Self-configuring Nature Inspired Algorithms for Combinatorial Optimization Problems

Abstract

In this work authors introduce and study the self-configuring Genetic Algorithm (GA) and the self- configuring Ant Colony Optimization (ACO) algorithm and apply them to one of the most known combi- natorial optimization task – Travelling Salesman Problem (TSP). The estimation of suggested algorithms performance is fulfilled on well-known benchmark TSP and then compared with other heuristics such as Lin-Kernigan (3-opt local search) and Intelligent Water Drops algorithm (IWDs). Numerical experiments show that suggested approach demonstrates the competitive performance. Both adaptive algorithms show good results on these problems as they outperform other algorithms with their settings with average per- formance

В данной работе авторы предлагают и исследуют самоконфигурируемые генетический алгоритм (GA) и алгоритм муравьиных колоний (ACO) и применяют их к одной из наиболее известных задач комбинаторной оптимизации — задаче коммивояжера (TSP). Оценка работоспособности предложенных алгоритмов проводится на известных тестовых вариантах TSP, а затем срав- нивается с другими эвристиками, а именно с эвристикой Лина-Карнигана (локальный поиск с 3-заменой) и алгоритмом "умных капель воды". Численные эксперименты показывают, что пред- ложенный подход демонстрирует сопоставимую работоспособность. Оба адаптивных алгоритма показывают хорошие результаты на данных задачах, т.к. они превосходят другие алгоритмы с настройками, дающими среднюю эффективность