Reinforced Hybrid Genetic Algorithm for the Traveling Salesman Problem
Huazhong University of Science and Technology(华中科技大学)
本文提出了一种新的求解TSP问题的方法--增强型混合遗传算法(RHGA)。具体来说,我们结合强化学习与著名的边缘组装交叉遗传算法(EAX-GA)和Lin-Kernighan-Helsgaun(LKH)的局部搜索启发式。在混合算法中,LKH算法可以通过有效的局部搜索来帮助EAX-GA算法提高种群的收敛速度,而EAX-GA算法可以通过提供高质量和多样性的初始解来帮助LKH算法跳出局部最优解。我们限制了EAX-GA中只有一个特殊的个体可以被LKH改进。这种机制可以防止由于LKH对种群的冗余调用而导致种群多样性、效率和算法性能下降。因此,我们提出的混合机制可以帮助EAX-GA和LKH提高彼此的性能,而不会降低收敛速度的人口。基于Q学习的强化学习技术进一步促进了混合遗传算法的发展。在138个知名和广泛使用的TSP基准上的实验结果表明,RHGA具有优异的性能,城市数量从1,000到85,900不等。
2022-07-08 cs.AI cs.NE
A Comparative Study of Adaptive Crossover Operators for Genetic Algorithms to Resolve the Traveling Salesman Problem
遗传算法包括一些参数,应调整,使算法可以提供积极的结果。交叉算子在构造竞争遗传算法中起着非常重要的作用。本文讨论了旅行商问题(TSP)中各种交叉算子的基本概念特征和具体特性。六个以上不同的交叉算子的TSP的实验比较结果。实验结果表明,OX算子能够获得比其他算子更好的解。
2012-03-14 cs.CE cs.NE
CSRX: A novel Crossover Operator for a Genetic Algorithm applied to the Traveling Salesperson Problem
本文提出一系列新型交叉算子CSRX,通过利用解空间中通用的对称性来有效保留优异个体,显著提升了遗传算法求解旅行商问题的性能。
2024-01-09 cs.NE
An Improved ACS Algorithm for the Solutions of Larger TSP Problems
Khulna University of Engineering & Technology(库尔纳工程技术大学)
如何有效地求解大型旅行商问题是计算机科学研究人员面临的一个挑战。针对组合优化问题中最突出的一类TSP问题,提出了一种改进的蚁群算法--红黑蚁群算法(RB-ACS)。RB-ACS算法利用蚁群系统的思想和遗传算法的并行搜索机制,快速获得最优解。在本文中,它表明,建议RB-ACS算法产生显着更好的性能比现有的最知名的算法。
2013-04-13 cs.AI cs.DS cs.NE
Analysis of Optimal Recombination in Genetic Algorithm for a Scheduling Problem with Setups
本文对具有顺序依赖调整时间的单机最小完工时间问题($1|s_{vu}|C_{\max}$)的最优重组算子进行了实验研究。对TSPLIB库中的基准问题的计算实验表明,遗传算法的交叉算子中的最优重组对$1|s_{vu}|C_{\max}$具有实用性。
2014-12-16 cs.NE
An improved genetic algorithm with a local optimization strategy and an extra mutation level for solving traveling salesman problem
旅行商问题(TSP)在大多数情况下被证明是NP完全的。遗传算法(GA)是解决这一问题最有效的算法之一。本文比较了传统遗传算法和改进的混合遗传算法在求解TSP问题中的性能。改进的遗传算法或混合遗传算法由传统遗传算法和两种局部优化策略组成。第一种策略是抽取包含四个样本城市的所有序列组,并将两个中心城市相互替换。第二种局部优化策略类似于额外的变异过程。在该步骤中,以低概率选择样本。在这个样本中,定义了两个随机城市,这些城市之间的路径是反向的。计算结果表明,该方法也发现更好的路径比传统的遗传算法在可接受的计算时间。
2014-09-10 cs.NE
Application of the Modified 2-opt and Jumping Gene Operators in Multi-Objective Genetic Algorithm to solve MOTSP
