TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4413 ~ 4 4 1 8   DOI: 10.115 9 1 /telkomni ka. v 12i6.547 6          4413     Re cei v ed  De cem ber 2 2 , 2013; Re vi sed  Febr uary 14,  2014; Accept ed Feb r ua ry  27, 2014   An Improved NSGA-II Algorithm for Multi-objective  Traveling Salesman Problem      Yabo Luo* 1,2 , Min Liu 3 , Zh ongxiao Hao 4 , Dongbo Liu 1   1 Departme n t of Computer a n d  Communic a ti o n , Huna n Institute of Engi neer ing,    Xi an gtan 4 111 04, Chi n a   2 Colle ge of T r ansportati on a n d  Log istics, Ce ntral S outh U n i v ersit y  of F o re str y  an d T e chnolo g y   Cha ngsh a  41 0 004, Ch in a   3 School of Co mputer Scie nc e and En gi neer ing, Hu na n Uni v ersit y  of Sci e n c e and T e chno log y   Xi an gtan 4 112 01, Chi n a   4 School of Infor m ation Sci enc e and El ectrica l  Engi neer in g, Heb e i Un iversit y  of Eng i ne eri n g,   Han dan 056 00 2,  Chin a   *Corres p o ndi n g  author, e-ma i l : luo y a bo@fo xmail.com       A b st r a ct  Multi-ob jectiv e  traveli ng s a l e sman  pro b le m (MOT SP) i s  an  extend e d  insta n ce  of traveli n g   sales m an  prob le m (T SP), w h ich is  a w e ll-k now n NP  har d  pro b le m. In  th is pa per,  an  i m pr ove d  NSG A -II  alg o rith m ( d e n o ted  by INSG A-II-MOT SP) i s  pro pose d  to   solve  the  MOT SP. Specific all y , a l a yer  strateg y   accord ing  t o  nee is prop o s ed  to avoi d gen eratin g  unn e c e s sa ry no n-d o m i na te d fron ts. Th e  a r ena’ s   princi pl e is  al so ad opte d  to  construct n o n -do m i nat e d  s e t, so as to r educ e the c o unt of d o m in a n ce   comparis on. In  add itio n, an  or der cross o ver  l i ke o per ator a n d  an  inv e rsi on  mutati on  op era t or are  ado pte d   for MOT SP. The  exper i m e n t resu lts  show  that  the pro p o s ed  INSGA-II-MO T SP algor ithm is  ab le t o   fi n d   better sprea d  o f  solutions co mpare d  to other three a l gor ith m s.    Ke y w ords mu lti-ob jectiv e  evoluti onary  alg o rith m, laye r st rategy accordi ng to ne e d , arena s  pri n cipl e,   mu lti-ob jectiv e traveli ng sal e s m a n  pro b le   Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .        1. Introduc tion   Multi-obj ectiv e  problem (MOPs) a r ise   in a n a tural f a shi on in  mo st discipli ne and thei r   solutio n  ha been  a chall enge to  re se arche r s fo r a  long time [1 ]. The prese n ce  of multip le  obje c tives in  a probl em, in  princi ple, gives ri se to a set of optimal solutio n s (l argely kno w n a s   Pareto-optim al solutio n s), instead of a  single o p tim a l solutio n . In the absen ce of any further  informatio n, one of the s Pareto-optim al solu tio n cannot be  sai d  to be bette r than the ot her.  This dem and s a  u s e r  to  find a s   ma ny Pareto -op t imal solutio n as po ssi b le. Th e u s e of  evolutiona ry algorith m s (EAs) to solv e MOPs  ha s been motivated mainly becau se of the   popul ation-ba sed n a ture of  EAs whi c h a llows the ge n e ration  of se veral elem ent s of the Pare to   optimal set in a sin g le run. To date  ther e have  been ma ny evolutionary  multi-obje c ti ve  optimizatio n (EMO) algo rit h ms p r op ose d  for mu lti-o b jective opti m ization p r o b lems. Amon g of  them, the  No n-do minate d   sortin g g eneti c  al gorithm  II (NS G A-II) [2 ] is well-kn o w and i s   bei ng   most wid e ly used.   