一类多旅行商路径均衡规划算法

本文研究了多个旅行商旅行多个城市的路径规划问题,提出了基于系统科学中的"吸引子"意义下的路径规划算法.路径规划的目标是均衡各旅行商的旅行路径长度并使得路径总和得到优化.为此提出了一种求解该问题的启发式算法思想,并结合邻近点和最短路径设计了算法,同时由复杂度分析知该算法的计算时间复杂度比以往的要低.     

蚁群优化算法的原理及其应用

蚁群优化算法是近年来出现的一种新的启发式搜索算法,首先介绍了蚁群算法的基本原理,然后着重讨论了如何将其用于求解旅行商问题(TSP),最后分析了蚁群算法的一些基本特征.     

一种求解旅行商问题的新算法

分析了旅行商问题的时间复杂度特点，针对用遗传算法求解旅行商问题中存在的一些问题提出了改进算法．此算法将群体分为若干小子集，并用启发式交叉算子，以较好地利用父代个体的有效信息，达到快速收敛的效果．实验结果表明：此算法能提高寻优速度，解的质量也有所提高。     

浅谈用蚁群算法求解TSP

蚁群算法是优化领域中新出现的一种启发式仿生类智能进化算法.阐述了该算法的基本原理、算法模型和在旅行商问题中的具体实现过程.研究表明该算法具有并行性,鲁棒性等优良性质.     

基于偏序对改进蝙蝠算法的旅行商问题研究

作为一种新兴的群智能启发式算法,蝙蝠算法近年来被广泛用于求解离散、连续、及组合优化问题。针对典型组合优化问题中的旅行商问题,本文提出一种基于偏序对改进的蝙蝠算法用于求解离散型旅行商问题。通过对蝙蝠速度、位置的更新,使算法具有更强的适用性。本文对16个标准TSP问题进行测试与对比分析以验证算法有效性。实验结果表明,本文提出的偏序对蝙蝠算法在大多数实例中均优于其他算法。     

用蚁群算法求解旅行商问题

介绍了一种用于解决复杂优化问题的新的启发式算法--蚁群算法.阐述了该算法的基本原理、算法模型和在旅行商问题中的具体应用过程.研究表明该算法具有并行性,鲁棒性等优良性质.     

一类多出发点多旅行商问题规划算法

提出了一种基于K-means聚类算法的多出发点多旅行商问题求解的新方法.算法定义了节点的吸引度,通过节点吸引度矩阵进行子环游节点集的归类,并对各子环游应用单旅行商启发式算法进行求解.实例表明,此规划算法能很好地求解多出发点多旅行商问题.     

基于蚁群算法的混合优化算法在TSP中的应用

针对蚁群算法收敛慢，易陷入局部最优的问题，提出了基于蚁群算法混合优化算法。该方法将传统蚁群算法中的启发式因子α，β作为每只蚂蚁的属性，利用遗传算法对蚂蚁的种群进行自然选择，优胜劣汰，优秀蚂蚁被保留并产生后代，蚂蚁的启发式因子在求解问题的动态过程中收敛到合理的范围内。将改进的算法应用于旅行商问题，实验结果表明，利用这一方法可使解的性能有所改进，并有效地减少了计算时间。     

用最小生成树解决TSP问题

旅行商问题(Traveling Salesman Problem，TSP问题)是组合优化领域中研究最多的问题之一，是一个经典的NP难题，也是目前优化领域里的研究热点。目前解决旅行商问题有诸多算法，神经网络、遗传算法、免疫算法等，在各种解决旅行商问题的算法中，还是存在很多问题。本用最小化生成树来求解旅行商问题。在对题目要求进行深入分析的基础上，对原有算法进行了多方面改进，并用C语言进行了实现。采用选取排除最长路径顶点的方法降低时间复杂度、采用比较顶点次序的方法提高算法准确性、通过自动产生顶点坐标降低输入复杂性和测试的准确性，实验结果表明该算法可以取得较好的效果。     

用改进的遗传算法求解中国旅行商问题

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，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

热轧调度的数学模型及解法

研究了钢铁厂的热轧调度问题 ,将其转化为带有能力约束的多旅行商问题 ,并对此给出一个启发式算法 .     

本站货物作业车取送顺序优化研究

通过对车站取送车作业过程的分析,将车站取送车作业归纳为一个典型的旅行商问题,并建立相应的数学模型,提出了求解最优调车作业过程的启发式节约算法,并结合实例进行了验算,此方法对优化车站各项技术作业过程有较高的实用价值.     

遗传算法在车辆优化调度中的应用

旅行商问题是车辆优化调度中的NP难题,对旅行商问题进行描述,并建立了数学模型。介绍了遗传算法的基本思想,给出用遗传算法求解旅行商问题的过程,仿真实验证明该算法是有效的。     

面向多旅行商问题的多目标模拟退火算法研究

多旅行商问题是经典旅行商问题的一种演化,考虑一些约束,可以转换为一些较现实的问题,具有较高的理论研究和应用价值.在多旅行商问题中,一个任务由多位旅行商共同完成,问题的求解难度较经典旅行商问题更大.现有的研究中指定旅行商个数,将问题转换为固定数量的多旅行商问题.本文构建了求解pareto解的多目标多旅行商问题模型,针对一定规模的城市数量和约束的问题,获得多旅行商问题中旅行商的合适数量.本文将旅行商的个数和多旅行商的最长访问路径作为优化目标,采用改进的多目标模拟退火(IMOSA)算法和传统的多目标遗传算法对问题进行了求解.采用30个城市的旅行商问题对两种算法进行了测试,发现改进的多目标模拟退火算法相较于多目标遗传算法计算复杂度低,且能发现较好的pareto解,算法性能更优.     

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.     

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。     

求解旅行商问题的一种改进算法

文章研究带三角不等式的旅行商问题．设计了求解该问题的一种嵌入遗传算子的启发式算法；同时阐明该算法具有多项式时间界及其绝对性能比不超过2的界估计，因而它的算法理论基础是坚实的；选择经典算例，通过实验表明：该近似算法较之几种常用的启发式算法解的质量更高．由于该算法本质上仍为插入算法，因而程序设计方便快捷，因此它在实际应用中无疑是极有意义的．     

粒子群与遗传算法的混合算法

针对粒子群算法直接用于求解离散旅行商优化问题会存在诸多困难,通过分析粒子群算法、遗传算法各自优缺点,将粒子群算法、遗传算法有效结合组成混合算法用于求解离散旅行商问题.混合的目的在于保持两种算法各自的优点,并有效地避免各算法原有的不足.对3个不同规模的巡回旅行商问题进行实验,结果表明:混合算法提升了算法的局部搜索能力.     

求解配送\收集旅行商问题的启发式算法

配送＼收集旅行商问题大多假定必须在完成所有的配送需求后，才服务收集需求．放松这一约束条件，通过对模型的分析、分解和过滤，结合实际情况，以修正的Clarke-Wright节约启发式算法和最邻近算法为基础进行插入式排序，以解决这类问题，并应用算例进行分析说明．     

基于蚁群算法的TSP问题研究

蚁群算法是一种新型的优化算法,于20世纪90年代提出,最早成功应用于解决旅行商问题。研究表明,蚁群算法有着极强的鲁棒性发现较好解的能力。本文介绍了蚁群算法原理和TSP问题,通过Scilab编程实现了用蚁群算法解决旅行商问题。