Jaypee Institute of Information and Technology(贾皮尔信息技术学院)
进化多目标优化算法是近年来的研究热点,已经有不少关于这类算法的论文发表。然而,本地搜索技术的作用并没有得到充分的扩展。本文研究了多目标旅行商问题(MOTSP)的局部搜索技术,称为2-选择的作用。还使用了一种称为跳跃基因(JG)的新变异算子。由于2-opt算子是针对单目标TSP的,本文将其应用范围扩展到MOTSP。这项新技术适用于KroAB 100城市名单。
2011-09-06 cs.AI cs.NE
Analyzing the Performance of Mutation Operators to Solve the Travelling Salesman Problem
遗传算法包含了一些需要调整的参数,这样才能得到可靠的结果。选择一个代表性的问题,初始人口,选择方法,交叉算子,变异算子,交叉和变异的概率,插入方法创建一个变种的遗传算法。我们的工作是这个角度的答案的一部分,找到这个组合问题的解决方案。用遗传算法求解旅行商问题(TSP)时,最佳参数是什么?在本文中,我们提出了一个不同的变异算子的比较分析,周围的扩大讨论,证明遗传算子选择解决TSP问题的相关性。
2012-03-14 cs.CE cs.NE
Novel Methods for Enhancing the Performance of Genetic Algorithms
在本文中,我们提出了新的交叉算子,即:最差基因切割(COWGC),最差L+R基因切割(COWLRGC)和碰撞交叉。我们还提出了几种类型的变异算子,如:最差随机基因突变基因(WGWRGM)、最差随机基因突变LR基因最差基因突变(WLRGWRGM)、具有最差基因突变的最差基因(WGWWGM)、具有最近邻突变的最差基因(WGWNNM)、具有最差最近邻附近突变的最差基因(WGWWNNM)、在最近邻突变旁边插入的最差基因(WGIBNNM),随机基因插入最近邻突变旁(RGIBNNM)、交换最差基因局部突变(SWGLM)、在最差基因突变前插入最佳随机基因(IBRGBWGM)和在随机基因突变前插入最佳随机基因(IBRGBRGM)。提出了选择任意交叉(SAC)、选择任意变异(SAM)、选择最佳交叉(SBC)和选择最佳变异(SBM)四种选择策略。前两种策略分别基于最佳交叉算子和变异算子的选择,后两种策略随机选择任何算子。因此,我们研究使用一个以上的交叉/变异算子(基于所提出的策略),以提高遗传算法的性能。我们的实验,进行了几个旅行商问题(TSP),显示了一些所提出的方法在交叉和变异的一些著名的交叉和变异算子在文献中描述的优越性。此外,使用四种策略(SAC,SAM,SBC和SBM)中的任何一种,都比使用一种交叉/变异算子更好,因为这些策略允许GA避免局部最优,或所谓的早熟收敛。关键词:遗传算法,碰撞交叉…
2018-01-25 cs.AI cs.NE
Quantum evolutionary algorithm for TSP combinatorial optimisation problem
本文使用量子遗传算法(QGA)解决旅行商问题(TSP),并与经典遗传算法(CGA)对比,发现CGA在多数实例中表现更优,指出了QGA在参数设置和真实硬件验证方面的局限。
2024-09-20 cs.NE quant-ph
Hierarchical Genetic Algorithms with evolving objective functions
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);Chennai Mathematical Institute(金奈数学研究所)
我们提出了一个遗传算法的框架,它使用多层次结构来解决一个优化问题,通过搜索空间的简单目标函数。我们解决了旅行推销员问题的一个变种称为\texttt{soft-TSP},并表明,当对整体目标函数的约束条件发生变化时,该算法适应于生产出解决方案的变化的目标。我们使用这个想法来加速学习,通过系统地改变约束来找到一个更全局最优的解决方案。我们还使用这个框架来解决多项式回归,其中实际目标函数是未知的,但在可用目标函数的空间上搜索会产生一个很好的近似解。
2019-08-05 cs.AI cs.LG cs.NE
Improving TSP Solutions Using GA with a New Hybrid Mutation Based on Knowledge and Randomness
