雷友誠(chéng) ，涂祖耀，桂衛(wèi)華，吳志飛，閆福全

(1．中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙，410083；2．湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長(zhǎng)沙，410082)

取送車(chē)作業(yè)是企業(yè)鐵路貨運(yùn)站的一項(xiàng)重要工作，對(duì)取送車(chē)作業(yè)的調(diào)度安排進(jìn)行科學(xué)優(yōu)化可以有效壓縮車(chē)輛在貨運(yùn)站的停留時(shí)間，提高企業(yè)鐵路運(yùn)輸效率，降低企業(yè)鐵路運(yùn)營(yíng)成本。取送車(chē)問(wèn)題按專(zhuān)用線(xiàn)布置形式的不同通常分為放射型(或稱(chēng)為扇形)和樹(shù)枝型兩大類(lèi)[1]。本文主要對(duì)樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)問(wèn)題進(jìn)行討論。文獻(xiàn)[2]建立了該問(wèn)題的樹(shù)形結(jié)構(gòu)模型并提出3個(gè)優(yōu)化目標(biāo)；文獻(xiàn)[3]將其歸納為旅行商問(wèn)題，提出了一種啟發(fā)式節(jié)約算法；文獻(xiàn)[4]將其等同為機(jī)器排序問(wèn)題求解；文獻(xiàn)[5]將其抽象為線(xiàn)性矩陣并用模擬退火算法求解；文獻(xiàn)[6]運(yùn)用圖論中的漢密爾頓圖將其轉(zhuǎn)化為求權(quán)值最小的漢密爾頓回路問(wèn)題；文獻(xiàn)[7?8]根據(jù)TSP模型分別用遺傳算法和蟻群算法求解該問(wèn)題。這些算法模型成熟可行，但隨著裝卸作業(yè)點(diǎn)的增加，問(wèn)題求解耗時(shí)且難度加大，容易產(chǎn)生組合爆炸。本文作者采用一種遺傳算法和蟻群算法融合的遺傳蟻群算法(GACA)，針對(duì)大型企業(yè)自備鐵路樹(shù)枝形專(zhuān)用線(xiàn)的大規(guī)模取送車(chē)作業(yè)問(wèn)題進(jìn)行優(yōu)化研究，并對(duì)算法實(shí)現(xiàn)和結(jié)果進(jìn)行了分析。

1 取送車(chē)的問(wèn)題描述

1.1 企業(yè)樹(shù)枝型專(zhuān)用線(xiàn)鐵路取送車(chē)作業(yè)特點(diǎn)

列車(chē)在運(yùn)達(dá)鐵路貨運(yùn)站完成解體作業(yè)后會(huì)停在編組站上，等待通過(guò)軌道衡檢斤并前往各條專(zhuān)用線(xiàn)執(zhí)行裝卸貨任務(wù)，作業(yè)完畢后再原路返回出發(fā)軌道集結(jié)編組，因而存在取送車(chē)作業(yè)。樹(shù)枝形鐵路專(zhuān)用線(xiàn)的特點(diǎn)是：在一批作業(yè)中間調(diào)車(chē)機(jī)車(chē)不用返回編組站，各專(zhuān)用線(xiàn)入線(xiàn)時(shí)間不同，但取回時(shí)間相同，所以，宜采取連送帶取作業(yè)方式。某企業(yè)鐵路貨運(yùn)站樹(shù)枝型鐵路專(zhuān)用線(xiàn)分布如圖1所示。圖中，V0代表編組站即調(diào)車(chē)機(jī)車(chē)的出發(fā)點(diǎn)，V1～V6代表各專(zhuān)用線(xiàn)的裝卸貨場(chǎng)，路段上的數(shù)字表示調(diào)車(chē)機(jī)車(chē)在專(zhuān)用線(xiàn)各路段的走行時(shí)間。

圖1 樹(shù)枝形鐵路專(zhuān)用線(xiàn)布置示意圖(單位：mm)Fig.1 Sketch map of branch-shaped railway sidings

