《表1 四种算法的TSP测试结果》

  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

《基于精英集聚效应的实数编码小世界优化算法》

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

由表1可以看出，ARCSWA在城市规模较小时相对误差与其他三种算法差异并不明显，而当数据集的城市规模变大时，随之产生局部极小值也急剧增多，故四种算法的相对误差都明显增大。但是TGA、SSWA、TSWA三种算法的相对误差增长幅度远大于ARCSWA，且在99及以上城市规模都超过100%，说明对高维模型的优化能力较差；相比之下，ARCSWA的相对误差在bier127上也不到40%，寻优能力提升明显。另外在收敛速度上ARCSWA也优于其他三种算法，在数据集的城市规模较小时优势较为显著。综合表1数据可以得出:TSWA虽然加入了禁忌策略，但因为小世界算法本身具有较强的局部搜索能力，所以其较TGA和SSWA相对误差只降低5.5%和0.9%，而收敛速度也只提高1.43%和1.42%，性能提升有限。相比上述三种算法，ARCSWA因为采取精英集聚效应的长连接策略，改善陷入局部最优的情况，所以相对误差平均降低了30.3%，且城市规模越大降低越为显著；而加入自适应短连接策略，提高了其搜索效率，故收敛速度平均提高了18.2%，稳定性平均提高了13.8%。再结合图2可以得出:四种算法的代数标准差在eil51和eil76上都较小；而在城市分布不均、易出现过早收敛的中国31省会上都明显增大，但ARCSWA仍比其他三种算法平均低34.9%，表现出较强的优化稳定性。图3进一步表明SSWA和TSWA的初始收敛速度相较TGA变快，但是这三种算法的进化曲线到最后却没有明显差异，而ARCSWA无论相对误差还是迭代次数都小于其他三种算法，且进化曲线较为平滑，这也验证了其优异的性能。