带时间窗物流配送车辆路径问题的蝙蝠算法

带时间窗车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）是一个重要而实际的研究课题,该问题在有能力约束模型的基础上增加了时间约束,要求配送系统总费用最低。蝙蝠算法（Bat Algorithm,BA）是一种新型的智能优化算法,目前尚未被应用到求解VRPTW问题中。根据VRPTW问题的数学模型及其具体特征,重新设计了BA的操作算子,给出了求解VRPTW问题的改进蝙蝠算法,并通过仿真实例和与其他算法进行比较的方式,验证了蝙蝠算法在VRPTW问题中的求解性能,拓展了蝙蝠算法的应用领域。     

带时间窗车辆路径问题的文化基因算法

针对物流配送中带时间窗的车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）,建立了数学模型,并设计了求解VRPTW的文化基因算法。种群搜索采用遗传算法的进化模式,局部搜索采用禁忌搜索机制,并结合可行邻域结构避免对不可行解的搜索,以提高搜索效率。与单纯的遗传算法和禁忌搜索算法进行对比实验,表明该算法是求解VRPTW的一种有效方法。     

求解带时间窗车辆路径问题的混沌遗传算法

针对遗传算法随机性大、末成熟收敛等缺点,提出了将混沌搜索技术和遗传算法相耦合的混沌遗传算法来求解带时间窗的物流配送车辆路径问题(VRPTW)。该算法将混沌变量映射到优化变量的取值范围中,把得到的混沌变量进行编码生成初始种群,然后在遗传操作进行之后对优秀个体增加混沌扰动,促进种群的进化收敛速度,得到最优解。实例计算结果与其他算法比较表明,该算法在求解VRPTW问题时,搜索效率高,能以较快的速度收敛于全局最优解,为求解VRPTW问题提供了一种新方法。     

基于Spark的改进蚁群算法对带时间窗车辆路径问题的求解

为应对大数据时代对带时间窗车辆路径问题（VRPTW）的实时求解要求,提出基于Spark平台的改进蚁群算法.在算法层面,利用改进的状态转移规则和轮盘赌选择机制构建初始解,结合k-opt邻域搜索进行路径构建优化,改进最大最小蚁群算法中的信息素更新策略;在实现层面,利用Spark提供的API对蚁群RDD进行操作,实现蚁群分布式并行求解.在标准算例Solomon benchmark和Gehring&Homberger benchmark的实验结果表明,该算法在大规模问题的求解精度和速度上有明显提升.     

带时间窗车辆路径问题的差分进化混合算法

研究了带时间窗的车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW),建立了数学模型,并设计了求解VRPTW的离散差分进化混合算法。算法采用随机车辆配载方法构造初始解,并通过构造新的变异和交叉算子进行改进。进一步,利用插入可行邻域和2-Opt可行邻域两种搜索可行解的邻域结构,引入禁忌搜索进一步进行局部搜索以提高算法的寻优能力。实验结果表明该算法是求解VRPTW的一种有效方法。     

基于多种群的随机扰动蚁群算法求解分布式约束优化问题

针对现有的基于蚁群优化思想求解分布式约束优化问题的算法收敛较慢、容易陷入局部最优等问题,提出了一种基于多种群的随机扰动蚁群算法（random disturbance based multi-population ant colony algorithm to solve distributed constraint optimization problems,RDMAD）来求解分布式约束优化问题。首先,RDMAD提出了一种分工合作机制,将种群按比例划分为采用贪婪搜索的子种群和采用启发式搜索的子种群,同时构建分级更新策略,提高算法收敛速度和求解质量;然后对采用贪婪搜索的子种群设计自适应变异算子和奖惩机制,防止算法陷入局部最优;最后在算法陷入停滞时触发随机扰动策略,增加种群多样性。将RDMAD与七种最先进的非完备算法在三类基准问题上的寻优结果进行了实验对比,实验结果表明RDMAD在求解质量和收敛速度上优势明显,且稳定性较高。     

带时间窗车辆路径问题的混合改进型蚂蚁算法

带时间窗车辆路径问题（VRPTW）是VRP的一种重要扩展类型,在蚂蚁算法思想基础上,设计用于求解该问题的混合改进型算法并求解Solomon标准数据库中的大量实例。经过大量数据测试并与其他启发式算法所得结果进行比较,获得了较好的效果。     

面向带时间窗车辆路径问题的PGSA算法优化

VRPTW问题是带时间窗约束的车辆路径问题,该问题的求解通常被应用到物流的路径规划环节,现实意义突出,属于NP难题,计算量随问题规模增大呈指数增长。PGSA算法是模拟植物生长信息和分支模式的启发式算法,被用于求解组合优化问题。本文以配送总路程最短为目标构建VRPTW问题的约束模型,在原始PGSA算法的基础上,使用双阶段的搜索方案,提高初始解的质量,设计有向生长机制和局部解跳出机制更改原算法生长点的生长策略,提高了PGSA算法的搜索效率。通过在标准数据集上的实验分析,改进后的PGSA算法相比原始PGSA算法,能达到更好的收敛结果,求解效率更高,是一种有效的求解方法。     

低约束密度分布式约束优化问题的求解算法

多Agent协作过程中的许多挑战都可以建模为分布式约束优化问题.针对低约束密度的分布式约束优化问题,提出了一种基于贪婪和回跳思想的求解算法.在该算法中,各Agent基于贪婪原则进行决策,能够利用低约束密度问题中大量赋值组合代价为0这一特点来加快求解速度.同时,Agent间的回跳机制可以在贪婪原则陷入局部最优时保证算法的完全性.相对于已有主流算法,该算法可以在保持多项式级别的消息长度/空间复杂度的前提下,以较少的消息数目求解低约束密度的分布式约束优化问题.给出了算法关键机制的正确性证明,并通过实验验证了算法的上述性能优势.     