遗传算法(Genetic Algorithm,GA)是一种模拟达尔文自然进化理论的进化算法,是求解优化问题的有效工具。变异算子被认为是遗传算法的探索算子,是遗传算法成功的关键因素之一。存在各种变异算子来解决困难的组合问题,如TSP。在本文中,我们提出了一个混合变异算子称为“IRGIBNNM”,这种变异是一个组合的两个现有的突变,基于知识的变异,和基于随机的变异。我们还改进了现有的“选择最佳变异”策略,使用所提出的变异。我们对12个基准对称旅行推销员问题(STSP)实例进行了几次实验。我们的实验结果表明,所提出的突变的效率,特别是当我们使用它与其他一些突变。关键词:基于知识的突变,倒位突变,滑动突变,RGIBNNM,SBM。
2018-01-22 cs.NE
The Interactive Effects of Operators and Parameters to GA Performance Under Different Problem Sizes
遗传算法(GA)算子和参数对算法性能的复杂影响已被研究者广泛研究,但没有研究过在不同问题规模下GA算子和参数的交互作用。在本文中,我们提出了使用实验模型(1)~调查是否遗传算子和它们的参数相互作用,影响遗传算法的离线性能,(2)~找到什么样的遗传算子和参数设置的组合将提供最佳性能的遗传算法,(3)~调查这些操作参数的组合是否依赖于问题的大小。我们设计了一个遗传算法来优化一个旅行商问题(TSP),其最优解已知方便的基准。我们的遗传算法被设置为使用不同的算法来模拟选择($Ω_s$),使用不同的算法($Ω_c$)和参数($p_c$)来模拟交叉,使用不同的参数($p_m$)来模拟变异。我们使用几个$n$城市TSP($n=\{5, 7, 10, 100, 1000\}$)来表示不同的问题大小(即,由GA模式表示的结果搜索空间的大小)。使用方差分析的3因子析因实验,我们发现,遗传算法的性能受到$Ω_s$在小问题大小(5城市TSP),其中部分匹配交叉算法显着优于循环交叉在$95\%$的置信水平。
2015-08-01 cs.NE
Enhancing Genetic Algorithms using Multi Mutations
Mutah University(穆塔大学);Al-Hussein Bin Talal University(侯赛因·本·塔拉勒大学)
变异是遗传算法中最重要的阶段之一,它影响全局最优解的探索,克服早熟收敛。突变的类型有很多,问题在于选择合适的类型,在这种情况下,决定变得更加困难,需要更多的试验和错误。本文研究了使用多个变异算子来提高遗传算法的性能。提出了新的变异算子,并给出了两种变异算子的选择策略,一种是基于最优变异算子的选择策略,另一种是随机选择变异算子的策略。对旅行商问题(TSP)进行了几个实验来评估所提出的方法,并将其与著名的交换变异和重排变异进行了比较。结果表明,一些建议的方法的重要性,除了显着增强的遗传算法的性能,特别是当使用一个以上的变异算子。
2018-01-10 cs.AI cs.NE
A Rank based Adaptive Mutation in Genetic Algorithm
IBM India Pvt. Ltd.(IBM印度私人有限公司)
传统的遗传算法已被用于优化单峰和多峰函数。早期的研究人员使用恒定概率的GA控制算子,如交叉,变异等,以调整特定领域的优化。最近在这一领域的进展见证了自适应方法的概率确定。在自适应变异中,主要利用较差个体来探索状态空间,因此变异概率通常与最佳染色体与其自身的适应度之差(fMAX-f)成比例地产生。然而,这种方法在优化期间容易受到适应度分布的性质的影响。本文提出了一种利用染色体秩产生突变概率的方法,以避免对适应度分布的敏感性。通过实验比较了固定变异概率的简单遗传算法(SGA)和有限资源约束下的自适应算法对单峰函数、多峰函数和旅行商问题(TSP)的求解结果。测量的平均最佳适应度,进化的代数和百分比的全球最佳成就了几个试验。结果表明,基于秩的自适应变异方法是优于基于适应度的自适应方法以及SGA在多模态问题空间。
2021-04-18 cs.AI cs.NE
Genetic Algorithm with Optimal Recombination for the Asymmetric Travelling Salesman Problem
针对旅行商问题的非对称实例,提出了一种新的带最优重组的遗传算法。该算法结合了几个新的特点,有助于其有效性:(i)最佳重组问题是解决交叉算子。(ii)一种新的变异算子在3-opt或4-opt邻域内执行随机跳跃。(iii)初始种群的产生采用了张维庆的贪婪构造性启发式算法和3-opt局部搜索算法。在TSPLIB实例上的计算实验表明,该算法对非对称旅行商问题的求解效果优于其他著名的模因算法.
