具有自适应杂交特征的蚁群算法

蚁群算法是一种新型的具有许多优良特性的模拟进化算法,然而,在解决组合优化问题时,收敛速度比较慢,而且容易发生停滞。为此,论文提出了一种具有自适应杂交特征的蚁群算法,该算法在判断发生停滞的情况下进行杂交,而且杂交时利用现有信息,有方向地向着更好的结果进行杂交。仿真实验结果表明:该算法可以有效地克服停滞,提高搜索效率并改进优化结果。     

求解TSP问题的一种改进的遗传算法

TSP问题是典型的NP完全问题,遗传算法是求解NP完全问题的一种理想方法。文章针对解决TSP问题,提出使用改进的遗传算法,即用浓度控制选择策略以保证群体的多样性,用贪婪交叉算子和启发式倒位变异算子来提高算法的收敛速度,较好地解决了群体的多样性和收敛速度的矛盾。算法的分析和测试表明,该文算法的改进是有效的。     

改进的粒子群算法在旅行商问题中的应用

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将模拟退火算法(SA)引入PSO,提出一种新的粒子群算法求解旅行商问题。该算法结合了PSO的快速寻优能力和SA的概率突跳特性,保证了群体的多样性,避免了种群的退化。通过与SA、基本遗传算法和基本蚁群算法进行对比实验,证明了该算法求解TSP的效果最好,且简单易实现、实用性较高。     

利用Hopfield神经网络求解旅行商问题研究

本文主要研究利用连续的Hopfield网络求解TSP问题,从连续的Hopfield神经网络原理出发,结合TSP问题的要求,在给定参数要求下求得问题的最优解。并分析了实际算法的弱点,给出分析改进算法,加快了算法的收敛速度,改善有效解并提高最优解的比例。     

On the performance of self-organizing maps for the non-Euclidean Traveling Salesman Problem in the polygonal domain

In this paper, two state-of-the-art algorithms for the Traveling Salesman Problem (TSP) are examined in the multi-goal path planning problem motivated by inspection planning in the polygonal domain W. Both algorithms are based on the self-organizing map (SOM) for which an application in W is not typical. The first is Somhom’s algorithm, and the second is the Co-adaptive net. These algorithms are augmented by a simple approximation of the shortest path among obstacles in W. Moreover, the competitive and cooperative rules are modified by recent adaptation rules for the Euclidean TSP, and by proposed enhancements to improve the algorithms’ performance in the non-Euclidean TSP. Based on the modifications, two new variants of the algorithms are proposed that reduce the required computational time of their predecessors by an order of magnitude, therefore making SOM more competitive with combinatorial heuristics. The results show how SOM approaches can be used in the polygonal domain so they can provide additional features over the classical combinatorial approaches based on the complete visibility graph.     

论遗传算法在旅行商问题中的应用

旅行商问题是算法应用中的基本问题,遗传算法具有通用性、智能性、鲁棒性、全局性和并行性的特点,正好适合于该问题的求解。但基本遗传算法在解决旅行商问题时效率不高,并且容易陷于局部最优解。为了解决这一问题,提出了一种改进的遗传算法。文章首先对旅行商问题进行了描述,对遗传算法进行了介绍,对其中的个体选择、交叉算法等重要因素做了一定地改进。最后,用一个简单的实例对基本遗传算法和改进的遗传算法进行了比较,发现改进的遗传算法在解决旅行商问题上的效率问题上有了一定的提高。     

一种新的求解TSP的混合量子进化算法

在分析量子进化基本概念的基础上,提出了一种新的求解TSP的混合量子进化算法（MQEA）。该算法将三段优化局部搜索算法融入量子进化机制,采用一种基于边的编码方法,应用最近邻规则设置初始参数,并设计了排序交叉算子以扩展种群的搜索范围。通过选取国际通用旅行商问题（TSP）实例库(TSPLIB)中的多个实例进行测试,表明新算法具有高的精确度和鲁棒性,即使对于中大规模问题（城市数大于500）,也能以很小的种群和微小的相对误差求得满意解。     

基于自适应转移概率的蚁群优化算法

为避免蚁群优化算法容易早熟的缺点,在转移概率公式中引入一个新的自适应因子。随着迭代次数的增加,该因子有利于蚂蚁探索有较弱信息素浓度的边而避免一些边上信息素的过度积累。该特点使蚂蚁在迭代后期仍能以较高概率搜索到更好的解从而避免早熟。仿真实验结果表明,该算法对解决旅行商问题具有更优的全局搜索能力。     

求解TSP问题的嵌入交叉算子的人口迁移算法

人口迁移算法具有较强的全局搜索能力和稳定性,该文在其顺序交叉算子的基础上,提出一种改进的启发式顺序交叉算子,并在人口迁移过程中嵌入该算子。仿真实验结果表明,该改进算法能有效解决TSP问题,且具有快速收敛特性。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于DSP+FPGA的遗传算法硬件实现

