一种改进的蚁群算法及其在TSP中的应用

蚁群算法是一种求解复杂组合优化问题的新的拟生态算法,也是一种基于种群的启发式仿生进化算法,属于随机搜索算法的一种,并用于较好地解决TSP问题.然而此算法也有它自己的缺陷,如易于陷入局部优化、搜索时间长等.通过对基本蚁群算法的介绍及相关因素的分析,提出了一种改进的蚁群算法,用于解决TSPLAB问题的10个问题,并与参考文献中的F-W、NCSOM、ASOM算法进行比较,计算机仿真结果表明了改进算法的有效性.如利用改进的蚁群算法解决lin105问题,其最优解为14382.995933(已知最优解为14379),相对误差是0.0209%,计算出的最小值几乎接近于已知最优解.     

一种改进的混合型蚁群算法在TSP问题中的应用

介绍了一种求解TSP问题的算法改进的混合型蚁群算法,该算法在近邻法构造初始解的基础上,使用2-opt局部搜索法对当前解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值,并使用Matlab仿真求解了kroa200等13个经典tsp问题,得到的结果和最优解的误差很小,并和两种最新改进的蚁群算法以及两种自组织算法进行比较,比较结果充分证明了该改进算法的有效性.     

一种求解TSP问题的多策略改进蚁群算法

蚁群算法是一种求解复杂组合优化问题的启发式仿生进化算法,并是求解TSP问题行之有效的一种随机算法.但此算法仍存在求解精度低、易陷入局部最优及求解效率低的问题,针对该问题提出一种多策略改进蚁群算法.采用最近邻法影响初始信息素的分布,达到降低算法初期较短路径上信息素浓度的目的,并在转移规则变异调整的基础上,结合路径的均值交叉进化策略,增强算法探索全局解空间和避免陷入局部最优的能力.然后,结合迭代和精英策略对信息素更新机制进行改进,进一步提高化算法的求解性能及求解效率,最后,对从TSPLIB数据库选出的8个实例进行求解并与其他算法进行对比,实验结果表明,改进算法在求解旅行商问题时的高效性,且具有较高的运算性能.     

基于免疫原理的蚁群系统及其应用

针对蚁群算法在寻优过程中容易出现停滞现象,同意在该算法中引入免疫机制,将待求解问题看成抗原,而问题的解看成抗体,通过基于浓度的选择机制和多样性保持策略来提高蚁群算法的全局搜索能力和避免停滞现象.对TSP问题的仿真实验结果表明,该算法极大地提高了搜索能力和避免了停滞现象.     

基于信息素的改进蚁群算法及其在TSP中的应用

针对基本蚁群算法收敛速度慢、易陷于局部最优从而导致搜索停滞的缺陷,提出了一种改进蚁群算法模型.改进算法引入信息素调节系数,避免算法初期各路径上信息素出现过大差异,导致算法"早熟".通过动态调整信息素挥发,在求解速度和寻找全局最优之间寻找平衡.对旅行商问题的仿真结果表明:改进算法的求解结果和求解效率都明显优于基本蚁群算法.     

基于二进制编码非洲野狗算法的TSP问题研究

针对非洲野狗算法求解优化问题时全局性收敛不强的特点,对该算法进行改进,提出了改进的非洲野狗算法,结合二进制编码设计了求解离散优化问题的二进制编码非洲野狗算法,并将该算法应用于求解TSP问题并与其他算法做对比分析.研究结果显示,求解TSP问题时二进制编码非洲野狗算法求解精度更高,收敛速度更快.     

图着色和标号问题的蚁群优化算法

对图着色问题的最大最小蚁群算法进行了改进,测试结果表明算法有效可行.在此基础上,分别设计了求解图条件着色和标号问题的相应蚁群优化算法,并对中国地图的条件着色、三正则图的条件着色、广义Petersen图的条件着色和标号问题进行了求解优化,改进和完善了目前理论研究的结论.     

模糊蚁群算法及其在TSP中的应用

在传统蚁群算法的基础上加入了使用模糊规则表更新信息素的策略,提出了一种新的算法——模糊蚁群算法.算法结合了模糊控制中输入输出的模糊化处理和蚁群寻优的特点,为实际问题提供了新的解决手段.文中将模糊蚁群算法应用于TSP问题,通过对中国31个省会城市等实例数据进行的测试,验证表明了新算法具有良好的有效性和鲁棒性.     

