混合蝙蝠算法在包装件配送中的应用研究

目的使蝙蝠算法(BA)适应包装件配送车辆路径问题(VRP)的求解,并提高该算法的求解性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,设计改进的蝙蝠算法(IBA),使其能够适用于包装件配送VRP问题的求解。其次,引入混沌系统,对IBA算法进行混沌初始化。然后,设计裂变算子和变异算子。在IBA算法迭代前半段,将蝙蝠种群中较差的一半蝙蝠重新混沌初始化,以提高种群多样性。在IBA算法迭代后半段,对陷入局部最优解的蝙蝠进行鲶鱼扰动。最后,提出HBA算法并对企业实例进行仿真测试。结果 HBA算法求得的最优配送距离为773.01 km,相对于GA算法(781.25 km)和IBA算法(786.04 km)分别节约了8.24 km和13.03 km。结论与IBA算法和GA算法相比,HBA算法求解包装件配送VRP问题的全局优化能力更强、收敛速度更快。     

混合模拟植物生长算法在包装件配送中的应用

目的针对改进模拟植物生长算法(IPGSA)容易陷入局部最优解及其算法运行时间较长,提出混合模拟植物生长算法(HPGSA)来求解带时间窗车辆调度问题(VSPTW)。方法在IPGSA基础上,提出求解包装件物流配送中VSPTW的混合模拟植物生长算法(HPGSA)。改进IPGSA初始调度方案的构造方式,设计求解VSPTW的C-W算法用于构造HPGSA的初始调度方案;改进IPGSA的邻域搜索算子,选择插入搜索算子和互换搜索算子对HPGSA进行邻域搜索;对18个不同规模的Solomon算例进行仿真测试。结果相对于其他智能算法,HPGSA具有更好的求解性能,能够保证VSPTW对求解算法的要求。结论 HPGSA的全局优化能力、稳定性和运行速度均优于IPGSA、遗传算法、蚁群算法和禁忌搜索算法。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

混合蝙蝠算法在包装废弃物逆向物流中的应用

目的为了提高蝙蝠算法(BA)求解包装废弃物逆向物流问题的性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,构建新型蝙蝠表达式,使BA算法适用于包装废弃物逆向物流问题的求解。其次,引入自适应惯性权重,改造蝙蝠速度更新公式;然后,引入粒子群算法(PSO),对每次迭代中任一随机蝙蝠进行粒子群操作;最后,利用HBA算法对企业实例和标准算例进行仿真测试。结果企业最优回收距离为776.63 km。与遗传算法(GA)、蚁群算法(ACO)和禁忌搜索算法(TS)相比,HBA算法能够求得已知最优解的标准算例个数最多为6个,求得最好解与已知最优解的平均误差最小为8.58%,平均运行时间最短为4.39s。结论 HBA算法的全局寻优能力、稳定性和运行速度均优于GA算法、ACO算法和TS算法。     

遗传算法在物流配送路径优化问题中的应用

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在物流管理的运输问题、布局问题、选址问题、配送问题、调度问题等方面应用非常广泛。首先建立物流配送路径优化问题数学模型,在此基础上构造求解物流配送路径优化问题的遗传算法。用此遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

配载约束下双向搜寻节点的车辆路径问题

目的 研究三维装箱约束的车辆路径问题,即在给定车辆中尽可能多地装入货物且保证车辆行驶路线最优。方法 提出基于双向搜寻路径节点规则的智能水滴节约算法来求解车辆路径问题,并采用基于虚拟组合块的启发式算法来求解装箱问题。结果 通过数值算例检验,混合算法使车厢的平均空间利用率达到了76.14%,并确定了最优行驶路线。结论 基于双向搜寻路径节点规则的智能水滴节约算法可找出最优的行驶路线,而基于虚拟组合块的启发式算法也能合理放置货物,得出较优的装载方案。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

包装废弃物回收车辆路径问题的改进遗传算法

目的采用优化传统遗传算法(GA)研究包装废弃物回收车辆路径问题(VRP)的性能。方法提出改进遗传算法(IGA)。首先,设计基于贪婪算法的初始种群生成算子,提高初始种群质量;其次,设计根据适应度值大小、进化代数等自适应调整的交叉和变异概率;然后,设计最大保留交叉算子,保证种群的多样性;最后,对企业实例和标准算例进行仿真测试。结果采用IGA算法、蚁群算法(ACO)能求得算例最优解,且IGA算法运行速度快于ACO算法,分支界定算法(BBM)、传统GA算法无法求得算例最优解。结论与BBM算法、传统GA算法和ACO算法相比,IGA算法求解包装废弃物回收VRP问题的整体性能更优。     

基于EDGA的托包机构优化设计

提出了在包装机械设计中求解多参数问题的遗传算法，讨论了遗传算法中求解多参数问题的关键技术，包括一种改进的遗传算法，避免了标准遗传算法可能过早地收敛于局部最优解，并加快了全局最优解的收敛速度，给出了在凸轮连杆机构中求解多参数问题的实例。该遗传算法可以有效地解决设计中存在多个参数的优化组合问题。     

