矩阵圈选算法求解TSP问题

提出了TSP问题(旅行商问题)的一种新的近似算法,即矩阵圈选算法.该算法通过对加权距离矩阵的特征判断构造圈,并不断对圈进行改进和更新的方法找出TSP问题的近似解.从TSPLIB国际标准数据集中抽取了一组数据.通过对比说明本算法对于求解TSP问题十分有效.     

求解大规模TSP问题的混合算法

遗传算法求解大规模TSP时呈现出求解时间长、后期效率明显降低等缺陷。通过结合分块方法、局部搜索算法以及禁忌算法,本文提出一个求解TSP的混合算法,以提高初始解质量,减少计算量。利用遗传算法和混合算法对几个TSP进行数值实验,表明无论在结果的质量上还是在运行效率上,混合算法都明显优于遗传算法,而且,规模越大效果越明显。     

基于MATLAB的非导数优化仿真

针对较难用一般算法计算的旅行商优化问题,使用模拟退火算法进行了建模,并使用MATLAB软件对算法进行了实时仿真,得到了较为理想的优化解.     

用混合型蚂蚁群算法求解TSP问题

介绍了求解TSP问题的混合型蚂蚁群算法，并以att532(美国532个城市)为例给出了计算实验结果，说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。     

遗传算法求解TSP问题的FPGA实现

TSP问题是一种典型的组合优化问题。基于FPGA实现会提高求解速度，能推动TSP问题在其它实际工程的应用。具有实用性意义。本文提出了一种基于FPGA求解TSP问题的遗传算法的硬件系统。首先针对TSP问题的特点，进行算法选择，确定了一个易于硬件实现的算法。然后提出了一个能进行群体存储、适应度处理、选择、交叉和变异等操作的硬件结构。通过流水线结构和并行化操作，提高了系统运行效率。     

基于蚁群算法的TSP问题求解

TSP问题是典型的非确定性多项式(non-deterministic polynomial,缩写NP)问题.NP困难问题即是指不存在一个多项式时间内的算法即可解决的复杂问题.而蚁群算法是一种用于解决此类复杂问题的新的启发式算法,它是通过信息素的积累和更新收敛于最优路径上.本文通过蚁群算法解决了30个城市之间的最短路径问题.     

一种自适应蚁群算法的研究及仿真

蚁群算法是一种新型的群智能优化算法，自提出以来，因其正反馈性、自组织性以及并行性等优点在很多领域取得了很好的应用。本文介绍了基本蚁群算法的寻优方式和数学模型，并针对其收敛速度慢、易陷入局部最优解的缺点，采用自适应调整信息素挥发因子的值的策略进行改进。并用MATLAB软件运行了改进前后的算法程序，对比求得的结果，证明了所做改进的正确性和有效性。     

基于离散差分进化算法雌多维0／1背包问题求解

多维0／1背包问题（MKP）是一种典型的组合优化问题,并且被广泛的应用于各种工程领域。差分进化算法（DE）是一种有效的进化算法,能处理各种复杂的非线性优化问题,但主要是用来解决连续领域的优化问题。提出一种离散差分进化算法,并用来求解MKP问题。在经典测试集上的实验结果表明,提出的算法能更快的求得最优解。     

基于模拟退火算法的码垛机器人码垛路径规划

目的 优化码垛路径以节省码垛时间。方法 在一定姿态的约束下, 对常见的四自由度机械臂进行建模分析, 利用几何学求得逆运动学解。将码垛机器人码垛看作一类有顺序约束的旅行商问题（TSP）, 采用模拟退火算法寻找最优的码垛路径, 并进行码垛实验。结果 通过与随机选择的码垛路径进行对比, 发现基于模拟退火算法的运动方案缩短了码垛的时间。结论 通过模拟退火算法对码垛路径进行规划, 提出了快速码垛的方案, 对实际生产中码垛和上、 下料系统开发都具有一定的指导作用。     

旅行商问题优化分析及实现

TSP问题是一个典型的组合优化问题,一般很难精确地求出其最优解,因而寻找出有效的近似求解算法就具有重要的意义。因此,针对TSP问题,提出一种多交叉变异策略的遗传算法,在解决该类问题上取得较好的效果。     

基于包装配送问题的混沌蛙跳布谷鸟算法研究

目的设计一种求解包装配送问题的混沌蛙跳布谷鸟算法(ChaoticFrogLeapingCuckooSearch Algorithm,CFLCSA)。方法对鸟巢个体进行实数编码,引入混沌机制和随机蛙跳算法,增强算法种群多样性和局部搜索能力,并利用E-n33-k4和E-n76-k8算例来验证算法的求解性能。结果 CFLCSA算法能够求得E-n33-k4已知最优解,求得E-n76-k8的最短配送距离与已知最优解的误差仅为5.03%,且算法求解结果及平均运行时间均优于混沌蚁群算法(Chaotic Ant Colony Algorithm, CACA)、改进遗传算法(Improved Genetic Algorithm, IGA)和禁忌搜索算法(Tabu Search, TS)。结论 CFLCSA算法求解性能优于CACA算法、IGA算法和TS算法,是一种较好的包装配送问题求解方法。     