1.2 數(shù)學(xué)模型

在圖1中，將機(jī)車(chē)走行路線(xiàn)上的時(shí)間權(quán)值加總即得漢密爾頓圖中的各邊權(quán)值，由此得到轉(zhuǎn)化的漢密爾頓圖[6]，如圖2所示。

圖2 樹(shù)枝型專(zhuān)用線(xiàn)的漢密爾頓圖Fig.2 Hamilton graph of branch-shaped railway sidings

已知編組場(chǎng)只有1臺(tái)調(diào)機(jī)，調(diào)車(chē)機(jī)車(chē)向各專(zhuān)用線(xiàn)的裝卸作業(yè)點(diǎn)送車(chē)，并且規(guī)定僅經(jīng)過(guò)每個(gè)作業(yè)點(diǎn)1次，最后調(diào)機(jī)返回編組站。這里只討論送車(chē)順序，因?yàn)樗蛙?chē)順序決定了取車(chē)順序，調(diào)車(chē)機(jī)車(chē)送完車(chē)回到編組站再沿著已經(jīng)搜索到的最優(yōu)路徑進(jìn)行取車(chē)作業(yè)。由以上分析知本問(wèn)題變成旅行商問(wèn)題，即在賦權(quán)無(wú)向圖G中找到調(diào)機(jī)總走行時(shí)間最少的漢密爾頓回路。于是，把問(wèn)題構(gòu)造成網(wǎng)絡(luò)圖[3]，以G=[V，A，C]表示。其中：V={0，1，…，n}表示調(diào)機(jī)要經(jīng)過(guò)的作業(yè)點(diǎn)，V0為編組站；A={(i，j)|i，j=0，1，…，n，i≠j}表示調(diào)機(jī)可能走過(guò)線(xiàn)路段集合；C={cij(i，j)∈A}，cij表示調(diào)機(jī)經(jīng)過(guò)對(duì)應(yīng)弧段(i，j)所需時(shí)間，包括調(diào)機(jī)在(i，j)純走行時(shí)間及在(i，j)作業(yè)點(diǎn)進(jìn)行摘掛、對(duì)貨位等作業(yè)所需時(shí)間，通過(guò)寫(xiě)實(shí)查定，這些時(shí)間標(biāo)準(zhǔn)是已知的。設(shè)變量：

以調(diào)車(chē)機(jī)車(chē)總行走時(shí)間t最小為優(yōu)化目標(biāo)，樹(shù)枝形鐵路專(zhuān)用線(xiàn)最優(yōu)取送順序問(wèn)題的數(shù)學(xué)模型如下。

(1) 目標(biāo)函數(shù)，取送調(diào)車(chē)作業(yè)調(diào)機(jī)總走行時(shí)間t：

(2) 約束條件。

2 遺傳算法與蟻群算法融合的基本思想

取送車(chē)作業(yè)優(yōu)化問(wèn)題屬于典型的NP完全問(wèn)題，采用經(jīng)典的數(shù)學(xué)方法很難求出其精確解。遺傳算法(GA)具有快速的全局搜索能力，但同時(shí)它對(duì)系統(tǒng)中的反饋信息利用不夠，而且當(dāng)求解到一定范圍時(shí)往往進(jìn)行多余的冗余迭代，而使得求精確解效率低[9]。蟻群算法(ACA)具有分布、并行、全局收斂能力，但由于初期信息素匱乏，導(dǎo)致算法速度慢[10]。

將遺傳算法與蟻群算法的優(yōu)勢(shì)融合，形成遺傳蟻群算法(GACA)來(lái)有效解決取送車(chē)組合優(yōu)化問(wèn)題。融合后的算法其基本思路是：首先利用遺傳算法的隨機(jī)搜索、快速性、全局收斂性等特點(diǎn)，產(chǎn)生有關(guān)問(wèn)題的初始信息素分布；然后，利用蟻群算法的并行性、正反饋機(jī)制以及求解效率高等特性求出精確解。這種融合后的遺傳蟻群算法比蟻群算法所用時(shí)間少、效率高，在求解效率上比遺傳算法的高。

