求解TSP问题的一种基于信息素的遗传交叉算子

提出了求解TSP问题的一种新的基于信息素的遗传交叉算子,并对算子构造子个体的过程进行了实验分析. 在生成子个体时,基于信息素的遗传交叉算子不仅能够利用包括边长度和邻接关系在内的局部信息,还可以利用以信息素形式保存的全局信息. 在纯遗传算法框架内,利用TSP基准算例对所提出的交叉算子的性能进行了实验测试. 结果表明,该算子在精度和收敛速度上均优于其他知名的交叉算子.     

改进遗传交叉算子求解TSP问题

遗传算法中的交叉算子最根本的作用就是要使子代继承父代的优秀基因。本文着重考虑了用遗传算法求解TSP问题中遇到的交叉算子，根据TSP问题的特点，构造出一种能很好继承父代优秀基因的交叉算子；实例计算表明该算法收敛速度快，从而可以进一步改善遗传算法的性能。     

融入遗传算子的蚁群算法求解TSP问题

提出一种融入遗传算子（Genetic Operator）的蚁群算法（ACAGO）求解旅行商问题（TSP）．蚁群算法（Ant Colony Algorithm）是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法,并且已经在求解TSP问题上成功地应用．然而,基本的蚁群算法存在收拟速度慢,容易陷入局部最优等不足．ACAGO算法通过使用遗传算法的交叉算子和变异算子扩大解的局部搜索空间,而选择算子则可以使好的解集的信息素的浓度得到增强,加快了算法的收敛速度．文章对ACAGO算法的执行过程进行了说明并且给出了具体的实现方案,同时通过TSP PLib上的测试样例将该融入遗传算子的蚁群算法和基本的蚁群算法进行了比较．比较结果表明了本文的新的ACAGO算法具有更大的优势,它不但能使算法求解到更好的解,而且加快了算法的收敛速度．     

用简单遗传算法求解TSP问题的参数组合研究

首先介绍用遗传算法求解CTSP问题的实验方法，描述了实验中群体规模、联赛规模参数对TSP问题计算时间复杂性及求解质量的影响。根据实验数据总结出两条规律：（1）对N＝34的TSP问题，群体规模在3000与4000之间，易获得最优解；（2）联赛规模在本规模的2‰附近时，易获得最优解。通过对不同规模（15－34）TSP问题的试验，发现两条规律对TSP问题求解具有普遍有效性。从理论上分析了群体规模和联赛规模对TSP问题求解质量和时间复杂性的影响，通过时间复杂性分析，表明实验规律对快速求解组合优化问题具有一定的指导性。     

一种TSP求解的人工免疫遗传算法

分析了旅行商问题的各种求解方法的优缺点，并使用了一种基于人工免疫的遗传算法来求解旅行商问题。这种算法在传统遗传算法的全局随机搜索基础上，借鉴人工免疫中抗体的多样性保持策略，大大提高了算法的群体多样性，避免了遗传算法的过早收敛和局部搜索能力差的缺点。     

基于聚类描述的培养算子与TSP求解

首先提出用聚类树描述ＴＳＰ对象的新方法;并在此基础上,提出了培养算子的基本概念和方法,以进一步改进解的质量。对多个ＴＳＰ实例求解的实验表明,基于聚类描述的培养算子对ＴＳＰ的求解具有良好的效果。     

一种求解TSP问题的新型遗传编码方案

针对利用传统的遗传编码求解TSP中,普遍存在的不能在两条染色体间的任意位置进行交叉、编码空间过大等缺点．提出了一种新的编码方案：比较编码法。理论分析和实验结果表明,所提的编码方案较传统编码方案有明显的优势。     

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.     

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。     

一种求解TSP的高效遗传算法

根据TSP适应度地貌特征,通过将传统的反转变异算子(Simple Inversion Operator,SIM)与插入变异算子(Insertion Operator,IM)进行组合,设计出了一种可变邻域搜索的复合变异算子(Greed Invert-Insertion Operator,GIIM)。在此基础上,结合常规的部分匹配交叉(PartiallyMatched Crossover,PMX)与带有精英策略的退火选择,构造出了一种求解TSP的高效遗传算法(SEGA)。仿真测试表明,提出的算法不但具有很强的全局搜索能力,且收敛速度快;其测试结果与最新文献和国际标准测试库TSPLIB中的最优路径相比,或相同或更优。     

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．     

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.     

两阶段遗传算法在求解TSP问题中的应用

为了提高利用遗传算法求解TSP(traveling saleman problem)问题的能力,给出了一种种群多样性的定义,提出了一种利用2个阈值在贪婪优化遗传算法和退火单亲遗传算法间切换的两阶段遗传算法,从而可以在保持种群多样性的基础上优化种群.两阶段遗传算法在种群多样性下降到一定程度时,转换遗传方式,在继续寻优的同...     

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。     

一种求解TSP的混合型蚁群算法

针对基本蚁群算法存在的过早收敛问题,提出一种采用混合模式调整信息素的改进蚁群算法,当陷入局部最优解时便启用新的信息素调整规则,从而使算法跳出局部解.计算机仿真结果表明,这种混合型蚁群算法对求解TSP难题有较好的改进效果.     

基于混合遗传算法的TSP问题优化研究

为了避免陷入局部优化,提出使用混合遗传算法,即用应用模拟退火算法的Boltzmann生存方法,根据个体适应性的变异值Δf和概率值exp(-Δf/T),来保持个体的多样性,阻止提前收敛,用顺序交叉算子和部分路径翻转变异算子来提高算法的收敛速度,较好地解决了群体的多样性和收敛速度的矛盾.算法分析和测试表明,该改进算法是有效的.     

多核CPU环境下遗传算法求解TSP加速策略研究

多核CPU已成为各类型计算机的主流配置,针对多核环境的软件设计与算法研究却相对滞后.遗传算法是一种鲁棒性极强的智能型算法,其在求解NP(NP-难、NP完全)问题时有着独特的优势.旅行商问题(TSP)是一个经典的NP-难问题,也是计算机学科理论研究中的热点.为促进遗传算法在多核平台上的应用,提高其求解TSP的适应性及效率...     

基于点线回路优化求解TSP的一个新算法

快速有效地解决TSP问题,有着重要的理论价值和极高的实际应用价值。提出了基于点线回路优化求解TSP的算法,首先将原基本回路切去一些点(线段、路径)变成残缺回路,然后把切去的点(线段、路径)重新插入到残缺回路的所有节点之间,生成新的基本回路,切去点(线段、路径)的数量,从一个变到基本回路节点数的一半。算法实现容易、运行速度快,生成的结果接近其最优解。算法尽量避免了陷入局部极小,使得在短时间内能够求解较大规模的TSP问题。     

智能水滴算法求解TSP问题的研究

智能水滴算法是一种模拟自然界中河水和河床相互作用的算法,根据智能水滴算法易于收敛于局部最优解,通过设置路径间最大、最小泥土量对算法进行改进,实现了水滴优化算法,并且将其运用到TSP(旅行商问题)的求解中.并对TSP51、TSP76问题进行仿真分析,结果表明改进的水滴群算法比原智能水滴算法具有更好的求最优解的能力,收敛速度更快,效果更好.     

基于遗传算法解决排课问题的探索

通过分析排课问题的约束条件,提出了一种基于遗传算法的排课方法。算法考虑了高校排课过程中存在诸多资源约束因素,算法改善了排课的收敛性和效率。