带变异特征的捕食搜索算法及其在TSP问题实验研究

原捕食搜索算法在TSP问题上解的质量与精度上都不高,即其具有容易陷入局部最优的缺点。引入变异特征行为以使得捕食搜索算法能够跳出局部最优。最后对四个常用TSP问题进行了仿真,结果表明,新算法在解的质量与精度上比原捕食搜索算法有了明显提高。     

改进禁忌搜索算法在TSP问题中的应用

提出了一种基于改进最近邻点法的禁忌搜索算法（TSBIN）。该算法利用改进最近邻点法为禁忌搜索算法构造较优初始解,能更有效地搜索全局最优解。以旅行商问题（TSP）为倒,验证了该算法的寻优性。     

一种带记忆的模拟退火算法求解TSP问题

模拟退火算法是求解组合优化问题的一个有效方法.在模拟退火算法的基础上提出了一种带记忆的改进算法.在改进算法中增加了记忆功能,将当前最优解记忆下来;设计了一个温度更新函数,保证温度更新有一定的自适应性;增加补充搜索过程,以提高算法的全局搜索能力.最后将此算法应用到旅行商(TSP)问题中,在若干公共测试数据集上的实验结果表明,该算法是有效可行的.     

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。     

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.     

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。     

均匀设计在求解TSP问题中的应用

本文利用均匀设计抽样的理论和方法,针对遗传算法解决旅行商问题,将遗传算法基本模型的参数设定问题描述成均匀设计中多因素多水平的试验设计,确定参数后再运用均匀设计产生初始种群,用TSP问题库内的基准问题进行仿真实验,证明了该方法是有效的。     

求解TSP问题的蚁群算法研究

分析了标准蚁群算法易于出现早熟、停滞和算法收敛速度慢的主要原因,在原有算法基础上提出了一种改进型的蚁群算法,该算法可以有效的提高收敛速度,并把该算法应用到TSP问题中,取得了很好的效果.     

一种改进的蚁群算法及其在TSP问题中的检验

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。但是开始的时候信息素缺乏,收敛速度慢一直是蚁群算法的不足。针对该问题,提出加权蚁群算法,它利用基本蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优。节省了在不可能构成最优路径上的计算时间,提高了运算速度。计算机仿真结果表明,该文算法改进了标准蚁群算法的效率和计算结果的质量。     

基于自适应选择算子遗传算法的TSP问题优化

轮盘选择方式往往能保证算法的全局收敛性,但收敛速度较慢,而锦标赛选择方式收敛速度优于轮盘选择方式,但不能保证算法的全局收敛性．选用轮盘选择和锦标赛选择相结合自适应选择算子的遗传算法。并优化TSP问题求解,则可以调整收敛速度,避免被动式搜索．     

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。     

混合禁忌搜索算法的邮政运输车辆调度问题研究

在邮政企业中,运输网络是整个系统得以顺利运行的基础,邮政企业如何充分发挥自身优势、整合资源以改善运输网络是市场竞争愈发激烈情况下面临的重大问题,尤其是邮路规划问题。为提高邮政运输网络的整体运行效率,在同时考虑往返货物归集、车载量限制、最短路径和最少车辆数等一系列约束条件情况下,建立了送取货一体化的多中心邮政运输车辆调度的数学模型;针对该模型设计了禁忌搜索算法与C-W节约里程算法相结合的求解优化算法。最后,通过贵州省邮政企业实际生产数据对模型和算法进行仿真验证,并对优化后的调度方案进行了结果和效果分析。实验结果表明,优化后求得的配送策略在优化邮运成本上效果明显。     

基于改进和声算法的有序样本聚类及其应用

标准和声算法只能解决连续型优化问题,而有序样本聚类属于离散型优化问题。将Fisher算法和和声算法相结合,提出一种改进和声算法,使之能够用于离散型优化问题,并利用其对有序样本进行分类。数值仿真实验结果表明,该算法分类结果符合实际。结论表明改进和声算法是一种全局最优算法,分类结果优于Fisher算法。     

蚁群算法在多目标TSP问题中的应用研究

鉴于蚁群算法在处理组合优化问题中的优势,本文针对多目标TSP问题,对蚁群算法进行深入研究,探索多目标环境下蚁群算法的运行机制,同时构建多目标蚁群算法框架,并设计优化算子。仿真实验结果验证了本文算法的可行性与有效性。     

基于神经网络求解TSP问题的研究

描述了Hopfield神经网络和TSP问题,研究了用连续Hopfield神经网络求解TSP问题的方法。     

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。     

A gene-pool based genetic algorithm for TSP

Based on the analysis of previous genetic algorithms (GAs) for TSP, a novel method called Ge- GA is proposed. It combines gene pool and GA so as to direct the evolution of the whole population. The core of Ge- GA is the construction of gene pool and how to apply it to GA. Different from standard GAs, Ge- GA aims to enhance the ability of exploration and exploitation by incorporating global search with local search. On one hand a local search called Ge- Lo-calSearch operator is proposed to improve the solution quality, on the other hand the modified Inver-Over operator called Ge- InverOver is considered as a global search mechanism to expand solution space of local minimal. Both of these operators are based on the gene pool. Our algorithm is applied to 11 well-known traveling salesman problems whose numbers of cities are from 70 to 1577 cities. The experiments results indicate that Ge- GA has great robustness for TSP. For each test instance, the average value of solution quality, found in accepted time, stays within 0. 001% from the optimum. Foundation item: Supported by the National Natural Science Foundation of China (70071042, 60073043, and 60133010) Biography: Yang Hui ( 1979-), female, Master candidate, research direction; evolutionary computation.     

一种基于遗传算子优化组合的TSP问题求解方法

一般遗传算法求解旅行商问题时,存在着搜索速度与求解质量之间的矛盾.针对此问题提出了一种逆序与对偶组合算子,用以增强遗传算法的局部搜索能力.将其与具有良好全局搜索模式的均匀杂交算子优化组合应用,采用自然数和二进制相互转换的编码方式,构造了一种对TSP问题进行求解的遗传算法,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好的搜索效率和求解质量.     

蚂蚁算法求解TSP问题的性能分析及改进

在介绍蚂蚁算法的基础上,针对一个实例,对蚂蚁算法求解TSP问题中五个参数Q,C,α,β,ρ(其中C为信息素浓度初值,Q为信息素的调整策略参数,α和β为下一步路径选择概率大小的参数,ρ为信息素浓度的残留因子参数)的设置进行了探讨,分析了单一参数变化时对算法性能的影响,并进一步指出了算法改进的思路和方向.