《表1 不同TSP实例遗传算法与本文算法实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于自适应层次谱聚类与遗传优化的TSP算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证提出的基于自适应层次谱聚类与遗传优化的算法的性能，在仿真环境Intel（R）Core（TM）.i5-2450M CPU、4.00GB RAM、Window7(32bit）、MATLAB r2013a下，采用本文算法和传统遗传优化算法，选用TSP标准测试库TSPLIB[15]中的问题进行数值实验．在实验中，两算法参数设置相同，设置如下：种群大小Numpop=120、交叉概率crate=0.9、变异概率mrate=0.2、选择率srate=0.3、随机概率rrate=0.3和城市规模阈值thvalue=200，且设定类内进化代数、类间进化代数以及遗传算法进化代数均为Iteration=300．表1为9个不同TSP实例的遗传算法和本文算法实验数据，9个TSP实例数据规模分别为150、198、280、417、535、783、1 000、1 379和5 915，数据整体呈递增趋势．由表1可以看出本文算法的最优解均优于遗传算法最优解，运行时长更短，且遗传算法结果误差在10%～22%之间，本文算法结果误差在3%～11%之间．图3直观地展示了两算法在相同参数时，9个不同TSP实例的结果误差和运行时间的折线图．由图3(a）知，本文算法的结果误差总体小于遗传算法误差，且随着数据规模的增大，本文算法的结果优势更明显；由图3(b）知，本文算法的运行时间均小于遗传算法运行时间，当数据规模增大时，两算法运行时间整体呈上升趋势，且本文算法在TSP数据规模增大时，用时优势更加明显．由此可见，本文算法针对大规模TSP，有效避免收敛速度慢以及早熟现象，较大程度减少了运算时间，提高了计算效率．