改进遗传算法的路径规划研究

本文在遗传算法的基础上,对TSP问题进行了讨论,并对传统求解方法进行了改进,加入了贪婪算法,仿真结果说明了算法的有效性。并就同样是基于遗传算法的避障路径问题进行了探索。TSP系统广泛用于公交车交通线路安排、旅游景点行程安排等,具有较高的实用价值。     

用遗传算法求解TSP问题

介绍TSP 问题和遗传算法的基本原理.针对解决TSP 问题,阐述遗传算法在编码表示和遗传操作算子等方面的应用情况,以及该算法在实现过程中的一些处理方法,最后给出该算法的运行结果和总结.     

一种改进的遗传算法及其在TSP中的实现

TSP问题是典型的NP完全问题,遗传算法是求解NP完全问题的一种方法.文章针对TSP问题,提出了一种改进的遗传算法.在遗传算法中引入进化算法的思想,在此基础上提出顶端培育策略和分阶段策略,以求在保证群体多样性的同时加快收敛速度.在算法的仿真和测试中,改进后的算法明显优于传统的遗传算法.这表明,该算法具有良好的可行性和实用性.     

对一类带聚类特征TSP问题的并行遗传算法求解

提出了一种带聚类处理的并行遗传算法,该算法首先对大规模TSP问题进行聚类处理,将其分解成一些小规模TSP问题,然后分别对每个小规模TSP问题利用遗传算法并行求解,最后将所有小规模TSP问题的解按一定规则合并成大规模TSP问题的解。对大规模TSP问题的模拟实验表明该算法极大地提高了遗传算法的收敛速度。     

求解TSP问题的改进遗传算法

旅行商问题(TSP)是遗传算法得以成功应用的典型问题.文章对遗传算法加以改进,提出了新的选择策略和交叉算子,并且引入了兄弟竞争的策略来加快收敛速度和全局搜索能力.把该算法应用在不同类型的TSP问题的求解上,表现出了比传统遗传算法更好的收敛性和计算效率.说明改进算法是有效的.     

基于演化计算的最短避障路径算法设计

在研究求解TSP问题的演化算法(这里指GT算法)的基础上，针对TSP问题和最短避障路径问题的不同，在染色体的有效范围、基因选取等方面对GT算法进行改进，同时引入了基因库以提高算法收敛速度．试验结果表明，用GT算法能较好地求解最短避障路径。     

基于演化计算的最短避障路径算法设计

在工程应用、自动化、人工智能等诸多领域中有很多数学模型可以归结为寻求最短避障路径的问题。在环境模型的表达上,该文利用最小多边形包络法处理过的障碍物,即把障碍物描述成为多边形。在搜索策略上,利用演化算法求解TSP的算法——改进的郭涛算法的思想。针对TSP问题和最短避障路径问题的不同,在染色体的有效范围和基因的选取范围等处对算法进行修改,并且引入了基因库,成功地用演化算法解决了最短避障路径问题。     

一种解决TSP的改进遗传算法

旅行推销员问题TSP(Traveling Salesman Problem)问题是组合优化中的经典NP难题,一些典型的遗传算法(GA)在求解TSP问题时的性能并不理想.提出基于"最小邻域接入法"CBMC(Connecting Based on Minimum Circle)思想的改进的遗传算法,并在算法中增加一些控制策略,与其他算法相比,获得了更好的性能和收敛速度.通过用中国33个省会的TSP问题对提出算法进行实验验证,结果证明了改进后的算法在收敛速度和收敛到最优解的概率都优于其他遗传算法.     

遗传算法在TSP问题中的应用

文章首先介绍TSP问题与遗传算法的基本特点及其基本步骤。接着讨论用遗传算法解决TSP问题的编码、适应度函数设计方面的采用的方法,以及选择算子,交叉算子和变异算子的应用现状以及效果,最后对解决TSP问题的前景提出了展望。     

基于选择性集成的整数编码遗传算法及TSP问题求解

基于遗传算法的求解TSP(Traveling Salesman Problem)研究是近几年的研究热点.设计高效的遗传算法求解,有重要的理论意义和实用价值.本文考察了基于整数编码的遗传算法的选择算子、交叉算子、变异算子,运用选择性集成的思想,将几种算子集成,随进化的进程对交叉概率和变异概率做自适应调整,用Matlab编写遗传算法程序,求解中国31城市TSP问题,获得了优于目前同类工作的结果.     

优化型蚁群算法在旅行商问题中的应用研究

针对基本蚁群算法的搜索时间长和局部收敛等现象,提出一种用于求解旅行商问题（TSP）的优化型蚁群算法,该算法有效地将最大最小蚁群算法（MMAS）和遗传算法（GA）相结合,一方面在很大程度上缩短了算法的寻优时间;另一方面有效地避免了算法的早熟停滞现象。利用MATLAB对多种TSP问题进行仿真研究,实验结果证明了优化型蚁群算法在性能上优于MMAS和GA。     

基于遗传算法求解TSP问题的一种算法

主要研究了用遗传算法求解TSP问题。阐述了简单遗传算法的设计方法、基本原理和基本步骤。描述了简单遗传算法在TSP问题中的应用现状。根据种群个体的多样性和分布情况,提出了判定遗传算法的截止代数。简单遗传算法具有易于陷入局部最优解、收敛速度慢的特点,针对这些特点,通过改进交叉算子,加入初始化启发信息,提高了遗传算法解的精度和收敛性。     

基于灰预测和正态云的参数自适应蚁群遗传算法

基于正反馈机制的蚁群算法,在进行全局搜索时,具有很强的全局收敛能力;遗传算法则具有快速的全局搜索能力.为了充分利用两种算法在寻优过程中的优势,提出一种带有参数自适应调节能力的混合算法.该算法利用灰预测对最大最小蚁群策略中的信息素上(下)界进行估计,以达到实时控制信息素限界、避免算法陷入局部最优的目的.同时,通过云模型建立了一系列的关联规则,利用算法在迭代过程中的反馈信息,可实现算法参数的自适应控制,有效减小算法对参数初始设置的依赖.最后,对车间调度问题(JSP)和旅行商问题(TSP)算例的仿真结果证明了算法的有效性.     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

解决旅行商问题的改进算法

首先提出旅行商问题(TSP),然后实现了常见的解决TSP问题的算法:有传统算法中的贪心算法和回溯法,还有现代优化算法中的基本遗传算法。并针对这3种算法的缺点提出了一种改进的算法,即综合运用贪心算法和遗传算法,依据贪心选择的原则指导遗传操作,可以大大加快搜索的速度,仿真实验表明改进的算法是十分有效和实用的。     

一种求解旅行商问题的高效混合遗传算法

旅行商问题(TravellingSalesmanProblemTSP)是一个典型的组合优化难题,论文提出一种求解旅行商问题的高效混合遗传算法。该算法结合遗传算法和2-opt邻域搜索优化技术,并针对旅行商问题的特点,提出K近邻点集以缩减搜索空间从而加快求解速度。基于典型实例的仿真结果表明,此算法的求解效率比较高。