一种混合遗传模拟退火算法及其应用

分析了遗传算法和模拟退火算法的优缺点，提出了一种混合遗传模拟退火算法，对其进行优化，并将该算法应用于TSP问题的求解之中，理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法和模拟退火算法．     

办同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题（Travel Salesman Problem，简称TSP问题）时，往往产生不满足TSP的单回路约束的不可行解。基于协同神经网络的方法解决TSP，并设计了一个回路合并算法，确保得到满足TSP的单回路约束的解。通过算例进行数值模拟，并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果。实验结果表明，说明该方法在求解TSP问题上是行之有效的。     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

基于旅行商问题的优化算法设计

本文从求解TSP来分析遗传算法,蚁群算法,模拟退火算法三种优化算法特性分析,总结各算法的改进策略及混合算法策略,并提出基于分区的混合算法。     

协同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题(Travel Salesman Problem,简称TSP问题)时,往往产生不满足TSP的单回路约束的不可行解.基于协同神经网络的方法解决TSP,并设计了一个回路合并算法,确保得到满足TSP的单回路约束的解.通过算例进行数值模拟,并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果.实验结果表明,说明该方法在求解TSP 问题上是行之有效的.     

TSP的改进蚁群算法求解及其仿真研究

蚂蚁数目是影响蚁群算法性能的重要参数,常规蚁群算法在求解TSP时易于陷入局部最优解。文章针对该问题,提出了一种蚂蚁数目动态改变的蚁群算法,即每次周游时的蚂蚁数目是在一个范围内随机取值,该改进算法借用遗传算法中的排序选择策略对每次遍历时的蚂蚁位置进行初始化;分别对常规蚁群算法的TSP求解和改进蚁群算法的TSP求解进行了原理阐述,并对2种算法求解TSP的结果进行了Matlab仿真。对比仿真结果表明,改进的算法在求解TSP时,能够有效地跳出局部最优解,并能很好地收敛,它比常规蚁群算法的性能要优。     

TSP问题的一种快速近似算法及应用

给出求解度约束最小生成树(DCMST)问题的一种快速近似算法．在此基础上．又给出求解TSP问题的一种快速近似算法,并在微机上实现且其数值试验的效果良好．最后,将求解TSP问题的近似快速算法作一些改进．应用于遗传算法的初始种群生成并进行数值实验．结果表明,用文中算法生成的初始种群．比起一般方法产生的初始种群性能有很大改进．该算法可以加速遗传算法的寻优速度．     

基于遗传算法的动态TSP问题的研究

分析动态TSP问题的特点,将n-OPT算法和遗传算法结合起来,设计并实现了一种解决动态TSP问题的算法.通过实验,用该算法对TSPLib中经典的TSP问题及其派生的动态TSP问题进行了求解,证明了该算法无论在静态环境还是动态环境中都可行、高效.     

GA在求解TSP问题上的应用

给出求解TSP问题的遗传算法的算法思想，并通过模拟实验分析该算法针对于TSP问题的求解质量。     

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.     

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.     

浅析用摸拟退火算法求解旅行商问题

模拟退火算法是一种重要的现代优化算法,通过介绍模拟退火算法的形成原理、算法步骤和求解旅行商问题,重点阐述了模拟退火算法的主要优点和缺点.     

基于TSP的蚁群退火混合算法研究

本文介绍了蚁群算法和模拟退火算法的基本原理及优缺点,详细阐述了这两种不同混合算法在旅行商问题中的实现流程.     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

基于HFC-ADM模型对SA的改进及应用

通过分析模拟退火算法（SA）以及利用分等级公平竞争（HFC）模型对SA改进的固有缺陷,提出新的基于自适应输入阀值的HFC模型（HFC-ADM）的模拟退火算法及其算法流程,同时进行详细的数学描述。最后以求证旅行商问题（TSP）为例,通过统计数据验证了改进后的算法较采用同样局部优化的标准退火算法和分等级公平竞争的模拟退火算法具有更好的收敛速度和优化解。     

一种新的求解旅行商问题的混合遗传算法

提出一种新的求解旅行商问题的混合遗传算法。该混合遗传算法充分利用2-opt和3-opt局部搜索能力,有效地弥补了具有较强全局搜索能力的遗传算法在局部搜索方面表现出来的缺陷。实验结果表明,该混合算法性能显著优于遗传算法。     

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.     

退火单亲遗传算法求解旅行商问题及MATLAB实现

为了提高遗传算法求解较大规模旅行商问题的能力,在单亲遗传算法中引入两代竞争模拟退火选择操作,与倒位算子和插入算子相结合,同时加入保优操作,使遗传搜索效率、收敛速度都得到大幅提高,所花费时间、收敛迭代次数、最后结果明显优于一般遗传算法和单亲遗传算法.给出了用MATLAB实现算法的一些重要步骤和函数,并进行了简要说明.在仿真实例中,用一般遗传、单亲、退火单亲遗传算法对75个城市的TSP问题进行了求解,退火单亲遗传算法对280、535个城市TSP问题进行了求解.结果表明,退火单亲遗传算法最终所得结果最好,但收敛所花时间约为一般遗传的2.5%,单亲遗传的20%,迭代次数为一般遗传的20%,单亲遗传的25%.     

求解多起点多旅行商问题的-K-means聚类信息传播算法

多旅行商问题在实际生活中有着较为广泛的应用价值,该问题的求解受到越来越多学者的关注。信息传播算法是一类求解组合优化问题最为有效的方法,基于K-means聚类技术,给出了求解多起点多旅行商问题(Multiple depots Multiple Traveling Salesman Problem, MMTSP)的信息传播算法,该算法采用k-means聚类算法将旅行商问题进行聚类,从而形成若干类,对每一个类采用信息传播算法进行旅行商搜索,将每一个类的搜索结果进行综合,得到MMTSP问题的解。通过对旅行商标准测试数据集中的多种实例进行测试,并与其它同类算法进行试验对比分析,结果表明：该算法优于同类算法。