分布式约束网络系统的设计与实现

针对工程设计中的一类约束问题,文章结合约束传播算法和区间求解算法,在一定的条件下,给出了多值约束下连续变量的可行值域求解算法。同时基于上速算法设计了一套分布式的计算环境,并给出该系统求解的一个实例。     

基于Memetic算法的带时间窗车辆路径问题研究*

提出一种模拟文化进化的Memetic算法求解带时间窗的车辆路径问题。设计了一种实数编码方案,将离散的问题转为连续优化问题。采用邻域搜索帮助具备一定学习能力的个体提高寻优速度;采用禁忌搜索帮助部分个体跳出局部最优点,增强全局寻优性能。实验结果表明,该算法可以更有效地求出优化解,是带时间窗车辆路径问题的一种有效求解算法。     

An improved LNS algorithm for real-time vehicle routing problem with time windows

This paper studies the dynamic vehicle routing problem with hard time windows (DVRPTW). The main study course of this problem was briefly reviewed. The solving strategy and algorithm of the problem are put forward. First of all, DVRPTW problem is decomposed into a series of static VRPTW. When and how to decompose the DVRP is the issue, that must be addressed. An event-trigger mechanism has been proposed and used to decompose the DVRPTW into a series of system delay-snapshots. The trigger event to be adopted is a new request arrival during the stable operation. And each snapshot is regarded as a static VRPTW. Whether each static VRPTW can quickly and efficiently be solved within a given time or a shorter time, i.e. the solving time is another issue for the DVRPTW. In the solving process, how to merge the latest requirement to the current solution is the third issue that must be solved. An improved large neighborhood search (LNS) algorithm is proposed to solve the static problem. Utilizing the remove-reinsert process of the LNS, the latest request nodes are regarded as a part of the removed nodes; these nodes can be inserted into the original or current solution in good time in the reinsertion process; meanwhile, its computing speed is high and effective for it does not need to resolve primal problem each time. Computational results of a large number of test problems, which cited from Solomon's static benchmarks and Lacker’s dynamic data set, show that our method is superior to other methods in most instances.     

Artificial intelligence heuristics in solving vehicle routing problems with time window constraints

This paper describes the authors’ research on various heuristics in solving vehicle routing problem with time window constraints (VRPTW) to near optimal solutions. VRPTW is NP-hard problem and best solved to near optimum by heuristics. In the vehicle routing problem, a set of geographically dispersed customers with known demands and predefined time windows are to be served by a fleet of vehicles with limited capacity. The optimized routines for each vehicle are scheduled as to achieve the minimal total cost without violating the capacity and time window constraints. In this paper, we explore different hybridizations of artificial intelligence based techniques including simulated annealing, tabu search and genetic algorithm for better performance in VRPTW. All the implemented hybrid heuristics are applied to solve the Solomon's 56 VRPTW with 100-customer instances, and yield 23 solutions competitive to the best solutions published in literature according to the authors’ best knowledge.     

基于自变量简约的大规模稀疏多目标优化

现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常,多目标优化的Pareto有效解集是自变量空间的一个低维流形,该流形的维度远小于自变量空间的维度。鉴于此,提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维,保留原始自变量空间中的局部近邻关系,并设计一个归档集,将寻找到的非劣解存入其中进行训练,以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明,所提算法在解决稀疏多目标问题上具有较好的效果。因此,通过自变量简约能降低问题的求解难度,提高算法的搜索效率,在解决大规模稀疏多目标问题方面具有显著的优势。     

无约束最优化问题的BFGS松弛异步并行算法

为解决大规模非线性最优化问题的串行求解速度慢的问题,提出应用松弛异步并行算法求解无约束最优化问题。根据无约束最优化问题的BFGS串行算法,在PC机群环境下将其并行化。利用CHOLESKY方法分解系数为对称正定矩阵的线性方程组,运用无序松弛异步并行方法求解解向量和Wolfe-Powell非线性搜索步长,并行求解BFGS修正公式,构建BFGS松弛异步并行算法,并对算法的时间复杂性、加速比进行分析。在PC机群的实验结果表明,该算法提高了无约束最优化问题的求解速度且负载均衡,算法具有线性加速比。     

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题( flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP问题;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。     

Modeling rolling batch planning as vehicle routing problem with time windows

This paper considers the rolling batch planning problem of grouping and sequencing a given set of slabs into several rolling units in iron and steel industry. The existing mathematical methods often used for the problem are traveling salesman problem (TSP) and vehicle routing problem (VRP), but these methods are not precise, because the position limitation of some slabs in a rolling unit scheduling is not considered. Therefore we suggest a new model, vehicle routing problem with time window (VRPTW) to describe the rolling batch planning problem, in which the position limitation of slabs are quantified as the time constraints. Several solution methods including the genetic algorithm are presented for solving the problem and the computational results show that the genetic algorithm is superior to other methods.In this paper, the vehicle routing problem with time window (VRPTW) of combinational optimization is used to analyze and model the rolling batch planning problem. Genetic algorithm and heuristic are used to solve the problem. Simulation results based on the actual production data show that this model is precise and the genetic algorithm based method is very promising.     

基于改进信息素的蚁群算法在QoS 组播路由中的研究

针对传统的蚁群算法在求解大规模旅行商问题时容易导致搜索时间过长或陷入停滞的问题,提出了一种基于改进信息素的蚁群算法。通过蚁群算法的改进,使得每轮搜索之后的信息素都能更好地反映解的质量。实验仿真结果表明,改进后的蚁群算法能获得比传统的蚁群算法更优的解,同时具有更快的收敛速度和较好的稳定性。