Travelin g Sa lesma n  Prob lem (TSP ) i s  a  cla ssi NP hard p r obl em in  co mbi nation  optimizatio n domain. Give a colle ctio of  citie s  a n d  the  co st of travel bet we en ea ch  pai r o f   them, the TSP is to find the ch eape st way of visi ting all of the cities and returning to starti ng  point. More f o rmally, it ca n be re pre s e n ted by a co mplete weigh t  graph,  = ( N,E )  with  N  being   the set of  citi es  and   E  th e  set  of e dge s fully conn ect i ng the  n ode N Ea ch e d g e  is assign ed   a   value  d ij , whi c h is th e len g th of edge  e ij E . The T SP is probl e m  of finding  a minimal le ngth   Hamiltoni an circuit of the graph, wh ere a  Hamiltoni an  circuit is a  clo s ed tour visitin g  exactly once  each of the  n  = | N | cities of  G Much  of the   work  on th TSP is m o tivated by its u s as  a pl atform fo r the  study of  gene ral m e th ods that can  be a pplie d to a  wide   ra n ge of di scret e  optimi z atio n problem s.  The  TSP naturall y  arise s  a s   a su b proble m  in m any transportatio n   and lo gisti c s appli c ation s ,  for  example the  probl em of arrangi ng  sc ho ol bus  route s  to pick u p  th e child re n in a school  district.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4413 – 4 418   4414 More  re cent  appli c ation s  i n volve the de livery of  meal s to ho meb o u nd pe rson s a nd the  routin g of  trucks for parcel post pickup. Therefore, in  recent years,  many  intelligent optimizat ion   algorith m s, such a s  evolu t ionary algo rit h m (EA)  [3], ant colo ny algorithm  (ACO) [4-5], pa rticle   swarm optimi z ation (PSO ) algorithm [6] and simulate d anneali ng (SA) algorith m  [7]   and so on,   were propo se d to solve the  TSP problem Multi-obj ectiv e  traveling  salesm an p r o b lem (M OTS P ) is an exte nded in stan ce of TSP.  Given a  co m p lete, wei ght ed g r ap =( N,E,c ) with being the set of  N  no de s,  E  being  th e set o f   edge s fully conne cting th e  node s, an c  bei ng a fu n c tion that a ssigns to  ea ch  edge  ( i j ) vec t or c c k ij ij ,..., 1 , where each elem ent  c k ij  corre s p ond s to a ce rtain mea s u r e like di stan ce,  co st, etc.  bet wee n  n ode i  and   j . Fo r t he follo win g   we  assu me t hat  c c k ji k ij  for all  p a irs of  node i j  and  o b j ec tive s   k , that is,  we  con s id er  onl y symmetri c   probl em s. Th e MOTSP i s   also  the pro b lem  of finding “mi n imal”  Hamilt onian  circuit s  of the grap h, that is, a set  of closed to urs  visiting each of the  n  = | N | node of  G  exactly once; h e re “mi n imal ” refers to the notion of Pareto   optimality.  numb e r of studie s  we re con d u c ted  in  the  mult i-obje c tive optimi z a t ion literatu r e.  In [8],  a dyna mic m u lti-obje c tive  particl swarm optimi z e r  (PSO),  maximinPSOD,  w h ic h  is se l f - a dap ti ve   and capabl e of handling d y namic multi-obje c tive opt imization p r ob lems, wa s propo sed. In [9],   Goh an d Tan  sugg este d a new dyna mic multi-obje c ti ve coevolutio nary algo rith m that hybridize s   comp etitive and co ope rative mech ani sm s.  