求解约束优化问题的退火遗传算法

针对基于罚函数遗传算法求解实际约束优化问题的困难与缺点,提出了求解约束优化问题的退火遗传算法。对种群中的个体定义了不可行度,并设计退火遗传选择操作。算法分三阶段进行,首先用退火算法搜索产生初始种群体,随后利用遗传算法使搜索逐渐收敛于可行的全局最优解或较优解,最后用退火优化算法对解进行局部优化。两个典型的仿真例子计算结果证明该算法能极大地提高计算稳定性和精度。     

求解带AGV柔性作业车间调度问题的改进灰狼算法

针对带AGV的柔性作业车间调度问题,以最小化完工时间为目标,考虑AGV在装载站、机器、卸载站之间的有效负载时间和空载时间,构建了数学规划模型。其次,提出一种有效的灰狼算法进行求解,基于该问题特征,设计机器选择、工序排序和AGV搬运的3段编码,有效地保证每个个体均可产生可行解;灰狼算法中改进了关键参数a和E设定方式,有效平衡了算法的勘探能力和局部搜索能力;为进一步提升算法跳出局部最优解的能力,该算法融合了领域搜索等方法。最后,案例测试结果表明,改进灰狼算法在求解带AGV柔性作业车间调度问题中具有优越的性能。     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

An improved Intelligent Water Drops algorithm for achieving optimal job-shop scheduling solutions

Job-shop scheduling is a typical NP-hard problem which has drawn continuous attention from researchers. In this paper, the Intelligent Water Drops (IWD) algorithm, which is a new meta-heuristics, is customised for solving job-shop scheduling problems. Five schemes are proposed to improve the original IWD algorithm, and the improved algorithm is named the Enhanced IWD algorithm (EIWD) algorithm. The optimisation objective is the makespan of the schedule. Experimental results show that the EIWD algorithm is able to find better solutions for the standard benchmark instances than the existing algorithms. This paper has made a contribution in two aspects. First, to the best of the authors’ knowledge, this research is the first to apply the IWD algorithm to the job-shop scheduling problem. This work can inspire further studies of applying IWD algorithm to other scheduling problems, such as open-shop scheduling and flow-shop scheduling. Second, this research further improves the original IWD algorithm by employing five schemes to increase the diversity of the solution space as well as the solution quality.     

Mixed Self-adapting GA Optimal Scheduling Algorithm for a Multiple Resource Job-shop

With an aim at the job-shop scheduling problem of multiple resource constraints, this paper presents mixed self-adapting Genetic Algorithm （ GA ） , and establishes a job-shop optimal scheduling model of multiple resource constraints based on the effect of priority scheduling rules in the heuristic algorithm upon the scheduling target. New coding regulations or rules are designed. The sinusoidal function is adopted as the self-adapting factor, thus making cross probability and variable probability automatically change with group adaptability in such a way as to overcome the shortcoming in the heuristic algorithm and common GA, so that the operation efficiency is improved. The results from real example simulation and comparison with other algorithms indicate that the mixed self-adapting GA algorithm can well solve the job-shop optimal scheduling problem under the constraints of various kinds of production resources such as machine-tools and cutting tools.     

Hybrid intelligent water drops algorithm to unrelated parallel machines scheduling problem: a just-in-time approach

Minimising earliness and tardiness penalties as well as maximum completion time (makespan) simultaneously on unrelated parallel machines is tackled in this research. Jobs are sequence-dependent set-up times and due dates are distinct. Since the machines are unrelated, jobs processing time/cost on different machines may vary, i.e. each job could be processed at different processing times with regard to other machines. A mathematical model which minimises the mentioned objective is proposed which is solved optimally via lingo in small-sized cases. An intelligent water drop (IWD) algorithm, as a new swarm-based nature-inspired optimisation one, is also adopted to solve this multi-criteria problem. The IDW algorithm is inspired from natural rivers. A set of good paths among plenty of possible paths could be found via a natural river in its ways from the starting place (source) to the destination which results in eventually finding a very good path to their destination. A comprehensive computational and statistical analysis is conducted to analyse the algorithms’ performances. Experimental results reveal that the proposed hybrid IWD algorithm is a trustable and proficient one in finding very good solutions, since it is already proved that the IWD algorithm has the property of the convergence in value.     

基于文化基因算法的开放车间调度问题研究

针对开放车间调度问题,运用了文化基因算法进行优化求解。在文化基因算法的框架中,既有种群中的全局搜索,又包含针对问题自身特点的局部搜索,为解决开放车间调度问题提供了一种新的算法。按照文化基因算法的思想和特点,将爬山法作为局部搜索策略加入到全局搜索策略所用到的遗传算法中,通过对开放车间调度问题的邻域结构进行研究,加入爬山搜索法进行优化求解。基于40个标准算例,通过与下界值的比较,验证了所提算法在解决具有较大搜索空间的调度问题时,其拥有更出色的算法性能。