一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.     

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。     

K-Means聚类下的改进蚁群算法优化TSP问题

在解决旅行商问题(Traveling Salesman Problem, TSP)上,提出了一种新的求解思路即基于K-means聚类思想下的改进型蚁群算法,目的是优化TSP最短路径。先将整体TSP中分布的全部节点利用K-means聚类思想将其分成若干子TSP,再通过对基础蚁群算法(Ant Colony Algorithm, ACA)中信息素更新策略的改进,解决传统蚁群算法在面对大规模TSP问题时有迭代时间长、收敛速度慢和易陷入局部最优解的缺陷。在对每一个子TSP求解最优路径后再将各部分连接,使其融合成为一条完整TSP的最优路径。经验证该算法不仅优化了最短路径降低了误差率,同时大大缩短运算时间,提高了运算效率。     

自适应进化的蚁群算法及其仿真研究

蚁群算法广泛应用于求解组合优化问题,但基本蚁群算法与其它模拟进化算法存在进化速度慢,并易于陷入局部最小等缺陷,在此提出一种采用自适应选择和动态调整的进化策略,通过TSP问题的仿真表明,算法的性能明显得到改善,该方法不仅能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现,有利于发现更好的解.这对于求解大规模的优化问题是十分有利的.     

一种改进的并行蚁群优化求解算法

为了提高并行蚁群优化算法的求解性能,对ACO算法进行了改进.针对有明显聚类特征的大规模TSP问题,充分利用问题本身所具有的特征,提出了一种带聚类处理的蚁群算法,该算法比较ACS算法可以在更短的时间内找到相同质量的解,而且在相同的运行时间内,该改进算法总能找到最好的解.在VC++环境下进行仿真实验,求解了TSP库中的实例pr136、pr107,分别得到了其最短距离,结果表明了编程思路的正确性及高效性.     

用随机神经网络优化求解C-TSP

基于动态随机神经网络(DRNN:Dynamical Random Neural Network)求解典型旅行商优化问题TSP(Traveling Salesman Problem),通过简化方程参数的改进算法,针对解决大规模TSP的求解效果在时间以及路径寻优上所存在的问题,提出一种新的分区方案来解决中国31城市的旅行商问题.所获得的最优路径结果与目前公开文献中已有的其他神经网络所解的结果相比较,显示出采用随机神经网络解决多于10个变量TSP问题的优越性.实验结果表明,采用该方法解决31个城市TSP的优化,所得出的最短距离(15 112.7km)比已有5种算法的结果都要少.     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

改进蚁群算法在小规模TSP问题中的参数问题

本文主要讨论改进蚁群算法在小规模的TSP问题上,各参数设置对算法性能的影响,并通过仿真实验,合理设置相关参数,把得到的最终求解模型引入到超市B2C客服配送中的车辆路径优化决策系统,通过算例比较,证明其优越性能.     

基于演化算法的TSP求解

TSP即旅行商问题或者货郎担问题是一个易于描述但难于解决的NP问题,也是一个具有广泛的应用背景和重要理论价值的组合优化问题。简要介绍了求解TSP的若干方法,同时讨论了基于演化算法的TSP求解方法,并对TSP的求解进行了展望。     

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。     

用嵌套插队算法解决旅行推销员问题

提出了一种求解TSP问题的近似算法一嵌套插队算法。这种算法结合了启发式算法和随机化算法以及局部寻优的思想。实验结果表明对于较小规模的TSP问题，直接用插队算法(QJA)就能以很大的概率获得巳知最优解。对于规模较大的TSP问题．嵌套插队算法(NQJA)能获得质量高于著名的启发式算法的解。另外，用嵌套插队算法找到的Chinal44的最短路径优于目前巳知的最短路径。嵌套插队算法是专门针对TSP问题而提出的，但其思想也可以给求解其他NP难解的组合优化问题以启发。     

用嵌套插队算法解决旅行推销员问题

提出了一种求解TSP问题的近似算法--嵌套插队算法.这种算法结合了启发式算法和随机化算法以及局 部寻优的思想。实验结果表明对于较小规模的TSP问题,直接用插队算法(QJA)就能以很大的概率获得已知最优 解。对于规模较大的TSP问题,嵌套插队算法(NQJA)能获得质量高于著名的启发式算法的解。另外，用嵌套插队 算法找到的China144的最短路径优于目前已知的最短路径。嵌套插队算法是专门针对TSP问题而提出的，但其思 想也可以给求解其他NP难解的组合优化问题以启发。     

特征统计算法及其在NP组合优化问题上的应用

特征统计算法是为了解决复杂多极值优化问题而开发的一种新的全局优化算法。为了检验该算法的性能,应用它在一类具有代表性的NP组合优化问题-旅行商问题(TSP)上作了计算。结果发现,该算法虽不是专为TSP问题而开发,却在该问题上取得了很好的结果。所得到的结果表明,特征统计算法可以作为解决这类NP组合优化问题的一个新的途径。     

Hopfield网络求解旅行商问题有效性的研究

对Hopfield网络求解旅行商问题的有效性进行了研究,实验结果表明使用Hopfield网络求解TSP问题时存在两难问题,提高解有效性概率导致解的路径长度优化能力降低,而提高解的路径长度优化能力导致解有效性概率降低.     

Solving constrained traveling salesman problems by genetic algorithms

Three kinds of constrained traveling salesman problems (TSP) arising from application problems, namely the open route TSP, the end-fixed TSP, and the path-constrained TSP, are proposed. The corresponding approaches based on modified genetic algorithms (GA) for solving these constrained TSPs are presented. Numerical experiments demonstrate that the algorithm for the open route TSP shows its advantages when the open route is required, the algorithm for the end-fixed TSP can deal with route optimization with constraint of fixed ends effectively, and the algorithm for the path-constraint could benefit the traffic problems where some cities cannot be visited from each other.     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.     

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.     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法(CIPSO)。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

基于Prüfer数的离散粒子群优化算法在TSP问题中的应用

通过引入Prüfer数编码、归一化运算、粒子的位置矩阵进行模糊化等操作,将连续型粒子群优化算法改造为离散化PSO.并通过构造旅行商问题的度约束最小生成树,利用DCMST的模糊离散粒子群算法求出最优解.采用TSP的测试实例进行仿真实验,证明算法的有效性与实用性.