基于遗传搜索策略的人工蜂群算法

针对人工蜂群算法收敛速度缓慢、容易陷入局部最优解的问题,将改进的遗传进化机制与蜂群算法相融合,提出了一种遗传蜂群算法。通过引入遗传算法的交叉变异算子,有效地增加了食物源的多样性,减小陷入局部最优的可能;采用了自适应选择食物源的机制,使蜂群在中后期更好地搜索到最优食物源所在区域,进而提高了全局搜索效率;此外,提出了在侦察蜂阶段的局部搜索策略,提高了算法进化的收敛速度。将遗传蜂群算法应用于TSP中,通过对TSBLIB中几个典型问题的实验,结果表明,提出的遗传蜂群算法具有很强的全局优化能力,在求解TSP问题中精度高,收敛速度快,且是一种解决TSP问题的有效方法。     

一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.     

改进状态转移策略的蚁群算法求解TSP问题

针对蚁群算法在求解TSP问题中易出现算法易早熟难收敛的问题,基于历史搜索信息提出了一种改进状态转移策略的蚁群算法,并引入自适应信息素更新机制引导信息素的更新。实验表明,改进的蚁群算法较传统蚁群算法改善了在求解TSP问题上易早熟难收敛的问题,求解效果和求解稳定性上提升显著。     

融入免疫思想的改进型粒子群优化算法

针对粒子群算法收敛速度慢、在收敛后期容易陷入局部最优解的缺陷,提出一种改进的免疫粒子群算法。改进后的算法借鉴了免疫系统中的免疫进化机理,通过引入免疫算法中的抗体浓度调节机制和免疫选择操作来提高粒子群算法(PSO)中粒子种群的多样性,扩大解的搜索空间;采用免疫记忆和免疫疫苗等操作来提高PSO算法的收敛速度和精度;定义新的抗体浓度选择方法和免疫疫苗等操作,用来帮助提高算法的求解效率。将改进后的算法用于求解经典的旅行商问题(TSP),结果表明该算法在收敛速度和收敛精度等方面等均有明显提高。     

一种混合粒子群优化算法在TSP中的应用

针对TSP,提出一种混合粒子群优化算法IHPSO,将种群划分成若干子种群,在子种群内部实施遗传策略。算法在PSO-GA的基础上,引入克隆免疫机制,通过计算粒子间的亲和度来进行复制和变异,从而保留最佳粒子和改进较差粒子。算法中设计了克隆算子、交叉算子、自适应变异算子和抗体重组算子等4个算子。通过实验比较,用所提出的混合粒子群优化算法求解TSP在收敛速度、全局搜索能力和最优解结果上都较优。     

一种求解旅行商问题的改进人工蜂群算法

针对人工蜂群算法在处理大规模旅行商问题时普遍存在易陷入局部最优解和早熟收敛的问题,提出一种改进的人工蜂群算法.将柯西变异算子引入蜜蜂食物源更新公式,设计了一种自适应对数步长代替随机步长以改进随机解生成公式.将改进算法用于求解对称TSP问题,实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛和搜索速度较慢等问题,在求解TSP问题上确实有效可行.     

一种具有半动态候选列表的蚁群算法

文章在ACS算法使用的最近邻候选列表的基础上,应用受限生成思想,设计了一种半动态的候选列表生成机制,使得蚁群对于所求解问题产生一定程度的记忆与环境识别能力;运用该方法改进了基本蚁群算法,优化了AS算法的搜索过程;同时,通过仿真实验对比具有半动态候选列表的AS算法与AS算法在计算TSP问题时的结果,验证了算法优化的有效性.     

TSP问题启发集的分析及应用

建立了描述TSP问题启发集性质的概率模型,并指出了改进启发集的一般方法.进一步,利用局部最优解交集作为近似骨架,提出了一种动态改进启发集的宏启发算法--自适应可变启发集搜索.并将自适应可变启发集搜索与目前广泛使用的算法ILK、LKH相结合,TSPLIB中典型实例上的实验结果表明,改进后的算法在求解质量上有了较大的改进.     

一种求解TSP问题的新型遗传算法

针对以往各种遗传算法解决旅行商问题(TSP)后期收敛比较困难的问题,提出一种新的遗传变异算子.首先提出了搜索半径概念,使得搜索的空间变大,进而结合选择算子、交叉算子,提出了一种新的解决TSP问题的方法.仿真实验表明:该算法同单一的贪婪遗传算子算法想比,具有更好的性能和全局搜索能力.     

