求解TSP问题的三角形编码抗体克隆选择算法

在探讨遗传算法求解TSP问题中编码方式和交叉、变异算子作用特点的基础上,发现模板理论已经不能很好地适应TSP问题,主要是因为非二值符号编码和交叉算子对边的过度破坏导致子代难以继承父代的优良模式．为了克服上述问题,提出一种三角形表示的路径编码方案,并给出相应的启发式路径搜索策略;引入生物免疫系统的克隆选择机理加强局部搜索,进而构造一种适合TSP问题求解的人工免疫系统算法--超变异抗体克隆选择算法(HACSA)．典型TSP问题的求解表明,和Endoh等人的免疫算法和遗传算法相比,HACSA的计算复杂度相当,60％以上的求解结果达到或者超过问题已知的最优值,而相应的免疫算法和遗传算法几乎均陷入局部极值,无法获得满意的求解结果．     

基于改进遗传算法的TSP间题求解

TSP问题是典型的NP完全问题 ,遗传算法是求解NP完全问题的一种常用方法。本文针对解决TSP问题 ,提出一种新的改进遗传算法。该算法用多样性维持机制来设计算法的选择机制 ,提高算法的求解性能。经过对TSP问题求解的实验 ,本文算法得到了很好的效果     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

基于妥协方法的免疫算法

免疫算法已开始成为计算智能研究的一个热点.文中提出了一种新的免疫算法-基于妥协方法的免疫算法.在介绍了妥协方法的理论基础上,对免疫算法进行了设计,针对TSP问题进行了验证实验,并与标准遗传算法进行了对比分析.实验结果表明该免疫算法不仅是有效的,也是可行的,具有很强的问题求解能力.     

改进免疫克隆选择算法在VRP中的应用

针对在求解车辆路径问题(VRP)中免疫克隆选择算法收敛速度慢,遗传算法易陷入局部最优解的缺点,对抗体亲和力求解方法做了改进.提出了基于亲和力排序的抗体相似性矩阵的概念,并将其应用于抗体抑制策略,进而设计出改进免疫克隆选择算法.仿真结果表明该算法比遗传算法求的解的质量更高,收敛速度比免疫克隆选择算法快.     

求解TSP问题的遗传算法改进研究

概述了遗传算法的基本原理及求解步骤。针对基本遗传算法在求解TSP(traveling salesman problem)问题时存在的收敛速度慢、种群多样性易遭到破坏、易收敛于局部最优解等问题,简要介绍了两阶段遗传算法、粗粒度遗传算法、混合遗传算法等几种算法对基本遗传算法所作的改进。分析了这几种改进遗传算法的基本原理、参数设置、遗传算子的操作方法。整理得出这些改进遗传算法在求解TSP问题时的操作步骤及它们存在的优缺点,最后提出了遗传算法未来在求解TSP问题时的发展趋势。     

求解TSP问题的抗体克隆优化算法

为解决传统求解TSP问题(Traveling Salesman Problem)的方法所固有的组合爆炸问题,提出了一种新的基于MHC(Major Histocompatibility Complex,主要组织相容性复合体)的抗体克隆优化算法(Antibody Clone Optimization Algorithm inspired by MHC,COAMHC).该算法应用MHC分子单倍型特性将优秀抗体基因保存为MHC串,并通过疫苗接种遗传至子代以增强其局部搜索能力;应用MHC分子多态性并通过基因突变以及随机引入新抗体基因来提高抗体群多样性,以增强其全局搜索能力.通过TSP问题的仿真实验表明,该算法在收敛速度、和求解精度方面比经典克隆选择算法CLONALG性能更好.     

免疫疫苗交叉策略在TSP求解中的应用

介绍了免疫算法在TSP求解中的应用,提出了基于疫苗的交叉策略,可将群体控制在较小的规模,提高了算法的计算效率.并充分考虑抗体的多样性,克服了传统交叉方法易陷入局部最优的缺点.给出了求解TSP的算法步骤和实验结果,在国际通用的TSP测试库中找到了两奈更优的路径.     

