TSP问题是相当著名的而且受到广泛学习的新兴的组合优化问题[8,9],包括进化计算方法,例如:最近搜索(NNS)、摸拟退火(SA)、tabu查寻,神经网络(NN)、蚂蚁殖民地系统(ACS) 、Gas和其它的算法[10-14]。而且,Clerc
[15],Hendtlass[16]和 Wang[17]在解决TSP问题上已经提出了不同的PSO算法,虽然PSO算法能应用于TSP,但是在相关文章中解决问题的范围引用17中的还小,这似乎用PSO算法解决TSP问题是有限的。
一个非常简单而且实际的扩张TSP即广义TSP出现了,它是将所有的点分成多个组,找出一条访问每一组中一个点的最小的旅行费用。GTSP表示的是一种组合优化问题,它被Henry-Labordere[18],Saskena[19]和 Srivastava[20]从1960年起在电脑的环境中观察结果和在计算机记载内容中比较得出。它还具有庞大的应用领域,就像刚在[21]中提到的,“许多现实世界问题都固有它的等级制度,GTSP比TSP提供一个更准确的模型。一般来说,GTSP对现实问题提供更实在的模型工具,进一步说,GTSP和我们目前的扩张在同一时间包括了连续复数和离散复数。因此,GTSP包含TSP的理论,GTSP的适用领域比任何的TSP都大。虽然1960年后GTSP已经提出[18-20],但相比TSP[8-14] ,GTSP的相关的资料是相当有限的。而且GTSP的算法大多是基于动态编程技术[18-20,22]。动态编程技术主要的方法是将GTSP问题转变成TSP,然后用已存在的算法解出TSP。这些方法的缺点是转变增加惊人的问题范围,因此,虽然理论上GTSP能用对应的转变成TSP解决,但工业技术的有限性毁坏它的实际可行性。通过设计广义染色体(GC),Wu[23]等发展出一种基于广义染色体遗传算法。GC通过介绍最高点将GTSP和TSP问题联合到相同的模式。这种问题一般不会增加解决问题的规模。
在这篇文章,在两个粒子位置的改变和用离散PSO算法构造TSP之间是由减法操作产生的。在这改进的方法中同样实施消除交叉的技术。数字结果显示以提出的方法能改进解决TSP问题的规模。在文献[23]中基于代码技术的GTSP,在这篇文章中已提出另一种解出GTSP的基本PSO算法。在这种改进的方法中还包含了两种根本的搜寻技术。为了测试这种方法的有效性,19点是GTSP问题检测的基准,结果显示这种方法解决GTSP是有效的。由于知识的限制,我们没有尝试将这种改进的基本的PSO算法在GTSP中深入的应用。改进的基本的PSO算法提供了一种合适的途径解决GTSP。