3 GACA算法設(shè)計(jì)

3.1 GACA算法中遺傳算法的設(shè)計(jì)

3.1.1 染色體編碼

在進(jìn)行搜索之前，先將問(wèn)題解數(shù)據(jù)表示成遺傳空間的基因型串?dāng)?shù)據(jù)結(jié)構(gòu)，每個(gè)基因代表1個(gè)序列編號(hào)。G＝(a0，a1，a2，…，an，a0)表示染色體，代表一個(gè)送車(chē)方案，其中基因ai(i=1，2，…，n)為 [1，n]之間的一個(gè)互不重復(fù)的自然數(shù)，它表示第ai個(gè)裝卸作業(yè)點(diǎn)在調(diào)車(chē)機(jī)車(chē)送車(chē)路徑中的順序?yàn)閕。

3.1.2 初始種群生成

為了使取車(chē)的等待時(shí)間減少，在送車(chē)時(shí)盡量使裝卸量大的作業(yè)點(diǎn)排在送車(chē)順序的前面。借用輪盤(pán)賭[11]的思想生成新個(gè)體，先計(jì)算所有作業(yè)點(diǎn)的裝卸貨量的總和，再計(jì)算每個(gè)作業(yè)點(diǎn)裝卸貨量在總裝卸貨量所占的比例，所占比例高的作業(yè)點(diǎn)有較大的概率排在送車(chē)順序的前面，由此產(chǎn)生一組取送車(chē)方案Gj(j=1，2，…，k)。Gj各不相同，這k個(gè)染色體構(gòu)成第1代種群。

3.1.3 適應(yīng)度評(píng)估

適應(yīng)度函數(shù)采用取送車(chē)作業(yè)總時(shí)間t的倒數(shù)，即f=1/t。在算法前期，對(duì)一些適應(yīng)度較高的個(gè)體進(jìn)行控制，降低其適應(yīng)度，保持種群的多樣性，在算法后期對(duì)個(gè)體的適應(yīng)度適當(dāng)放大，提高個(gè)體之間的競(jìng)爭(zhēng)性。

3.1.4 自然選擇

采用最優(yōu)保存的選擇策略，將每代種群按個(gè)體適應(yīng)度分為N1，N2和N3部分，適應(yīng)度最大的N1個(gè)個(gè)體直接復(fù)制到下一代群體，N2個(gè)中間個(gè)體進(jìn)行交叉變異，適應(yīng)度最小的N3個(gè)個(gè)體直接淘汰，并在一定概率上按啟發(fā)式知識(shí)產(chǎn)生N3個(gè)新個(gè)體以保持種群的規(guī)模。

3.1.5 交叉重組

在選擇操作之后，根據(jù)選擇概率Pc選擇個(gè)體進(jìn)行交叉重組。交叉規(guī)則采用PMX法[12]，處理方法如下：設(shè)父代的2個(gè)染色體為Ga=(0 8 4 5 6 7 1 3 2 0)，Gb=(0 7 8 1 2 3 5 4 6 0)。隨機(jī)選擇交配區(qū)域如下：Ga=(0 8 4 5|6 7 1|3 2 0)→Ga'=(0 8 4 1|2 3 5|7 6 0)，Gb=(0 7 8 1|2 3 5|4 6 0)→Gb'=(0 3 8 5|6 7 1|4 2 0)。

從上述變換可知：PMX交叉算子能夠有效地繼承雙親的部分基因成分，實(shí)現(xiàn)了進(jìn)化過(guò)程中的遺傳功能。

3.1.6 變異算子

根據(jù)變異概率PM對(duì)染色體進(jìn)行變異操作，取送車(chē)問(wèn)題要求在同一路徑中不能有重復(fù)的作業(yè)點(diǎn)(開(kāi)始結(jié)點(diǎn)和終止結(jié)點(diǎn)除外)。一般的變異算子可能會(huì)導(dǎo)致非法路徑產(chǎn)生，為了不引入非法路徑，本文選用逆轉(zhuǎn)變異[13]的優(yōu)化策略。

