粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

智能优化算法求解TSP 问题

TSP（旅行商）问题代表组合优化问题，具有很强的工程背景和实际应用价值，但至今尚未找到非常有效的求解方法．为此，讨论了最近研究比较热门的使用各种智能优化算法（蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等）求解TSP问题的研究进展，指出了各种方法的优缺点和改进策略．最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议．     

基于二进制编码的蚁群优化算法及其收敛性分析

蚁群优化算法(ACO)是一种解组合优化问题的“元启发式”算法，也是一种结合了正反馈和贪婪搜索的基于种群的新方法。其思想及其应用产生于上个世纪90年代，而“蚁群优化(Ant Colony Optimization)”的确切提出则只有5年左右的时间。作为一种全新的启发式搜索算法，它在TSP，二次分配(Quadratic Assignment)和网络路由上所获得的结果完全可以与其他最优的启发式算法相媲美，甚至超越它们，并已成为当前最成功的群体智能系统之一。     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

改进的混合遗传模拟退火算法及其在组合优化中的应用研究

本文分析了遗传算法和模拟退火算法的优缺点,提出了一种混合遗传模拟退火MGASA算法,对其进行了优化操作,并将该算法应用于组合优化中TSP问题的解决.经实验验证,MGASA算法优于普通的GA和SA算法.     

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。     

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。     

基于旅行商问题的粒子群优化算法

旅行商问题(Traveling Salesman Problem,TSP)是一类离散的、NP(Non-deterministic Polynomial)完全的组合优化问题,有着广泛的应用背景和许多的求解方法。该文介绍了用粒子群优化算法求解旅行商问题,并与模拟退火算法和遗传算法相比较,通过实验结果说明了粒子群优化算法在解决大规模组合优化问题上的有效性和可行性。     

基于极值动力学的自组织优化算法求解TSP问题

旅行商问题(traveling salesman problem, TSP)具有很强的理论研究和工程应用价值. 在定义离散状态变量和局部适应度的基础上, 分析了TSP优化解的微观特征; 将自组织临界(self-organized criticality, SOC)的概念引入到组合优化领域, 提出了一种基于极值动力学的自组织优化算法. 该算法利用快速下降和间断涨落的动态搜索过程, 高效地遍历解空间中的局部最优解. 针对TSPLIB中典型实例, 计算结果表明其求解效率和优化性能均优于模拟退火和遗传算法等优化方法. 文中算法提供了一种全新的思路, 有助于从系统角度理解组合优化问题的复杂性, 并分析合理的优化动力学过程.     

关于求解难组合优化问题的蚁群优化算法

1.引言组合优化问题在规划、调度、资源分配、决策等工程问题中有着非常广泛的应用。在问题规模较小时,可以使用分支定界法或动态规划方法等来求解。当问题规模增大时,解的数目虽然有限,但呈指数增长,要在合理时间内求得准确的最优解实际上已不可能。为此,人们设计了各种启发式算法。近年来,最重要和最有希望的一个研究领域是构造“师法自然“的启发式。它们类比社会系统、物理系统、生物系统等的运行机制,设计算法在问题的解空间中进行非确定性搜索。典型的有遗传算法(GA)、模拟退火(SA)、人工神经网络(ANN)。这些算法由于其自适应性,对难组合优化问题的求解取得了好的结果,被广泛应用于工程优化和控制中。本文将要介绍的蚁群优化算法,由于其较强的自适应性和对问题状态的学习能力,正逐步成为一种新的有潜力的优化算法。     

蚁群优化算法及其应用研究进展

综述了近年来蚁群算法及其在组合优化中的应用研究成果。首先简述了蚁群的觅食行为及蚂蚁的信息系统，其次介绍了人工蚁群算法的基本原理及其主要特点。然后概述了这种算法在组合优化问题中的多种应用，诸如旅行商问题(TSP)、二次分配问题(QAP)、任务调度问题(JSP)、车辆路线问题(VRP)、图着色问题(GCP)、有序排列问题(SOP)及网络由问题等。最后对蚁群算法仍需要解决的问题和未来的发展方向进行了探讨。     

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.     

旅行商问题(TSP)的几种求解方法

旅行商问题（TSP）是组合优化领域里的一个典型的、易于描述却难以处理的NP完全难题，其可能的路径数目与城市数目是呈指数型增长的，求解非常困难。而快速、有效地解决TSP有着重要的理论价值和极高的实际应用价值。该文首先介绍了什么是TSP，接着论述了六种目前针对TSP比较有效的解决方法（模拟退火算法、禁忌搜索算法、Hopfield神经网络优化算法、蚁群算法、遗传算法和混合优化策略）的基本思想，并且简单阐述了它们的求解过程，最后分别指出了各自的优缺点并对解决TSP的前景提出了展望。     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.     

自适应蚁群算法在序列比对中的应用

序列比对是生物信息学的重要研究工具。蚁群算法是一种新型的模拟进化算法,并被成功地应用于旅行商问题(TSP)等组合优化问题中。该文将蚁群算法应用于序列比对,并提出基于自适应调整信息素的改进算法。仿真结果表明这种新的比对算法是有效的,而它的改进算法的效果更为理想。     

基于遗传算法求解TSP问题的一种算法

TSP问题是一个经典的NP难度的组合优化问题，遗传算法是求解TSP问题的有效方法之一。利用交换启发交叉算子实现局部搜索加快算法的收敛速度和利用变换变异算子维持群体的多样性防止算法早熟收敛，给出了一种求解TSP问题的遗传算法。仿真实验结果表明了该算法的有效性和可行性。     

提高链式Lin-kernighan算法性能的策略

Lin-Kernighan算法作为一种高效的组合优化问题优化算法，普遍应用于各种求解组合优化难题的算法中，尤其是旅行商问题的求解。通过对该类问题的可化简性论述，分析并建立了该类问题初始边集的概率化简模型，经实验分析方式确定了模型中的先验性概率值，并建立旅行商化简初始边集的随机算法。将该算法建立的边集作为链式Lin-Kernighan算法的参照优化边集，大幅度提高了链式Lin-Kernighan算法的求解性能，在与多种智能算法结合中取得了较好的收敛效果。     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络，其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时，特别提出了一种有效改进算法，使得参数在简单选取的情况下保证能量函数的下降，在组合优化问题上具有普遍意义，并且在10城市TSP对改进算法进行验证，指出RNN是解决TSP问题的有效途径。