粒子群算法求解旅行商问题程序设计

粒子群优化算法是一种具备全局搜索能力的群集智能优化算法,针对一类离散的、NP完全的组合优化问题——旅行商问题．该文介绍了用粒子群算法求解旅行商问题的改进策略和主要模块的程序设计思想。将算法应用到20个城市的解旅行商问题所得到的结果与遗传算法进行比较,数字仿真与结果比较表明了改进粒子群算法求解该问题的有效性。     

粒子群算法求解旅行商问题程序设计

粒子群优化算法是一种具备全局搜索能力的群集智能优化算法,针对一类离散的、NP完全的组合优化问题——旅行商问题,该文介绍了用粒子群算法求解旅行商问题的改进策略和主要模块的程序设计思想。将算法应用到20个城市的解旅行商问题所得到的结果与遗传算法进行比较,数字仿真与结果比较表明了改进粒子群算法求解该问题的有效性。     

基于自组织优化算法的一类多旅行商问题

多旅行商问题作为旅行商问题的一个扩展,是一个经典的组合优化问题,具有更高的复杂性,也具有更广泛的实际意义。针对每个旅行商允许经过的城市数有上限的多旅行商问题,通过引入虚拟城市把多旅行商问题转化为单旅行商问题,并且应用自组织优化算法进行了求解。虚拟城市局部适值的定义很好地处理了此类问题的能力约束,针对多旅行商问题的实例进行的仿真表明自组织优化算法可以很好地求解此类问题。     

基于离散粒子群优化算法的含权旅行商问题新解法

考虑现有旅行商问题常忽略车辆载重对运输费用的影响,建立含权旅行商问题模型。在分析含权旅行商问题性质的基础上,提出离散粒子群优化算法求解含权旅行商问题。重新定义问题域的粒子速度、粒子位置等运算规则,引入惯性系数线性下降策略。实验表明,该算法可以有效用于含权旅行商问题的求解,并且对含权旅行商问题的求解性能优于遗传算法和模拟退火算法。     

求解旅行商问题的混合粒子群优化算法

为高效解决旅行商问题,结合光学寻优算法、混沌优化算法、粒子群优化算法,提出了一种新的混合智能优化算法,应用光学寻优算法的优点,为粒子群中粒子找到了一组最优的初始值,引入交换子、交换序列、混沌序列,提出了适合旅行商问题的光学混沌粒子群算——并严格证明了新算法的稳定性、收敛性.数值实验仿真结果表明,该算法收敛速度快、迭代次数少,能快速找到令人满意的最优解,为解决旅行商问题提供了新的思路.     

利用粒子群优化算法求解圆排列问题

针对已有算法搜索时间较长,且易于过早地收敛于非最优解的缺陷,利用粒子群优化算法给出了圆排列问题的求解方法.首先,在分析了圆排列问题与旅行商问题关系的基础上,将圆排列问题转化为旅行商问题,从而得到一个相应的组合优化问题.然后,利用粒子群优化算法进行了求解.接着,为了进一步提高算法的精度,文中给出了一种利用混合粒子群优化算法的方案.最后,在仿真实验中,与已有算法进行了比较,实验结果表明,文中所给方法是有效的.     

模糊离散粒子群优化算法求解旅行商问题

粒子群优化算法已经成功地应用于求解连续域问题，但是对于离散域问题特别是路由问题的求解研究还很少．本文提出了一种改进的粒子群优化算法，用于求解旅行商问题．采用模糊矩阵来表示粒子的位置和速度，并重新定义其更新公式，最后对TSPLIB中的具体算例进行测试，实验结果表明该算法能够得到较好的结果．     

基于遗传算法的多旅行商问题研究

针对所有旅行商路径总和最小为优化标准的多旅行商一类问题,用遗传算法优化,并提出了矩阵解码方法。对距离非对称的多旅行商问题的实例进行了仿真,并对不同交叉算子性能进行了比较。结果表明,该算法是有效的,适用于距离对称和非对称的多旅行商问题求解。     

