基于仿真的遗传算法求解动态旅行商问题

以标准旅行商问题的扩展问题--动态旅行商问题为对象,分析了动态旅行商问题中由于道路流量实时变化所引起的标准旅行商问题的数学建模与优化求解的问题复杂性.通过建立其计算机仿真模型再现动态旅行商问题中众多复杂的非平稳、随机因子.进而提出了基于计算机仿真模型的遗传算法,即根据计算机仿真的结果,应用改造后的遗传算法搜索原问题的优化解.最后,在多智能体仿真平台上实现该优化算法,并以此求解20个城市的动态旅行商问题,计算结果验证了算法的有效性.     

一种求解TSP的生物信息启发式遗传算法

遗传算法是解决旅行商问题（traveling salesman problem,TSP）的通用路径优化算法之一。为解决传统遗传算法收敛速度慢且解不稳定的问题,提出一种生物信息启发式遗传算法（bioinformation heuristic genetic algorithm,BHGA）。通过优化适应度函数和初始种群,引入生物信息学中的基因序列对比手法进行交叉重组排序,采用基因逆转操作进行变异,对遗传算法进行改进,使算法能够加快收敛速度,得到更优路径解。利用BHGA对TSPLIB数据库中算例进行求解,实验仿真结果表明：该算法在中小型规模的TSP中求解效果好且结果稳定。     

旅行商问题的遗传算法

旅行商问题属于ＮＰ问题，现在还没有找到有效的解法。本文应用遗传算法对解决此类问题的有效性作了探讨。文中对遗传算子的应用，编码，参数选择及其对收敛的影响等问题作了分析与探讨。     

解旅行商问题的一个新的遗传算法

对旅行商(TSP)问题设计了一个新的遗传算法.首先,对n个城市的旅行商问题设计了一个新的编码方法,并且对这种编码方法,给出了简便的解码方法.其次,针对编码的特点,设计了一种新的、有效的杂交算子和变异算子,这些算子均能直接产生可行的后代.为提高杂交算子的搜索能力,结合了一个局部搜索技术来改进杂交算子.在此基础上,提出了求解TSP的一个新的遗传算法,并证明了其全局收敛性.为了验证算法的有效性,对10个国际标准算例(城市规模从14到1000)进行了计算机仿真,结果表明算法是有效的.     

基于改进型能量函数和瞬态混沌神经网络的TSP问题研究

针对传统神经网络在搜索NP类问题的解时易陷于局部最优点的不足,提出了一种基于改进型能量函数(IEF)和瞬态混沌神经网络(TCNN)的优化模型,将此应用于旅行商问题(TSP)的求解,并和传统神经网络优化方法进行了比较。仿真研究结果表明,该论文所提出的方法在解的可行性以及全局最优解的获取能力方面都有很大优势,收敛速度和准确度也令人满意。     

禁忌遗传算法在TSP中的应用

提出了带有禁忌交叉、变异的改进遗传算法,并将其应用于典型的TSP问题的求解.在求解过程中引入禁忌信息减小生成子代的模板空间的同时,加入张驰效应使得在禁忌操作中不丢失问题的最优解,从而改善了遗传算法的收敛速度.仿真数据表明,禁忌遗传算法比传统遗传算法在TSP问题中算法运行初期具备更好下降性,扩展了遗传算法在中、大规模NP-Hard问题快速求解中的应用.     

遗传算法与禁忌搜索算法的混合策略

遗传算法与禁忌搜索算法的出现为解决高维组合优化问题提供了强有力工具．二者既有共性,又有个性．通过对遗传算法与禁忌搜索算法的分析,提出了一种遗传算法与禁忌搜索算法的混合策略,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,构造了新的重组算子,并把禁忌搜索算法作为遗传算法的变异算子,对旅行商问题的求解表明：混合策略在许多方面优于遗传算法．     

基于云模型的参数自适应蚁群遗传算法

蚁群算法基于正反馈机制进行全局搜索,具有很强的全局收敛能力;遗传算法具有极强的快速全局搜索能力。为了充分发挥两种算法在寻优过程中的优势,提出一种基于正态云关联规则的自适应参数调节蚁群遗传算法。该算法利用云关联规则实现了蚁群策略和遗传策略的有效融合,极大程度地发挥其整体功能,动态地平衡了算法收敛速度和搜索范围之间的矛盾,最后通过实例证明了其在解决TSP问题时的有效性。     

遗传算法求解旅行商问题时的基因片段保序

针对基于遗传算法的 TSP问题求解 ,尝试了多种遗传操作 ,分析了这些操作在遗传算法中的作用 ,讨论了基因片段保序在利用遗传算法求解 TSP问题中的重要性 .     

基于递阶遗传算法的一类多旅行商问题优化

针对最小化单个旅行商路程的多旅行商问题,提出了一种递阶遗传算法和矩阵解码方法。该算法根据问题的特点,采用一种递阶编码方案,此编码与多旅行商问题一一对应。用递阶遗传算法优化多旅行商问题不需设计专门的遗传算子,操作简单,并且解码方法适于求解距离对称和距离非对称的多旅行商问题。计算结果表明,递阶遗传算法是有效的,能适用于优化多旅行商问题。     

对称型TSP下界的快速估算法

在数学推导和证明的基础上,给出了一个求解对称型TSP问题下界的快速算法,利用该算法求解了TSP标准问题库中部分对称型问题,给出了计算结果并与标准问题库中公布的最好解进行了比较,获得了令人满意的效果.     

改进遗传算法在含调整时间调度中的应用

在求解含调整时间的工件调度最小化最大完工时间时,由于其内在的复杂性,很难用经典方法求出最优解,只能通过简化手段来求取次优解,因而精度不高.针对这一缺陷,将调度问题转化为经典的旅行商问题,并采用基于优先级的比例选择、实数两点交叉及模式变异算子的改进遗传算法对其求解.仿真实验表明,此方法在满足最小化最大完工时间前提下,既能求解规模更大的调度,又能进一步提高调度完工时间的精度.     

遗传算法求解旅行推销员问题时算子的设计与选择

主要讨论了在用遗传算法求解ＴＳＰ时,在算子的设计和选择方面应该注意的一些问题,并且给出了一些算子的分析和设计实例。     

求解连续函数优化问题的改进蚁群算法及仿真

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少.在介绍基本蚁群算法机制原理和数学模型的基础上,对信息素更新方式进行了改进,采用动态局部信息素更新方式和自适应调节信息素挥发的全局信息素更新方式相结合,并将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能.仿真实验表明,提出的改进蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径.     

基于信息素递减的蚁群算法

通过对蚂蚁巡游路径的分析,发现经典蚁群算法在解决旅行商问题(TravelingSalesmanProblem,TSP)时的缺陷,在此基础上给出了新的信息素更新公式,提出了基于信息素递减的蚁群算法。新算法避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。通过具体的算例分析,表明此算法比传统的蚁群优化算法(AntColonyOptimization,ACO)算法有更快的收敛速度和非常好的稳定性。     

基于遗传算法的脉冲耦合神经网络自动系统的研究

Eckhorn等人提出的脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成了很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割结果影响很大。而遗传算法具有对参数自动寻优的优势,为此,将其和PCNN相结合提出了一种基于遗传算法的PCNN自动系统的实现方案,并应用于图像分割。分割试验仿真结果验证了该自动系统方案的正确性和可信性,即不仅可以实现正确的图像分割,而且参数可以自动设置省去了人工试验的麻烦,同时分割速度也有所提高。