本文针对软件实现遗传算法速度慢的缺点，提出了一种在DSP和FPGA系统中的用硬件实现遗传算法的方法，并利用组合优化学中的旅行商问题对算法的实现进行效果验证。实际效果显示，这种硬件实现方法，不仅结构简单，而且大大提高了算法的运算速度．为算法在实时、高速场合的应用打下基础。     

TSP问题的禁忌模拟退火求解

提出了一种加入了禁忌表、并且采用了新的温度控制机制的用于求解TSP问题的模拟退火算法。新算法增加了搜索结束阶段进行“爬坡”移动的概率,吸收了禁忌搜索具有较强局部搜索能力的优点和模拟退火算法产生优质解的能力,并且对问题的依赖性低于传统的模拟退火算法。对标准的TSPLib中不同国家的城市数据进行测试的实验结果表明,新的算法比传统的模拟退火算法在求解TSP问题上有更快的收敛速度,在解的质量上也有一定程度的提高。     

改进的求解旅行商问题的自组织特征映射网络

对自组织特征映射（SOM）网络进行改进,要求神经元在训练过程中不仅数目保持不变而且在每次迭代中保持其权的均值与样本数据均值相同。当训练结束时,每一个城市都会对应于一个神经元的标号。此时,可能会出现两个及两个以上的城市对应于一个神经元的情况。为避免这个问题,采用小数标号代替整数标号。此时,每一个城市就对应于一个不同的实数索引标号,从而按照这个索引标号排列城市就得到了一条合理的路径。用此方法对旅行商问题(TSP)实验数据库（TSPLIB）中算例进行计算,实验结果表明所提算法是有效、可行的。     

求解TSP的改进自组织PSO算法

针对粒子群算法（PSO）的早熟收敛现象,从种群多样性出发,基于自组织临界性特点改进PSO 算法的参数设置,采用自组织的惯性权重和加速系数,并增加了变异算子。借鉴交换子和交换序概念,设计出了能直接在离散域进行搜索的改进的自组织PSO算法。用于旅行商问题（TSP）的求解,并与基本及其他典型改进PSO算法进行性能比较。实验结果证实改进的自组织PSO算法是有效的。     

一种基于路径相似度的蚁群算法

提出了路径相似度的概念,并根据较优可行解与最优解的相似度,来进行路径选择和信息素更新,以求能更快加速收敛和防止早熟、停滞现象。该算法根据截之间的相似度,自适应地调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。     

利用GA决策理论模型增强信息系统的生存性

生存控制器被广泛地应用在关键的信息系统中。生存控制器的一个重要功能是做决策,也就是基于收益评价从用户给出的行动集合中选择相应的行动序列。因此,决策的质量决定了控制器的能力。寻找一个有效地解决方案来确定获得最大收益的行动序列（AS）。AS是一个背包问题（KP）和旅行商问题（TSP）的混合体。以GA有效解决组合优化问题的方法论为基础,针对AS问题设计了特殊的编码和有效的遗传操作。通过与贪心算法进行比较,模拟实验结果证明了遗传算法的有效性和实用性。     

TSP问题的自适应进化算法

提出了一种 TSP问题的进化计算方法。此方法结合边自适应和边重组的进化过程处理方法 ,在本质上符合 TSP问题的求解的需要。本文给出了边适应性函数的数学模型 ,并且构造了一种易于实现的路径重组算法。对于 TSP问题的求解是一种新的见解     

一种带有竞争机制的混合蚁群算法

针对基本蚁群算法（AS）存在的不足,提出了一种同时包含竞争机制和多种寻优规则的混合蚁群算法（MCAS）。通过对TSP问题的仿真实验,表明MCAS算法选用适当的参数组合后,可以在不增加算法复杂度的前提下表现出比AS算法更佳的全局求解能力和鲁棒性。     

改进蚁群算法及其仿真研究

在基本蚁群算法在基于蚁群系统(ACS)的基础上进行了改进,提出了一种新的局部更新策略,使得局部更新更有效更强健,同时采用动态的α值和信息素自适应调整策略,扩大了可行解的范围,有效抑制收敛过程中的停滞现象,提高了蚁群算法的求解性能.通过对多种旅行商问题(asp)的仿真实验,并分别与ACS和最大最小蚁群算法(MMAS)进行了比较,结果表明,该算法在性能上远优于ACS和MMAS.     

遗传算法中排列问题的编码研究

针对排列问题的编码方法一直是遗传算法应用中的重要研究领域。采用各种传统编码方法的编码表示空间通常远远大于实际的问题空间,这不但提高了各算子设计的复杂性,同时很大程度上降低了收敛速度。文章提出了一种针对排列问题基于次序的一维二进制编码方案和两种改良方案,使排列与编码形成了一一映射,最大限度地缩小了编码表示空间与问题空间的差距。采用TSP问题的实验结果表明,文章提出的编码方式具有很好的性能。