Academic Journal
Муравьиные алгоритмы для решения задачи коммивояжера
| Title: | Муравьиные алгоритмы для решения задачи коммивояжера |
|---|---|
| Publisher Information: | ООО Цифра, 2024. |
| Publication Year: | 2024 |
| Subject Terms: | metaheuristics, ant colony optimization, pheromone updating, genetic ant system, методы локального поиска, parameter tuning, travelling salesman problem, MAX-MIN ant system, 2-opt heuristics, комбинаторная оптимизация, local search methods, оптимизация с помощью муравьиных колоний, настройка параметров, обновление феромонов, муравьиная система MAX-MIN, метаэвристика, 2-опт эвристика, combinatorial optimization, проблема коммивояжера, генетическая муравьиная система |
| Description: | В данной статье рассматривается оптимизация алгоритмов муравьиной колонии (Ant Colony Optimization, ACO) для решения задачи (Traveling Salesman Problem, TSP) – фундаментальной задачи комбинаторной оптимизации. Исследование направлено на улучшение понимания и производительности ACO путем оптимизации параметров, интеграции адаптивных механизмов и использования гибридных подходов. Методы включают разработку MAX-MIN Ant System (MMAS), Genetic Ant System (GAS) и включение методов локального поиска, таких как эвристика 2-opt. Результаты экспериментов демонстрируют значительное улучшение качества решений и скорости сходимости, причем вариант ACO + 2-opt постоянно превосходит другие алгоритмы. Полученные результаты подтверждают гипотезу о том, что усовершенствованные алгоритмы ACO достигают лучших показателей производительности по сравнению с классическими эвристиками и метаэвристиками. Данная работа вносит новые идеи и методологии в область вычислительной оптимизации, обеспечивая надежные и эффективные решения для крупномасштабных экземпляров TSP. Будущие направления исследований включают динамическую адаптацию параметров и расширение применимости ACO к другим NP-сложным задачам. This article examines Ant Colony Optimization (ACO) algorithms for solving the Traveling Salesman Problem (TSP), a fundamental combinatorial optimization problem. The research aims to improve the understanding and performance of ACO by optimizing parameters, integrating adaptive mechanisms and using hybrid approaches. Methods include developing MAX-MIN Ant System (MMAS), Genetic Ant System (GAS) and incorporating local search techniques such as 2-opt heuristics. Experimental results demonstrate significant improvements in solution quality and convergence rate, with the ACO + 2-opt variant consistently outperforming other algorithms. The results support the hypothesis that improved ACO algorithms achieve better performance compared to classical heuristics and metaheuristics. This work brings new ideas and methodologies to the field of computational optimization, providing robust and efficient solutions for large-scale TSP instances. Future research directions include dynamic parameter adaptation and extending the applicability of ACO to other NP-complex problems. Международный научно-исследовательский журнал, Выпуск 7 (145) 2024 |
| Document Type: | Article |
| Language: | Russian |
| DOI: | 10.60797/irj.2024.145.64 |
| Rights: | CC BY |
| Accession Number: | edsair.doi...........fb9275ee8333dc6fb2ee30afccc97319 |
| Database: | OpenAIRE |
| DOI: | 10.60797/irj.2024.145.64 |
|---|