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.     

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.     

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.     

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。     

用MATLAB求解TSP问题的一种改进遗传算法

TSP问题是遗传算法得以成功应用的典型问题.提出一种改进的义叉和变异算子来解决TSP问题,并给出其算子的MATLAB程序.通过实验,发现改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的.     

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.     

基于关系代数的遗传算法模型及其应用

运用选择、投影、广义笛卡尔积等关系代数运算 ,给出了遗传算法的搜索空间及个体、遗传算子和搜索最优解过程等关系代数形式的描述 ,建立了遗传算法的关系代数模型 ,给出了遗传算法的数学解释 .然后 ,给出建立遗传算法关系代数模型的意义 ,说明了数据挖掘和知识发现应用于遗传算法的可行性 .最后 ,用该模型描述了 2个常见用遗传算法解决的问题 ,即TSP问题和交互式遗传算法中的服装设计问题 ,结果表明该模型的可行性 .     

基于遗传算法的九寨沟车辆调度优化方案研究

遗传算法常常被应用于解决优化问题.介绍了九寨沟车辆调度系统利用遗传算法的思想优化景区内公交车辆调度方案,从而使车辆和人力资源得到合理和充分利用,防止资源的浪费.     

一种改进的遗传算法求解TSP问题

提出一种基于顶点的候选表进行交配的遗传算法(Candidate Crossover Genetic Algorithm,CCGA)求解旅行商问题(TSP).遗传算法(GAs)是一种广泛使用的全局优化算法,并且已经成功地用于求解TSP.但是传统的遗传算法的交配算子缺乏指导性和启发性,交配算子随机的选择父体基因进行交配,导致GAs求解速度慢、解的精度不高等不足.通过分析TSP问题本身的特征,给出了一个使用已有的邻接边的信息和路径信息生成顶点的候选表,然后基于顶点的候选表进行交配的交配算子,使用该交配算子的遗传算法在求解TSP问题时性能上得到了很大的提高,通过TSP Lib上的测试样例将该CCGA和传统的遗传算法进行比较.比较结果表明CCGA具有更大的优势,它能使算法求解到近似最优解和最优解只存在很小的偏差.     

基于分区的改进的遗传算法求解TSP问题

针对解决大规模TSP问题的求解效果在时间以及路径寻优上所存在的问题,提出一种基于分区的改进的遗传算法,并对PR144城市的TSP问题进行求解,所得最优路径结果比TSPLIB公布的已知最好解更短,实验结果显示出了本文算法求解大规模TSP问题时能求解出最优解,时间性能也很好。     

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。     

基于蚁群算法的Traveling Salesman Problem研究

本文介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法.阐述了该算法的基本原理以及蚁群算法在TSP问题上的应用,并提出了改进算法,使得算法有更好的全局性.     

基于进化规划的网络多目标路由算法

多目标路由问题要求极小化网络带宽资源消耗 ,它与图论中 NP完全的 Steiner问题等价 ,不存在多项式时间算法 ,只能采用近似算法或启发式算法 .进化算法是一类有效求解优化问题的新算法 .应用进化算法中的进化规划方法 ,求解 Steiner问题 ,提出了一种新的多目标路由算法 .仿真结果显示 ,该算法性能高于启发式方法     

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。     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法(CIPSO)。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

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。     

An inversion evolutionary algorithm on how to convert FDP to TSP

The Film Copy Deliverer Problem (FDP), much more difficult than TSP, is a new problem in the combination optimization. In this paper, a new algorithm is introduced. First, the FDP is converted to TSP. Then an evolutionary algorithm based on inversion operator is adopted. Compared with other Genetic Algorithms, it is not only more simple and easier to realize but also faster and more accurate.     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为,采用正反馈结构、分布式计算与某种启发式算子相结合的方法,能够很快地发现较好解。本文给出一种基于MATLAB的改进型基本蚁群算法,有效地降低了算法的复杂度,缩短了搜索时间,具有较强发现最好解的能力。     

A Multi-Agent Approach for Solving Traveling Salesman Problem

The traveling salesman problem （TSP） is a classical optimization problem and it is one of a class of NP- Problem. This paper presents a new method named multiagent approach based genetic algorithm and ant colony system to solve the TSP. Three kinds of agents with different function were designed in the multi-agent architecture proposed by this paper. The first kind of agent is ant colony optimization agent and its function is generating the new solution continuously. The second kind of agent is selection agent, crossover agent and mutation agent, their function is optimizing the current solutions group. The third kind of agent is fast local searching agent and its function is optimizing the best solution from the beginning of the trial. At the end of this paper, the experimental results have shown that the proposed hybrid ap proach has good performance with respect to the quality of solution and the speed of computation.     

一种改进的遗传算法在TSP问题中的应用

为了解决旅行商(TSP)不能够在多项式时间内求得最优解的问题,从仿生学的角度入手,重新设计了从问题域到算法域的编码和解码方法,应用"排列法"来初始化种群;并设计了两种染色体操作算子:顺序交换算子和合法交叉算子,保证了种群在进化过程中染色体的合法性;在种群进化选择方面,设计了一个新的更加仿生的选择算子——"灾难算子",并与经典算法的"轮盘赌"选择法相结合,作为改进算法的选择算子,进一步提高了算法的收敛速度。实验表明,改进后的遗传算法能更准确地找到最优解。