一种基于和声策略的禁忌搜索算法

结合禁忌搜索算法与和声搜索算法的特点,提出一种基于和声策略的禁忌搜索算法(HTS).该算法基于和声策略构造较优多初始解,进行多初始解禁忌搜索,解决了以往算法只从一个初始解出发进行搜索易陷入局部最优的问题.以典型的组合优化问题TSP为例,验证了该算法的有效性,计算机实验的结果表明该算法有较好的寻优能力.     

求解旅行商问题的改进k-opt遗传算法

为了增强遗传算法的局部搜索能力,加速算法运行效率,尽量避免算法陷入早熟问题,提出一种改进k-opt遗传算法求解旅行商问题。该算法利用改进的k-opt方法初始化获得较优种群,引入改进的交叉变异机制增强算法全局搜索能力,结合改进的k-opt方法强化算法局部搜索能力。实验结果表明,改进的k-opt遗传算法能有效平衡算法探索和开发能力,其求解的质量优且运行效率高。     

用遗传算法求解旅行商问题

论述了用遗传算法求解旅行商问题（TSP）的算法步骤,给出了在MATLAB环境下用遗传算法解决旅行商问题的具体程序设计．将此算法应用到6个旅行商问题中,并将得到的运行结果与用弹性网络得到的结果进行了比较,发现用遗传算法得到的结果与最优解较为接近．     

旅行商问题的一种新解法

应用路径代数原理，通过引入途经数组等，给出一种TSP的新解法，并借助实例的求解过程讨论了算法的图意义，最后还对算法的复杂性进行了分析。     

混合遗传算法在旅行商问题中的应用

为了更优地解决旅行商问题，改进单纯用遗传算法求解旅行商问题的结果，本文通过遗传算法和禁忌搜索算法自身的特点，分别对二者的优势和不足进行分析，提出一种将二者混合使用的求解旅行商问题的算法．该算法以遗传算法为基础，用遗传算法作全局搜索，用禁忌搜索算法作局部搜索．同时，通过计算实例分析，将这种混合遗传算法用于旅行商问题的求解中．试验表明，混合遗传算法比较单纯的遗传算法的计算结果有一定的改进．     

混合帝国竞争算法求解旅行商问题

针对旅行商组合优化问题,提出混合帝国竞争算法（HICA）. 以帝国竞争算法为框架,引入概率模型用以记录并更新可行解,利用概率矩阵挖掘可行解中的优秀可行解片段组合区块,用以降低帝国同化的复杂度及提高可行解的质量;利用贪婪准则及插入搜寻算子操作进行可行解重组,以加快收敛速度及提高种群多样性. 提出反复搜索策略在不同的解空间进行有效的搜索,找出被遗漏的关键信息,避免局部最优化;通过对TSPLIB标准案例的仿真测试及结果比较,验证了混合帝国竞争算法的有效性.     

基于遗传算法求解旅行商问题

提出一种基于生物进化论的寻优方法－－遗传算法,用以求解名的组合优化难题－－旅行商问题,此算法与传统求解TSP问题的方法相比,具有简单、强壮、高效、高速的特点,每次皆可收到一个满意的结果,若不考虑内存限制,原则上对任何规模的对称欧几里德平面TSP问题具有通用性。     

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。     

旅行商问题的近似求解算法

在最近邻法、k-变换策略和贪心算法的基础上,尝试设计效率较高的产生旅行商问题较优可行解的方法。将3变换邻域分成两种结构（称为3_1和3_2变换邻域）考虑,设计以下算法：利用最近邻法产生初始当前最优解;然后依次在当前最优解的3_2、3_1、2变换邻域中寻找更优的局部最优解成为当前最优解,直到结果没有改进。利用算法对一些经典的实例进行实验,依次将每个城市作为出发地,在多项式时间O（n^4）得到的最优解与给定的最优解相对误差在1%内。     

遗传算法求解TSP问题的研究进展

文章介绍了TSP问题和遗传算法的基本原理以及特点；针对解决TSP问题，论述了遗传算法在编码表示和遗传操作算子等方面的应用情况，分别指出了顺序表示、路径表示和布尔矩阵表示的优缺点．阐述了三种基本的操作算子的应用现状；最后，简单说明了混合遗传算法在求解TSP问题中的应用并对遗传算法解决TSP问题的前景提出了展望．     

