一种求解TSP问题的改进蚂蚁群算法

通过用混合型蚂蚁群算法求解TSP问题的方法和步骤 ,并以att5 32 (美国 5 32个城市 )为例给出计算实验结果 ,说明混合型蚂蚁群算法改进了标准蚂蚁群算法的效率和计算结果的质量     

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。     

一种改进的求解TSP问题的演化算法

在对使用逆转算子求解TSP的算法进行分析的基础上，提出了一种改进的求解TSP问题的演化算法，也即就近访问的方法：在一条路线中，绝大多数城市的下一个访问城市都在距离它较近的城市中产生．实验表明：用就近访问的方法来产生初始群体和限制变异范围，能在一定程度上提高算法的执行效率，改善旅程路线的质量．     

一种求解TSP问题的混合遗传算法

解旅行商问题(TSP)局部寻优较好的算子有opt的各种形式(2-opt,3-opt等)以及Lin-Kernighan(LK)。然而,opt的各种形式的局部搜索算子都难较精细地对个体邻域进行搜索;LK的复杂性高,通常较少使用。鉴于此,本文将单点插入算子(SI)、交换算子(Swap)引入TSP问题的局部搜索,并结合2-opt,组成了一种局部搜索算子集合。同时,将上述算子集合嵌入遗传算法,从而形成混合遗传算法,用于求解TSP问题。通过对国际通用的TSPLIB中不同城市规模的数据进行测试,对比5种算法解的质量,结果证明该混合遗传算法是有效性的。     

一种求解TSP问题的融合算法

提出了一种求解TSP问题的融合算法即GAPACA． GAPACA算法首先利用遗传算法求得符合一定条件(具有全局性和多样性)的种群,然后将其中的个体按照蚁群算法中信息素的定义转化为蚁群算法的初始信息素,再由蚁群算法求得近似最优解。实验表明,GAPACA算法能有效提高收敛速度,并可获得更优结果。     

基于改进模拟退火算法求解TSP问题

对传统模拟退火算法的原理和不足进行分析,针对TSP问题的特点提出了改进的模拟退火算法.就传统模拟退火算法生成新解的随机性太强、参数设置不当不能搜索到全局最优解、容易丢失当前最优解等问题提出了新的初始解选择方案、新解生成机制和当前解的改良及增加记忆功能等方法.实验结果表明,新算法传统的模拟退火算法具有更快的收敛速度和更高的稳定性.     

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.     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

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.     

用MATLAB求解TSP问题的一种改进遗传算法

TSP问题是遗传算法得以成功应用的典型问题.提出一种改进的义叉和变异算子来解决TSP问题,并给出其算子的MATLAB程序.通过实验,发现改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的.     

人工免疫算法对遗传算法改进的仿真研究

遗传算法是一种很好的优化算法,但其本身存在着易早熟、效率低等不足.人工免疫算法是参考生物免疫系统机制的一种算法,它通常用于对其它算法的改进.论文用人工免疫算法对遗传算法进行改进,在遗传算法中引入浓度机制并从问题中提取疫苗.通过实验对比,它对遗传算法的改进取得了较好的效果.     

车间流程的免疫调度算法

为了高效地解决车间流程(Flow Shop)问题,提出了一种利用免疫算法求解Flow Shop调度问题的方法.该算法是根据人或者其他高等动物的免疫系统机理设计的,将调度目标和约束条件作为抗原,将问题的解作为抗体,对抗体采用按工件加工顺序进行自然数编码,并把最大流程时间的倒数作为适应度函数,新抗体的繁殖是通过部分匹配交叉算子和按工件顺序互换的变异算子实现的,对抗体产生的刺激和抑制通过抗体浓度来调节,而抗体浓度通过计算抗体之间的最大亲和力获得.通过对Flow Shop问题的基准测试表明,该算法不仅在求解问题的规模上具有很好的可伸缩性,而且在运算时间上也低于遗传算法和模拟退火算法.     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.     

基于独特型网络动力学模型的人工免疫算法

针对传统人工免疫算法中相似度、浓度以及抗体现有评价方式存在的缺陷，采用独特型网络动力学模型，通过改进亲和力计算方法，使之综合表达函数值和抗体相似程度的信息，以抗体的浓度作为适应值，提出了一种基于独特型网络动力学模型的人工免疫算法．仿真结果表明，这种算法对多模态函数优化是有效的，其搜索效率及收敛速度均优于常见的人工免疫网络算法Opt—aiNet．     

基于人工免疫算法的电梯交通动态分区计算

提出了一种用人工免疫算法实现电梯高峰客流期间动态分区计算的新方法,文中阐述了人工免疫系统的原理,深入剖析了电梯交通的动态分区模型,设计了动态分区模型的人工免疫算法,该算法具有快速收敛性,能够较快地找到电梯交通的最优分区或者次最优分区,有利于提高电梯交通动态分区的实时性,仿真结果表明了该算法的实用性。     

人工免疫算法在足球机器人路径规划中的应用

提出了一种人工免疫算法———基于思维进化的人工免疫算法,此算法在人工免疫的基础上吸取了思维进化算法中的优点,提出了趋同半径和异化半径的概念,能够实现算法中抗体的局部和全局求解,使得人工免疫系统和思维进化算法有机地结合起来。同时将算法应用到足球机器人的路径规划中,构建了机器人的数学模型和亲和力函数,并且给出了具体的实现步骤,取得了合理的实验结果,对算法中的一些关键操作也进行了简要的说明。     

基于蚁群-免疫原理的混合算法及其在TSP中的应用

通过分析蚁群算法和免疫算法的原理,在蚁群算法的禁忌表中得到局部较优解,并将该局部较优解作为疫苗注射到免疫算法的初始抗体中,然后应用免疫算法的相关操作,求得最优解.基于此提出了蚁群-免疫原理的混合算法.将该算法应用到TSP中,仿真表明能够有效地提高算法的全局及局部搜索能力,克服早熟现象.并与基本蚁群算法比较证明该算法是行之有效的.     

基于人工免疫算法的墙体隔声反向预测

隔声量主要取决于墙板的面密度、材料的杨氏模量和墙的厚度，所测数据参量可以通过资料和实测获得．随着杨氏模量测试技术的发展，这些量越来越精确可靠．文中探讨如何在已知隔声要求的前提下，确定这3个参量，从而确定墙体的材料和构造、为此，在应用统计能量分析法进行建筑隔声预测的基础上，采用人工免疫算法建立单墙的隔声反演模型，在已知期望隔声量的情况下，对墙体的面密度、厚度和杨氏模量（或声波的纵波速度）等参数进行了反向预测，从而可以确定墙体材料和厚度等构造参数。