TSP问题的智能优化算法研究

智能优化算法比较常见的有模拟退火算法、遗传算法、人工鱼群算法、神经网络算法等。本文主要对前三种算法优化性能进行研究。首先介绍了三种算法的基本原理,然后总结了各自的优缺点并从原理和参数两个方面对三种算法进行了对比分析,以经典NP难题——TSP为例进行了仿真研究给出了未来针对TSP问题的研究重点。     

改进免疫算法在旅行商问题中的应用

免疫算法是基于人工免疫的基本理论发展而来,它是对人工免疫理论研究和应用的扩充与发展。本文提出了一种改进的提取疫苗和注射疫苗的免疫算法,给出了该算法疫苗的形成方式,并将该算法应用在典型的组合优化问题TSP的求解中。通过50个城市TSP问题的仿真实验,表明该算法较原算法有更快的收敛速度,是一种较理想的解决TSP问题的智能优化算法。     

用模拟退火算法求解TSP

货郎担问题,即TSP（Traveling Salesman Problem）,是一个组合优化问题。具有NPC计算复杂性。本文分析了模拟退火算法模型,研究了用模拟退火算法求解TSP算法的可行性,并给出了用模拟退火算法求解TSP问题的具体实现方法。     

求解TSP的几种方法比较

针对物流公司送货问题所产生的TSP现象,从一种改进的蚁群算法、树的遍历算法两种经典算法入手,提出了一种新的求解TSP问题的启发式算法.通过测试,该算法结果精确用时较短且简单易行.在实际情况中对这三种算法的优劣进行了分析和比较.     

基于遗传算法求解TSP问题的算法设计

TSP是一个典型的组合优化问题,并且是一个NP难题,其可能的路径总数与城市数目n是成指数型增长的,所以一般很难精确地求出其最优解,因而寻找出有效的近似求解算法就具有重要的意义.现提出一种求解TSP问题比较有效的遗传算法,从其数学模型、遗传算子、评估函数、种群多样性等方面对算法进行了分析,结果表明提出的算法在求解TSP问题上是有效的.     

基于遗传算法的旅行商问题的研究

巡回旅行商问题(TSP)是一个组合优化方面的问题,已经成为测试组合优化新算法的标准问题。应用遗传算法解决TSP问题,首先对访问城市序列进行排列组合的方法编码,这保证了每个城市经过且只经过一次。接着生成初始种群,并计算适应度函数,即计算遍历所有城市的距离。然后用最优保存法确定选择算子,以保证优秀个体直接复制到下一代。采用有序交叉和倒置变异法确定交叉算子和变异算子。最后用MATLAB来实现算法,仿真后,观察路径,得出最终结果。     

基于ICGSO算法的瓦斯突出预测研究

针对萤火虫群优化(GSO)算法在解决全局优化问题时出现的易陷入局部最优、收敛速度慢、求解精度不高等问题,提出一种改进的混沌萤火虫群优化(ICGSO)算法,修改了GSO算法动态决策域半径更新公式,并采用自适应动态步长,引入混沌优化算法提高局部搜索能力。实验结果表明将ICGSO算法应用于建立在神经网络预测模型上的瓦斯突出预测中的有效性。     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

求解TSP问题的几种算法比较

旅行售货商问题(简称TSP)是离散优化的一个经典的重要问题,对求解算法的研究非常重要。在介绍求解TSP问题的贪婪算法、禁忌搜索算法、模拟退火算法、遗传算法的基本思想之后,提出了相应的算法。针对测试库的四个典型算例,用程序实现这些算法,对这些算法的运行时间和结果进行比较研究。结果表明贪婪算法短时间就可以得出解,禁忌搜索算法与遗传算法的效果相当,模拟退火算法比遗传算法的结果好。     

一种改进的求解TSP问题的遗传算法

TSP问题是典型的NP难组合优化问题,而遗传算法是求解此类问题的一种方法。但遗传算法存在收敛速度慢和陷入局部最优的问题。针对上述问题并结合TSP的特点提出了一种改进的遗传算法,对传统遗传算法的各种操作与算子进行了优化与改进,较好地解决了种群多样性与算法收敛性的矛盾。实验结果表明,改进后的算法明显优于传统遗传算法,说明该算法具有良好的有效性与可行性。     

