融合北方苍鹰优化与2-opt局部搜索的混合蚁群算法求解旅行商问题

高 宏
辽宁科技大学　计算机科学与技术学院

摘要


针对传统蚁群算法（ACO）在求解旅行商问题（TSP）时收敛速度慢、易陷入局部最优的缺陷，本文提出
一种融合北方苍鹰优化（NGO）与2-opt局部搜索的混合蚁群算法（NGO-ACO-2opt）。该算法构建“预热-搜
索-精化”协同机制：利用北方苍鹰优化在全局范围内快速生成高质量初始解，提升前期收敛速度；在蚁群迭代中
周期性调用NGO对精英解进行深度优化，并利用2-opt局部搜索对候选解进行精细调整；同时引入精英解信息素增
强策略，强化优质路径的引导作用。实验结果表明，与传统蚁群算法相比，所提算法在多个规模的TSP实例上均取
得了更优的最优解、平均值和标准差，收敛速度与稳定性显著提升。

关键词


旅行商问题；北方苍鹰优化；蚁群算法；2-opt；混合算法

全文:

PDF


参考


[1]Dorigo M, Maniezzo V, Colorni A. Ant system:

optimization by a colony of cooperating agents[J]. IEEE

Transactions on Systems, Man, and Cybernetics, Part B

(Cybernetics), 1996, 26(1): 29-41.

[2]李士勇，陈永强，李研.蚁群算法及其应用[M].

哈尔滨：哈尔滨工业大学出版社，2004.

[3]Dehghani M, Hubálovský Š, Trojovský P. Northern

goshawk optimization: a new swarm-based algorithm for

solving optimization problems[J]. IEEE Access, 2021, 9:

162059-162080.

[4]Croes G A. A method for solving traveling-salesman

problems[J]. Operations Research, 1958, 6(6): 791-812.

[5]段海滨，王道波，于秀芬.蚁群算法的研究现状

及其展望[J].中国工程科学，2007，9（2）：95-102.

[6]吴华锋，陈信强，毛奇凰，等.基于自适应蚁群

算法的船舶多港口泊位调度优化[J].交通运输工程学报，

2021，21（2）：212-222.

[7]张强，李盼池.基于北方苍鹰优化算法的函数优化

与工程应用[J].控制与决策，2023，38（5）：1321-1329.

[8]王丽娜，刘建生.融合2-opt的改进蚁群算法求解

TSP[J].计算机工程与设计，2020，41（8）：2183-2188.


Refbacks

  • 当前没有refback。