求解TSP问题的快速蚁群算法

被引：32

作者：

申铉京 ^{[1
,2
]}

刘阳阳 ^{[1
,2
]}

黄永平 ^{[1
,2
]}

徐铁 ^{[3
]}

何习文 ^{[1
]}

机构：

[1] 吉林大学计算机科学与技术学院

[2] 吉林大学符号计算与知识工程教育部重点实验室

[3] 吉林石油集团有限责任公司洮河农场

来源：

吉林大学学报(工学版) | 2013年 / 43卷 / 01期

关键词：

人工智能; 蚁群算法; 公共路径; 自适应; 旅行商问题;

D O I：

10.13229/j.cnki.jdxbgxb2013.01.020

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。

引用

页码：147 / 151

页数：5

共 6 条

[1] 改进混合蛙跳算法求解旅行商问题 [J].

罗雪晖 ;

杨烨 ;

李霞 .

通信学报, 2009, (07) :130-135

[2]

Max-Min Adaptive Ant Colony Optimization Approach to Multi-UAVs Coordinated Trajectory Replanning in Dynamic and Uncertain Environments[J]. Hai-bin Duan,Xiang-yin Zhang,Jiang Wu,Guan-jun MaSchool of Automation Science and Electrical Engineering,Beihang University,Beijing 100191,P.R.China.Journal of Bionic Engineering. 2009(02)

[3] Solving the traveling salesman problem based on the genetic simulated annealing ant colony system with particle swarm optimization techniques [J].

Chen, Shyi-Ming ;

Chien, Chih-Yao .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (12) :14439-14450

[4]

MAX – MIN Ant System[J] . Thomas Stützle,Holger H. Hoos.Future Generation Computer Systems . 2000 (8)

[5]

A self-organizing neural network using ideas from the immune system to solve the traveling salesman problem. Masutti TAS,Castro LN. Infor-mation Sciences . 2009

[6]

A fastant colony optimization for traveling salesman prob-lem. Tseng S P,Tsai C W,Chiang M C,et al. 2010IEEE Congress on EvolutionaryComputation . 2010

← 1 →