离散狼群算法求解旅行商问题：精度提升与稳定性增强

本文主要探讨了一种针对旅行商问题（Traveling Salesman Problem, TSP）的离散狼群算法。TSP 是一个经典的组合优化问题，旨在寻找一条路径，使得旅行商访问每个城市恰好一次并返回起点，总行程距离最小。文章创新之处在于设计了一种新的编码方式和反转算子，对人工狼的位置和行为进行了整数编码，这使得算法能够更好地适应TSP 的特性。 算法的核心是离散狼群模型，它模仿了狼群的狩猎行为，包括领导者、追随者和探索者等角色，实现了协作式的搜索策略。这种设计保留了狼群算法的优点，即分布式搜索和群体智慧，同时通过概率近邻初始化方法提高了初始种群的质量，增强了算法的全局搜索能力和局部优化性能。 作者通过实验验证了新算法的效果，选择了C-TSP问题和TSPLIB数据集中多组TSP问题作为测试平台，与包括遗传算法、粒子群优化、模拟退火等在内的五种常见智能优化算法进行了比较。实验结果显示，所提出的离散狼群算法在求解精度、稳定性以及所需的迭代次数方面表现出了明显的竞争优势，证明了其在解决TSP问题上的有效性。 总结来说，这篇研究为TSP问题提供了一种新颖且高效的求解策略，通过离散狼群算法的巧妙设计，实现了广度搜索和深度挖掘的平衡，有助于提高旅行商问题求解的效率和准确性。这对于实际应用，如物流路线规划、城市交通优化等领域都具有重要意义。