基于基因库求解TSP的改进的反序-杂交算法

文章对求解TSP的“反序-杂交”算法在反序时城市位置的选择方式上作了改进,同时限制对每个个体一次循环中反序的次数,提出一种“见好就收”的策略,并利用“基因库”(即保存了好边的矩阵)的思想来指导反序-杂交。实验证明,改进的算法在收敛性和求解速度方面都比原来经典的“反序-杂交”算法有很大的提高。     

基于改进反序-杂交算子的免疫克隆选择算法

反序-杂交算子在求解TSP时容易陷入局部最优。为了优化电路板布局,提高计算快速性,对反序-杂交算子进行了改进,设计了1st-Inver-over算子和2nd-Inver-over算子。采用1st-Inver-over算子和2nd-Inver-over算子作为主要免疫基因操作算子实现了求解TSP的免疫克隆算法,在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度,在算法后期,根据种群的多样性自适应的选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。仿真结果表明,Inver-over ICSA比经典的GT算法具有更好的收敛性和搜索效率。     

一种基于逆转算子的求解TSP问题的改进演化算法

使用逆转算子求解TSP的演化算法具有很强全局搜索能力,在求解TSP问题中显示了巨大的优势。但是,该算法同样存在执行效率低、最终得到的最优个体整体质量不高等缺陷。在对算法和TSP问题进行分析的基础上,对算法进行三方面的改进:就近选择;动态变异概率;基于较优个体的贪婪搜索。实验结果表明:经过改进的算法提高了执行效率,能够改善算法得到的最优个体的整体质量。     

一种基于逆转算子的求解TSP问题的改进演化算法

使用逆转算子求解TSP的演化算法具有很强全局搜索能力，在求解TSP问题中显示了巨大的优势。但是，该算法同样存在执行效率低、最终得到的最优个体整体质量不高等缺陷。在对算法和TSP问题进行分析的基础上，对算法进行三方面的改进：就近选择；动态变异概率；基于较优个体的贪婪搜索。实验结果表明：经过改进的算法提高了执行效率，能够改善算法得到的最优个体的整体质量。     

一种改进并行遗传算法解决TSP

针对旅行商问题（Travelling Salesman Problem,TSP）的遗传算法的大规模操作,需要大量运算时间而且容易造成局部最优解,提出一种并行混合遗传算法。该方法基于MPI并行环境,利用种群中选择、交叉、变异操作的并行化,将种群中个体平均的分配到处理器中进行操作,有效地避免局部最优解的出现和减少算法的运行时间。实验证明该方法相对于简单遗传算法具有更强全局寻优能力以及耗费更少的操作时间。     

几种局部优化算子在求解TSP中的性能比较

将局部优化算子引入遗传算法求解TSP问题,以求提高算法的性能.具体措施是在标准遗传算法的最后阶段增加一步,即对每代的最优个体进行一定次数的局部搜索,以求改善该最优个体.首先提出将反序.杂交法引入局部优化过程中.同几种常用的局部优化方法相比,反序.杂交法的性能最为突出.实验结果表明,该优化方法能有效求解300个城市以内的TSP问题.     

求解TSP 问题的模式学习并行蚁群算法

针对大规模旅行商问题(TSP)会遇到计算时间过长以及计算效率降低的问题，将并行计算和模式学习引入蚁群算法，通过各个节点机提取模式，在各节点问筛选和交流优良模式，以改变计算粒度，达到缩短计算时间、提高计算效率的目的．实验结果表明该算法取得了较好的效果。     

一种基于近邻策略求TSP问题的改进演化算法

针对贪心演化算法(GEA)在旅行商问题中存在的求解规模小、成功率低的缺点,引入Inver-over倒异算子、贪心算子,改进近邻优化、映射算子、变异算子等策略,提出一种新的改进演化算法来求解中等规模旅行商问题(TSP)。通过仿真实验,验证了该进化算法收敛速度快、求解成功率高的优点,稳定性也更好。     

求解旅行商问题的二阶段演化算法

对Inver-over算子进行了改进,提出了1st-Inver-over算子和2nd-Inver-over算子,实现了求解TSP问题的基于改进Inver-over算子的二阶段演化算法（Two-stage Inver-over EA）。在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度;在算法后期,根据种群的多样性自适应地选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。在TSPLIB（Traveling Salesman Problem Library）中的典型实例上的实验结果表明,Two-stage Inver-over EA比经典的GT算法具有更好的收敛性和搜索效率。     

