求解旅行商问题的几种算法的比较研究

旅行商问题具有重要的理论和实际研究价值,在工程实践中应用广泛.采用遗传算法、蚁群算法和模拟退火算法对旅行商问题进行求解,并选取中国旅行商问题进行仿真,比较了3种算法的优劣,得出了它们各自不同的适用范围:蚁群算法适用于缓慢地较精确的求解场合;模拟退火算法适用于快速精确的求解;遗传算法适用于快速求解,但结果准备度要求不高的情况.     

用改进的遗传算法求解中国旅行商问题

遗传算法是基于生物进化原理的普适性全局优化算法，针对一类ＮＰ完全的组合优化问题－旅行商问题，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

一种基于模拟退火的遗传算法在受约束旅行商问题中的应用

旅行商路径问题已被证明是高维非线性完全问题,现实情况中还会增加非流通图约束.鉴于现有遗传算法在求解过程中容易出现早熟及冗余迭代的缺陷,设计了一种基于模拟退火的优化算法.该算法以旅行商途径地点次序作为编码,初始化过程中混合了贪心方法以实现局部优化,避免出现大量非可行染色体,增大了后续的进化效率.并且依据约束满足条件推导出特定的适值函数,选择了当前较为高效的交叉变异操作,在执行过程中融入了基于模拟退火算法的子体接纳判据.最后引用国内若干城市的信息用于算法检验,结果显示新算法显著优于现有算法.     

基于改进果蝇算法的旅行商问题

通过将原果蝇算法用于求解几个简单函数极值问题上,发现原果蝇算法存在易陷入局部收敛和收敛精度低等不足.为了改进这些不足,使其可以用于解决旅行商问题,结合粒子群算法和遗传算法特点,将粒子群算法的全局极值更新法和遗传算法变异操作引入到原果蝇算法中,提出新的改进果蝇算法.通过引入这些操作,可以扩大解的搜索空间,防止过早收敛和早熟.然后再借助MATLAB软件对TSPLIB库中几个典型的旅行商问题进行求解,并对改进果蝇算法与粒子群算法结果进行比较分析,证明了改进果蝇算法在求解旅行商问题上具有较好特性,具有更好收敛性和更高收敛精度.     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.     

一种解TSP问题的混合算法

把经典启发式算法与遗传算法相结合,构造了一种混合式算法.这种算法通过加入2-opt算法改进了边重组算法,兼有2-opt算法和边重组遗传算法的优点.对于小于80个城市的旅行商问题,能收敛到全局最优解.     

基于模拟退火算法的均衡路程MTSP

本文提出了总行程最小和任务均分的多目标的多旅行商问题,并建立了相应的数学模型和求解算法。最后利用模拟退火算法对中国31个主要城市（以武汉为同一始发站）的任务均分的多旅行商问题进行仿真。     

一种求解TSP问题的改进粒子群优化算法

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将遗传算法、模拟退火算法与粒子群算法结合,提出一种改进的粒子群优化算法.在PSO的快速寻优基础上,融入遗传算法的交叉与变异操作,使粒子群具有变异能力,同时引入模拟退火算法的Metropolis准则,允许粒子在目标函数有限范围内变坏,防止陷入局部最优,形成一种新的算法模型,应用于TSP问题求解.采用TSPLIB中burma 14和att 48作为实验数据,对算法求解旅行商问题进行模拟与分析.仿真实验结果表明该改进算法提高了求解质量,全局搜索能力得到增强.     

求解多峰值问题的改进混合遗传算法

由于遗传算法解决问题时容易陷入局部极值点,根据遗传算法全局搜索能力强和模拟退火算法局部搜索能力优的特点,将它们混合使用,同时改进初始群体产生方法,使随机产生的初始群体之间有较明显的差别,能均匀分布在解空间,并采取与进化代数相关的多精英保留策略及改进的自适应选择与变异操作.模拟退火算法的结束条件改进为当连续五代个体与前一代适应值无变化或当前温度小于结束温度.仿真实验表明新算法在求解多峰值问题时改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.     

一种求解旅行商问题的新算法

分析了旅行商问题的时间复杂度特点，针对用遗传算法求解旅行商问题中存在的一些问题提出了改进算法．此算法将群体分为若干小子集，并用启发式交叉算子，以较好地利用父代个体的有效信息，达到快速收敛的效果．实验结果表明：此算法能提高寻优速度，解的质量也有所提高。     

基于自适应层次谱聚类与遗传优化的TSP算法

提出一种基于自适应层次谱聚类与遗传优化的算法求解大规模TSP,算法首先构建一种自适应相似矩阵,并应用到谱聚类算法中实现城市的初步聚类,当聚类城市规模超过设定阈值,用上述自适应谱聚类算法进行层次聚类,直到每类城市规模均小于阈值;其次,采用结合了最近邻与禁忌思想的改进遗传算法求解GTSP,得类间最短回路;最后,用改进遗传算法求解每类城市群的最优解,综合类间GTSP最短回路以及类内TSP最优解,即得大规模旅行商问题的最优解.实验结果表明,该算法能够取得相对较优解且求解效率显著提高.     