Re cently, so me resea r ch e r s have  de sig ned EM O al g o rithm s  to  de al with  MO TSP in [10 - 15]. In this paper, an imp r o v ed NSGA-II algorith m   (de noted by INSGA-II-MOTS P) is pro p o s e d  to  s o lve the MOTSP. To improve the run-time effic i enc y  of NSGA-II, a layering  s t rategy acc o rding   to nee d is propo sed to  av oid ge ne ratin g  un necessa ry non -do m in ated fro n ts,  and th e a r en a’s  prin ciple i s  al so ad opted t o  con s truct n on-d o min a ted  set. In addition, an order  cro s sove r like   operator  and  an inve rsi o n  mutation o p e rato r a r e d e sig ned fo r t he MO TSP. The exp e rim ent  results sho w  that the proposed INSG A-II-MOTSP  algorith m  is able to find better sp re ad  of  solutio n com pare d  to othe r three al gorit hms.       2. R e lated  Work  First, assu me  the size of set  P  is  n , each individual i n   P  has  r  attri butes, an f ( ) is an  evaluation fu nction ( k =1, 2 , , r ).   Defini tion 1  (Pareto  Do minance) x y P , if  ) ( ) ( y f x f k k , ( k = 1 ,2,…, r ), and   } , , 2 , 1 { r l  su ch  t hat   ) ( ) ( y f x f l l , then  x  domi n ates  y  (d enot ed  x y ). Her e  ‘ ’ r e pr es en ts  domina n ce re lationship, an y  is a do minated individ ual.  Defini tion 2  (No n -dom i n ate d  se t) x P , if y P x y , then  x  is a n on- dominate d  in dividual  of  P . The  set con s istin g  of  all t he n on-domi nated i ndivid uals of  P  i s   called  the non-domi nated set of  P One  popul ar  way of d e si g n ing EM O al gorithm i s  fi st to con s truct  non -domi nat ed  set,  and the n  ma ke  sele ction,  cro s sove r, an d mutation  o n  the po pulati on set  P  to g enerate the  n e xt  gene ration. S o  co nstructin g  the non -d o m inated  set  i s  an ve ry imp o rtant ste p  fo r EMO alg o rit h ms   to find the final Pareto opti onal solution s. In  the NSGA-II algorith m , a non-d o m inated  sorti ng is  use d  to so rt a popul ation i n to different  non-domi nat e d  levels, an d this sorting p r ocedu re’ s  time   compl e x i t y  is   O ( rN 2 ). In n e xt se ction, a n  imp r oved   NSGA -II al go rithm i s  p r o p o se d to  solve  the  MOTSP problem. To reduc e  the  run-time of t he non-dominated s o rting of the NSGA -II, an   improve d  no n - domi nated  sorting i s  p r op ose d  by  u s in g a layer strategy acco rdin g to nee d an d  an  aren a’s p r in ci ple.      3. INSGA-II-MOTSP  Algorithm  The main fra m e of the INSGA-II- MOTS P algorithm is as follows:   Algorithm  INSGA-II-MOTSP  (1)  Read the  input data (th e  deman d amount, lo cati on of the city,  the distance and co st   betwe en citie s  and  so on );  (2) Initiali ze the pop ulation ;   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  NSGA-II Algo rithm  for Multi-obje c tive Tra v elin g Salesm an Problem  (Yabo Lu o)  4415 (3) A ssig n  1 to  gen   a. Evaluate each in dividual ’s fitness  accordin g to the fitness functio n b. Gene rate  a child re n p opulatio n by genetic   ope rators of NS GA-II (i.e., selectio n,  c r oss o ver, mutation);   c. Co mbine  the pa rent  po pulation  and  t he chil dren  popul ation t o  form a  co mbined  popul ation;   d. An im prov ed n o n - domi nated  so rting  (a  layer  strategy a c cord ing to  nee and th aren a’s p r in ci ple) is p e rfo r med on the  combine d   pop ulation to so rt  the combi n e d  popul ation i n to   different no n-dominate d  fronts; If the total numbe r of individual s in  the fronts ha s exce ede d the  size of a singl e popul ation, then the non -dominate d  so rting  process will  stop.   e. Execute a truncation p r o c ed ure o n  the  non-domi n a t ed fronts to  make n e w p o pulation  of the next generatio n;  f.  gen ++,  I F   MAXGEN gen ,  GOTO a;    3.1. Population Initializati on and Indiv i dual Ev alua tion   This p ape r a dopts  nature  numbe r cod i ng for  the e x pressio n  of  chromo som e  in the   popul ation. Every gene  of  the ch rom o some  re pr e s ent a city an d the sequ e n ce  between  the  gene s refle c t s  the trip, for example the code is 0  1 2 3 4 5 0, w h ich exp r e s s that the trip  go   through the number 0 city to number 1 then 2,  ...... at  last return the original  city.  