基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

基于蚁群算法求解TSP

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

求解TSP问题的动态邻域粒子群优化算法

旅行商(TSP)问题是一个典型的NP问题.为了克服基本粒子群优化(PSO)算法在求解离散问题所具有的计算时间长和容易陷入停滞状态等问题,本文基于“簇”思想,对粒子间距离进行重新定义并给出了相应的动态邻域PSO算法.实验结果表明了新型算法在求解TSP问题中的有效性,同时提高了算法的性能,并具有更快的收敛速度.     

蚁群算法在求解TSP问题中的应用

介绍了蚁群算法的原理,论述了利用蚁群算法求解TSP问题的具体步骤,最后通过仿真实验说明了其优越性。     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

粒子群优化算法在TSP问题中的应用

新型模糊自适应PSO与惯性权值线性递减PSO的测试结果表明,新型PSO在优化单峰函数的性能明显优于后者;对多峰函数的优化问题上,前者比后者具有更大寻找全局最优解的潜力。这些实验是对连续的函数空间的优化问题。为了考察新型模糊自适应PSO在解决组合优化一类离散问题的性能,我们通过对PSO的离散化,使用经典的TSP问题进行测试。     

融合粒子群优化的蚁群算法对TSP问题的应用研究

提出了一种融合粒子群优化的蚁群算法来求解旅行商问题（TSP）。使用粒子群算法对蚁群算法的参数（β,ρ,q0）进行优化来得到这三个参数的最佳组合值,并且运用蚁群系统算法（ACS）寻找最短路径。新算法克服了参数选择对算法性能的影响,具有很强的全局搜索能力。对旅行商问题的仿真实验结果表明：与传统蚁群算法相比,新算法体现了较高的性能,取得了不错的效果。     

基于粒子群与人工鱼群混合算法的TSP求解模型

传统的群智能算法不断被优化和改进,但由于传统单纯算法的固有缺陷和局限性很难从根本上去除,因此衍生出许多群智能混合算法。针对人工鱼群算法(AFSA)收敛速度慢及粒子群算法(PSO)全局收敛性差的缺陷,提出了一种新的粒子群与人工鱼群的混合算法。算法以人工鱼群算法为基础,将粒子群算法的线性递减惯性权重策略引入到人工鱼群算法中,对人工鱼进行编码处理以及动态改变人工鱼个体的视野,使之形成新的粒子群人工鱼群混合算法(PSO-AFSA)。完成算法融合并将混合算法应用于旅行商(TSP)问题。仿真结果表明:与传统的人工鱼群算法和粒子群算法相比,该混合算法全局收敛性效果更好,收敛速度更快。     

求解物流配送问题的混合粒子群算法

为了加快粒子群算法(PSO)在解决限定车辆配送问题时的收敛速度和减少时间花费,采取先验判断粒子个体最优位置与全局最优位置的距离决定粒子的更新方式,提出一种混合策略,设计鱼群-粒子群算法(AFSA-PSO),并通过对函数极值的求解进行验证.实验结果表明:该方法能够得到正确解,并具有收敛快、寻优佳的特点.     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.     

用量子蚁群算法求解大规模旅行商问题

针对旅行商问题(TSP),提出了一种新的混合量子优化算法——量子蚁群算法.量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置,采用量子旋转门更新蚂蚁的位置,选取国际通用的TSP实例库中多个实例进行测试.仿真实验表明,该算法具有很好的精确度和鲁棒性,可使搜索空间加倍,比传统的蚁群算法具有更好的种群多样性.     

基于蚂蚁算法的混合方法求解旅行商问题

通过介绍蚂蚁觅食过程中最短路径的搜索策略,给出蚂蚁算法在旅行商问题中的应用,并加入3-opt方法和去交叉策略对问题求解进行局部优化.实验结果证明了其有效性.     

粒子群优化算法求解旅行商问题

首先介绍粒子群优化的搜索策略与基本算法, 然后通过引入交换子和交换序的概念, 构造一种特殊的粒子群优化算法, 并用于求解旅行商问题. 实验表明了在求解组合优化问题中的有效性.     

求解旅行商问题的离散人工萤火虫算法

针对旅行商问题,提出了一种结合变邻域搜索算法思想的离散人工萤火虫算法.文中通过引入交换子和交换序的概念对人工萤火虫算法中的距离进行了重新定义;为了增加萤火虫群的多样性,避免算法过早陷入局部最优,采用了基于变邻域搜索算法的扰动机制.在多个旅行商问题上的测试结果表明,与文献中的算法相比,文中提出的离散人工萤火虫算法具有较好的求解性能.     

基于模式求解旅行商问题的蚁群算法

群体智能已经被广泛应用于分布式控制、调度、优化等领域.其中蚁群算法已经成为该领域的一个研究热点.在蚁群算法的基础上针对旅行商问题(TSP),首先提出了小窗口蚁群算法,提高初始解的质量,然后与基于模式的蚁群算法相结合,通过提取模式,改变计算粒度,缩短计算时间,提高计算精度.实验结果表明该算法有较好的效果.     

Two-Level Genetic Algorithm for Clustered Traveling Salesman Problem with Application in Large-Scale TSPs

Let G = (V, E) be a complete undirected graph with vertex set V, edge set E, and edge weights l(e) satisfying the triangle inequality. The vertex set V is partitioned into clusters V1, V2, …, Vk. The clustered traveling salesman problem (CTSP) seeks to compute the shortest Hamiltonian tour that visits all the verti- ces, in which the vertices of each cluster are visited consecutively. A two-level genetic algorithm (TLGA) was developed for the problem, which favors neither intra-cluster paths nor inter-cluster paths, thus realized inte- grated evolutionary optimization for both levels of the CTSP. Results show that the algorithm is more effec- tive than known algorithms. A large-scale traveling salesman problem (TSP) can be converted into a CTSP by clustering so that it can then be solved by the algorithm. Test results demonstrate that the clustering TLGA for large TSPs is more effective and efficient than the classical genetic algorithm.     

Hybrid ant colony algorithm for traveling salesman problem

A hybrid approach based on ant colony algorithm for the traveling salesman problem is proposed, which is an improved algorithm characterized by adding a local search mechanism, a cross-removing strategy and candidate lists. Experimental results show that it is competitive in terms of solution quality and computation time.     

蚁群算法求解TSP问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.