3.2 GACA算法中遺傳算法與蟻群算法的銜接

通過(guò)遺傳算法可以得到若干組優(yōu)化送車(chē)路徑，這些路徑?jīng)Q定了蟻群算法的初始信息素分布，在初始t0時(shí)刻，作業(yè)點(diǎn)(i，j)間的信息素生成規(guī)則如下：

其中，Gbetter為遺傳算法中得到若干組較優(yōu)送車(chē)路徑；τC為根據(jù)取送車(chē)作業(yè)優(yōu)化問(wèn)題規(guī)模(如裝卸作業(yè)點(diǎn)數(shù)量)給定的一個(gè)信息素常數(shù)；τG為遺傳算法求解出的若干組優(yōu)化解轉(zhuǎn)換的信息素值。

3.3 GACA算法中蟻群算法的設(shè)計(jì)

在GACA算法中，蟻群算法采用最大?最小螞蟻系統(tǒng)[14]，該系統(tǒng)有以下2個(gè)特點(diǎn)：

(1) 充分利用循環(huán)最優(yōu)解和到目前為止找出的最優(yōu)的解，在每次循環(huán)之后，只有1只螞蟻進(jìn)行信息素更新。這只螞蟻可能是找出當(dāng)前循環(huán)中最優(yōu)解的螞蟻(迭代最優(yōu)的螞蟻，Iteration-best ant)，也可能是找出從實(shí)驗(yàn)開(kāi)始以來(lái)最優(yōu)解的螞蟻(Global-best ant)。

(2) 為避免搜索的停滯，在每個(gè)解的元素(在TSP中是每條邊)上的信息素軌跡量的值域范圍被限制在區(qū)域[τmin，τmax]內(nèi)。

這種算法在防止算法過(guò)早停滯以及有效性方面較蟻群系統(tǒng)[15?18](Ant colony system, ACS)算法有較大的改進(jìn)。

在蟻群算法中，每個(gè)螞蟻根據(jù)狀態(tài)轉(zhuǎn)移規(guī)則來(lái)選擇下一作業(yè)點(diǎn)。在路徑建立過(guò)程中，螞蟻通過(guò)應(yīng)用局部更新來(lái)修改已訪(fǎng)問(wèn)路徑上的信息素量。一旦螞蟻都完成了它們的路徑，應(yīng)用全局更新規(guī)則再次對(duì)路徑上的信息素量進(jìn)行修改。信息素值全局更新和局部更新規(guī)則如下。

3.3.1 狀態(tài)轉(zhuǎn)移規(guī)則

在t時(shí)刻，位于作業(yè)點(diǎn)i的第k只螞蟻選擇下一作業(yè)點(diǎn)j的規(guī)則及在作業(yè)點(diǎn)i和j間的轉(zhuǎn)移概率 )(tPk ij如下：

上述規(guī)則被稱(chēng)為偽隨機(jī)比例規(guī)則。其中，q為在[0，1]區(qū)間均勻分布的隨機(jī)數(shù)；q0為參數(shù)(0≤q0≤1)，若q≤q0，則按先驗(yàn)知識(shí)選擇路徑。τij(t)表示2個(gè)作業(yè)點(diǎn)i和j間的信息素值，α(α＞0)表示路徑軌跡的相對(duì)重要性，β(β＞0)表示路徑能見(jiàn)度的相對(duì)重要性，allowedk={0，1，…，n}表示螞蟻k下一步可以選擇的作業(yè)點(diǎn)集；ηij=1/dij表示邊(i，j)的能見(jiàn)度，dij表示機(jī)車(chē)在作業(yè)點(diǎn)i和j間的走行時(shí)間。