After initialize  population,  every chrom o som e   rep r e s ent s a rand om arrang ed  of city’s   natural n u mb er. Suppo se  a codi ng of chrom o some i s  a 0 a 1 ...a n-1 a 0  for the bi-obj ective TSP, the   two evaluativ e fitness fun c tions are defi ned a s  follows:  The le ngth  of the total  tour: Le ngth  = di st(a 0 ,a 1 )+di st( a 1 ,a 2 )+ …+di st(a n-1 ,a 0 ). He re,  dist(a i ,a j ) mea n s the di stan ce bet wee n  ci ty a i,  and city  a j.  The t o t a l co st :  Cost = co s t (a 0 ,a 1 )+ co st ( a 1 ,a 2 )+… + co st (a n-1 ,a 0 ). He re, co st(a i , a j ) means  the co st between city a i,  an d city a j.    3.2. Genetic  Opera t ors   The bina ry ch ampion shi p sele ction [1]  is utilize d  as t he sel e ctio n operator.    The orde r crossover  (OX) and inversio n mutation [3 ] is use d  to gene rate the  child ren   individual  by cho o si ng a  p a rt of the traveling  route a n d  ch angi ng o v er the  corre s po ndin g  ge n e tic  seq uen ce.     3.3. Arena’s  Principle  This p ape r a dopts the a r ena’ s prin cipl e to con s tru c t the non -d ominated  set  of the   popul ation. T he a r ena’ pri n cipl e is  give n as follows:  Assu me  P  i s   a evolution a popul ation,  Q  is   a cons truc tion set, Set  Q = P .  A ssu me  Nds  i s   a n o n - d o minated  set and  let  Nd s   be a  em pty set.  Fist, select  a n  individu al  from the  Q  to be  cham pion, the n   co mpare it  with  all the  othe rs   individual s in   Q  on e by  one . If  x  do minat es  y , the n  eli m inate  y  from  Q , el se  elimi nate  x  a nd  se y   to be  x   (the  cham pion ) a nd go o n . After the first round  com parison, move  x  into  Nd s . Next,   repe at the ab ove pro c ed ure until  Q  is empty.  Whe n   comp are th e in dividual of  Q   with the  ch a m pion, if it i s  d o minate d  by the  cham pion, it will be elimin ated and  will not go to t he next round. M o re nu mbe r  o f  individual in the  P , Less com pari s on  cou n t of the arena ’s prin cipl e.  In [16], the time com p lexity of the arena’s  prin ciple i s  analyze d  to be  O ( rm N ), here  r  is the nu mber of obje c ts,  m  is the  amount of no n- dominate d  in dividual,  N  i s  the size of  popul ation.  In usu a l, there exists  m < N , The r efore, the   aren a’s p r in ci ple ha s lower time comple xity  than that (i.e.,  O ( rN 2 )) of  NSGA-II.    3.4. A La y e Strateg y  According to Ne ed   The NSGA -II algorithm di vides the co mbination p o pulation  R (combine d with  parent  popul ation  P t  and children  popul ation  Q t ) into multi-la yer non -domi nated fro n ts  ( F 1 F 2 F e e  is the numbe r of non-d o min a ted  layers). Fi rst l y, use the same way like  con s tru c ting  the non-domi nated set to get the non-dominate d  set  R t , which  calle d the first non-domi n ated  front  F 1 . The n , eliminate the individu als of  F from p opulatio R t , i.e., s e R t  =  R t  \ F 1 . Repea ting  the above p r oce dure, and  obtain  F 2,  F 3 ,  F 4 ,  and so on, until  R t  i s  empty. The pro c ed ure of the   la ye r i n g  o f  NSG A - II is  des cr ib ed  as  F i g u r e 1 .   