遗传算法求解TSP问题的研究进展

文章介绍了TSP问题和遗传算法的基本原理以及特点；针对解决TSP问题，论述了遗传算法在编码表示和遗传操作算子等方面的应用情况，分别指出了顺序表示、路径表示和布尔矩阵表示的优缺点．阐述了三种基本的操作算子的应用现状；最后，简单说明了混合遗传算法在求解TSP问题中的应用并对遗传算法解决TSP问题的前景提出了展望．     

一种求解TSP问题的改进遗传算法

旅行商问题(Traveling Salesman Problem TSP)是一个典型的组合优化问题,但应用基本遗传算法求解TSP问题时存在许多不足.结合TSP问题的特点,提出一种改进的遗传算法:应用贪心策略初始化种群,用2-opt对其进行优化,使得在初始个体中就包含较优子路径,在一定程度上加快算法收敛性,防止早熟和近亲繁殖.对交叉算子和变异算子进行改进后,既能维持种群的多样性,也保留了父代个体大部分优良性能.应用改进的算法对20个城市的TSP问题进行求解,结果表明该算法求解速度快而且求解的质量较好.     

用遗传算法求解旅行商问题

论述了用遗传算法求解旅行商问题（TSP）的算法步骤，给出了在MATLAB环境下用遗传算法解决旅行商问题的具体程序设计．将此算法应用到6个旅行商问题中，并将得到的运行结果与用弹性网络得到的结果进行了比较，发现用遗传算法得到的结果与最优解较为接近．     

TSP问题的一种改进遗传算法

针对传统遗传算法（以下简称GA）解决旅行商问题（以下简称TSP）时存在的缺陷与不足，对传统GA的结构加以改进，并提出OX改良算子、贪婪倒位变异算子、组合变异算子等，使该算法在提高搜索效率与解质量方面取得很好的综合平衡。仿真实验验证了该算法的有效性。     

免疫算法在火电机组优化组合中的应用

为克服传统优化算法和遗传算法无法快速有效得到全局最优解的问题,提出了应用免疫算法进行机组组合优化.目标函数对应于免疫算法的抗原,优化解对应于免疫算法中的抗体,通过适应度来评价抗体与抗原的结合程度,与抗原结合最好的抗体就是问题的最优解.对机组运行状态的持续时间进行抗体编码,改善了算法的收敛性.经实例验证表明,优化免疫算法具有良好的搜索性能,是解决机组优化组合问题的有效方法.     

遗传算法在TSP问题中的应用

遗传算法是借鉴生物界自然选择和进化机制发展起来的全局的概率搜索算法,旅行商问题（TSP）是著名的NP问题,也是组合优化、计算机科学界经典的问题之一。本文简介了遗传算法的原理、设计方法和基本步骤,并着重用遗传算法对TSP问题进行近似求解。     

粒子群复形法求解旅行商问题

针对众多领域的组合优化问题可转化为旅行商问题（TSP），提出求解TSP的粒子群复形（CPSO）算法.该算法在迭代的每一步，都将全部点根据适应值进行排序，让好点与差点进行两两配对.根据配对的两点连线中点的适应值与好点的适应值的比值，确定在连线的某位置取出一点.将取出的点与差点和整体最优点的差值点进行线性组合, 所得到的新点取代当前两点中的差点.对TSP解序列提出5种运算, 得到能求解TSP的CPSO算法.并求解了14个点的TSP问题与印刷电路板（PCB）数控钻走刀路线优化问题.结果表明，与遗传算法和蚁群算法相比，该算法具有更强的搜索性能和更好的稳定性，收敛速度更快.     

Distance Concentration-Based Artificial Immune Algorithm

The diversity, adaptation and memory of biological immune system attract much attention of researchers.Several optimal algorithms based on immune system have also been proposed up to now. The distance concentration-based artificial immune algorithm (DCAIA) is proposed to overcome defects of the classical artificial immune algorithm (CAIA) in this paper. Compared with genetic algorithm (GA) and CAIA, DCAIA is good for solving the problem of precocity, holding the diversity of antibody, and enhancing convergence rate.     

Application of a Genetic Algorithm Based on the Immunity for Flow Shop under Uncertainty

The uncertain duration of each job in each machine in flow shop problem was regarded as an independent random variable and was described by mathematical expectation.And then,an immune based partheno-genetic algorithm was proposed by making use of concepts and principles introduced from immune system and genetic system in nature.In this method,processing se- quence of products could be expressed by the character encoding and each antibody represents a feasible schedule.Affinity was used to measure the matching degree between antibody and antigen.Then several antibodies producing operators,such as swopping,mov- ing,inverting,etc,were worked out.This algorithm was combined with evolution function of the genetic algorithm and density mechanism in organisms immune system.Promotion and inhibition of antibodies were realized by expected propagation ratio of an- tibodies,and in this way,premature convergence was improved.The simulation proved that this algorithm is effective.