2017-12-19 cs.NE
Evolution as a Service: A Privacy-Preserving Genetic Algorithm for Combinatorial Optimization
进化算法(EA),如遗传算法(GA),提供了一种优雅的方式来处理组合优化问题(COP)。然而,受专业知识和资源的限制,大多数用户没有足够的能力来实现EA来解决COPs。一个直观且有前途的解决方案是将进化操作外包给云服务器,同时它会受到隐私问题的困扰。为此,本文提出了一种新的计算范式--进化即服务(EaaS),即云服务器在不牺牲用户隐私的前提下为用户提供演化计算服务。受EaaS思想的启发,本文设计了一种新的COPs隐私保护遗传算法PEGA。具体而言,PEGA使用户能够将COP外包给云服务器,该云服务器持有竞争性GA并以隐私保护的方式近似最优解。PEGA具有以下特点。首先,任何没有专业知识和足够资源的用户都可以解决她的COP。其次,PEGA不泄漏优化问题的内容,即,用户隐私。第三,PEGA具有与传统GA相同的逼近最优解的能力。我们实现了PEGA落在一个双服务器架构,并评估它在旅行推销员问题(TSP,一个广为人知的COP)。特别地,我们利用加密密码学来保护用户的隐私,并精心设计了一套安全计算协议来支持遗传算法对加密数据的进化操作。隐私分析表明,PEGA不会向云服务器披露COP的内容。在四个TSP数据集上的实验结果表明,PEGA在逼近最优解方面与传统GA一样有效。
2022-05-27 cs.NE
On Enhancing Genetic Algorithms Using New Crossovers
本文研究了使用多个交叉算子来提高遗传算法的性能。提出了基于弹性碰撞物理规律的碰撞交叉等新的交叉算子,并提出了基于最优交叉算子和随机选择交叉算子的两种交叉算子选择策略.一些旅行商问题(TSP)进行了几个实验,以评估所提出的方法,这是比较著名的修改交叉算子和部分映射交叉(PMX)交叉。结果表明,一些建议的方法,如碰撞交叉,除了显着提高遗传算法的性能,特别是当使用多个交叉算子的重要性。
2018-01-08 cs.NE
Solving the Min-Max Multiple Traveling Salesmen Problem via Learning-Based Path Generation and Optimal Splitting
Nanjing University(南京大学);State Grid Sichuan Electric Power Research Institute(国网四川省电力电力研究院)
针对最小-最大多旅行商问题,提出Generate-and-Split两阶段框架,通过联合训练集成强化学习与最优分割算法,解决现有方法解耦导致的优化问题,实验表明其在解质量和可迁移性上显著优于现有方法。
2025-08-23 cs.AI
Decoupling Representation and Learning in Genetic Programming: the LaSER Approach
Vermont Complexity Center(佛罗里达复杂中心);University of Vermont(佛罗里达大学)
本文提出 LaSER 框架,将遗传编程中的表征进化与终身学习解耦,使任意函数逼近器均可作为外部学习器,首次证明其在复杂数据集上超越标准 GP 及 GP 加线性回归,并支持 Baldwin 效应等进化学习假说。
2025-06-06 cs.AI cs.NE cs.SC
A self-adaptive genetic algorithm for the flying sidekick travelling salesman problem
本文首次提出用自适应遗传算法解决飞行搭档旅行商问题(FSTSP),通过战略部署无人机服务偏远客户以最小化总时间,实验证明该方法在多规模问题上优于竞争算法且计算时间低。
2023-10-23 cs.NE
PSO and the Traveling Salesman Problem: An Intelligent Optimization Approach
本文提出将粒子群优化(PSO)应用于旅行商问题(TSP),通过排列编码和2-opt/3-opt局部搜索改进解,实验表明PSO在中小规模问题上表现良好,但大规模问题性能下降,可与其他技术混合改进。
2025-01-25 cs.NE math.OC
Parallel Genetic Algorithm to Solve Traveling Salesman Problem on MapReduce Framework using Hadoop Cluster