求解复杂优化问题的基于信息熵的自适应蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优、计算复杂且不易求解连续优化问题等缺陷 ,提出了一种基于信息熵的改进自适应蚁群算法 ,采用由信息熵控制的路径选择及随机扰动策略实现了算法的自适应调节 ,克服了基本蚁群算法的不足 .典型的 NP-hard问题的计算实例表明 ,该方法具有较好的收敛性、稳定性和鲁棒性 ,可用于离散及连续的组合优化问题求解中 ,其不失为求解复杂组合优化问题的一种较好的方法 .     

集装箱翻箱问题的蚁群算法改进

翻箱问题属于NP难问题,基本蚁群算法在求解该问题上收敛困难且寻优能力低。因此,本文提出了一种适合于翻箱模型的改进型蚁群算法,在概率决策机制、解的重构、信息素更新机制三个方面对基本蚁群算法进行改进。最后通过与其他算法的分析比较,验证了该改进算法的可行性与有效性。     

TSP的量子蚂蚁算法求解

在分析量子算法的基本概念的基础上,提出了一种新的算法——量子蚂蚁算法。量子蚂蚁算法结合了量子计算中量子旋转门的量子信息和蚂蚁寻优的特点,为解决实际问题提供的一种新的优化方法。本文将量子蚂蚁算法应用于TSP问题的研究,通过选取国际通用的TSP实例库中多个实例进行测试,表明了新算法具有很好的精确度和鲁棒性,即使对于大规模问题,也能以很小的种群和不长的时间求得相对误差较小的满意解。     

B2C电子商务仓库拣货路径优化策略应用研究

当前国内B2C电子商务仓库多为人至物的拣货模式,拣货作业成为其核心作业之一,占据仓库大量时间成本和资金成本,拣货路径优化成为企业亟需解决的问题。本文基于TSP对拣货路径进行建模,利用蚁群算法、模拟退火算法和禁忌搜索对该NP-hard问题进行求解,并同当前企业普遍采用的S型启发式策略进行对比,拣货时间节约13.35%。进一步得出当拣货品数量较少时应采用模拟退火算法求解,而当拣货品数量较大时采用蚁群算法仅进行一次迭代,则可以实现短时间得到相对较优的解。所得结果已应用于某大型电子商务企业,效果明显。     

改进蚁群算法在应急VRP问题中的应用研究

提出一种改进的蚁群算法优化应急物流配送车辆路径问题算法,设计了应急物流配送车辆路径问题的数学模型,并利用计算机进行了仿真实验.实验结果表明,方法能有效解决应急物流配送车辆路径问题,具有一定的理论价值和实际意义.     

基于Voronoi划分的同城即时配送优化策略研究

近年来经济社会发展及新零售业强势崛起使得平台或商家对大规模即时配送需求日益增加,在求解大规模车辆路径问题时仅使用启发式算法或其融合算法已无法满足实际需求。本文针对基于分众级的同城即时配送模式及现阶段存在的问题,确定了基于Voronoi划分算法的即时配送分区方法和对基础蚁群算法的三个改进策略;并以全程配送产生的总成本最少为目标函数,构建了带用户需求软时间窗的车辆路径问题数学模型;最后选取客户、车辆以及门店共计一百二十个真实地理位置数据,验证了本文提出的求解策略的有效性,并分析最终结果。结果显示,①使用Voronoi分区-改进蚁群算法的两阶段方法求解大规模车辆路径问题能显著减少配送总成本,同时提升客户满意度;②在多门店的条件假设下,采用改进蚁群算法求解得到的超时时间比基础蚁群算法少36%,配送总成本低17%。     

多目标0-1规划问题的蜂群算法

针对多目标0-1规划问题,本文给出一种新型的智能优化算法——蜂群算法进行求解,并通过实例验证,与遗传算法、蚁群算法和元胞蚁群算法作了相应比较。就多目标0-1规划问题而言,蜂群算法能得到更多的Pareto解,说明了蜂群算法在解决该类问题上的有效性。     

蚁群遗传混合算法

将蚁群遗传混合算法分别求解离散空间的和连续空间优化问题.求解旅行商问题的混合算法是以遗传算法为整个算法的框架,利用了蚁群算法中的信息素特性的进行交叉操作;根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-0pt方法对问题求解进行了局部优化.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.求解连续空间优化问题是以蚁群算法为整个算法的框架,加入遗传算法的交叉操作和变异操作,用测试函数验证了混合蚁群算法的正确性.