一种混合局部搜索算法的遗传算法求解旅行商问题

针对遗传算法容易产生早熟现象以及局部寻优能力较差的缺点,提出一种求解旅行商问题的高效混合遗传算法。该算法首先用加权最近邻法产生初始种群,对种群中相同的个体,用K-近邻法产生新的个体代替相同的个体,然后淘汰适应性较差的个体,用交叉操作产生新的个体,最后,对部分个体进行3-opt优化变异,对种群中优秀个体用改进的Lin-Kernighan算法进行优化。对TSPLIB中部分实例的仿真结果表明,所提出的混合局部搜索算法的改进遗传算法在求解TSP问题时可以高效地获得高质量的解。     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题（Traveling Salesman Problem,TSP）实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002（259 269.09）、pla85900（152 394 182.43）和brd14051（489 842.93）等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

混合算法求解着色瓶颈旅行商问题

基于着色旅行商问题(colored traveling salesman problem, CTSP),给出了一种适用性更加宽泛的组合优化问题模型：着色瓶颈旅行商问题(colored bottleneck traveling salesman problem, CBTSP).CBTSP可建模含有部分重合工作区域的规划问题,譬如有合作任务和单独任务的人员与车辆的路线规划,此类问题由于目标函数与旅行商问题不一样,因此不能够用CTSP模型来建模.由于CBTSP属于NP难问题,对于规模大的此类问题,自然启发式算法是个合适的选择.基于此,提出了一种自然启发式算法求解CBTSP,该算法是基于伊藤过程的粒子群算法(particle swarm optimization, PSO)、模拟退火算法(simulated annealing, SA)和遗传算法(genetic algorithm, GA)的混合算法(PSGA).PSGA首先用二重染色体编码来构建问题的解,然后运用遗传算法的交叉操作进行更新,其中交叉长度由伊藤过程的活动强度来控制,而活动强度由粒子半径和环境温度来决定.为了充分验证算法的有效性,使用小尺度到大尺度不同规模的数据进行实验,通过广泛的实验与分析表明:PSGA求解CBTSP问题的求解质量要优于对比算法.     

蚁群系统求解TSP问题的性能分析

TSP问题是组合优化中经典的问题,蚁群系统是求解TSP问题诸多算法中取得较好性能的一种启发式算法.从运行时间分布和解的性能分布角度对算法求解TSP的性能进行了分析,得出了一些有实际指导意义的结论:算法找到最优解的概率是随着运行时间的增加而增大的;算法运行前期改进解的性能速度较快,但后期明显减慢;可以通过重启策略获得与最优解距离在一定范围内的解.     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于T-ACO算法的旅行商问题求解优化研究

为了有效求解旅行商问题,本文提出了一种基于T分布的改进蚁群算法。针对基本蚁群算法易陷入局部最优、寻优精度低等缺陷,在优化过程中,在信息素更新原则上,引入T分布,有益于基本蚁群算法弥补其不足。在基本蚁群算法中增加了信息素的突变,使得蚂蚁群的多样性提高,从而跳出局部最优的限制。与此同时,T-ACO算法在旅行商问题搜寻精度与收敛速度方面也得到了提高。对T-ACO求解旅行商问题的性能进行了实验仿真,实验分析表明,T-ACO算法有更好的寻优能力。     

最小比率旅行商问题的引力搜索算法求解

经典旅行商问题的目标函数是总路程最小,而在实际情况中往往会考虑旅行商的收益问题,研究了以总路程和总收益之比为目标函数的最小比率旅行商问题.由于该问题的目标函数是非线性的,比求解目标函数是线性的旅行商问题更为困难,为有效求解该问题,提出一种引力搜索算法.算法基于万有引力定律和牛顿第二定律进行寻优,并采用速度和位置的计算模型.同时结合随机键的编码方法,将搜索个体的连续位置转换为离散的城市访问顺序.给出了算法的具体实现方案,并通过仿真和比较实验验证算法的优化性能.实验结果表明该算法可以有效求解最小比率旅行商问题.     

蚁群和遗传混合算法求解旅行商问题

旅行商是应用广泛的优化组合问题,采用蚁群和遗传混合算法解决旅行商问题,利用遗传算法的交叉、变异机制解决蚁群算法易出现局部最优解的问题,将混合算法在VBA环境调试运行。混合算法与蚁群算法、遗传算法仿真数据比较,混合算法具有较好改进效果。     

求解旅行商问题的混合蚂蚁算法

旅行商问题是一个经典的NP问题，文中给出了一个有效的求解旅行商问题的混合蚂蚁算法。算法设计了初始信息素量设置方案和信息素的更新方法，限制了蚂蚁转移的目标城市数，并使用2-Opt方法对路径进行优化。数据实验表明，该算法是有效的。     

一种适用于求解旅行商问题的新型算法性能分析

二点组合算法是求解旅行商问题（TSP）的一种环路改造算法,与蚁群算法相比,时间复杂度、计算精度等性能皆优于后者,实际应用结果表明本算法在解决中小规模旅行商问题时的实用性。     

