遗传算法在车辆优化调度中的应用

旅行商问题是车辆优化调度中的NP难题,对旅行商问题进行描述,并建立了数学模型。介绍了遗传算法的基本思想,给出用遗传算法求解旅行商问题的过程,仿真实验证明该算法是有效的。     

遗传算法解TSP问题的程序设计

遗传算法是基于生物进化原理的普适性全局优化算法,针对一类NP完全的组合优化问题—旅行商问题,文章阐述了用遗传算法求解旅行商问题的算法步骤,并给出相应的程序设计.将此算法应用到6个旅行商问题中所得到的结果与弹性网络得到的结果进行比较,得出用遗传算法得到的结果与最优解较为接近的结论.     

均匀设计在求解TSP问题中的应用

本文利用均匀设计抽样的理论和方法,针对遗传算法解决旅行商问题,将遗传算法基本模型的参数设定问题描述成均匀设计中多因素多水平的试验设计,确定参数后再运用均匀设计产生初始种群,用TSP问题库内的基准问题进行仿真实验,证明了该方法是有效的。     

一种TSP求解的人工免疫遗传算法

分析了旅行商问题的各种求解方法的优缺点，并使用了一种基于人工免疫的遗传算法来求解旅行商问题。这种算法在传统遗传算法的全局随机搜索基础上，借鉴人工免疫中抗体的多样性保持策略，大大提高了算法的群体多样性，避免了遗传算法的过早收敛和局部搜索能力差的缺点。     

粒子群与遗传算法的混合算法

针对粒子群算法直接用于求解离散旅行商优化问题会存在诸多困难,通过分析粒子群算法、遗传算法各自优缺点,将粒子群算法、遗传算法有效结合组成混合算法用于求解离散旅行商问题.混合的目的在于保持两种算法各自的优点,并有效地避免各算法原有的不足.对3个不同规模的巡回旅行商问题进行实验,结果表明:混合算法提升了算法的局部搜索能力.     

求解旅行商问题的几种算法的比较研究

旅行商问题具有重要的理论和实际研究价值,在工程实践中应用广泛.采用遗传算法、蚁群算法和模拟退火算法对旅行商问题进行求解,并选取中国旅行商问题进行仿真,比较了3种算法的优劣,得出了它们各自不同的适用范围:蚁群算法适用于缓慢地较精确的求解场合;模拟退火算法适用于快速精确的求解;遗传算法适用于快速求解,但结果准备度要求不高的情况.     

用改进的遗传算法求解中国旅行商问题

遗传算法是基于生物进化原理的普适性全局优化算法，针对一类ＮＰ完全的组合优化问题－旅行商问题，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

多群体阶段性杂交遗传算法

借鉴生物遗传学提出了一种多群体阶段性杂交遗传算法。引入相对顺序交叉算子对标准遗传算法进行了改进。为验证该算法的性能，对旅行商问题进行了求解，采用多群体和阶段性杂交的改进策略，并分别和标准遗传算法进行了比较。计算结果表明，该方法能较好地保证个体多样性，并能促进优秀基因型的杂交和遗传，在收敛和鲁棒性方面优于一般的单群体、非杂交算法。另外，将其应用于水电站优化调度也取得了较好的效果。     

基于遗传算法的多目标优化算法

本文先介绍了遗传算法的实现技术,又介绍了多目标优化问题的概念,然后使用遗传算法来求解多目标优化问题。文中使用了均匀设计方法来设计适应度函数,并设计了新的变异算子,算法结果是有效的。     

一种基于遗传算子优化组合的TSP问题求解方法

一般遗传算法求解旅行商问题时,存在着搜索速度与求解质量之间的矛盾.针对此问题提出了一种逆序与对偶组合算子,用以增强遗传算法的局部搜索能力.将其与具有良好全局搜索模式的均匀杂交算子优化组合应用,采用自然数和二进制相互转换的编码方式,构造了一种对TSP问题进行求解的遗传算法,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好的搜索效率和求解质量.     

求解配送\收集旅行商问题的遗传算法

配送 \收集旅行商问题 (TSPD)是物流学中的一个重要问题 ,但与一般的旅行商问题 (TSP)相比 ,人们对该问题的研究有限 ,而且大多假定必须在完成所有的配送需求后才服务收集需求。本文放松这一约束条件 ,结合最邻近启发式和k -opt局域搜索策略 ,设计了一种求解TSPD的遗传算法 ,计算结果表明 ,该算法性能优良 ,计算效率较高。     

运用遗传算法求解有约束条件的旅行商问题

介绍了TSPPC(Traveling Salesman Problem with Precedence Constraint),并指出了普通遗传算法对于求解TSPPC的局限性及在算法过程中产生大量非可行解,从而降低了算法的搜索效率,提出了基于TSPPC中约束条件的种群初始化、交叉操作以及变异操作,由于运用这些遗传操作在算法过程中不会产生非可行解,因此大大提高了算法的搜索效率,最后通过定理和算例验证了本文中提出的遗传算法。     

基于演化算法的TSP求解

TSP即旅行商问题或者货郎担问题是一个易于描述但难于解决的NP问题,也是一个具有广泛的应用背景和重要理论价值的组合优化问题。简要介绍了求解TSP的若干方法,同时讨论了基于演化算法的TSP求解方法,并对TSP的求解进行了展望。     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法,文中针对遗传算法较快的找到最优解并防止"早熟"收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度,最后实验表明,改进的算法是可行和有效的.     

用遗传算法求解旅行商问题时遗传算子的设计

阐述了遗传算法的基本原理和实现步骤,重点介绍了利用遗传算法在解决旅行商问题时采用的交叉和变异算子的设计与实现.     

瓶颈TSP下界快速算法

瓶颈TSP是网络设计和优化中的一个NP难题,在数学推导和证明的基础上,给出了一个求解对称型瓶颈TSP问题下界的快速算法,利用该算法求解了TSP问题标准库中部分对称型问题,给出了计算结果并与标准问题库中已知的最好解进行了比较。     

一种求解TSP问题的改进人工免疫算法

TSP(旅行商)问题作为经典的组合优化问题,已经被证明是一个NP难题。文中提出一种基于改进的人工免疫算法的TSP求解方法。算法模拟了抗体的蛋白质多肽链结构、免疫系统的克隆选择机制以及浓度调节机制,使用了一种新的抗体间的相似性判断方法。另外,在算法的变异算子中还融合了贪婪算法。这些改进使得算法的搜索性能得到提高。实验结果表明与标准遗传算法相比,该算法全局搜索能力强、收敛速度快。     

禁忌搜索算法求解旅行商问题研究

设计了一种基于Matlab实现的禁忌搜索算法，用以求解组合优化难题中的典型代表旅行商问题（TSP）。分别对Hopfield原始10城市和中国旅行商问题进行了测试，所得结果都能达到或优于公布的最优解，与传统的Hopfield神经网络求解TSP相比，禁忌搜索算法具有强健，快速和高效的特点。     

基于免疫遗传算法的TSP优化问题求解

在分析人工免疫系统的基础上提出一种改进的人工免疫算法——免疫遗传算法。文中介绍了该算法的基本步骤及特点,并对旅行商问题进行了仿真研究,与基本遗传算法进行了比较。结果表明所提算法能以较快的速度完成给定范围的搜索和全局优化任务,较标准遗传算法具有更强的全局搜索能力。