After the process of layerin g the next process  truncates the  dou ble  size  of non -do m in ated  set  F  i n to a h a lf, to  obtain th e ne w p opulatio n  of  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4413 – 4 418   4416 next generation. It elimin ates the  indi viduals of the second p a r t of  F  and  the first part  is  remai ned to b e  the new p o pulation  P t+1         Figure 1. Pro c ed ure of NS GA-II      Ho wever, th e  way  of layeri ng a bove i s  n o t goo d en ou gh, ju st like Fi gure  1, afte r l a yering   of  F 3 , the total individual s of  F 1 F 2 F 3  have exce e ded the  size  of a singl e p opulatio n. So the   layering of  F 4 F 5 F 6  is un necessa ry. Therefo r e, in t h is pa pe r, a layering  strate gy according  to  need i s  p r op o s ed, a nd it ca n be d e scri be d as th e Figu re 2. When th e numb e of total individual is la rge r  th an  the si ze  of p o pulation, th e l a yering  p r o c e dure  will  sto p .  Hen c e, it i s   better tha n  th e   layer method  of NSGA-II, for its l e ss number  of la yeri ng fronts and at the same  time still havi ng  the same p o p u lation  P t+1  [17].          Figure 2. Improved Pro c e d u re of NSGA -II      4.  Experiment Resul t and Analy s is   In this paper,  we have ad opted the ca se in [9 ] as the test probl em of the MOTSP. As   Figure 3  sh o w s,  D1 i s  th length b e twe en ea ch  city and  D2 i s  the  co st bet wee n  ea ch  city. In the  experim ent, the  comp uter i s  the  PC  of P 4 -1.7G   CP U,  1024M  inte rn al sto r ag e, Wi ndo ws XP, a n d   prog ram m ing  VC++ 6.0 progra mming pl atform. The  parameter  s e tting is  set as   follows : s i ze of   popul ation  N =50, th e m a x of ge ne ratio n  Maxge n =5, the  crossov e ratio  Pc = 0 .9 and mutation  ratio  Pm =0.08.    08 1 7 2 5 5 8 1 3 81 0 3 44 9 4 0 72 3 0 8 7 77 21 5 5 44 87 0 6 7 2 5 8 1 9 7 7 6 709 3 34 0 2 1 2 5 9 3 0                    08 2 1 4 1 4 4 3 4 7 8 2 0 6 1 7 62 94 7 14 6 1 0 2 9 3 1 5 1 14 7 6 29 0 7 8 6 7 4 3 29 31 78 0 2 8 47 47 51 67 2 8 0               Figure 3. The  Length an d Co st  Matrix betwee n  the Ci ties  D1  =   D2  =   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Im proved  NSGA-II Algo rithm  for Multi-obje c tive Tra v elin g Salesm an Problem  (Yabo Lu o)  4417 In this  tes t   problem, both the NSGA -II-MO TSP a n d  the improve d  NSGA -II algorithm  (INSGA-II-M O TSP) a r e u s ed to  solve  MOTSP. Afte r re peat 5 tim e s exp e rim e n t s, the averag e of  data is ado pted. The re sult s of the two algorithm s are expre s sed in Tabl e 1, and  the deviation is  economi z ing  data ratio of INSGA-II-M O TSP than the NSGA-II.      Table 1. Re sults of NSGA-II-MOTSP an d INSGA-II-M O TSP   NSGA-II - M O TSP   INSGA-II -M OTS P   deviation  Average count of  dominance comparison  2569.1   1955.7   -23.9%   Average running  time (s)  0.051   0.035   -31.3%       From  Tabl 1, INSGA-II-MOTSP is b e tter than  NSGA-II-MOT SP both o n  t he ave r ag cou n t of dom inan ce comp arison a nd a v erage  run n i ng time. The  main re ason  is that are n a’s  prin ciple  is a dopted.  The   time complex i ty of are na’ s pri n ci ple i s   O ( rm N which is better than  O ( rN 2 )   of NS GA-II. In addition, the layering strategy  as need reduces the number of layering.  In   sho r t, the experim ent re sult sho w s th at there  are  better efficie n cy and solu tions in the new  algorith m Table 2 i s  t he solution s found by I N SGA-II-M O TSP and ot her th ree int e lligen ce   algorith m s [9] .  From this ta ble, it can be  seen th at ea ch solution h a s two  entitie s: (Le ng, Co st).  