基于改进遗传算法的TSP问题求解的研究

为了解决基本遗传算法求解TSP问题过程中容易发生"早熟"收敛的问题,并进一步提高算法的求解速度,提出了一种求解TSP问题的改进的遗传算法。采取的主要改进手段是:用贪婪算法构造初始种群,以提高找到近似最优解的速度;在轮盘赌方法的基础上融入最佳保存策略进行选择操作;采用两点三段随机交叉的方法进行交叉操作,保持种群多样性以及避免种群过早成熟。并通过编程实现了该算法,最后通过中国144个城市的TSP实验,验证了该算法的良好性能。     

基于改进遗传算法的TSP问题求解的研究

为了解决基本遗传算法求解TSP问题过程中容易发生“早熟”收敛的问题,并进一步提高算法的求解速度,提出了一种求解TSP问题的改进的遗传算法.采取的主要改进手段是:用贪婪算法构造初始种群,以提高找到近似最优解的速度；在轮盘赌方法的基础上融人最佳保存策略进行选择操作；采用两点三段随机交叉的方法进行交叉操作,保持种群多样性以及避免种群过早成熟.并通过编程实现了该算法,最后通过中国144个城市的TSP实验,验证了该算法的良好性能.     

标准遗传算法改进分析

将标准遗传算法用于最优化问题时存在早熟收敛和后期收敛速度缓慢的现象.本文扼要分析了遗传算法的运行机制,针对简单遗传算法的收敛速度慢、效率低,进行了改进,引入了基于小生境技术的改进遗传算法,构造的小生境群体,在保障群体中个体多样性的同时,使得优良算子能够更好的共享,提高了群体的整体搜索性和收敛效.     

快速、精确的热电联产经济调度研究

为更好地解决热电联产经济调度问题，提出了一种基于剪枝的改进遗传算法。该算法基于不同时期的种群适应度，调整自适应选择和交叉策略，在每次迭代之后对不合适的基因进行剪枝处理，提高了算法的收敛精度，加快了收敛速度。同时，也在确保种群多样性的前提下，保证了算法的收敛性。     

智能组卷系统的研究与实现

试题组卷是考试系统的重要组成部分。通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法。对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛现象,同时能在维持群体多样性的情况下,防止群体进入局部最优。     

蚁群遗传混合算法在求解旅行商问题上的应用

针对在求解旅行商问题时,蚁群算法易陷入局部最优,而遗传算法收敛速度慢等问题,将蚁群与遗传算法相结合:把蚁群算法每次迭代的结果作为遗传算法的初始种群,并且用遗传算法寻优结果更新蚁群算法的信息素。在用遗传算法处理问题的阶段,引入了两种新的交叉算子,并且提出混合交叉算子的新思想,算法的后期使用贪心搜索和2-opt局部优化算法,成功的避免了算法过早陷入局部最优解的问题,加快了算法的收敛速度。通过仿真,本算法与其他算法进行对比,寻优路径长度明显降低,在求解效率和求解质量上都有更好的效果。     

基于改进自适应遗传算法的车辆路径问题研究

针对自适应遗传算法进化初期收敛速度缓慢的不足，引入一个表示种群多样性程度的指标变量对个体的交叉率和变异率进行自适应调节，提出了改进的自适应遗传算法并将其应用于求解车辆路径问题。实验结果显示同传统的自适应调节方法相比，该算法提高了收敛速度，可以有效地求得VRP问题的最优解或近似最优解。     

免疫遗传算法的分析与研究

遗传算法GA在理论上已经形成了一套较为完善的算法体系,然而在实际使用中,还有许多问题有待于进一步改进。例如,对于多峰函数的优化问题,它往往会收敛于局部极值。这使得遗传算法的收敛精度大大下降,本文阐述的免疫遗传算法是基于人工免疫理论,在遗传算法的基本框架之上结合免疫算子而形成的一种新型优化算法,可有效的提升算法收敛精度,应用于各类参数优化系统。     

免疫遗传算法的分析与研究

遗传算法GA在理论上己经形成了一套较为完善的算法体系,然而在实际使用中,还有许多问题有待于进一步改进.例如,对于多峰函数的优化问题,它往往会收敛于局部极值.这使得遗传算法的收敛精度大大下降,本文阐述的免疫遗传算法是基于人工免疫理论,在遗传算法的基本框架之上结合免疫算子而形成的一种新型优化算法,可有效的提升算法收敛精度,应用于各类参数优化系统.     

