MPSO智能决策系统：TSP问题的有效解决方案

本文主要探讨了"解决旅行商问题的智能决策系统：MPSO"的研究论文，发表于2019年的国际可持续计算科学、技术与管理会议（SUSCOM-2019）。作者R.G. Babukarthik、MN Arpitha、Lavanya BK Koppal和Shyam Sundar Pandey来自印度班加罗尔的Dayananda Sagar大学计算机工程系。 多群粒子群优化（MPSO）是一种改进版的粒子群优化（PSO），其核心思想是引入多个子群（sub-swarms）而非单一群体，以此来增强搜索过程中的探索与利用之间的平衡。在MPSO中，每个子群（child swarm）独立进行优化，通过交换子群内的最优解（best fitness value），即gbest，实现了算法的协同进化。这种方法在处理旅行商问题（Traveling Salesman Problem, TSP）上展现优势，TSP是一个著名的NP难问题，目标是寻找给定城市间的最短路径，同时确保每个城市至少被访问一次。 TSP中的关键挑战在于如何在众多可能的路径中找到全局最优解，而MPSO通过多层优化策略有效应对。论文提出了一种结合边界值分析（Boundary Value Analysis, BVA）、遗传算法（Genetic Algorithm）以及特定的区域划分（Region_bc(Rg)、Replicate_bc(Rp) 和 Evade_bc(Ev)）的方法，旨在提升计算效率，减少最佳适应度误差，同时保持算法的收敛性和多样性。 实验结果表明，所提出的MPSO-BVA技术在计算时间、最佳适应度、错误率、收敛率和多样性方面表现出色，在保证最低计算时间和最佳适应值的同时，降低了算法的错误率。未来的研究方向将是在云计算环境中应用这种技术，以解决更广泛的作业调度问题。 总结来说，这篇论文深入研究了多群粒子群优化在旅行商问题上的应用，展示了它在解决复杂组合优化问题上的潜力，并提供了实际的算法改进策略，为未来的云计算环境下的问题求解提供了一个有前景的解决方案。