【摘要】：表4-5本章所提算法效率测试实验结果注：其中标“—”处表示TSPLIB未提供最优路径，仅提供了最优路径值。从表4-5中对算法的效率测试结果可以看出，对于TSPLIB中城市规模数小于200的若干实例，算法求解时间非常短，而且均得到与TSPLIB提供的最优路径相同或更优的路径，从而证明本章所提到的遗传算法较一般智能优化算法在解的质量和求解速度方面有明显改善。
为了更便于比较算法的优劣，这里引用文献[7]中提供的中国CHN144城市实例和国际通用的TSPLIB[2]中的多个实例对本章提出的改进算法进行了实验。在实验中除种群规模和临界速度两个参数有调整外，其他参数不变（变异概率和映射概率分别取0.02 和0.05）。表4-4列出了实验结果。
表4-4 本章所提算法稳定性测试实验结果（10次运算）
从表4-4中对算法的稳定性测试结果看来，该算法不仅能得到较优的结果，而且从10次测试结果的平均路径和最大偏差来看，算法的稳定性也较好。表4-4中，算法对于实例pr136和pr144得到的最优路径优于TSPLIB中提供的最优路径，对于实例a280得到的最优路径与TSPLIB中提供的最优路径长度相同。此外，对于实例CHN144，本章提出的遗传算法得到的最短路径分别优于文献[6]中用分段算法得到的最短路径和文献[8]中运用蚁群算法得到的最优路径。对算法的效率测试结果如表4-5所示。
表4-5 本章所提算法效率测试实验结果(www.xing528.com)
注：其中标“—”处表示TSPLIB未提供最优路径，仅提供了最优路径值。
从表4-5中对算法的效率测试结果可以看出，对于TSPLIB中城市规模数小于200的若干实例，算法求解时间非常短，而且均得到与TSPLIB提供的最优路径相同或更优的路径，从而证明本章所提到的遗传算法较一般智能优化算法在解的质量和求解速度方面有明显改善。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
