Solving Travelling Salesman Problem Using Hybrid Fluid Genetic Algorithm (HFGA)

Abstract

Gezgin Satıcı Problemi (GSP), bir satıcının bütün şehirleri sadece bir defa ziyaret ederek başlangıç noktasına dönmesini sağlayan en kısa rotanın belirlendiği problemdir. GSP, araç rotalamadan baskılı devre kartı montajına kadar birçok problemin temelini oluşturur. Bu problem, optimizasyon alanında çalışan kişilerden büyük ilgi görmüştür, ancak özellikle büyük ölçekli veri kümeleri için çözülmesi zordur. Bu çalışmada, GSP'nin çözümü için Akışkan Genetik Algoritma, En Yakın Komşu ve 2-Opt sezgiselleri üzerine kurulu melez bir yöntem sunulmaktadır. Önerilen yöntemin performansı literatürde bulunan En Yakın Komşu, Genetik Algoritma, Tabu Arama, Karınca Kolonisi Optimizasyonu ve Ağaç Fizyolojisi Optimizasyon algoritmaları kullanılarak elde edilen çözüm değerleri ile kıyaslanmıştır. Önerilen yöntemin sonuçları çözüm süresi ve kalitesi bakımından üstünlük göstermektedir.Travelling Salesman Problem (TSP) is a problem in which the shortest possible route enabling a salesman to return to the starting point after visiting all the cities exactly once is determined. Travelling Salesman Problem is the basis for many problems ranging from vehicle routing to printed circuit boards assembly. This problem has been attracting great attention from researchers in the field of optimization; nevertheless it is difficult to solve TSP, especially for large-scale data sets. This paper presents a hybrid solution method based on Fluid Genetic Algorithm, Nearest Neighbor and 2-Opt methods for the solution of TSP. The performance of the proposed method is evaluated with the solution values of the Nearest Neighbor, Genetic Algorithm, Tabu Search, Ant Colony Optimization and the Tree Physiology Optimization algorithms in the literature. The solution results show the superiority of the proposed method in terms of solution time and quality.

Prüfer-Karagül Algorithm: A Novel Approach for Travelling Salesman Problem

“…GSP'nin çözümü için guguk kuĢu algoritması (Jati vd., 2012;Ouaarab vd., 2013;Ouyang vd., 2013;Karagül, 2014), yarasa algoritması (Yang, 2010), ateĢ böceği algoritması (Yang, 2010;Sureja, 2012;Bhushan ve Pillai, 2013;Fister vd., 2013), arı kolonisi algoritması (Yang, 2010), kanguru algoritması (Pollard, 1978;Romsy, 2011;Erdem ve Keskintürk, 2011), parçacık sürüsü optimizasyon algoritması (Dorigo ve Gamberdalla, 1997;Htun, 2018;) ve karınca kolonisi optimizasyon algoritması (Mavrovouniotis ve Yang, 2013;Aksaraylı ve Pala, 2018;Htun, 2018;) kullanılması ile ilgili çalıĢmalar bilimsel literatürde yer almaktadır. Doğadaki hayvanların davranıĢlarından esinlenilerek geliĢtirilen bu yöntemlerin yanı sıra genetik algoritma (Zhao vd., 2009;Htun, 2018;), tabu arama algoritması (Glover, 1990;Glover ve Laguna, 1993;Glover ve Laguna, 1997;Gendreau vd., 1998;Gendreau, 2002;Basu, 2012), benzetimli tavlama algoritması (Kirkpatrick vd., 1983;Malek vd., 1989;Özdağoğlu, 2008;Wang vd., 2009;Zhou vd., 2019), harmoni arama algoritması (Geem vd., 2001;Yang, 2009;Yun vd., 2013;Karagül vd., 2016;Boryczka ve Szwarc, 2019) ve akıĢkan genetik algoritma (Jafari-Marandi ve Smith, 2017; ġahin ve Karagül, 2019) gibi meta-sezgisellerin kullanıldığı çalıĢmalar da bulunmaktadır.…”

Gezgin Satıcı Problemi İçin Yeni Bir Çözüm Yaklaşımı: TPORT

“…Bilimsel yazının çok büyük bölümü GSP çözümü için sezgisel ve/veya metasezgisellere ayrıldığı için tüm yazının ortaya konması olası değildir. Bu noktada, genetik algoritma [7][8], akışkan genetik algoritma [9], evrimsel hesaplamaya dayalı harmoni arama algoritması [10], parçacık sürü optimizasyonu [11], karınca kolonisi optimizasyonu [12], tabu arama [13], benzetimli tavlama [14] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 Analiz sonuçları bir bütün olarak değerlendirildiğinde hem küçük hem de büyük problemler için EYK+2-Opt yaklaşımının rekabetçi bir yaklaşım olduğu değerlendirilebilir. Bununla birlikte çözüm süreleri açısından yapılan karşılaştırmalarda TPORT yaklaşımının EYK algoritmasından üstün olduğu; EYK algoritması çözüm süresi üstel bir eğilim izlerken TPORT yaklaşımın çözüm süresinin göreli olarak çok az bir değişim gösterdiği gözlenmektedir.…”

“…Bilimsel yazının çok büyük bölümü GSP çözümü için sezgisel ve/veya metasezgisellere ayrıldığı için tüm yazının ortaya konması olası değildir. Bu noktada, genetik algoritma [7][8], akışkan genetik algoritma [9], evrimsel hesaplamaya dayalı harmoni arama algoritması [10], parçacık sürü optimizasyonu [11], karınca kolonisi optimizasyonu [12], tabu arama [13], benzetimli tavlama [14] GSP'nin çözümünde sezgisel ve metasezgisel yöntemlerin kullanılmasına örnek olarak verilebilir.…”