遗传算法解TSP问题的程序设计

遗传算法是基于生物进化原理的普适性全局优化算法,针对一类NP完全的组合优化问题—旅行商问题,文章阐述了用遗传算法求解旅行商问题的算法步骤,并给出相应的程序设计.将此算法应用到6个旅行商问题中所得到的结果与弹性网络得到的结果进行比较,得出用遗传算法得到的结果与最优解较为接近的结论.     

蚁群算法与遗传算法在TSP中的对比研究

本文首先论述了求解TSP的基本原理,建立了TSP的数学模型,应用Matlab对传统蚁群算法和传统遗传算法求解TSP进行了对比研究.实验结果表明,当城市个数较少,距离较近时,蚁群算法和遗传算法均能找到最优解,且蚁群算法收敛速度快.当城市个数较多且距离较远时,运用本文中的算法,蚁群算法仍然能找到最优解,而遗传算法没有最优解.     

一种求解旅行商问题的信息传播算法

针对旅行商问题求解精度较差、容易陷入局部最优等缺点,提出一种新的求解旅行商问题的信息传播算法.根据旅行商问题的特征,将线性方程嵌入信息传播算法方程中得到旅行商问题的势函数,进而将其转换为因子图,在因子图上利用信息传播算法的迭代方程进行迭代计算.在迭代过程中选择边际信念的最小值,从而得到旅行商问题的初始解,在算法达到设定...     

多流股换热器网络综合问题的优化算法设计

多流股换热器网络综合问题是一个混合整数非线性规划问题（MINLP），这类问题规模大、约束条件多，严重的非凸非线性使得目标函数存在多个局部最优解．传统的基于梯度的优化算法在求解时极易陷于局部最优．有鉴于此，本研究采用遗传算法解决此类问题，通过对遗传算法进行改进，针对简单遗传算法存在的早熟和运行参数难以确定的问题，设计了多样性保持算子和多种群进化的算法结构；计算时运行参数自适应确定，并把模拟退火算法思想引入遗传算法子代的生成中去．实例证明，采用所构造的算法可有效求解MINLP问题，并有利于寻求到全局最优解．     

折现流多模式资源约束项目调度问题研究

针对带折现现金流的多模式资源约束项目调度问题研究,在考虑实际工程中对最终净现值产生影响的多种因素的基础上,建立以最大化现金流净现值为优化目标的非线性数学模型,提出一种改进的遗传模拟退火算法对模型进行求解.该算法利用遗传算法进行全局并行搜索,种群每个新产生的个体在交叉和变异后采用模拟退火技术进行局部串行优化,使之移动到最近的局部最优点再进入下一代迭代.采用针对活动的整数编码方式,基因的值表示活动的优先权和执行模式,每个个体对应一个满足时序约束和资源约束的项目调度方案.仿真结果表明,新算法能有效地对多模式资源约束项目调度问题做出合理调度,使项目收益最大化,并且比传统的遗传算法具有更高的求解质量和求解效率,为承包商在项目投资和进度管理上提供了定量化决策支持.     

处理带约束的多目标优化进化算法

针对当前对求解多目标优化的遗传算法中主要考虑如何处理相互冲突的多个目标间的优化,而很少考虑对约束条件的处理的问题,提出一种求解带约束的多目标优化遗传算法,利用邻域比较与存档操作遗传算法处理多个相互冲突的目标之间的优化、利用不可行度选择操作处理约束条件和选用约束主导原理指导进化过程选择操作; 面向多目标约束优化算法,列举了2个难点典型问题进行仿真计算研究,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解.     

一类多旅行商路径均衡规划算法

本文研究了多个旅行商旅行多个城市的路径规划问题,提出了基于系统科学中的"吸引子"意义下的路径规划算法.路径规划的目标是均衡各旅行商的旅行路径长度并使得路径总和得到优化.为此提出了一种求解该问题的启发式算法思想,并结合邻近点和最短路径设计了算法,同时由复杂度分析知该算法的计算时间复杂度比以往的要低.     

基于萤火虫算法的最大值最小化着色旅行商问题的求解

针对遗传算法在求解最大值最小化着色旅行商问题(min-max colored traveling salesman problem, MM-CTSP)中存在解质量欠佳、耗时多和收敛速度慢等问题,提出基于萤火虫算法的MM-CTSP求解方法,采用直接路径编码方式提高解码效率;采用翻转变异策略更新个体,提高算法的收敛速度.结果表明,该方法的解质量高,耗时少,收敛速度快,且城市规模越大其优势越明显.     

求解多起点多旅行商问题的-K-means聚类信息传播算法

多旅行商问题在实际生活中有着较为广泛的应用价值,该问题的求解受到越来越多学者的关注。信息传播算法是一类求解组合优化问题最为有效的方法,基于K-means聚类技术,给出了求解多起点多旅行商问题(Multiple depots Multiple Traveling Salesman Problem, MMTSP)的信息传播算法,该算法采用k-means聚类算法将旅行商问题进行聚类,从而形成若干类,对每一个类采用信息传播算法进行旅行商搜索,将每一个类的搜索结果进行综合,得到MMTSP问题的解。通过对旅行商标准测试数据集中的多种实例进行测试,并与其它同类算法进行试验对比分析,结果表明：该算法优于同类算法。