求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

基于改进蚁群算法的应用与研究

针对传统蚁群算法在构造解的过程中收敛速度慢且容易陷入局部最优问题,提出了一种改进蚁群算法。在蚁群搜索路径过程中,通过建立信息素启发式因子α和期望启发式因子β的互锁关系,动态自适应调整α和β;结合车辆运输调度问题,对距离启发式因子ηij（t）进行重新定义,引入不同客户间的“偏好力”,提高算法的搜索效率及实用性。将改进蚁群算法分别应用到机器人路径规划及车辆调度问题并进行仿真,取得了较好实验效果,验证了该方法的可行性和有效性。     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

改进蚁群算法优化车辆路径问题的研究

研究采用改进的蚁群算法优化带约束的车辆路径的问题。考虑的约束条件包括路径约束、时间窗约束和容量约束。主要目的是提出一种改进的蚁群算法进行车辆路径优化,构建配送车辆行驶路线,实现配送路线总成本的最小化。从三方面对蚁群算法进行了改进：对参与条件转移概率的候选节点列表进行预处理减少路线构建过程计算的时间复杂度;提出插入式节约算法用于改进蚁群初始配送路线提高寻优精度;基于蚁群系统对信息素更新策略进行改进,加快算法收敛速度。基于Solomon基准数据集,与近年来已取得的研究成果展开对比实验,证明提出的改进算法在提高求解精度和搜索效率方面的有效性,在优化带约束条件的车辆路径问题时的实用性,拓展了蚁群算法的应用领域。     

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

蚁群聚类算法在物流网络优化中的应用

为了解决物流配送中的路径优化问题,运用改进的蚁群算法来建立配送车辆路径的数学模型,通过减少蚁群的选路次数、更新信息素等策略,提高了算法的收敛速度和全局搜索能力。经过实验分析和计算,证明了应用蚁群算法可以优化物流配送线路,可以有效地解决多回路运输问题。该成果对物流企业控制成本、增强市场竞争力有一定参考价值。     

基于信息素更新和挥发因子调整的改进蚁群算法

为了改进基本蚁群算法容易导致算法停滞、陷入局部最优解和收敛速度较慢的问题,提出一种改进的蚁群算法,主要是将信息素局部更新和全局更新结合,增加各路径的被选择机会,避免算法停滞;另外,由于信息素挥发因子ρ的大小直接关系到算法的全局搜索能力和收敛速度,提出在算法的初期、中期和后期分别设置不同的ρ,以此增加算法的全局搜索能力,又能在一定程度上加快算法的收敛.改进算法的性能在Oliver 30和att 48问题上得到验证,本方法与基本蚁群算法相比要更优,收敛速度更快,体现了此种改进的有效性.     

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

多集散点车辆路径优化的混合算法

为使多集散点车辆路径优化结果全局最优,以订单为基准建立多集散点车辆路径优化模型.采用粒子群算法与改进蚁群算法组成的混合优化算法求解模型.由粒子群算法的粒子位置向量得到每辆车所需运送的订单号,用蚁群算法优化单车路径,根据优化的总路径评价和筛选粒子,直到满足终止条件.该模型和混合算法是所有车辆对所有订单节点的路径优化,突破了多仓库问题直接或间接转化为多个单仓库车辆路径优化问题中的局部节点求解的限制.实例求解结果表明,用该混合算法优化的车辆总路径长度小于用蚁群算法求得的结果.     

基于直觉模糊熵的粒子群模拟退火算法

针对智能算法在解决大规模0-1背包问题时易陷入局部最优解、收敛速度慢的问题,提出一种基于直觉模糊熵的粒子群-模拟退火算法(IFEPSO-SA)。采用交换操作和模拟退火机制对粒子群算法中的局部最优解二次优化;然后,以种群直觉模糊熵(IFE)为测度,自适应改变惯性权重,并对种群进行变异操作。测试结果表明,IFEPSO-SA在解决大规模0-1背包问题时有较好的求解质量;仿真实验结果表明,IFEPSO-SA与基于直接模糊熵的粒子群算法(IFEPSO)相比,熵值波动较小,反映出IFEPSO-SA有更好的局部搜索能力,并且IFEPSO-SA在算法收敛速度和求解质量方面都优于IFEPSO以及经典的粒子群算法和模拟退火算法。     

基于改进鲸鱼优化算法的畜禽废弃物运输路径优化问题

畜禽养殖废弃物的合理处置,是农村生态环境治理与污染防治的关键点。为解决畜禽养殖废弃物的运输路径问题,本文提出一种改进鲸鱼优化算法的车辆路径优化方法。首先,在车辆路径优化问题的基础上,建立以总路程最小化为目标的畜禽养殖废弃物运输路径优化模型;其次,结合离散型问题特征和鲸鱼优化算法的寻优思想,提出改进鲸鱼优化算法。引入ROV机制使该算法能够求解离散问题,对每次迭代结果进行聚类分析,将优秀个体所在类依次进行PBX交叉操作和逆序变异操作,同时保证了种群的多样性和算法的求解效率;最后,对9个Solomon算例和1个实例进行仿真实验,并与改进粒子群优化算法、改进灰狼优化算法和改进蚁群算法进行对比。结果表明,改进鲸鱼优化算法在9个案例中均优于其他算法,在最复杂的RC103案例中,求解结果相较于其他算法至少14.64%,体现了改进鲸鱼优化算法有更高的求解精度和稳定性;对于畜禽废弃物运输实例仿真实验,改进鲸鱼优化算法比其他算法分别提高4.9%、6.5%和43.7%,证明本文算法能够有效的解决畜禽养殖废弃物运输路径优化问题。     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷，综合考虑最大完成时间最少、任务执行总时间最优两个优化目标，提出一种多策略融合的粒子群优化算法(Multi-Strategy Particle Swarm Optimization, MSPSO)，并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先，通过模拟退火算法动态更新惯性权重，平衡粒子群优化算法的全局搜索和局部搜索，帮助粒子跳出局部极值。然后，引入饥饿游戏搜索算法优化粒子位置更新策略，在算法后期加快粒子收敛速度，提高结果精度。最后，采用双重变异限制策略，同时限制粒子速度和位置，避免粒子发生越界。与其他三种粒子群优化算法进行对比实验，在适应度平均值、最小值、标准差三方面MSPSO都有更好的表现。通过仿真，在求解不同任务量的云计算任务调度问题中，MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时，MSPSO总成本比其他算法分别低了14.4%、15.3%、11.2%，适应度值分别低了10.5%、10.6%、7.6%，验证了所提算法在求解云计算任务调度问题中的有效性。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

复杂系统可靠性优化的混合万有引力搜索算法求解

复杂系统可靠性优化问题是一类有约束限制且目标函数具有多个局部极值的非线性优化问题.为求解该类问题,提出了一种混合万有引力搜索算法的求解方法.算法利用基于万有引力定律的寻优机制指导群体进行全局搜索,并采用序列二次规划算法进行局部搜索,避免基本万有引力搜索算法陷入局部最优,改善优化性能,加快寻优速度.通过实例计算,并与蚁群优化算法、微粒群算法、蜂群算法和基本万有引力搜索算法等进行比较,验证了算法的可行性和有效性.