混合蝙蝠算法在包装废弃物逆向物流中的应用

目的为了提高蝙蝠算法(BA)求解包装废弃物逆向物流问题的性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,构建新型蝙蝠表达式,使BA算法适用于包装废弃物逆向物流问题的求解。其次,引入自适应惯性权重,改造蝙蝠速度更新公式;然后,引入粒子群算法(PSO),对每次迭代中任一随机蝙蝠进行粒子群操作;最后,利用HBA算法对企业实例和标准算例进行仿真测试。结果企业最优回收距离为776.63 km。与遗传算法(GA)、蚁群算法(ACO)和禁忌搜索算法(TS)相比,HBA算法能够求得已知最优解的标准算例个数最多为6个,求得最好解与已知最优解的平均误差最小为8.58%,平均运行时间最短为4.39s。结论 HBA算法的全局寻优能力、稳定性和运行速度均优于GA算法、ACO算法和TS算法。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

物流车辆路径问题的混合快速蚂蚁算法

通过分析快速蚂蚁算法的原理和易陷入局部最优的缺点,提出了将贪婪算法和快速蚂蚁算法相结合的混合算法求解物流车辆路径问题.混合算法在最优值未改进次数超过限定次数时,自动调用贪婪算法来寻找一个局部最优解,并调整相应路径上信息素的量.为保证解的多样性,对贪婪算法本身使用随机选择第一个客户的方法进行了调整.用计算实例比较并分析了快速蚂蚁算法、混合算法及其他算法应用到车辆路径问题上的结果,说明了贪婪算法使混合算法跳出局部最优的过程以及混合算法的不足之处.     

基于TSP的改进差分进化算法

针对TSP问题,提出一种改进的差分进化算法:利用贪心算法产生初始种群,定义特有的编码匹配函数进行变异操作,排序法修复变异个体,并采用顺序交叉,在变异操作之后,加入新的选择机制,防止交叉操作破坏变异出的优良个体,实验结果表明改进后的差分进化算法能够高效地解决TSP问题,体现良好的优化性能。     

求解0-1背包问题的牵制平衡算法

为扩充对于经典NP-hard问题中的0-1背包问题的求解方法，模拟生态系统中各物种间相互依存、牵制，最终达到动态平衡的自然机制，提出一种新型仿生算法：牵制平衡算法。算法以种群规模描述设计变量，以牵制关系为优化驱动力，以系统达到稳态为优化目标，设计了自成长函数、牵制函数、成长函数用以描述设计变量的变化规律，促进解的寻优进程。将牵制平衡算法对于10个不同规模0-1背包问题的求解结果与近年来文献数据进行对比，结果显示算法在8个不同规模的问题中能获得当前已知最优解，验证了牵制平衡算法的收敛性与求解性能，表明算法对于0-1背包问题的求解具有有效性和竞争力。     

背包问题中贪心算法的应用探讨

在背包问题中,取得最优解一直是解决背包问题的最终目的,就贪心算法的动态规划关系以及方案在解决背包问题上作比较,但贪心法在什么时候都能取到最优解并无一般结论,而对于普通背包问题我们却有一个完美的结果——贪心法可取到最优解。     

基于捕食搜索策略的粒子群算法在车辆路径问题中的应用

通过对捕食搜索策略限制的调节,来实现粒子群算法搜索空间的增大或减小,从而达到探索能力和开发能力的平衡,使粒子群算法求得更好的最优解。并用C++语言编程实现并将其应用于实例,证明该算法的有效性和可行性。     

面向快递同城运输的车辆路径问题研究

为降低运输成本,研究了快递同城运输中的车辆路径问题。建立多车型,含时间窗约束、容量约束、车辆限行约束,并考虑错峰交货的,以最小化运输成本为目标的混合整数规划模型。提出以点到点集的距离之和作为邻域搜索优先指标的构造性启发式算法,设计了基于“路径−车型对”的列生成算法,初始列由启发式算法求得。实验结果显示,对于120个点的大规模问题,列生成算法只需175秒就能得到近似最优解,验证了该算法的有效性及对一定规模内快递同城运输问题的适用性。     

一种求解TSP问题的粒子群算法设计

旅行问题(Traveling Salesman Problem,简称TSP)是求一次遍访指定城市并返回出发城市的最短旅行路线的问题,它是图论中一个经典的NP完全问题,用电子计算机需要指数级的时间才能得到解决.尝试用粒子群算法来求解旅行商问题,结合遗传算法的思想,并且给出交叉和变异操作的设计.该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率.