基于K均值的迭代局部搜索聚类算法

K均值聚类算法(KM)是解决聚类问题的一个常用的方法,该方法的主要缺点是其找到的局部极小值与全局最优值的偏差往往较大。论文构造一种基于KM算法的迭代局部搜索算法(称之为IKM)。该算法以KM算法所得到的解作为初始解,从该初始解开始作局部搜索,在搜索过程中接受部分劣解。当解无法改进时,算法对所得到的局部极小解做适当强度的扰动后进行下一次的迭代,以跳出局部极小,从而拓展了搜索的范围。试验结果表明IKM算法得到的聚类结果比KM算法得到的聚类结果有明显的改进,平均改进达100%以上。当数据集越大,簇的个数越多时,改进的效果越是显著,可以达到300%以上。因而,IKM算法是一个确实可行的有效的方法。     

航班恢复问题的迭代局部搜索算法

在恶劣天气和机械故障等原因造成航班不能按照原计划执行时,航空公司需要采取相应的措施对航班进行恢复。本文基于经典的资源指派模型,综合考虑了调整时间、换机、联程拉直、取消航班和调机5种恢复策略,提出一种以最小化加权成本为优化目标的航班恢复模型,并设计一种迭代局部搜索算法。首先用构造-修复启发式方法构造可行解,然后从该初始解出发,在飞机路线对的邻域中进行局部搜索。当陷入局部最优后,对解进行扰动,然后从扰动后的解重新出发进行局部搜索。为了提高搜索效率,同时降低陷入局部最优解的概率,局部搜索过程采用模拟退火算法。实例结果表明,本文提出的模型及算法能够在短时间内对受到影响的大规模航班计划进行恢复。     

求解TSP问题的一种改进的+进制MIMIC算法

十进制MIMIC算法是基于MIMIC二进制编码算法思想的可用来求解TSP的离散分布估计算法。着重考虑该算法在较大规模TSP问题上的算法缺陷,对其编码方式和概率模型进行了改进,提出了新的个体生成策略,在初始化种群阶段使用了贪心算法,在进化过程中引入了杂交算子、变异算子、映射算子、优化算子等演化算子,采用了动态调整方法来确定优势群体的规模。以上改进使得算法在小种群解大规模TSP问题的情况下仍可保持种群的多样性。实验结果表明,改进算法在求解规模、求解质量和寻优速度上都有明显提高。     

基于改进遗传算法的大规模TSP问题求解方案

TSP问题不仅描述旅行商周游城市的问题,也是许多工程领域中复杂问题的抽象形式,找到一种有效的TSP问题求解方案具有十分重要的意义。针对大规模TSP问题中最小回路代价的求解问题,提出一种基于遗传算法的大规模TSP问题的求解方案,采用分而治之的思想,并对传统遗传算法的初始化和遗传算子进行改进,提高了算法性能。多个数据集上的实验结果证明了提出的算法能够优化收敛结果,一定程度上解决过早收敛的问题。     

遗传算法和模拟退火算法求解TSP的性能分析

旅行商问题（Traveling Salesman Problem,TSP）是一个典型的组合优化问题,并且是一个NP难题,其可能的路径总数与城市数目是呈指数型增长的,所以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。目前求解TSP问题的主要方法有模拟退火算法（Simulated Annealing,SA）、遗传算法（Genetic Algorithm,GA）和神经网络算法等。GA是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化概率搜索算法。SA算法用于优化问题的出发点是基于物理中固体物质的退火过程与一般优化问题的相似性。文中将提出遗传算法和模拟退火算法求解TSP问题,通过试验比较两者求解TSP问题的性能,结果表明GA的性能要优于SA的性能。     

基于邻域搜索的混合遗传算法及其在对称TSP中的应用

基于邻域搜索的混合遗传算法是综合了遗传算法和邻域搜索算法各自优势的全局搜索算法。它既有遗传算法的全局搜索能力,又有高效的局部搜索能力。该算法较好地解决了两种不同算法结合所产生的矛盾。通过对对称TSP的实验表明,算法具有良好的全局寻优性能并得到很好的结果。     

基于增强型kick策略的ILS算法求解一类聚类问题

提出一种新型的基于环交换邻域的迭代局部搜索算（ILS）．用于求解一类聚类问题,算法的主要特点是：1）基于环交换的邻域结构;环交换邻域与传统的Swap和Insert邻域相比,算法在一次迭代中允许多个点同时移动;2）针对聚类问题提出了增强型的kick移动策略：根据每组内点的密度分布摄动聚类中心,对给定的解重新聚类,实验结果表明,基于环交换的迭代局部搜索算法对求解该类聚类问题是有效的．     

改进的麻雀搜索算法及其求解旅行商问题

旅行商问题(TSP)是经典的NP难问题,对该问题的研究从未停止,也得到了很多的近似求解算法,但每一种算法都各有特色,正因如此,对旅行商问题总有新的算法在提出.麻雀算法是新近提出的算法,本文对麻雀搜索算法(SSA)的原理、搜索策略以及算法的基本流程进行研究分析,针对SSA搜索接近全局最优时,种群的多样性减少,容易陷入局部...     

矩阵式旅行商问题的最优解

针对一类特殊的平面TSP问题,其中所有城市的位置都规整地排成矩阵,每一行（每一列）相邻城市的距离相等;对行距等于列距以及行距的其中一种情况,都分别给出了最优算法和证明,而对行距不等于列距的另一种情况也给出了三个算法以及它们的比较。     

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。