多核计算环境下改进的主从式并行遗传算法

遗传算法作为通用而有效的全局搜索算法已在图像处理、自动控制等众多领域获得应用,但其计算量大、极耗计算资源,运行效率直接影响到复杂的非线性和多维空间寻优问题的求解效率。在分析OpenMP并行技术特点的基础上,针对主从式并行模型没有充分利用遗传算法内在并行性的问题,提出了一种改进的主从式并行遗传算法,并应用OpenMP编程模型在多核计算环境下实现。利用旅行商问题进行的实验表明,改进的并行遗传算法有更好的计算效率、扩展性,可在求解大规模TSP问题上有更广泛和高效的应用。     

求解TSP问题的实数编码演化算法

采用实数编码的染色体表示方式,先后自行设计实现了两种演化算法求解TSP问题.其中第二种算法中使用了自适应演化算子,能有效消除路径上的交叉,并能在一定程度上进行合理的段位移,更加符合该染色体表示方式的特点.实验结果表明,用实数编码的染色体表示方式求解TSP是可行的,而且使用自适应演化算法求解可以取得比较好的结果.     

求解TSP问题的多线程演化算法

提出了一种基于单处理器的多线程演化算法。该算法着重于发挥线程之间通讯高效的特点,充分利用演化线程之间大量的通讯,避免演化计算的过早收敛。求解TSP（traveling salesman problem）问题的实验结果表明,该算法大大地提升了原简单演化算法解的质量,而且该算法的解也明显优于使用相同简单演化算法实现的基于孤岛模型的分布式演化算法所得到的解。     

实数编码的演化算法求解TSP问题

对新近提出的求解TSP问题的实数编码的染色体表示方式进行了研究，为了去除存在于这种染色体表示方式中的冗余，对其进行了改动，然后设计了相应的多父体杂交算子和变异算子，完成了一个实数编码的求解TSP问题的演化算法。实验结果表明，这个算法是可行的，能够使解收敛到一定的程度，但还需要提高其收敛的能力。所以下一步的工作重点在于根据这种染色体表示方式的特点，进一步研究更合适的算子，从而得到更好的解。     

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法,其算法的核心在于Inver-over算子的设计,但在城市规模超过80时,该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转,改进逆转方式后,被逆转的基因片段可以包括整个染色体,这样能有效地防止解的早熟。同时,在原算法的基础上,引入了映射模块,能使父代中好的基因片段得到遗传,使好的基因片段能让更多的染色体所享有,不会因为父代被替代而让好的基因模式丢失。实验表明：改进后的算法增强了原Inver-over算子对最优解的搜索能力,并且对TSPLIB中大部分实例均可搜索到最优解。     

改进遗传算法在求解TSP问题上的应用研究

遗传算法是一种比较成熟的智能算法,一般通过改进遗传算法的算子达到提高算法性能的目的。提出一种改进的遗传算法,遗传算子是基于近邻选择策略设计的,另外还对评估函数、种群多样性以及保留精英算子等方面对遗传算法进行了改进,并将其应用到旅行商问题的求解上,实验结果表明提出的算法是有效的。     

基于改进最近邻的协同过滤推荐算法

针对当前协同过滤推荐算法易受数据稀疏性与冷启动的问题,提出了一种改进最近邻的协同过滤推荐算法。建立用户-项目评分矩阵,并度量项目之间、用户之间的相似性,获取项目和用户的最近邻居,其中最近邻居的最优参数k值采用粒子群算法选择,在MovieLens和Book-Crossing数据集上进行了仿真对比实验。结果表明,相对于其他协同过滤推荐算法,该算法降低了平均绝对误差值,提升了推荐准确度,达到提高推荐质量效果的目的。     

求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

演化算法求解TSP问题的最新进展

TSP是一个著名的NP-hard问题.对近期出现的一些新的求解TSP问题的演化算法进行了比较全面的综述.其中有一类算法属于郭涛算法及其相应的改进算法,能够得到比传统演化算法更好的解,还有一类采用了实数编码的染色体表示方式,对求解TSP问题的新的染色体表示方式进行了尝试,还有的属于并行演化算法,通过增加并行进程的方式能够在原有算法的基础上得到更好的解.在综述这些算法的同时,还对比了它们的求解能力.最终的目的是希望通过对上述算法的研究,得到更合理的算法,推动演化算法研究TSP问题的进程.     

应用改进的遗传算法求解TSP问题

旅行商问题,也称货郎担问题,属于完全NP问题,而遗传算法在解决组合排列问题方面占有很重要的地位.针对TSP问题,提出了一种改进的遗传算法.利用交换启发交叉算子和可变交叉概率实现局部搜索,加快算法的收敛速度,利用变换变异算子和可变变异概率维持群体的多样性防止算法早熟收敛.Java仿真实验结果表明,改进后的算法明显优于传统的遗传算法,说明该算法具有良好的有效性和可行性.