旅行商问题(TSP)是组合优化中最常研究的问题之一。给定城市列表和它们之间的距离,问题是找到最短的旅行可能访问列表中的所有城市一次,并在它开始的城市结束。尽管旅行商问题是一个NP难问题,但人们已经提出了很多方法和解决方案。遗传算法就是其中之一。遗传算法是求解旅行商问题的一种简单而有效的探试法。在本文中,我们将展示一个并行的遗传算法的MapReduce框架的实现,以解决旅行商问题。MapReduce是一个用于支持计算机集群上的分布式计算的框架。我们使用免费许可的Hadoop实现作为MapReduce框架。
2014-01-24 cs.DC cs.NE
Web-Based Implementation of Travelling Salesperson Problem Using Genetic Algorithm
世界是通过互联网连接起来的。随着互联网用户的大量接入和云计算研究的普及,对人工智能的需求越来越大。在本研究中,遗传算法(GA)作为人工智能优化方法,通过自然选择和遗传进化。遗传算法在Web挖掘、负载均衡、路由选择、调度和Web服务选择等方面有着广泛的应用。因此,这是一个具有挑战性的任务,以发现是否代码主要是服务器端和基于Web的语言技术影响遗传算法的性能。旅行商问题(TSP)作为一个非多项式难(NP-hard)的问题,提出了一种用遗传算法求解的问题域。虽然许多科学家更喜欢在GA实现中使用Python,但另一种流行的高级解释器程序设计语言,如PHP(PHP超文本预处理器)和Ruby也被基准测试。这些程序设计语言的代码行,文件大小和性能的基础上GA实现和运行时发现不同。根据计算结果,建议在遗传算法的实现中使用Ruby语言。
2018-02-09 cs.NE cs.PL
An Evolutionary Approach to Drug-Design Using a Novel Neighbourhood Based Genetic Algorithm
目前的工作提供了一种新的方法来发展的配体结构,代表可能的药物对接到靶蛋白的活性位点。该结构表示为树,其中每个非空节点表示一个功能组。假设靶蛋白的活性位点构型与必需残基的位置是已知的。在本文中,配体与蛋白质靶标的相互作用能被最小化。此外,树的大小是难以获得的,并且对于不同的活动站点,它将是不同的。为了克服这一困难,我们采用了一种可变树尺寸的构型来设计配体。优化是使用一种新的基于邻域的遗传算法(NBGA),它使用动态邻域拓扑结构。为了得到可变的树大小,设计了上述算法的可变长度版本。为了评价算法的优劣,将其应用于著名的旅行商问题(TSP)。
2012-05-03 cs.CE cs.NE
A Hybrid Genetic Algorithm for the min-max Multiple Traveling Salesman Problem
本文提出一种混合遗传算法求解最小-最大多旅行商问题,通过TSP序列表示、动态规划评估、新型交叉算子、路径去交叉及自适应局部搜索,在多个基准集上优于现有算法并改进21个实例的最优解。
2023-10-28 cs.NE math.OC
A Non-Dominated Sorting Based Customized Random-Key Genetic Algorithm for the Bi-Objective Traveling Thief Problem
在本文中,我们提出了一种方法来解决一个双目标变量的研究旅行小偷问题(TTP)。TTP是一个多分量问题,它结合了两个经典的组合问题:旅行商问题(TSP)和背包问题(KP)。我们解决的BI-TTP,TTP的双目标版本,其目标是最大限度地减少总的旅行时间,并最大限度地提高所收集的物品的利润。我们提出的方法是基于一个偏置随机密钥遗传算法与定制解决问题的具体特点。我们将领域知识,通过在初始人口中的每个子问题的接近最优的解决方案的组合,并使用自定义的修复算子,以避免不可行的解决方案的评估。该问题的双目标方面是通过一个精英人口的基础上提取的非支配排名和拥挤距离。此外,我们提供了一个全面的研究,显示每个参数对性能的影响。最后,我们讨论了在EMO-2019和GECCO-2019会议上的BI-TTP竞赛结果,我们的方法分别获得了第一名和第二名,从而证明了它能够始终如一地找到高质量的解决方案。
2020-07-28 cs.NE
Pascal-Weighted Genetic Algorithms: A Binomially-Structured Recombination Framework