改进的PSO在TSP中的应用

粒子群优化算法（PSO）是Eberhart和Kennedy提出的,该算法具有思想简单、易编程实现等特点,引起了国内外相关领域众多学者的关注。本文以旅行商问题为例,提出一种离散粒子群优化算法,对粒子的位置、速度等量及运算规则进行定义,并在迭代过程中对速度引入收缩因子。实验结果表明,该算法具有很好的性能。     

基于粒子群优化的蚁群算法在TSP中的应用

结合粒子群算法的问题,提出用混合蚁群算法来求解著名的旅行商问题.问题的核心是应用粒子群算法对蚁群算法的控制参数:启发式因子、信息素挥发系数、随机性选择阈值进行优化,以及运用蚁群系统算法寻找最短路径.新算法对于蚂蚁算法中的参数调整大大减低,减少了大量盲目的实验,力求在开发最优解和探究搜索空间上找到平衡点.对旅行商问题的仿真实验表明,新算法的优化质量和效率都优于传统蚁群算法和遗传算法,接近理论最佳值.新算法也可推广用于其他NP问题的求解.     

蚁群算法及其在求解旅行商问题中的应用

蚁群算法是一种求解组合优化问题较好的方法。在蚁群算法的基本原理基础上,以旅行商问题为例,介绍了该算法求解TSP的数学模型及具体步骤,并通过仿真实验与粒子群优化算法等方法比较分析,表明了该算法在求解组合优化问题方面具有良好的性能。     

一种新的进化粒子群算法及其在TSP中的应用

基于协同进化的思想,针对离散组合优化的NP难问题,提出一种新的混合粒子群进化算法。该算法采用了有效的编码方式;定义了两个粒子间的位置加法操作以实现个体之间的信息交换;引入变异算子保持种群多样性。该算法应用于TSP优化计算,能用较小的计算代价得到比传统方法更满意的解,实验结果表明该算法是有效的。     

一种求解TSP问题的离散蝙蝠算法

蝙蝠算法是一种新型的群智能优化算法,在求解连续域优化问题上取得了较好的优化效果,但在离散优化领域的应用较少。研究了求解TSP问题的离散蝙蝠算法,设计了相关操作算子实现算法的离散化,并引入逆序操作使算法跳出局部最优。对TSPLIB标准库中若干经典实例进行测试并与粒子群和遗传算法进行对比分析,结果表明设计的离散蝙蝠算法无论在求解质量还是求解效率上都有明显优势,是一种高效的优化算法。     

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题（TSP）局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法（SEC）后,提出了一种新的自逃逸混合离散粒子群算法（SEHDPSO）.自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷.仿真结果表明,SEHDPSO算法比混合蚁群算法（ACS＋2-OPT）具有更好的收敛性和搜索效率.     

A hybrid algorithm combining glowworm swarm optimization and complete 2-opt algorithm for spherical travelling salesman problems

The Travelling Salesman Problem (TSP) is one of the most well-known combinatorial optimization problems and has attracted a lot of interests from researchers. Many studies have proposed various methods for solving the two-dimensional TSP. In this study, we extend the two-dimensional TSP to the three-dimensional TSP, namely the spherical TSP in which all points (cities) and paths (solutions) are on the surface of a sphere. A hybrid algorithm based on the glowworm swarm optimization (GSO) and the complete 2-opt algorithm is proposed, in which the carriers of the luciferin are transformed from glowworms to edges between cities, and the probabilistic formula and the luciferin updating formula are modified. In addition, the complete 2-opt algorithm is performed to optimize the selected optimal routes every few iterations. Numerical experimental results show that the proposed algorithm has a better performance than the basic GSO in solving the spherical TSP. Meanwhile, the complete 2-opt algorithm can speed up the convergence rate.     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

一种求解TSP问题的新算法

为了求解TSP问题,提出了一种新的遗传算法。它利用距离密集度和适应度定义了自适应的交叉和变异概率,采用改进的交换启发交叉算子,产生不差于父代的个体。根据最优和次优个体的差异,采用2变换法产生新个体或者进行模拟退火操作,局部搜索加快了算法向最优个体靠近的速度。仿真实验表明新算法是一种求解TSP问题的有效方法。     

基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实，在基于遗传算法的K-均值聚类算法的基础上，给出了一种摹于粒子群优化算法的聚类方法。实验结果显示，基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...