改进的离散粒子群算法在配送问题中的应用

为了解决配送问题，对离散粒子群优化算法进行改进，保留惯性权值对速度的影响，把粒子的解储存为数组形式．增加群体相似度和排斥算子来让粒子跳出局部最优；仿真结果与其它算法的结果进行对比，发现改进的粒子群算法能够找到更好的解，并且收敛速度快，能在一定程度上避免早熟现象。     

物品配送路径优化的改进遗传算法

描述配送中心物品配送路径优化问题，并构造求解问题的改进遗传算法，在算法中引入模拟退火思想判断交叉操作后新个体的接受状态，同简单遗传算法相比，该算法能够增强全局收敛性，提高收敛速度。     

改进的蚁群算法在物流配送路径问题中的实现

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略。以及蚁群算法在TSP问题中的应用,在分析TSP与车辆路径问题（VRP）的异同后,给出用于求解车辆路径问题（VRP）的蚁群算法,并针对蚁群算法在求解过程容易出现过旱收敛问题,提出了几种改进算法的措施。最后通过powerbuilder的仿真实现结果表明,这种算法对VRP问题有较好的求解效果。     

电子商务环境下基于B2C的物流配送路径优化

电子商务环境下的物流配送具有客户位置分散、订单多、批量小和重复线路多的特点,传统的线路优化方法都在不同程度上遇到各种问题。文中针对电子商务环境下的配送特殊性,采用改进两阶段算法混合进行求解。第一阶段用K-means聚类法将客户群分成若干区域,在每个区域又用扫描算法分解成若干符合约束条件的小规模子集;第二个阶段对各个分组内的客户点,就是一个个单独的TSP模型的线路优化问题,采用改进遗传算法进行优化求解。最后,结合具体实例,实验证明了该改进算法的有效性。     

混合蚁群算法求解物流配送车辆路径优化问题研究

文中在分析VRP与旅行商问题（TSP）区别的基础上,构造了求解VRP的混合蚁群算法。将蚁群系统（ACS）算法同节约量和局部搜索策略2-opt法相结合来改进基本蚁群算法。仿真实验结果表明混合蚁群算法性能优良,能够有效地求解VRP问题。     

一种改进的物流配送车辆调度启发式算法

针对物流配送中的车辆调度问题,提出了一种改进的启发式算法。该算法基于sweep算法和用于解决旅行商问题(TSP)的Cheapest Insertion算法,是一种二阶段算法。这种启发式算法首先使用sweep算法将所有顾客分派给运输车辆,然后对每辆车按照TSP的解决方法解决该车上的TSP问题。本算法比较有效的解决了有时间窗的车辆调度问题,可以用来构造某些业启发式算法的初始解。     

基于改进遗传算法的生鲜加工配送中心连续选址模型

建立了生鲜加工配送中心选址连续模型，在引入监控算子的基础上，运用改进的遗传算法对模型进行求解。该模型和改进的遗传算法可有效的解决生鲜加工配送中心的选址问题。     

基于K均值的改进遗传算法求解TSP

提出一种基于K均值聚类方法的改进遗传算法,该算法通过聚类方法把大规模TSP转换为多个小型TSP,利用改进的遗传算法针对每一个类分别优化,求解得到多个闭合回路,再利用节约的思想将多段回路连接构成单一回路。其中遗传算法引入距离因子,结合TSP回路中边的长度进行交叉和变异,实验证明,基于K均值的改进遗传算法在求解结果方面提高30%以上。     

蚂蚁算法在复杂性运输路径问题中的应用——多车场多车型路径问题

车辆路径问题中,行驶路线往往取决于一系列约束条件,如配送中心个数,货物需求量,交发货时间,车辆容量限制等。要想达到一定的目标,如路程最短,费用最小,时间尽量少,车辆尽量少等,就得借劲于合适的算法去解决实际的问题。蚂蚁算法在解决著名的旅行商（TSP）问题上已取得了很好的成效,目前已陆续渗透到其他问题的求解上。文章主要针对多车场多车型车辆路径问题,用蚁群算法以及蚁群算法的优化算法去解决一些实际问题。