一种结合粒子群优化理论改进的郭涛算法及其应用

郭涛算法是目前求解TSP(traveling salesman problem)问题最为高效的进化算法之一。算法中提出一种求解TSP旅行商问题的高效Inver-over算子,该算子使基因序列以一定概率进行自适应的序列倒置,同时具有遗传算法中的变异算子以及杂交算子的特性。对Inver-over算子进行改进,使粒子编码得到更加充分的序列倒置;并引入粒子群优化算法的思想以加快算法收敛速度,提高了郭涛算法求解效率。将改进后的郭涛算法应用于钢卷自动优化组合堆垛问题,实验验证了改进郭涛算法的有效性。     

基于CCEA和改进郭涛算法的函数优化问题求解

在合作式协同演化(CCEA)的基础上,引入了使用高斯变异算子的郭涛算法,设计了一种求解函数优化问题的高效混合演化算法.通过求解复杂高维的函数优化问题的多个实例,并将该算法和CCEA与基本郭涛算法结合的方法--CCGT进行了对比.实验结果表明,新算法是高效的,其结果优于现存文献中的其它模型,但不及CCGT优秀.证明在该算法中引入的高斯变异算子的作用不大.     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。     

基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

求解TSP问题的一种改进蚁群算法

TSP问题是典型的NP—hard组合优化问题,用蚁群算法求解此问题存在搜索时间长,容易陷入局部最优解的不足。本文提出了一种改进的蚁群算法。该算法在蚁群算法中植入遗传算法,利用遗传算法生成信息素的分布,克服了蚁群算法中搜索时间长的缺陷。此外,在蚁群算法寻优中,采用交叉和变异的策略,改善了TSP解的质量。仿真结果显示,改进的蚁群算法是有效的。     

遗传算法求解TSP及其改进

给出了基于MATLAB的求解TSP的遗传算法实现,并且针对ATSP进行仿真试验。针对基本遗传算法在仿真结果中的不足,提出最优路径保存的改进策略,改进后算法的仿真结果证实了算法的有效性。     

求解TSP问题算法综述

TSP问题（旅行商问题）是一个典型的组合优化问题,具有重要实际应用价值。对于大规模TSP问题,至今尚未找到非常有效的求解方法。为此,本文讨论了传统的确定性算法和流行的智能算法,并指出各种方法的优缺点,提出了未来求解TSP问题的发展趋势。     

求解TSP的混合遗传算法

介绍一种求解TSP的混合遗传算法,该算法结合了基于邻域的LK算法和采用Inver-Over算子的遗传算法,并在算法中增加一些控制策略,加快算法的收敛速度,又保证群体的多样性。实验表明该算法是有效的。     

基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

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.     

求解TSP的改进量子蚁群算法

将量子群进化算法(QEA)与蚁群系统(ACS)进行融合,提出一种新的量子蚁群算法(QACA).该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子的态矢量和量子旋转门来分别表示和更新信息素.该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,并结合TSP,对算法进行了测试,得到了与现有文献结果相同或更好的解,表明该算法是求解TSP的一种有效的算法.     

改进的多智能体遗传算法求解TSP研究

多智能体遗传算法是基于智能体对环境感知与反作用的能力提出的一种新的函数优化方法,具有很快的收敛速度,尤其是在优化超高维函数时更显示出了它的优越性。针对这一特点对该算法进行了适当的改进,在邻域正交交叉算子中采用精英保留策略,在自学习算子中引入邻域正交交叉算子并采用小变异概率以加快收敛速度。求解TSP的实验结果显示,改进后算法的性能有了较大的提高。     

基于改进Inver-over算子的并行TSP演化算法

设计了基于近邻点初始化和改进Inver-over(反序杂交)算子求解旅行商问题的并行演化算法.该算法执行时,主进程每当收集到各个种群的最好个体并形成精英种群时,就对该种群执行一次Inver-over算子,然后将其中最好的个体发送给各个种群.在PVM(并行虚拟机)并行环境下的实验结果表明,并行后能取得更好的解,并且在主进程中建立精英种群的演化有助于更好更快的收敛.     

改进的免疫算法求解TSP问题

针对TSP问题,提出基于人工免疫理论的提取免疫疫苗和注射疫苗的新算法对免疫算法进行适当的改进,给出了新的疫苗结构,以提高算法求解问题的迭代速度。实验结果表明,改进的免疫算法较原免疫算法在求解TSP问题时具有更快的收敛速度。     

旅行商问题的N维空间联通图算法与分析

旅行商问题（Traveling Salesman Problem,TSP）是组合优化中典型的NP难问题之一。和现有算法的基于局部分析或通过反复迭代逐步达到满意解的方式不同,作者首次提出了在N维欧氏空间Rn中求解TSP问题的N维空间联通图算法（Rn-Connectivity Map Algorithm,nDCM Algorithm）。该算法根据R2中n点（v₁（x₁₁,x₁₂）,v₂（x₂₁,x₂₂）,…,v_n（x_n1,x_n2））之间的距离关系（dist²_ij）_n×n,将它们转换Rⁿ中的点（v₁（x₁₁,x₁₂,…,x_1n）,v₂（x₂₁,x₂₂,…,x_2n）,…,v_n（x_n1,x_n2,…,x_nn））并通过对点vi与其余n-1个点的空间结构关系（i=1,2,…,n）进行分析,计算得到反映TSP整体空间分布的（dist²_ij）_n×n,即Rⁿ-联通图（（Connectivity Map）n×n）,从而以较高的效率求得TSP问题的满意解。首次从空间结构分析的角度给出了TSP问题的N维空间联通图算法以及由此得到的有实际指导意义的结论。     

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。     

基于动态疫苗提取的免疫遗传算法求解TSP问题

针对免疫系统能通过注射疫苗来达到快速识别抗原的特性,对免疫遗传算法进行改进.根据抗体的优劣来从中提取不同长度的疫苗,并在此基础上提出一种基于动态疫苗提取的免疫遗传算法(IGAB),将其用于TSP问题的求解中,实验结果表明,IGAB能够抑制遗传算法在迭代过程中出现的退化现象,提高算法的收敛速度.     

高效的求解TSP问题的近似算法

提出了一种基于矩阵变换的方法,将n阶TSP问题近似转化为n-1阶TSP问题,然后用递归运算得出最后解。此算法的时间复杂度为O（n³）。而后又对此算法做了进一步的改进,近似度有很大提高但时间复杂度增加为O（n⁴）。经过实验表明,此类算法求解的近似度很高,尤其是在满足三角不等式的问题中,误差更低。利用TSPLIB数据库中的数据进行测试,得到的结果误差最多不超过10%。     

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。