蚁群优化算法的理论、改进及应用

蚁群优化算法是一种新型的模拟进化优化算法,为求解复杂的组合优化问题提供了一种新的思路。文章对蚁群优化算法理论及其收敛性进行了分析,并从选择策略、信息素更新、信息素浓度的变异等多方面对蚁群优化算法提出了改进,不仅使其跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,在TSP问题上的应用表明改进算法具有良好的性能。     

混合型蚁群算法及其应用

蚁群优化算法——蚂蚁系统（Ant System,AS）是Dorigo M在20世纪90年代最早提出的一种新型生物智能算法,Dorigo M将蚁群优化算法应用于解决经典的旅行商问题（TSP）,取得了较好的应用效果。采用混合型蚁群算法进行优化求解,探讨其实现TSP问题的求解流程,以更好地指导实际问题解决。     

基于改进的神经网络异常声音自动识别系统研究

针对标准的BP神经网络对于声音信号识别率不高的问题,提出了一种用粒子群算法(PSO)优化BP神经网络的算法,建立了声音信号识别模型。PSO优化BP神经网络主要是用PSO来优化BP神经网络的初始权值和阈值,然后通过训练BP神经网络得到识别模型的最优解,优化后的神经网络具有误判率小、反应速度快等特点。在实验中把标准的BP神经网络和PSO优化后的BP神经网络用于八种异常声音的MFCC特征量和差分MFCC特征量识别,结果表明:在声音信号的识别系统中采用PSO优化BP神经网络的算法提高了系统的识别性能,达到了系统设计的目的。     

蚁群算法优化——基于局部信息素更新

由于常规蚁群算法容易陷入局部最优,出现停滞现象等问题,本文采用了城市选择策略,局部信息素更新策略,最优解预测策略和局部优化策略对蚁群算法进行优化改进,提出了基于局部信息素更新的思想。并通过一些TSP问题对改进的蚁群算法进行验证。实验结果表明改进后的蚁群算法在求解一些TSP问题上可以得到比目前所了解的最优解更满意的解。     

一遗传算法求解 TSP 问题的研究

针对组合优化中的TSP问题,分析了遗传算法的特点,设计了遗传算法的编码、交叉、变异及进化逆转算子,克服了遗传算法容易出现局部收敛的现象,并使用Matlab实现了这一算法,将其应用于山东省17个城市的TSP问题,通过计算结果分析验证了该遗传算法的有效性。     

遗传算法求解TSP问题的研究

针对组合优化中的TSP问题,分析了遗传算法的特点,设计了遗传算法的编码、交叉、变异及进化逆转算子,克服了遗传算法容易出现局部收敛的现象,并使用Matlab实现了这一算法,将其应用于山东省17个城市的TSP问题,通过计算结果分析验证了该遗传算法的有效性。     

改进型遗传算法求解TSP问题

旅行商问题(TSP)是一个典型的NP难题,优化TSP求解问题有着重要的意义。遗传算法(GA)是解决这类问题的有效方法之一。标准遗传算法有一定的局限性,该文对遗传算法选择算子改进而引入了精英保留策略,保证选择的质量;在变异操作中采用自适应算法选择变异算子,提高变异质量和算法的搜索效果;在个体进化后再引入单向进化逆转操作,使子代继承亲代优质基因机会提高,提高算法搜索最优解的能力。经过国际公认的TSPLIB的实验数据的验证,优化后的遗传算法搜索最优解能力提高。     

基于连续型Hopfield神经网络的系统辨识

连续型Hopfield神经网络(CHNN)可用于优化计算,但其会遭遇较复杂的参数辨识问题.为了较好地解决这一问题,将擅长全局搜索的蚁群-粒子群混合算法用于对系统参数的最优化选取.再将此混合算法与CHNN有机结合,更好地解决参数辨识问题,且能有效避免CHNN在应用过程中陷入局部最优解.最后,将理论结果应用于求解TSP问题来验证其有效性.     

模拟退火算法在TSP求解中的应用

模拟退火算法在处理全局优化、离散变量优化等困难问题中,具有传统优化算法无可比拟的优势。描述了模拟退火算法的原理及其基本框架结构,给出了用模拟退火算法求解TSP问题的具体实现方法,并分析说明了模拟退火算法的优缺点。     

旅行售货员问题(TSP)的模拟退火算法

旅行售货员问题(Traveling salesman problem)是计算机算法中的一个经典的难解问题,已被证明是一个NP-C(Nondeterministic Polynomial-Completeness)问题,其计算复杂度O(n!),无法找到一个多项式算法解决此类问题。本文利用最优化理论中的模拟退火法,简述了TSP问题的近似算法。