3.3.2 信息素的全局更新規(guī)則

在蟻群系統(tǒng)中，只有全局最優(yōu)的螞蟻才被允許釋放信息素，全局更新在所有螞蟻都完成它們的1次路徑搜索之后執(zhí)行，更新公式如下：

Δτij(t)表示在t時(shí)刻作業(yè)點(diǎn)i,j間信息素的增加量：

其中：ρ(0＜ρ＜1)表示信息素?fù)]發(fā)參數(shù)；Lbest為到目前為止找出的全局最優(yōu)路徑。由式(9)可知：只有那些屬于全局最優(yōu)路徑的邊上的信息素才會(huì)得到增強(qiáng)。

3.3.3 信息素的局部更新規(guī)則

在搜索路徑的同時(shí)，每只螞蟻應(yīng)用局部更新規(guī)則對(duì)它們經(jīng)過(guò)的邊進(jìn)行激素更新，更新公式如下：

其中：Q為螞蟻在經(jīng)過(guò)路徑(i，j)上釋放的每單位長(zhǎng)度的信息素量，若螞蟻經(jīng)過(guò)路徑(i，j) ，則進(jìn)行信息素的更新。

綜上所述，用遺傳蟻群算法解決取送車(chē)調(diào)車(chē)作業(yè)優(yōu)化問(wèn)題的流程如圖3所示。

圖3 遺傳蟻群算法的實(shí)現(xiàn)流程Fig.3 Procedure graph of GACA

4 實(shí)例計(jì)算與結(jié)果分析

已知某企業(yè)鐵路編組場(chǎng)(編號(hào)0)連接專(zhuān)用線(xiàn)14條(編號(hào)1～14)。該貨運(yùn)站僅有1臺(tái)調(diào)車(chē)機(jī)車(chē)擔(dān)當(dāng)取送作業(yè)，現(xiàn)有14列車(chē)組要送往各專(zhuān)用線(xiàn)進(jìn)行裝卸作業(yè)，已知機(jī)車(chē)在編組站各作業(yè)點(diǎn)之間的走行時(shí)間Cij(見(jiàn)表1)。

分別運(yùn)用標(biāo)準(zhǔn)蟻群算法(ACA)和遺傳蟻群算法(GACA)對(duì)上例問(wèn)題進(jìn)行仿真，各自獨(dú)立運(yùn)行20次。用15個(gè)互不重復(fù)的0～14的自然數(shù)構(gòu)建1個(gè)染色體，表示1種送車(chē)方案。GACA算法的參數(shù)設(shè)置包括：限定總迭代次數(shù)NCmax=200為結(jié)束條件，遺傳算法迭代次數(shù)為80(固定)，群體規(guī)模N=50，PC=95%，PM=5%。蟻群算法中各路徑信息素初值τC設(shè)為60，τG=2，轉(zhuǎn)移概率公式中α=1，β=5。軌跡更新公式中ρ=0.7，Q=1 000。ACA算法中的參數(shù)設(shè)置同GACA算法中的蟻群部分。運(yùn)用MATLAB語(yǔ)言上機(jī)求解，GACA得到最優(yōu)的送車(chē)順序?yàn)?0—2—1—3—7—9—8—14—12—13—6—11—4—5—10—0,送車(chē)消耗總行走時(shí)分為1.035×104s≈173 min。最優(yōu)解優(yōu)化逼近過(guò)程的對(duì)比仿真結(jié)果如圖4所示。記錄在GACA算法每個(gè)階段的優(yōu)化解分布如表2所示。

從圖4和表2可知：蟻群算法(ACA)由于初期信息素不足，求解速度慢，搜索過(guò)早停滯；而GACA算法在經(jīng)歷了80代的遺傳算法快速全局搜索之后，蟻群算法再利用遺傳算法遺留的路徑信息素進(jìn)行分布式搜索，找到了更滿(mǎn)意的解。GACA算法由于在遺傳算法中使用基于知識(shí)的初始種群，不僅加快了蟻群算法的速度，而且以一定的概率收斂于最優(yōu)解；遺傳算法與蟻群算法的融合對(duì)蟻群算法中的參數(shù)調(diào)整大大減低，大大減少了盲目實(shí)驗(yàn)的次數(shù)。