For exampl e, the solution  (158, 280 ), its corre s p o n d ing tour line  is 0-5-2-1-4 - 3-0, he re, 15 pre s ent the t o tal length of  the tour and  280 is t he total co st. Fro m  the results of Table 2, the   INSGA-II-MO TSP is not only able to obtain the sa me solutio n  of other algo rithm but also  can   find much mo re Pareto sol u tions li ke  (2 71, 197 ), (19 4 , 265). Th erefore, the INSGA-II-MOT SP is  able to find much b e tter  spread of so lutions a nd b e tter conve r g ence nea r the true Paret o - optimal front  comp ared to other three al gorithm s.       Table 2. Solu tions Fou nd b y  INSGA- II-MOTSP and ot her Th ree Alg o rithm s   ACO SA  2-opt  algorithm   INSGA-II -M OTS P   (158, 280 )   (250, 208 )     (158, 280 )   (250, 208 )   (209, 248 )   (158, 280 )   (271, 197 )   (250, 208 )   (209, 248 )   (194, 265 )   (158, 280 )       5. Conclu sion   In our re ally l i fe, there  are  many p r obl e m whi c h a r e  com p o s ed  with many  con f licting  multiple opti m ization  obje c ts. MO TSP is an  extende d insta n ce of  traveling  sal e sma n  p r obl em,   whi c h natu r al ly arise s  as a  subp robl em in many  transportation a n d  logistics appl ication s . In this  pape r, an im proved  NSG A -II algorithm  (INSGA-II-M O TSP) is p r o posed to solv e the MOTSP. To   improve its  run-time effici ency, a layeri ng stra tegy a c cordi ng to n eed is  pro p o s ed a nd a r en a’s  prin ciple i s  al so ad opted t o  con s truct n on-d o min a ted  set. In addition, an order  cro s sove r like   operator an d  an inversi o n  mutation op erato r  ar e a d opted for MO TSP. The experim ent re sults   sho w  th at th e p r opo se d I N SGA-II-M O TSP algo rith m is abl e to  find bette sp read  of  sol u tions  comp ared to other three al gorithm s. Th e better  re sul t s and lo w computation ti me obtaine d by  this algo rithm  can b e  expl ained by the  layer st rategy  according to  need.  We in tend to exten d   this strategy to other multi-obje c tive optimization p r o b l ems.   In addition, we would like to use oth e r mea s u r e s  whi c h allo ws for a soun d statistica l   analysi s  of  o u r re sults. To   this goal   we will  a dopt th e  attainme nt functio n s met hodol ogy [18]  for  experim ental analysi s       Ackn o w l e dg ements   This wo rk  i s  partially  supp orted by  the Na tion al Natural S c ien c Found ation o f  Chin a   unde r G r ant  No. 5 1177 04 0. The  autho rs  would  like  t o  than Dr. X ilong Q u  fo r t he di scussio n about  the me asu r e cod e . The  a u thors also grat efull y  ackno w led ge the h e lpfu l comm ents  and   sug g e s tion s of the reviewers,  whic h ha ve improved t he pre s e n tation.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4413 – 4 418   4418 Referen ces   [1]  CAC Coello,  GB Lamont, DA Van  Vel d h u i z en. Evo l utio n a r y  Alg o rithms  for Solv in g M u lti-Obj e ctive   Probl ems. 2nd  ed.  Ne w  York:  Spring er-Verl a g. 2007.   [2]  K Deb, A Prat ap, S Agar w a l,  T  Me yariva n. A  fast an elitist  multio bj ective  genetic algorithm: NSGA-II.   IEEE Transactions on Evo l uti onary C o mput ation . 20 02; 6( 2): 182-1 97.   [3]  DB F ogel. Evol ution a r y   Comp utation: T o w a r d  a Ne w  P h il os oph y of Mac h in e Intelli ge nce. T h ird Editi o n   ed. Ne w  Jers e y , USA: John  W ile y  & So ns, Inc., 2006.   [4]  M Dorig o , LM  Gambard e ll a. Ant Col o n y  S ystem : A Coop erative  Lear ni n g  Appr oach t o  the T r aveling   Salesm an Problem.  