Department of Electrical and Computer Engineering, University of Waterloo(电气与计算机工程系,滑铁卢大学)
本文提出了一种基于帕斯卡权重的多亲本重组框架,通过二项式权重结构实现更稳定的遗传算法性能,显著提升收敛效率和稳定性。
2026-02-06 cs.AI cs.NE cs.SY
A new node-shift encoding representation for the travelling salesman problem
University M’hamed Bougara of Boumerdes(布迈德斯穆罕默德·布格拉大学)
本文提出一种用于解决旅行商问题的新遗传算法编码表示,通过在TSPLIB的14个基准上与最先进编码进行比较,验证了该染色体结构的性能。
2023-05-16 cs.AI cs.NE math.OC
Hybrid Metaheuristic Combining the Dragonfly Algorithm and Tabu Search for the Traveling Salesman Problem
Ecole Nationale Superieure d’Informatique (ESI)(国立高等信息学院)
提出一种混合元启发式算法,将蜻蜓算法(全局搜索)与禁忌搜索(局部搜索)结合,用于求解旅行商问题,在TSPLIB实例上相比单独算法性能提升。
2026-06-08 cs.NE
Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization
C 2 DL, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences(中国科学院大学先进交叉学科学院);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
针对深度强化学习求解组合优化存在探索不足、易陷局部最优的问题,提出融合DRL与遗传算法的即插即用进化增强机制EAM,经理论验证与多基准实验表明其可显著提升解质量与训练效率。
2025-06-11 cs.LG cs.NE
dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for Permutation-based Discrete Optimization Problems
TECNALIA, Basque Research and Technology Alliance (BRTA)(TECNALIA,巴斯克研究与技术联盟(BRTA));Universidad de Cantabria(坎塔布里亚大学);Toho University(东邦大学);University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU))
多任务优化是一种新兴的研究范式,其目标是通过一个搜索过程同时解决多个优化任务。为此,开发待解决任务之间的互补性至关重要,这通常通过遗传物质的转移来实现,从而形成转移优化领域。在这种情况下,进化多任务处理解决这个范式诉诸概念从演化计算。在这个特定的分支中,多因子进化算法(MFEA)等方法最近在处理多个优化任务时获得了显着的发展势头。这项工作有助于这一趋势,提出了最近推出的多因子进化算法II(MFEA-II)的第一个适应置换为基础的离散优化环境。为了对这种适应进行建模,一些概念不能直接应用于离散搜索空间,例如以父为中心的交互。在本文中,我们完全重新制定这样的概念,使他们适合于处理基于置换的搜索空间,而不会失去固有的好处MFEA-II。建议的求解器的性能进行了评估超过5个不同的多任务设置,由8个数据集的著名的旅行推销员(TSP)和容量限制的车辆路径问题(CVRP)。所获得的结果和他们的比较,由离散版本的MFEA确认的良好性能的开发dMFEA-II,并同意在以前的研究中得出的见解,连续优化。
2020-05-13 cs.AI cs.DM cs.NE
PAIR: A Novel Large Language Model-Guided Selection Strategy for Evolutionary Algorithms
Egypt University of Informatics(埃及信息学大学);Birmingham City University(伯明翰城市大学)
本文提出PAIR选择策略,利用大型语言模型基于遗传多样性、适应度和交叉兼容性评估个体以指导进化算法配对,实验证明其在TSP实例中显著优于LMEA基线,提升了收敛性并有效逃离局部最优。
2025-03-05 cs.LG cs.NE