為驗(yàn)證 GACA算法在大規(guī)模取送車(chē)作業(yè)問(wèn)題上應(yīng)用的可行性，分別運(yùn)用標(biāo)準(zhǔn)蟻群算法(ACA)和遺傳蟻群算法(GACA)對(duì)裝卸點(diǎn)大規(guī)模增加的情況進(jìn)行仿真，對(duì)比結(jié)果如表3所示。

由表3可以看出：隨著裝卸作業(yè)點(diǎn)個(gè)數(shù)的增加，GACA的尋優(yōu)性能明顯優(yōu)于 ACA，不僅收斂速度更快，而且找到的最優(yōu)解也更令人滿(mǎn)意。

表1 編組場(chǎng)與各作業(yè)點(diǎn)間的行走時(shí)間Table 1 Travel time between marshalling yard and operating points min

表2 GACA算法優(yōu)化解數(shù)據(jù)的逼近過(guò)程Table 2 Process of optimal data approximation of GACA algorithm min

圖4 GACA和ACA的最優(yōu)解演化對(duì)比結(jié)果Fig.4 Comparison of optimal solution between GACA and ACA

表3 算法規(guī)模擴(kuò)大時(shí)GACA和ACA的對(duì)比仿真結(jié)果Table 3 Comparison of simulation results between GACA and ACA when scale of algorithm increases

5 結(jié)論

(1) 經(jīng)過(guò)遺傳算法的初步搜索并生成初始信息素分布，增強(qiáng)了蟻群算法的正反饋機(jī)制，使得蟻群算法中的參數(shù)調(diào)整程度大大降低。

(2) 遺傳算法與蟻群算法結(jié)合后，在算法的收斂速度加快的同時(shí)，蟻群算法中的參數(shù)α，β和ρ對(duì)取送車(chē)問(wèn)題規(guī)模變化的敏感度降低，提高了算法的魯棒性。

(3) 在蟻群算法階段使用最大?最小螞蟻系統(tǒng)(MMAS)，而且同時(shí)采用信息素的局部更新和全局更新規(guī)則，使得算法在一定程度上避免陷入局部最優(yōu)。

[1] 彭其淵, 王慈光.鐵路行車(chē)組織[M].北京: 中國(guó)鐵道出版社,2007: 62?63.PENG Qi-yuan, WANG Ci-guang. Train operation organization[M]. Beijing: China Railway Publishing House,2007: 62?63.

[2] 王慈光. 樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)問(wèn)題的研究[J]. 西南交通大學(xué)學(xué)報(bào), 1996, 31(6): 675?680.WANG Ci-guang. A study on placing-in and taking-out of wagons on brached-shaped sidings[J]. Journal of Southwest Jiaotong University, 1996, 31(6): 675?680.

[3] 余少鶴, 李夏苗. 貨物作業(yè)車(chē)取送車(chē)模型及算法研究[J]. 鐵道運(yùn)輸與經(jīng)濟(jì), 2002, 24(12): 46?48.YU Shao-he, LI Xia-miao. The model of placing-in and taking-out for working wagons and the calculation methods[J].Railway Transport and Economy, 2002, 24(12): 46?48.

[4] 敬媛媛. 樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)算法的研究[J]. 成都大學(xué)學(xué)報(bào):自然科學(xué)版, 1998, 17(4): 36?42.JING Yuan-yuan. A study on the sequence of placing-in and taking-out wagons of branch-shaped siding line[J]. Journal of Chengdu University: Natural Science Edition, 1998, 17(4):36?42.

[5] 潘靈巧, 林志安. 關(guān)于樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)問(wèn)題的探討[J].內(nèi)蒙古科技與經(jīng)濟(jì), 2008(6): 288?289.PAN Ling-qiao, LIN Zhi-an. The discussion of the sequence of placing-in and taking-out wagons of branch-shaped siding line[J].Inner Mongolia Science Technology & Economy, 2008(6):288?289.