基于自组织网络的货郎担问题解决方案

货郎担问题（Traveling Salesman Problem，TSP）作为组合数学中的经典问题，具有一定的研究价值．首先陈述了基于自组织网络（Self-Organizing Maps，SOM）的TSP问题的解决方案，然后着重分析为什么SOM网络能够体现这样的计算智能，并探讨了如何将其应用到其它的优化问题当中．     

一种基于TSP问题的启发式搜索算法研究

旅行推销员问题（TSP问题）是算法研究的经典问题,该问题属于典型的NP难题。研究解决此问题尽可能少计算时间的算法具有重要意义。本文通过研究一种启发式搜索算法,把TSP问题的矩阵通过一种启发式准则约简和搜索,尽量地简少了搜索的范围。     

具有偏好选择的多目标TSP竞争决策算法

多目标旅行商问题中各个日标的重要程度对不同用户足不同的。为了满足不同用户对各个目标的不同偏好并快速地提供满足用户偏好的TSP回路,利用竞争决策算法(一种能广泛应用于组合优化问题的新型算法)的通用模型,给出了一种基于竞争决策思想的快速求解方法。经过数据测试和验证,该法得到了较好的结果。     

求解模糊Job Shop调度问题的改进禁忌搜索算法

目的提出一种改进的禁忌搜索算法，解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足。提高这类问题的求解质量．方法根据模糊JobShop调度问题解的特征，提出基于关键工序的邻域选择方法，采用此邻域选择方法构造禁忌搜索算法。当无邻域时，重新产生初始解进行禁忌搜索．结果采用改进的禁忌搜索算法对以13个难的benchmarks问题经模糊化得到的实例进行求解。得到的平均满意度8个优于TSAB算法。得到的最优满意度5个优于TSAB算法、4个与TSAB算法相同．结论采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力．     

一种基于梯级联赛优化策略求解TSP问题的改进遗传算法

在分析标准遗传算法以及粗粒度遗传算法模型的基础上,提出了一种基于梯级联赛优化策略的改进遗传算法;通过编程仿真实验,在求解会出现"组合爆炸"的TSP问题时远优于标准遗传算法.而相对于经典的并行遗传算法模型--粗粒度模型移植到单PC机上的应用具有编程简单,易于应用的特点.     

多搜索引擎的设计与实现

为了加速网站查询速度和正确率,根据局域网上多处理机的通信原理,及集成个性化及中英文查询的要求,设计了多搜索引擎,基于被搜索的关键字,在主机上调度了多至8个引擎共同搜索,并给出了流程图和搜索的结果．经运行证明,多搜索引擎可运行在基于局域网的多处理机上,在现有局域网条件下,速度提高5～6倍,正确率达90％以上．     

物流配送车辆路径问题(VRP)算法研究

物流配送车辆路径问题(VRP)属于NP-hard问题.文章介绍了当前最具有代表性的算法,分析并总结了各种算法的优缺点及目前的改进情况,指出目前启发式算法是求解车辆路径问题的主要方法,至于大规模客户集的配送路径优化问题或者是多约束的复杂VRP问题,可以考虑利用多种算法相结合的办法来解决.     

A New Genetic Algorithm Based on Niche Technique and Local Search Method

The genetic algorithm has been widely used in many fields as an easy robust global search and optimization method. In this paper, a new genetic algorithm based on niche technique and local search method is presented under the consideration of inadequacies of the simple genetic algorithm. In order to prove the adaptability and validity of the improved genetic algorithm, algorithm problems of multimodal functions with equal peaks, unequal peaks and complicated peak distribution are discussed. The simulation results show that compared to other niching methods, this improved genetic algorithm has obvious potential on many respects, such as convergence speed, solution accuracy, ability of global optimization, etc.     

基于二进制搜索算法的RFID系统防碰撞算法

为了有效解决二进制搜索算法标签识别延时过长的问题,提出了二进制搜索算法的一种改进算法,通过设置堆栈,变量Count,引入了反向搜索的机制.仿真试验结果表明该改进算法显著地减少了读写器向标签发送的请求次数,解决了二进制搜索算法延时过长的问题,提高了标签识别的效率.