求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

WebGIS中基于蚁群算法的TSP问题的求解

针对旅行商问题(TSP),研究了网络地理信息系统(WebGIS)中的蚁群优化算法(ACO)在其问题上的应用.为提高蚁群优化性能,采用一种空间拓扑结构与蚁群优化算法结合,并引入了局部搜索策略2-opt.在城市数目一定的情况下,改进蚁群算法能够得到所求TSP的全局最优解,与遗传算法和模拟退火算法比较,它具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的组合优化问题之中.结果表明,改进蚁群算法对于求解TSP问题效果是很明显的.     

用改进的蚁群算法求解TSP新探

通过分析蚂蚁在觅食过程中对最短路径的搜索策略,给出蚁群算法在求解旅行商问题（TSP）中的应用,并使用3—opt方法对所求问题的解进行局部优化,实验结果证明了该解决方案的有效性．     

蚁群算法求解TSP综述

蚁群算法是一种群智能算法,可用于求解图模型最优化路径的计算问题.它于1992年由Dorigo M.提出,借鉴蚂蚁在蚁群与食物之间寻找最短路径.本文集中讨论了几种典型的求解旅行商问题的蚁群算法扩展,讨论其相应的优缺点,并对其学术与工业的应用领域与合理发展进行了总结与展望.     

求解TSP问题的改进最大最小蚁群算法

针对基本蚁群算法搜索时间长,易产生停滞现象等缺点,提出一种求解旅行商问题的改进最大最小蚁群算法.通过对有优质解的蚂蚁个体所走路径的信息素τ的最大最小值进行固定及信息素的更新方式的改变,可以避免在算法运行过程中信息素轨迹的差异过大.仿真结果表明,该改进算法有更高的执行效率和更好的计算稳定性.     

一种基于免疫蚁群混合算法的TSP求解模型

为了解决传统蚁群算法搜索速度慢、容易出现早熟、停滞的缺点,以及传统免疫算法由于反馈信息利用不足存在大量无为的冗余迭代导致求解效率低的缺点,提出了一种蚁群与免疫克隆相结合的混合算法,该算法在前期采用免疫算法来产生蚁群算法的初始信息分布,在后期根据路径浓度抑制机制调整路径上的信息量,从而保持了蚁群多样性,并将该算法用于求解旅行商问题进行计算机仿真,从实验结果可以看出,该算法具有针对性的改进,是一种收敛速度和寻优能力都较好的优化方法.     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

一种快速收敛的自适应蚁群算法

针对蚁群算法收敛速度慢、参数选择难的不足,通过分析各参数对算法的影响和比较多种参数寻优方法,采用粒子群算法对蚁群算法进行参数寻优,并提出了一种快速收敛的自适应蚁群算法。针对旅行商问题的仿真试验表明,该算法是可行且有效的。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

一种求解旅行商问题的迭代改进蚁群优化算法

传统的蚁群优化算法每次都从头开始构造新解,无条件地接收选择的解部件,该策略削弱了算法的局部求精能力。针对该不足,提出了一种求解旅行商问题的迭代改进蚁群优化算法。在构造解的过程中,蚂蚁始终记忆一个完整的解,并且只接受能够改进解的候选城市。使用解的部分重构策略来保持种群的多样性,以避免早熟收敛。仿真结果表明迭代改进蚁群优化算法能在更少的迭代次数内获得更好的解。     

一种应用于堆垛式立体车库AC-TSP算法的研究

针对堆垛式立体车库长期以来存取车所出现耗时长,能耗高等问题,本文采用一种AC-TSP(蚁群旅行商)算法进行优化,并应用于车库路径寻优来解决以上问题.通过对车库结构和存取车需求的分析,结合AC-TSP算法,建立简化的车库AC-TSP数学模型,把要存取车位置输入到工业计算机,经AC-TSP算法的快速计算,输出存取车的最优路径.经MATLAB仿真和实验得出存取车的所走路径的平均距离和最短距离,与实际的顺次存取车方法相比表明,该算法在存取车效率和节能等方面具有明显的优势.     

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。     

旅行商问题的一种选择性集成求解方法

针对大型TSP(traveling salesman problem)实例很难找到最优解的问题,提出了一种选择性集成求解方法。首先通过扩大路径法来选择集成多个较好解,构造出若干个极大路径;然后采用顶点插入法将剩余顶点和这些极大路径连接成一个哈密顿回路;最后使用2-opt方法对该回路进行提升。试验结果表明,算法在5个TSP实例上得出的最好解的最大偏差为1.69%,说明本算法可以有效求解TSP。     

成本优化问题的蚁群算法

为了确定施工项目工期 成本均衡曲线，从而为施工项目计划和控制决策提供有效依据，提出了施工项目工期成本优化问题的蚁群算法.该方法利用施工项目工期成本优化问题的组合优化问题本质，将其转化为旅行商问题，利用自适应权重方法将工期、成本两个目标综合成单目标，采用蚁群算法进行Pareto解的搜索.通过两个实例的计算结果表明，该方法可以有效地确定具有实用价值的Pareto解，且具有较高的全局寻优能力和搜索效率，对于具有大规模网络计划的工期成本优化问题的求解是十分适用的.     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

带参数信息素的蚁群算法

针对蚁群算法搜索时间长、容易陷入局部最优以及参数选择难的缺点,提出了带参数信息素的蚁群算法.该算法使用新的信息素更新机制,使得蚂蚁具有更强的全局搜索能力;同时,算法引入参数信息索,使得蚂蚁能够按概率选择较合适的参数组合,在一定程度上解决了参数选择的困难.对旅行商问题的仿真结果表明,该算法是可行有效的.     

回归蚁群算法

针对基本蚁群算法在收敛速度和求解精度方面的不足,提出一种回归蚁群算法．通过外加牵引力使得蚂蚁按照城市的整体分布规律寻优,增加了算法的全局收敛性．并通过圈地算法,减少了局部搜索的计算量．多个旅行商问题的仿真结果验证了该方法的可行性和高效性．