[6] 石紅國(guó), 彭其淵, 郭寒英. 樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)問(wèn)題的哈密爾頓圖解法[J]. 中國(guó)鐵道科學(xué), 2005, 26(2): 132?135.SHI Hong-guo, PENG Qi-yuan, GUO Han-yin. An algorithm by using hamilton graph to resolve wagons’ placing-in and taking out on branch-shaped sidings[J]. China Railway Science, 2005,26(2): 132?135.

[7] 楊云貴, 王慈光, 薛峰. 樹(shù)枝型專(zhuān)用線(xiàn)取送車(chē)問(wèn)題的遺傳算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2008, 44(12): 210?211.YANG Yun-gui, WANG Ci-guang. Study on genetic algorithm for railway placing-in and taking-out wagons in branch-shaped private silding[J]. Computer Engineering and Applications, 2008,44(12): 210?211.

[8] 李智. 基于改進(jìn)型蟻群算法的貨物作業(yè)車(chē)取送模型優(yōu)化[J].鐵道運(yùn)輸與經(jīng)濟(jì), 2004, 26(4): 73?76.LI Zhi. Optimization of Placing-in and taking-out wagon operation model based on enhanced ant colony algorithm[J].Railway Transport and Economy, 2004, 26(4): 73?76.

[9] 李敏強(qiáng), 徐博藝, 寇紀(jì)松. 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合[J]. 系統(tǒng)工程與實(shí)踐, 1999, 19(2): 65?69.LI Ming-qiang, XU Bo-yi, KOU Ji-song. On the combination of genetic algorithms and neural networks[J]. Systems Engineering Theory & Practice, 1999, 19(2): 65?69.

[10] 吳慶洪, 張紀(jì)會(huì), 徐心和. 具有變異特征的蟻群算法[J]. 計(jì)算機(jī)研究與發(fā)展, 1999, 36(10): 1240?1245.WU Qing-hong, ZHANG Ji-hui, XU Xin-he. An ant colony algorithm with mutation features[J]. Journal of Computer Research and Development, 1999, 36(10): 1240?1245.

[11] 陳有青, 徐蔡星, 鐘文亮, 等. 一種改進(jìn)選擇算子的遺傳算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2008, 44(2): 44?49.CHEN You-qing, XU Cai-xing, ZHONG Wen-liang, et al.Genetic algorithm with improved selection operator[J].Computer Engineering and Applications, 2008, 44(2): 44?49

[12] Goldberg D E, Jr Lingle R. Alleles, loci and the traveling salesman problem[C]//Second Int Conf on Genetic Algorithms and Their Applications Pittsburgh, 1985: 154?159.

[13] 余伶俐, 蔡自興. 改進(jìn)混合離散粒子群的多種優(yōu)化策略算法[J].中南大學(xué)學(xué)報(bào): 自然科學(xué)版, 2009, 40(4): 1047?1053.YU Ling-li, CAI Zi-xing. Multiple optimization strategies for improving hybrid discrete particle swarm[J]. Journal of Central South University: Science and Technology, 2009, 40(4):1047?1053.

[14] Stutzle T, Hoos H H. MAX-MIN ant system[J]. Future Generation Computer System, 2000, 16(8): 889?914.

[15] Dorigo M, Gambardella Luca Maria. Ant colony: a cooperative learning approach to the traveling salesman problem[J]. IEEE Trans on Evolutionary, 1997, 1(1): 53?66.

[16] Chang P C, Huang W H, Ting C J. Dynamic diversity control in genetic algorithm for mining unsearched solution space in TSP problems[J]. Expert Systems with Applications, 2010, 37:1863?1878.

[17] Lee Z J, Su S F, Chuang C C, et al. Genetic algorithm with ant colony optimization (GA-ACO) for multiple sequence alignment[J]. Applied Soft Computing, 2008, 8: 55?78.

[18] Chen S M, Chien C Y. Parallelized genetic ant colony systems for solving the traveling salesman problem[J]. Expert Systems with Applications, 2011, 38: 3873?3883.