IEEE Transactio n s on E v oluti onary C o mp utatio n.  199 7; 1(1): 53-66.   [5]  C García-Martí nez, O C o rd ón , F  Herrer a . A  taxonom a n d   an  empir i cal  a nal ysis  of  multi p le  ob jectiv e   ant colo n y   opti m izatio n alg o rit h ms for the bi-criteria T SP.  Europ ean Jo urn a l of Operatio n a l Rese arch 200 7; 180( 1): 116-1 48.   [6]  Y del  Val l e,  GK Vena ya ga moorth y ,  S M oha gh egh i, JC  Hern an dez,  RG Harl e y .  P a rticle s w a r m   optimiz ation: B a sic conc ept s, variants an d app licati ons i n  po w e r s y ste m s.  IEEE Transactions  on  Evoluti onary C o mputati on.  20 08; 12(2): 1 71- 195.   [7]  KI Smith, RM  Everson, JE F i elds end, C Mu rph y R Misr a. Domin anc e-ba sed multi obj ective simul a t e d   ann eal in g.  IEEE Transactions  on Evolutionar y  Computation .  2008; 1 2 (3): 3 23-3 42.   [8]  X D  Li, J Br anke, M K i rley .   On  p e rfor ma nce metrics  a nd particl sw arm meth ods for  dyn a mi c   mu ltio bjectiv e  optimi z a t io n  proble m s Procee din g  of 2007 IEEE Congress o n  Evoluti onar Comp utation, Sing apor e. 200 7; 576-5 83.   [9]  CK Goh, KC  T an. A competit ive-coo perati v e coev oluti o n a r y   par a d i g m for d y namic  multio bjectiv e   optimiz ation.  IEEE Transacti ons on Evo l uti onary C o mput ation.  20 09; 13 (1): 103-1 27.   [10]  Min L i u, W e nh ua Z e ng.  A  fast Evol ution a ry A l gorit hm for  Dy na mic  Bi-o bjec tive Opti mi z a t i on Pr obl e m s T he 7 th   Internation a l Co nfere n c e on Com pute r  Sci ence & Ed ucatio n (ICCS E 2012). 2 012;  130-1 34.   [11] D  Angus.  Cr ow ding p o p u l a tion- base d  a n t colony o p ti mis a tio n  for the multi-o b j e c t ive travelli ng  sales m an pro b le m.  Pr oceedings  of the 2007 IEEE S y mposiu m on  Computational  Intelligence in  Multicriteri a De cision M a kin g  (MCDM 200 7), 200 7; 333- 340.   [12] L  Paq uete,  T  Stutzle.  A tw o-phase  loc a l se a r ch for the  bio b j ective trav eli n g sal e s m an  pr obl e m .  EMO  200 3, 200 3; 47 9–4 93.   [13]  L Ma, F  Jiang. Solvi ng  mu lti-criteri a  traveli ng sa les m an pro b lem  b y  a n t alg o r ithm.  Systems  Engi neer in g T heory Metho dol ogy App licati o n s .  1999; 8(4): 2 3 -27.   [14]  Sand ip C h a n d a , Abhi na nd an  De. Co ng esti on R e li ef of C ontin ge nt Po w e r Net w o r w i t h  Evol utio nar Optimization Algorithm.  T E LK OMNIKA Indon esia n Journ a l o f  Electrical Eng i ne erin g . 201 2; 10(1): 1-8.   [15]  Xu eso n g  Yan,  Qing hua  W u ,  Hammi Liu.  An  Improv ed  Rob o t Path  Pl ann ing  Al gorit hm Bas ed  o n   Genetic A l gor ithm.   T E LKOMNIKA Indo nesi an Jo urn a of Electrical   En gi neer ing . 20 12;   10(8): 19 48- 195 5.  [16]  JH Z hen g, H  Jian g, D Ku an g,  Z Z  Shi. An  appr oac h of  constructin g  m u lti-o b jectiv e p a reto o p timal   soluti ons usi n g  arena ’s princ i p l e.  Journ a l of S o ftw are . 2007; 18(6): 12 87- 12 97.   [17]  Min Li u, W H  Z eng, JF  Z hao.  A fast bi -ob j ect i ve n on-d o min a ted sorti ng  al gorithm.  Patter n  Rec ogn itio n   and Artifici al In tellig enc e.  201 1; 24(4): 53 8-5 47.   [18]  VG da F onsec a,  C F onsec a, A Hall.  In fe re n t i a l  pe rfo r m a n c e  a sse ssme n t   o f  sto c h a s ti c op ti mi se rs and  the attain ment  function.  Ev ol ution a r y  Multi- Criterio n Opti mi zatio n  (EMO’ 20 01), LN CS  199 3. 20 01;   213- 225.         Evaluation Warning : The document was created with Spire.PDF for Python.