TSP的瞬态混沌神经网络算法

具有瞬态混沌特性的神经网络(TCNN)可以解TSP。利用神经元的自抑制反馈产生混沌动态，其遍历性能和随机搜索性能有效地克服了Hopfield神经网络(HNN)极易陷入局部极小的缺陷；同时利用一时变参数控制混沌行为，使网络再经过一个短暂的倍周期倒分岔后逐渐趋于一般的Hopfield神经网络，从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明，TCNN比HNN具有更强的全局寻优能力和更高的搜索效率。     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

用自组织网解决TSP问题的参数分析

文章首先介绍一种改进的求解旅行商问题的自组织映射算法,然后着重分析自组织网的不同参数对TSP问题解的影响,给出新的参数调整方法,使自组织映射算法获得更快的收敛速度及更好的解.     

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Hopfield神经网络与遗传算法求解TSP问题的实验比较与分析

首先介绍了实验中利用Hopfield神经网络和遗传算法求解TSP问题的程序设计方法,分析了CreateChromosome算法的时间复杂性,并测试了群体规模对解最优性的影响,从计算方法的软件实现角度出发,比较了两种计算技术的相似点与不同之处,本次实验的结论是：遗传算法比Hopfield神经网络求解TSP问题的效率高,且随着问题规模的扩大,优势更为突出。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

基于TSP的蚁群算法及其在路由中的应用

蚁群算法（ant colony optimization，ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术，一直以来都是研究的热点。本文首先较系统地总结了蚁群算法的起源和发展，总结了蚁群算法的特点和不足及针对这些不足提出的各种改进方法，最后在组合问题上应用表明改进算法具有良好的性能。     

SOFM神经网络最近插入法混合算法在TSP问题中应用研究

SOFM神经网络已经成功应用到TSP问题中，但是该算法存在一些缺点，随着学习速度逐步降低，会导致一些城市无法通过。针对这些缺点，尝试在SOFM神经网络中引入最近插入法形成混合算法。通过实验，并与SOFM神经网络该算法对比，结果表明，该算法能够很好地完善该问题。     

用混合遗传算法求解多目标TSP问题

针对多目标TSP问题，提出了非群体迭代型多目标遗传算法与局部阶段搜索算法相结合的混合遗传算法。其中非群体迭代型多目标遗传算法通过个体的被优越数和种群的分布情况计算个体适应度，采用基于路径表示的编码方法进行鳊码，使用竞争选择策略、部分匹配交叉和变换变异进行遗传操作。最后使用该算法对两个实例进行实验计算并分析其程序运行结果。结果表明该算法是很有效的。     

一种改进的Hopfield神经网络算法用于单元布局

利用改进的Ｈｏｐｆｉｅｌｄ人工神经网络模型，提出了用于求解ＶＬＳＩ系统单元布局的优化 算法。该算法具有简单的能量函数表达式，较快的收敛速度，可避免无效解。利用此算法对于６ 种较复杂的布局实例进行运算，在布局优化结果和运算速度方面都比同类研究有较大改进。     

模拟退火算法解TSP问题的研究

模拟退火算法是一种适合解大规模组合优化问题,特别是解NP完全问题的通用有效近似算法.它与以往的近似算法相比,具有描述简单、使用灵活、运用广泛、运行效率高等优点,而且特别适合并行计算.文章介绍了模拟退火算法的基本原理和思想,并简述了利用模拟退火算法解TSP问题的运用,最后通过实验证明了模拟退火算法的高效性.     

对“货郎担问题”的研究

“货郎担问题”是不少学者研究的世界难题之一。本文指出“货郎担问题”的描述及经典解法与实际应用上的差距,从而给出与实际应用相符合的“货郎担问题”：的研究义及其有效的算法,从而使该问题更具有重要的实用价值。     

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。     

基于模式求解旅行商问题的蚁群算法

群体智能已经被广泛应用于分布式控制、调度、优化等领域.其中蚁群算法已经成为该领域的一个研究热点.在蚁群算法的基础上针对旅行商问题(TSP),首先提出了小窗口蚁群算法,提高初始解的质量,然后与基于模式的蚁群算法相结合,通过提取模式,改变计算粒度,缩短计算时间,提高计算精度.实验结果表明该算法有较好的效果.     

基于SOFM的P-Hub中心问题的最优求解

“位置-分配问题”是运输问题中一个重要的研究问题,其中P-Hub 中心问题被广泛的应用在航空、通讯、邮件送发问题上.目前已有许多启发式的方法被广泛应用求最优解,如基因算法、模拟退火法、Hopfield network等;本研究针对顾客及服务中心数目已知的条件下,提出了基于人工神经网络的自组织特征映射网络求解方法,运用神经元的自我学习功能来找出最佳的服务中心位置.     

一种解决旅行商问题的新型DDPSO算法

在分析粒子群优化算法缺陷的基础上,借鉴Dijkstra算法寻找最短路径的优势,提出了一种DDPSO算法;阐述了新算法的思想,介绍了算法流程和测试环境;利用TSP标准数据库进行了DDPSO和DPSO对比实验,验证了新算法的良好效果。     

一种改进的遗传算法解决旅行商问题

标准遗传算法在解决旅行商问题时效率不高,容易陷于局部最优解。为了解决这一问题,提出了一种改进的遗传算法。改进后的算法在选择操作时,采取了精英个体保留策略和锦标赛方法,扩大染色体的选择范围,加大了适应度好的染色体被选中的概率;交叉操作时加入父染色体中边的信息;在参数选择上,使交叉概率和变异概率与染色体的个体适应值联系,保护适应度好的染色体进入下一代。用程序实现了两种算法,通过比较,改进后的遗传算法提高了解决旅行商问题的效率。     

求解TSP问题的并集搜索的新宏启发算法

利用TSP问题解的概率统计模型，分析了TSP问题的局部最优解并集的性质，发现局部最优解的并集规模较小且包含了绝大多数全局最优解的边．利用该性质，将局部最优解并集作为启发集，并调用局部搜索算子在其上求解TSP问题，由此得到一种称为并集搜索的新宏启发算法．利用该算法还改进了目前广泛使用的求解TSP问题的算法ILK、LKH，在TSPLIB中典型实例上的实验结果表明，新算法在解的质量上有了较显著的提高．     

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.