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。     

混合蛙跳算法在TSP中的研究

对混合蛙跳算法优化机制的进行分析,设计了一种求解TSP问题的混合蛙跳算法。针对混合蛙跳算法容易早熟的缺陷,算法首先根据种群的适应度确定初始蛙群的位置,其次设计了模因组选择青蛙的概率公式,并对模因组中最差的青蛙个体进行更新,最后,对参数的设置做了分析。针对TSP的实验结果表明,该算法在求解精度上取得了良好的效果。     

蜂群算法在TSP问题上的应用及参数改进

在分析蜜蜂采蜜原理和蜂群算法模型的基础上,本文提出了一种适于组合优化问题应用的改进蜂群算法,将其应用在TSP问题的求解上,并对其重要参数limit的求解方法进行了改进。在TSP LIB上的仿真实验结果表明,改进算法全局搜索能力强,有较好的发现最优解的能力。     

含分布式电源的改进免疫算法配电网无功优化

考虑含分布式电源配电网的特点,为实现无功优化的目标,在免疫算法的基础上,提出一种改进免疫算法。该算法结合免疫克隆原理,将待求问题作为抗原,把其解作为抗体。在抗体的优化过程中,基于中心个体的划分聚类算法对抗体进行聚类,再对聚类后的抗体竞争克隆,构建小局域中优秀抗体聚类群,引入自适应算子对抗体群进行动态调整,以便能生成全局最优解。     

改进的人工鱼群算法求解TSP问题的研究

针对旅行商(traveling salesman problem,TSP)是一个NP问题,本文使用改进的人工鱼群算法(improved artificial fish swarm algorithm,AFSA)进行线路的优化.首先阐述了TSP问题基本概念,其次针对基本的人工鱼群算法分别优化:(1)使用Laplace进行种群初始化,提高种群多样性;(2)使用正弦余弦算法取代觅食行为,保证算法在全局和局部范围内具有一定的平衡性;(3)利用人工蜂群算法对每一次迭代后的个体进行筛选,保证了算法的解的质量.仿真实验中本文算法在TSP路径规划方面具有一定的效果.     

一种保持种群多样性的单变量边缘分布算法

针对单变量边缘分布算法（UMDA）求解复杂优化问题时的局限性,本文将均匀变异机制引入分布估计算法（EDAs）领域,提出了一种基于均匀变异的单变量边缘分布算法。该算法利用均匀变异操作保持种群的多样性,提高混合算法的全局搜索能力。通过对算法的分析和仿真实验表明与单变量边缘分布算法（UMDA）相比,改进后的保持种群多样性的单变量边缘分布算法具有更高的优化性能。     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

小波自反馈混沌神经网络的研究与应用

提出了小波自反馈混沌神经网络,分析了小波自反馈对混沌神经网络动力学行为的影响;将该暂态混沌网络模型应用于求解10城市旅行商问题(TSP),分析了小波自反馈对模拟退火的影响,得出了小波的自反馈是模拟退火的有效补充的结论;利用小波自反馈的伸缩平移优化了网络求解TSP的性能;最后研究了网络求解旅行商问题的内部状态的暂态混沌搜索、最大Lyapunov指数、混沌区域以及相空间的散度。实验仿真表明,小波自反馈的暂态混沌神经网络能够实现全局优化并具有较快的收敛速度。     

TSP问题的蚁群算法模型及仿真研究

蚁群算法是一种新型高效的启发式优化算法,在解决优化组合问题特别是TSP求解问题上具有很高效率.本文在分析了蚁群算法的基本原理和工作机制的基础上,从信息素的更新改进实现对节点重复率的控制,并通过仿真实验实现相关参数的最优选择.实验证明,改进算法可以有效地减少蚂蚁行走的盲目性,提高了蚁群算法在迭代过程中更新TSP最优解的能力.     

基于蚁群算法的TSP问题求解

人工蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法、蚁群算汝在求解一系列困难的组合优化问题上取得成效,成为解决TSP,VRP,QAP,JSP等典型问题的一种新型的强有力算法.本文对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法以及应用等进行了系统的论述.     

