有所改善。     

求解旅行商问题的几种智能算法

旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。对于大规模TSP问题,目前仍未有非常有效的方法,如何快速有效的求解TSP问题有着重要的理论价值和实际意义。文章介绍了什么是TSP,论述了目前求解旅行商问题较为有效的六种智能算法（遗传算法、蚁群算法、Hopfield神经网络算法、模拟退火算法、人工免疫算法、混合优化算法）,并简单阐述了其优缺点,给出了未来针对TSP问题的研究重点。     

遗传和模拟退火融合的软硬件划分

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和模拟退火（SA）各自优缺点的基础上,提出了采用遗传/模拟退火混合算法（GASA）的策略。该算法的核心思想是将模拟退火算法嵌入到遗传算法中,利用遗传优化算法的结果来制约模拟退火的随机状态产生,然后根据模拟退火算法的接受准则和随机状态产生函数来更新遗传算法的种群,从而最终得到最优解。与单纯的遗传算法和模拟退火算法进行对比实验,实验结果表明,GASA更有优势,得到的划分结果也更优秀。     

旅行商问题(TSP)的几种求解方法

旅行商问题（TSP）是组合优化领域里的一个典型的、易于描述却难以处理的NP完全难题,其可能的路径数目与城市数目是呈指数型增长的,求解非常困难。而快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。该文首先介绍了什么是TSP,接着论述了六种目前针对TSP比较有效的解决方法（模拟退火算法、禁忌搜索算法、Hopfield神经网络优化算法、蚁群算法、遗传算法和混合优化策略）的基本思想,并且简单阐述了它们的求解过程,最后分别指出了各自的优缺点并对解决TSP的前景提出了展望。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.