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.     

一种基于遗传算子优化组合的TSP问题求解方法

一般遗传算法求解旅行商问题时,存在着搜索速度与求解质量之间的矛盾.针对此问题提出了一种逆序与对偶组合算子,用以增强遗传算法的局部搜索能力.将其与具有良好全局搜索模式的均匀杂交算子优化组合应用,采用自然数和二进制相互转换的编码方式,构造了一种对TSP问题进行求解的遗传算法,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好的搜索效率和求解质量.     

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．     

元素判别值分配法在求解TSP问题中的应用

针对旅行商（TSP)问题的求解，研究出一种完全不同于现行方法的求解新途径。该方法基于元素判别值的分配，其值是一个元素可调配和被选择的权值，是经综合计算的。因此，可作为元素调配或选择的依据。使用它求解TSP问题时，只需一次分配可获得最方案，无需调整。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

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.     

一种改进的遗传算法求解旅行商问题

针对在解决旅行商问题时标准遗传算法效率不高,很容易陷入局部最优解的问题,提出了一种改进的遗传算法. 根据种群个体的多样性和分布情况,提出了判定遗传算法截止代数的方法. 研究结果表明,通过加入了初始化信息,改进交差算子,可提高遗传算法的精确性和收敛性.      

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.     

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.     

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。     

旅行商问题(TSP)的改进遗传算法

对于中大规模ＴＳＰ问题的求解,提出了２种新的改进遗传算法:两交换启发交叉算法和三交换启发交叉变参算法·经过仿真实验和实例应用证明了算法的有效性·三交换启发交叉变参算法的性能优于两交换启发交叉算法·     

求解TSP的改进遗传算法

遗传算法是求解旅行商问题的一种全局优化概率搜索算法方法,文中针对遗传算法较快的找到最优解并防止"早熟"收敛问题,提出了一种新的分级方法,该方法在各级中以群体当前最优个体替代各级中的最差个体,并在各级中采用自适应变异概率,改进后的遗传算法不但有效的维持了群体的多样性,而且提高了收敛速度,最后实验表明,改进的算法是可行和有效的.     

改进的遗传算法求解TSP

阐述了一种针对TSP问题的改进遗传算法。引入了局部优化搜索算法。加快了算法的收敛速度。减轻了初值对结果的影响。加入了改进的OX交叉算法,在交叉中合理保留了优秀个体基因的排列顺序。利用精英复制保留了优秀基因。维持了种群个体数目稳定。提出了一种新的变异算法,有效避免了路径重复,减小了运算量,提高了运算速度。     

一个基于遗传算法的TSP问题解决方案

介绍了遗传算法的基本思想、TSP问题及其应用.基于经典的遗传算法思想,在一个解决TSP问题方案的基础上提出了改进方案.从问题的解决中可以看到,利用遗传算法解决实际问题,主要依赖于问题的编码以及遗传操作算子.     

带排斥算子的GA求解无能力约束的多级生产批量计划问题

离散制造行业中的多级生产批量计划(multi-level lot-sizing,MLLS)问题的研究不但是一个理论和应用上的难题,也是在生产中产生重大经济效益的问题之一.针对无能力约束的装配结构MLLS问题,为避免基本遗传算法(genetic algorithm,GA)因过早收敛造成搜索效率降低,将排斥算子(repulsion operator)引入GA中,提出带有排斥算子的遗传算法(GA integrated with repulsion operator,RGA).采用GA算法和RGA算法对6组不同规模的问题进行了仿真实验.结果表明,RGA算法的运行效果明显优于普通GA算法;RGA算法对于...     

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。     

用遗传算法解决博弈问题

解决博弈问题的传统算法——搜索树法所无法克服的对搜索深度的限制.以五子棋为例,提出了用遗传算法代替搜索树法解决博弈问题的基本方案,并对适应度函数的设计作了一些有益地探索,给出了设计适应度函数应满足的必要条件.实验表明,用遗传算法所设计的对弈程序优于搜索树法.     

基于MATLAB的遗传算法程序设计及TSP问题求解

首先分析了用Matlab语言设计遗传算法程序的优越性,接着以遗传算法求解TSP问题为例,深入讨论了各个遗传算子的程序实现,并通过分析实验数据,得到各个遗传算子在搜索寻优过程中所起的作用,最后指出了用Matlab语言编码同用其它高级程序语言编程的差异所在。     

用遗传算法解决五子棋博弈问题

以五子棋为例,提出了用遗传算法代替搜索树法解决博弈问题的构想,给出了设计适应度函数应满足的必要条件和几种适应度函数的设计方案.