改进的TSP算法求解供应链一对多配送问题

TSP问题即旅游最优路线问题,是数学领域中著名问题之一.如今,把TSP用于解决物流行业中运输线路优化已成为一种新的趋向.针对TSP问题没有一种简便、统一的求解方法,提出了改进的TSP算法,即把问题转化为求解最小树和图中悬挂点的匹配问题,从而大大缩小了TSP问题解的搜索空间,降低了求解难度,得到一种改进的求解方法,解决了供应链一对多配送问题.     

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和柱子群优化的混合算法用来求解TSP问题。利用柱子群优化对基本蚁群算法中启发式因子α及β进行改造和随机搜索,从而得到两个参数的最佳组合值,实现TSP问题的求解。模拟实验结果得到了最优路径的解,达到了预期的效果,具有很好的推广应用价值。     

禁忌搜索算法及其在TSP问题中的应用研究

TSP问题是一类典型的NP完全问题,禁忌搜索算法是解决此类问题的智能优化方法之一。文章在研究了禁忌搜索算法的基本原理和算法步骤的基础上,建立了求解TSP问题的数学模型,设计了一个求解TSP问题的禁忌搜索算法程序,并进行了实验测试,实验结果表明,禁忌搜索算法能够有效地解决TSP问题。     

一种基于郭涛算法的混沌优化算法

本文对郭涛算法的过程和混沌运动的特性进行了分析，将它们进行结合提出了新的优化算法，从数值试验结果看来，将混沌系统引入到郭涛算法加快了算法的收敛速度同时能更好保持种群的多样性。     

基于自适应蚁群算法的最短路径搜索方法研究

最短路径问题是指在一个赋权图的两个节点之间找出一条边权和最小的路径,是图论中的一个经典问题,该问题和TSP等经典的组合优化问题具有很大的相似性,也属于组合优化问题.蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路.本文应用蚁群算法求解最短路径问题,对选择策略、信息素挥发系数进行白适应地调整,避免算法出现早熟和停滞现象,并能较快地收敛到全局最优解.实验结果表明,该方法能有效解决最短路径搜索问题.     

供应链销售管理PSO算法的分布式优化

针对传统粒子群算法在供应链销售管理的应用中表现出收敛性不佳的问题,本文提出了一种基于分布式优化粒子群算法的供应链销售管理模型,首先将免疫算法中繁殖策略与基本粒子群算法相结合,保持种群的多样性,然后引入变异操作并结合神经网络中的Sigmoid型函数对粒子群算法的特征子集进行了优化,最后采用最优化学习策略在算法陷入局部最优时跳出来。仿真试验结果表明,本文提出基于分布式优化粒子群算法的供应链销售管理模型,在收敛性能上远远优于标准粒子群算法。     

蚁群算法及其在组合优化问题中的应用

介绍了一种求解复杂组合优化问题的新型的模拟进化算法——蚁群算法。阐述了该算法的基本原理、模型以及实现过程,并且介绍了蚁群算法在TSP问题、二次分配问题、车间作业调度问题、大规模集成电路综合布线以及车辆路径问题等组合优化问题中的应用思路。     

求解0-1背包问题的克隆选择算法

针对传统克隆选择算法中随机点变异求解0-1背包问题中存在的不足,将受体编辑功能引入克隆选择算法中,提出了基于混合克隆选择算法的0-1背包问题求解算法。受体编辑机制中基因片断反转功能能够有效促进克隆进化。实验结果表明,与传统克隆选择算法相比,该算法对0-1背包问题有着较好的寻优能力和执行效率。     

TSP问题的最优化研究及求解实例

本文首先描述了旅行商问题(简称TSP),介绍了TSP问题的发展历史,并提出了自己的观点,然后对基于模拟退火算法的神经网络求解TSP问题的具体技术线路进行了详细介绍,最后建立了一个求解TSP问题的实例模型,用C语言编制程序,给出了运行结果。     

基于蚁群算法的TSP问题研究与实现

旅行商问题(TSP问题)是运筹学中一个十分典型的组合优化问题。TSP问题看似简单,但是解决起来十分复杂、困难,采用传统的、一般的算法是很难求出问题的最优解的。蚁群算法是根据蚂蚁寻找食物的行为模拟出来的新型仿生算法,可以用于解决复杂的组合优化问题。