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。     

组合优化中启发式算法的研究分析

在组合优化的实际问题求解中，背包问题，TSM问题等NP(Non—deterministic Polynomial)问题在多项式时间内无法得到最优解，要解决此类问题，就必须借助于启发式算法；简单介绍了计算复杂性概念，列举了几种常用的启发式算法，并给出算法的自然语言描述。     

基于LM和SA的混合优化算法

针对LM算法及模拟退火算法各自存在的不足,提出一种交替使用二者的混合优化算法（SALM算法）.该算法先通过模拟退火算法粗调得到一组全局最优近似解,再以该近似解为初值,交替使用模拟退火算法和LM算法,直至发现满意的最优解.实验结果表明,新算法不但具有模拟退火算法的全局收敛特性而且保留了LM算法的局部收敛速度,克服了单纯模拟退火算法所产生的随机性和概率性问题,也弱化LM算法对初始条件的依赖程度,保证了求解的速度和精度。     

求解矩形布局问题的一种混合SAGA算法

矩形布局问题属于NP-Hard问题,是一种复杂的组合优化问题.模拟退火算法(SA)和遗传算法(GA),经常被用于求解组合优化问题.但是当问题规模较大时,存在一些难以解决的问题,如早熟现象.针对二维矩形布局问题,以动态吸引子为依据,根据各优化算法的特点,提出了一种将模拟退火算法和遗传算法思想融合的SAGA混合算法.最后通过实例证明该算法的合理性和高效性.     

梯度退火混合优化算法

通过对梯度法与模拟退火算法优缺点的分析,提出了一种梯度退火新型混合全局优化算法。该算法利用梯度法的快速寻优特性得到某一局部极值,然后采用模拟退火算法的全局搜索寻优能力跳出该局部极值,经过反复混合迭代最终获得全局最优解。仿真实验表明,该新型混合优化算法显著提高了求解全局优化问题的计算效率。     

股票投资组合中若干优化算法的比较研究

鉴于投资组合的构建既是机构投资者首先关注的核心问题,又是金融市场中每个个体投资人需要解决的问题,具有重要的实际意义,本文利用实际数据,首先采用遗传算法、模拟退火算法和粒子群算法等多种算法对模型进行优化计算,然后将所得结果进行了比较研究。     

改进灰色马尔科夫模型算法的快递物流路径配送及最优选址研究

电子商务的发展推动着快递物流需求量的增加,但各配送节点之间的服务效率以及快递“爆仓”所带来的时间制约严重影响着当前快递业的发展。基于此,借助灰色模型以及最优子集法对灰色马尔科夫模型进行改进,并对快递物流动态选址以及快递需求量两方面进行考虑。实验结果表明,改进Grey Markov模型的物流快递平均迭代速率和平均相对误差达到了7.64%和0.0623,路径节点配送效率提升了13.24%,收敛时间误差波动值小于1.29s。该模型能有效对快递物流进行动态规划,在合理范围内实现最优选址。     

基于遗传退火算法的关联规则挖掘

把模拟退火算法具有全局平衡的特性引入到遗传算法中来,避免了遗传算法收敛性慢以及容易陷入早熟的特点,提出了一种基于遗传退火策略的关联规则挖掘模型。实验结果表明,与遗传算法相比,改进的算法更能有效挖掘大型数据集中的关联规则。     

模拟退火算法与遗传算法的结合应用研究

模拟退火算法具有较强的局部搜索能力,并能使搜索过程避免陷入局部最优解,但模拟退火算法是一种NP类算法,对整个搜索空间的状况却不能很好的搜索,收敛速度慢,从而使得模拟退火算法的运算效率不高。遗传算法来源于生物遗传学和自然选择机理,通过人工方式所构造的一类搜索算法。其局部搜索能力较差,但把握总体搜索过程的能力较强。若能将两者有机的结合,既加速了算法的收敛速度又避免陷入局部最优解。     

基于灰狼优化器和蜜蜂算法的新混合优化算法

文章基于灰狼优化器和蜜蜂算法两种种群优化算法,将两者的优点结合,提出一种新的混合优化算法来克服原算法的缺点。为了评估新的混合优化算法的性能,通过对基准函数的测试分析,将新的混合优化算法和原有算法进行了比较,验证了新算法的性能的优越性。     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

基于模拟退火遗传算法的公交区域调度研究

采用模拟退火算法和遗传算法相融合,建立公交区域调度中行车计划生成的模型,创建目标函数,将模拟退火算法应用于遗传算法的交叉、变异过程中,对模型进行求解,并用实际的运营数据对模型进行了验证,结果表明,此方法是可行且有效的。     

实现平面连杆变幅机构轨迹复演的遗传退火混合优化算法的研究

利用随机优化算法、遗传法和模拟退火法的优点设计了一套遗传退火混合优化算法 ,并将其应用于平面连杆变幅机构轨迹复演的优化 .计算实践表明 ,该算法的稳定收敛性良好 ,对多峰值的目标函数能以较大的概率搜索到全局最优解     

改进的模拟退火算法求全局优化问题的最优解

围绕全局优化问题,对模拟退火算法进行了分析,针对过程变量优化问题中普遍存在的多峰现象,探讨了应用模拟退火算法求全局优化问题的最优解的方法．通过对线性问题和非线性问题的计算,表明该法能够有效地解决全局优化问题．     

模拟退火算法在优化中的研究进展

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.在计算机计算速度不断提高的条件下,具有不可低估的发展潜力和重要的研究价值.本文研究分析了基本的模拟退火算法原理,主要介绍了模拟退火算法的发展历史和特点,综合了近期关于模拟退火算法研究进展.本文在比较了模拟退火算法与传统的优化方法的基础上,最后指出了它的发展趋势和研究热点,对模拟退火算法在优化中的推广应用具有重要意义.     

一种新的全局优化算法--区域游动并收缩

1　Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｃｏｎｓｉｄｅｒｔｈｅｆｏｌｌｏｗｉｎｇｂｏｘｃｏｎｓｔｒａｉｎｅｄｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍ:ｍｉｎｘ∈Ｌｆ(ｘ),ｗｈｅｒｅＬ=∏ｄｉ=1[ａｉ,ｂｉ],ａｉ,ｂｉ∈Ｒ,ａｉ<ｂｉ,ａｎｄｆｉｓｃｏｎｔｉｎｕｏｕｓｏｖｅｒＬ.　Ｆｏｒｓｔｏｃｈａｓｔｉｃｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ,ｒｅｓｅａｒｃｈｅｒｓｈａｖｅｄｏｎｅａｌｏｔｏｆｗｏｒｋ[1].ＩｔｉｓｗｏｒｔｈｍｅｎｔｉｏｎｉｎｇｔｈａｔＳ.Ｋｉｒｋｐａｔｒｉｃｋｅｔａｌ.ｉｎ1983…     

遗传模拟退火算法在非线性最小二乘中的应用

对于非线性最小二乘问题,传统的算法往往是从一个初始值开始,经过迭代来逼近问题的最优解,其结果必会受到初始值的影响,而遗传模拟退火算法求解则具有很好的全局搜索能力,不受初始值的影响.研究表明,采用遗传模拟退火算法来求解非线性最小二乘问题,可取得较好的效果.