单亲遗传算法在TSP问题中的应用

基于单亲遗传算法的思想,编写了求解TSP问题的程序,给出了数值算例,并与遗传算法及蚁群算法在TSP问题的求解效率上进行了比较。结果表明,单亲遗传算法是求解TSP等组合优化问题的非常有效的算法。     

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。     

遗传模拟退火算法——黑龙江TSP问题

以黑龙江省29个城市构造TSP问题,通过对实验数据的分析,得出了遗传模拟退火算法在求解精度上优于遗传算法或模拟退火算法。遗传模拟退火算法利用了模拟退火算法局部精确的求解能力补充了遗传算法在局部求解不够精确的弊端,从而加快了求解TSP问题的效率,同时,又将蚁群算法和遗传模拟退火算法做比较,从结果可以看出遗传模拟退火算法求解效果较好。     

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.     

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。     

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.     

基于蚁群算法在TSP问题中的仿真分析

在移动机器人路径规划TSP问题中选取蚁群算法和遗传算法的matlab仿真作为研究重点,根据算法的特点分析了蚁群算法的主要参数例如启发信息影响程度的表达因子;信息素挥发系数,蚁群中的蚂蚁数量等对TSP问题规划最优解和效率的影响,同时对比遗传算法对TSP问题的仿真分析,得出蚁群算法的效率优势和遗传算法的稳定性优势,为进一步的两种算法优势互补融合研究做铺垫。     

基于改进遗传算法的TSP问题优化研究

旅行商问题（TSP问题）已经被证明属于NP完全问题。遗传算法是一种模拟自然界中生物的进化机制的优化策略．是一种基于群体、隐并行搜索策略，是求解TSP问题效率相当高的一种算法。因此．本文提出使用改进的遗传算法．即用个体数量控制选择策略以保证群体的多样性，用顺序交叉算子和部分路径翻转变异算子来提高算法的收敛速度．较好地解决了群体的多样性和收敛速度的矛盾。算法的分析和测试表明．该改进算法的是有效的。     

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。     

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。     

关于蚂蚁算法解决物流配送路径优化问题的探讨

首先对物流配送中的路径优化问题（VRP）进行建模，在借用蚂蚁算法思想解决经典TSP问题基础上，构造了蚂蚁算法解决VRP问题的模型、规则，分析并提出了问题可行解的解决方案。     

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。     

两阶段法求解混装模式下的加热炉调度

针对目前加热炉调度模型少有考虑混装模式下加热炉调度优化的不足,建立了连铸一热轧混装一体化模式下的加热炉生产调度优化模型,并提出了基于贪婪算法和模拟退火算法的两阶段求解方法。生产数据测试表明该模型和算法能有效解决加热炉调度问题。     

结合局部优化的蚁群优化算法的研究与实现

蚁群算法是一种成功的启发式算法,但在解决TSP问题时存在着收敛速度慢和易陷入局部最优解的问题。本文针对这两个问题,提出了定期交流和模范带头学习模型,前者是在蚂蚁每走过一定城市后,进行学习交流,选出所走路径相对较短的蚂蚁进行信息素影响,从而加快总体的收敛速度;后者是当所有蚂蚁都旅行一圈后,选出最优秀的蚂蚁,在其走过的路径上释放大量信息素,对下一周期蚂蚁的旅行进行引导,避免陷入局部最优解。实验结果表明新算法在求解质量上比传统蚁群算法有了明显提高。本文也通过实验分析了蚂蚁数量等参数对算法性能的影响。     

基于模拟退火遗传混合算法的指派问题研究

根据指派问题的特点建立数学模型．提出了以模拟退火算法和遗传算法相结合的思想及其解决方案。通过算例表明,使用此算法解决指派问题,提高了搜索效率,能够在短时间内找到最优分配方案,证明该算法是可行的。     

物流配送车辆运行径路优化问题的仿真实现

利用旅行商问题的C-W节约算法,对物流配送的车辆运行径路进行仿真计算,通过实例计算,可以得出最优的解。这在高油价下对降低车辆及物流成本,有现实意义。