面向TSP问题的免疫遗传算法研究

本文利用免疫遗传算法中抗原识别、保持抗体的多样性和免疫记忆等特性来求解TSP问题,提高TSP问题的总体搜索能力,也证明了该算法的有效性和优越性。     

TSP的等价解及其对免疫遗传算法的干扰

以群论的观点考察货郎担问题(TSP)的等价解.指出在利用免疫遗传算法求解TSP问题时,采用平均信息量的方法计算亲和度是不合理的,并且传统的交叉算子存在缺陷.依据群论的观点,提出一种新方法计算亲和度,并提出两种新的交叉算子.     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

用最小生成树解决TSP问题

旅行商问题(Traveling Salesman Problem，TSP问题)是组合优化领域中研究最多的问题之一，是一个经典的NP难题，也是目前优化领域里的研究热点。目前解决旅行商问题有诸多算法，神经网络、遗传算法、免疫算法等，在各种解决旅行商问题的算法中，还是存在很多问题。本用最小化生成树来求解旅行商问题。在对题目要求进行深入分析的基础上，对原有算法进行了多方面改进，并用C语言进行了实现。采用选取排除最长路径顶点的方法降低时间复杂度、采用比较顶点次序的方法提高算法准确性、通过自动产生顶点坐标降低输入复杂性和测试的准确性，实验结果表明该算法可以取得较好的效果。     

一个基于遗传算法的TSP问题解决方案

介绍了遗传算法的基本思想、TSP问题及其应用.基于经典的遗传算法思想,在一个解决TSP问题方案的基础上提出了改进方案.从问题的解决中可以看到,利用遗传算法解决实际问题,主要依赖于问题的编码以及遗传操作算子.     

智能水滴算法求解TSP问题的研究

智能水滴算法是一种模拟自然界中河水和河床相互作用的算法,根据智能水滴算法易于收敛于局部最优解,通过设置路径间最大、最小泥土量对算法进行改进,实现了水滴优化算法,并且将其运用到TSP(旅行商问题)的求解中.并对TSP51、TSP76问题进行仿真分析,结果表明改进的水滴群算法比原智能水滴算法具有更好的求最优解的能力,收敛速度更快,效果更好.     

基于空间填充曲线和or-opt搜索求解旅行商问题

为探索求解大规模TSP（旅行商问题）有效实用方法，提出基于SFC（空间填充曲线）和or-opt混合算法来求解TSP，其中SFC方法能快速且有效地获得初始解，or-opt搜索算法可有效改进初始解。通过中国旅行商问题（CTSP）数据测试，无论是速度还是精度都能满足一定要求，证明这种混合算法能快速有效地解决TSP，并为解决大规模此类问题提供了一种新的思路。     

特征统计算法及其在NP组合优化问题上的应用

特征统计算法是为了解决复杂多极值优化问题而开发的一种新的全局优化算法。为了检验该算法的性能,应用它在一类具有代表性的NP组合优化问题-旅行商问题(TSP)上作了计算。结果发现,该算法虽不是专为TSP问题而开发,却在该问题上取得了很好的结果。所得到的结果表明,特征统计算法可以作为解决这类NP组合优化问题的一个新的途径。     

基于蚁群-免疫原理的混合算法及其在TSP中的应用

通过分析蚁群算法和免疫算法的原理,在蚁群算法的禁忌表中得到局部较优解,并将该局部较优解作为疫苗注射到免疫算法的初始抗体中,然后应用免疫算法的相关操作,求得最优解.基于此提出了蚁群-免疫原理的混合算法.将该算法应用到TSP中,仿真表明能够有效地提高算法的全局及局部搜索能力,克服早熟现象.并与基本蚁群算法比较证明该算法是行之有效的.     

基于混合人工蜂群算法和A*算法的求解旅行商问题算法

针对旅行商问题（TSP），基于群智能优化算法的人工蜂群算法 (ABC)可以较为有效的解决并规划出一条合理的路线。ABC算法的优点在于将优化求解的过程转化为模仿蜂群采蜜的仿生行为，容易求得可行解。但是该算法依然存在着种群数量过多、速度较慢的缺点。本文分析了ABC算法的模型并对更新策略进行了改进，在ABC算法得到初始解的路径点后再使用A-star算法进行优化，通过将两种算法组合的方式进行改进。实验证明在解决TSP的路径规划中，整体的路径表现更优，且减少了冗杂的迭代更新，提升了算法的效果。     

用粒子群优化算法求解旅行商问题综述

TSP是一个典型的NP-完全问题,由于其在许多领域内具有实际的应用价值,一直有众多学者对其进行研究。PSO是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景。主要介绍了近几年来用PSO算法求解TSP的研究状况,并进行了分析和展望。