Γενετικοί αλγόριθμοι και το πρόβλημα του περιοδεύοντα πωλητή (TSP)
| dc.contributor.advisor | Παναγιωτόπουλος, Θεμιστοκλής | |
| dc.contributor.advisor | Panagiotopoulos, Themistoklis | |
| dc.contributor.author | Ιμπραχίμι, Έλτον | |
| dc.contributor.author | Ibrahimi, Elton | |
| dc.date.accessioned | 2025-01-16T16:07:54Z | |
| dc.date.available | 2025-01-16T16:07:54Z | |
| dc.date.issued | 2024-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17328 | |
| dc.description.abstract | Here’s the translation of your text into Greek: Το έγγραφο επικεντρώνεται στην επίλυση του Προβλήματος του Πλανόδιου Πωλητή (TSP) χρησιμοποιώντας Γενετικούς Αλγορίθμους (GA). Περιγράφει τη δομή, τις διαδικασίες και τις μεθοδολογίες που εφαρμόζονται στην υλοποίηση. Κύριες ενότητες καλύπτουν την αρχικοποίηση του γενετικού πληθυσμού, την αξιολόγηση καταλληλότητας, τις μεθόδους επιλογής (όπως το Τουρνουά και ο Τροχός της Ρουλέτας), τις τεχνικές διασταύρωσης (όπως η Διασταύρωση Κύκλου και Βασισμένη στη Σειρά), καθώς και τις λειτουργίες μετάλλαξης (π.χ. Αντιστροφή, Ανακατανομή). Το έγγραφο τονίζει επίσης τον ρόλο των μεθόδων κλιμάκωσης καταλληλότητας, όπως η κλιμάκωση Σίγμα και Μπόλτζμαν, για την βελτίωση της επιλογής και την αποφυγή πρόωρης σύγκλισης. Το περιεχόμενο παρέχει τόσο θεωρητική όσο και πρακτική καθοδήγηση για την αποδοτική εφαρμογή των Γενετικών Αλγορίθμων στην επίλυση του TSP. | el |
| dc.format.extent | 41 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Γενετικοί αλγόριθμοι και το πρόβλημα του περιοδεύοντα πωλητή (TSP) | el |
| dc.title.alternative | Genetic algorithms and the Travelling Salesman Problem (TSP) | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The document focuses on solving the Traveling Salesman Problem (TSP) using Genetic Algorithms (GA). It outlines the structure, processes, and methodologies applied in the implementation. Key sections cover the initialization of the genetic population, fitness evaluation, selection methods (such as Tournament and Roulette Wheel), crossover techniques (like Cycle and Order-based Crossover), and mutation operations (e.g., Inversion, Scramble). The document also emphasizes the role of fitness scaling methods, such as Sigma and Boltzmann scaling, to enhance selection pressure and avoid premature convergence. The content provides both theoretical and practical guidance for implementing GAs to address TSP efficiently. | el |
| dc.subject.keyword | TSP | el |
| dc.subject.keyword | Genetic algorithms | el |
| dc.subject.keyword | Dynamic programming | el |
| dc.subject.keyword | Brute force | el |
| dc.subject.keyword | Traveling Salesman Problem | el |
| dc.subject.keyword | Γενετικοί Αλγόριθμοι | el |
| dc.subject.keyword | Το πρόβλημα του περιοδεύοντα πωλητή | el |
| dc.subject.keyword | Δυναμικός προγραμματισμός | el |
| dc.date.defense | 2024-09-20 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα