改进混合蛙跳算法解决TSP：融合r-EO与智能协作

本文主要探讨了"求解TSP的改进混合蛙跳算法"这一主题，它属于计算机科学中的运筹学和优化技术领域，特别是应用于旅行商问题（Traveling Salesman Problem, TSP）的求解方法。TSP是一个经典的组合优化问题，目标是寻找一条经过所有城市恰好一次且总距离最短的路径。 骆剑平和李霞两位作者在《深圳大学学报理工版》2010年第2期中，提出了对混合蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）的创新改进。SFLA最初是由Eusuff等人提出，作为一种基于群体协作搜索的模仿生物行为的算法，其核心思想是通过模因（模仿传播的信息单元）在个体之间的交流和共享，提升算法的智能搜索能力。 原始的SFLA主要依赖于青蛙的移动距离和位置数据结构以及相应的运算符。然而，本文的关键改进在于将具有极强局部搜索能力的采律极值动力学优化（Power Law Extremal Optimization, r-EO）融入到SFLA中。r-EO算法被重新设计以适应TSP的需求，引入了新的纽元适应度计算方法，通过定义边置换增益能量来评估解的质量。同时，模拟返火控制过程和暴律定律被用来指导2-opt置换的选择，这种方法可以生成有效的邻域解，避免陷入局部最优。 为解决群体优化过程中可能出现的最优解趋同问题，作者提出了最优样本差异控制策略，确保了算法的多样性和全局搜索能力。通过实验验证，该改进的混合蛙跳算法在求解TSPLIB数据库中的实际问题时表现出有效性，证明了其在复杂优化问题上的适用性和优越性。 这篇文章深入研究了如何将生物学启发的混合蛙跳算法与极值动力学优化相结合，以提高求解旅行商问题的效率和性能。这对于理解和改进此类基于生物启发的优化算法具有重要的理论和实践价值，对于人工智能、智能计算和虫群智慧等领域的发展具有推动作用。