自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法(Self-Adaptive Ant Colony Algorithm,SAACA)并选择典型TSP问题进行实验.结果表明:改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

新型蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出一种新型蚂蚁算法(new ant colony algorithm,NACA),即将转移规则、全局信息素灾变规则和局部混合调整信息素规则。选择几个典型TSP问题进行实验。研究结果表明:新型蚂蚁算法一方面提高了算法种群的多样性,同时将轮盘赌算子利用到城市转移规则中,有利于提高算法的收敛速度;另一方面,将种群个体的差分信息应用于局部信息素更新规则中,有利于搜索全局解;最后灾变算子避免算法陷入局部最优,而达到全局最优。新型的蚁群算法具有更强的搜索全局最优解的能力以及更好的稳定性和收敛性,同时为解决其他优化问题提供新的思路。     

蚁群算法在求解TSP问题中的应用

介绍了蚁群算法的原理,论述了利用蚁群算法求解TSP问题的具体步骤,最后通过仿真实验说明了其优越性。     

自适应蚁群算法在TSP问题中的应用与研究

传统算法在构造解的过程中,利用随机选择策略,这种选择策略使得进化速度较慢,正反馈原理旨在强化性能较好的解,却容易出现停滞现象。这是造成蚁群算法的不足之处的根本原因.因而我们从选择策略方面进行修改,我们采用确定性选择和随机选择相结合的选择策略,并且在搜索过程中动态地调整作确定性选择的概率当进化到一定代数后,进化方向已经基本确定,这时对路径上信息量作动态凋整。缩小最好和最差路径上的信息量的差距,并且适当加大随机选择的概率,以小于l对解空间的更完全搜索,从而可有效地克服基本蚁群算法的不足,此算法属于自适应算法。     

蚁群算法的改进及其在TSP问题中的应用

为了克服标准蚁群算法容易陷入局部最优化从而导致算法过早停滞的缺陷,论文引入了城市选择策略的变参数和局部最优搜索策略,同时对信息激素的更新方式提出了相应的改进策略,并应用于对TSP问题的仿真实验.结果表明:改进算法能够加快收敛速度,节省搜索时间,而且能够克服停滞行为的过早出现.     

改进型蚁群算法及其在TSP中的应用

介绍了蚁群算法的基本原理,并对其优、缺点作了详细的分析.基于蚁群算法的缺点--需要较长的计算时间,收敛速度慢,提出了一种改进型的蚁群算法,可以有效提高收敛速度,并把该算法应用到TSP问题中,取得了很好的效果.     

邻域分区蚁群算法在TSP中的应用

在大规模的TSP求解中,单一的使用蚁群算法会面临优化性能和时间性能这一问题,因此,应先把大规模的TSP按基于距离阈值的近邻聚类分区法划为小规模TSP优化问题来并行求解,再把各子区域中心找一条最佳路径连接起来．     

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.     

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.     

求解TSP问题的蚁群算法研究

蚁群算法是一种新型仿生算法,但存在搜索时间长,收敛速度慢,易陷入局部最优等缺点.提出了一种改进蚁群算法,利用象限近邻表构造候选集和对偶象限近邻的方法初始化信息素,可以克服上述缺陷.TSP的仿真结果表明新算法大大缩小了其搜索范围,提高了搜索精确度并减少了搜索时间.     

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.     

An ant colony optimization method for generalized TSP problem

Focused on a variation of the euclidean traveling salesman problem （TSP）, namely, the generalized traveling salesman problem （GTSP）, this paper extends the ant colony optimization method from TSP to this field. By considering the group influence, an improved method is further improved. To avoid locking into local minima, a mutation process and a local searching technique are also introduced into this method. Numerical results show that the proposed method can deal with the GTSP problems fairly well, and the developed mutation process and local search technique are effective.     

基于受限制候选表的反应蚁群算法求解TSP问题

针对蚁群算法求解大规模旅行商问题(TSP)时会出现计算时间长等问题,将反应贪婪随机适应搜索机制引入蚁群算法中,提出了一种基于受限制候选表(RCL)的反应蚁群算法,其中的候选表大小可以随机选取.将蚂蚁要选择的下一点的范围控制在RCL中,避开了许多局部极小点,克服了最近邻居候选表的不足,提高了搜索效率.对大规模TSP问题进行仿真实验的结果表明该算法具有良好的性能.     

Hybrid ant colony algorithm for traveling salesman problem

A hybrid approach based on ant colony algorithm for the traveling salesman problem is proposed, which is an improved algorithm characterized by adding a local search mechanism, a cross-removing strategy and candidate lists. Experimental results show that it is competitive in terms of solution quality and computation time.     

An ant colony algorithm for solving Max-cut problem

Max-cut problem is an NP-complete and classical combinatorial optimization problem that has a wide range of applications in different domains, such as bioinformatics, network optimization, statistical physics, and very large scale integration design. In this paper we investigate the capabilities of the ant colony optimization （ACO） heuristic for solving the Max-cut problem and present an AntCut algorithm. A large number of simulation experiments show that the algorithm can solve the Max-cut problem more efficiently and effectively.     

蚁群算法求解旅行商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.     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题.算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法.     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题。算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法。