车载能力有限的双区型仓库拣货路径优化

为了求解车载能力有限的双区型仓库拣货路径优化问题,根据双区型仓库拣货作业的特点,以拣货路径距离最短为目标,建立了双区型仓库拣货路径模型,并根据双区型仓库构造,求解任意2个货位间最短距离,同时提出了贪心算法和遗传算法相结合的贪心遗传算法求解方法,并以双区型仓库为对象进行仿真验证和分析。仿真结果表明,本文提出的算法能有效地提高优化路径的全局最优性和稳定性,而且对不同规模大小的拣货点均可以取得很好的优化效果;利用本文算法求解双区型仓库中的最优拣货路径能极大的缩短拣货车辆行走距离,提高拣货作业工作效率。该研究对双区型仓库拣货路径的优化具有十分重要的意义。     

一种fishbone仓储布局下拣选路径存取协同策略的优化

为了提升仓储物流中心的生产运作效益,基于一种非传统fishbone布局路径优化特点研究的基础上,提出了一种质量、体积双负载约束下的存取协同的策略模式,并构建了拣选路径的优化模型。针对该模型,设计了改进的禁忌搜索算法(TS)进行模拟仿真试验,该算法的初始值部分由遗传算法生成,有效地克服了禁忌搜索算法对初始值的依赖性。应用该算法,针对不同的订单规模和不同的初始负载比例,将传统的拣选模式和存取协同的策略模式下的最短拣货路径距离进行了比较,结果显示存取协同策略模式能够缩短fishbone布局下拣货路径的距离,其优化比例最高可达38%左右,最差的优化结果也有12%,从而提升生产作业效率。     

基于启发式算法的自动化立体仓库拣货路径优化研究

为了对自动化立体仓库拣货系统进行优化,本文根据自动化仓库订单拣货问题的特点,以拣货时间最小化为目标建立了相应的数学模型,设计了基于启发式规则的求解算法,并用MATLAB实现了算法,经仿真验证以及将启发式算法与文献其它算法进行比较,结果表明,应用本文模型以及改进的启发式算法进行拣选路径的设计,能够有效地缩短拣选时间和距离,从而提高拣选效率,本算法具有一定的实用性。     

穿越策略下考虑相关性的货位优化方法

为研究品项相关性对拣货效率的影响规律,通过分析穿越策略下分区分批拣货时品项间相关性关系的特点,以批次拣货时间最短为目标建立了货位指派优化的数学模型,提出基于品项相关性的货位指派优化算法(SASC_C),该算法以COI法解为初始解,通过货位逐次变换策略将相关性强的品项尽可能的指派到尽可能少的巷道中来提高拣货效率.算法测试结果表明:SASC_C算法的收敛速度明显快于不考虑相关性的随机型算法（SASR）;求解质量平均改进约1.06%~10.6%,比COI法的解平均改进0.73 %~14.6%;相关性强度越高,改进效果越明显;在穿越策略下,改进效果随访问巷道数的增多而减弱.充分利用品项间的相关性关系进行货位优化,有利于提高穿越策略下的拣货效率.     

基于遗传算法的双区型仓库人工拣货路径优化

为获取捡货作业的最优路径,本文以某配送中心双区型仓库中人工拣货作业为研究对象,探讨了订单批量处理和拣货路径优化问题,建立了拣货车容量受限的TSP模型,并基于遗传算法,设计一种启发式算法对拣货路径进行优化处理,同时,应用Visual 6.0C++程序进行仿真实验,以快速获得任意订单中所有待拣货物的拣取顺序,计算出最短路程。仿真结果表明,将考虑拣货车容量限制的情况下求得的最优路径与未考虑拣货车容量限制的情况下求得的最优路径进行对比,结果拣货的先后次序完全不同,说明考虑运载量是有效的,且更符合实际情况。该研究不但提高拣货效率,而且节约各项成本,对现实仓库的拣货作业具有实际应用价值。     

一种离散鲸鱼算法及其应用

针对鲸鱼优化算法(WOA)在求解高维复杂问题时存在收敛精度低,难以解决离散优化问题等的不足,提出了一种离散鲸鱼算法(DWOA)。该算法引入收敛因子调控个体距离最优鲸鱼位置的远近程度,利用惯性权值平衡算法的全局搜索和局部开发能力,通过改进的Sigmoid函数对WOA进行离散化处理。9个基准函数和油田措施规划方案的测试结果表明,DWOA在收敛速度和寻优精度等方面均有较大的提升。     

混合共生生物搜索算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出基于共生生物搜索（SOS）算法与局部搜索策略结合的混合共生生物搜索算法. 采用最大排序值的优先规则,处理离散的搜索空间. 在初始化阶段结合NEH启发式算法以提高初始种群的质量. 在优化过程中引入交换变异来改善种群内的多样性,插入-倒转区增加算法跳出局部最优的能力;采用局部搜索策略提升算法的全局探索能力,有效避免了共生生物搜索算法易早熟、后期搜索效率低、易陷入局部最优等缺陷. 通过3个最常用、最专业的标准测试集Carlier、Rec和Taillard对算法性能进行测试. 与其他多种算法进行比较,验证了提出的混合SOS算法的优越性和稳定性.     

基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题

提出了一种基于双重交叉策略的多元宇宙优化算法求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW).该算法利用访问概率在满足车辆最大载重的约束条件下构造算法的初始解,提高初始宇宙群的优良性;引入动态交叉算子,在当前宇宙的基础上交叉重组生成新的宇宙,提高算法的局部探索能力,同时采用基于最优片段的交叉策略更新白洞位置,加强各个宇宙间信息的交互;并引入随机交换搜索、2-opt和3-opt相结合的邻域搜索方法对最优解进行局部优化,扩大算法搜索空间.实验结果表明:所提算法能够有效解决带时间窗车辆路径问题,有较强的寻优能力,求解质量优于所对比算法.     

改进蚁群算法在机器人路径规划中的应用

机器人路径规划是机器人技术研究中的一项关键技术。针对蚁群算法在求解机器人路径规划中准确性不高以及求解时间长的问题,提出了一种基于改进蚁群算法的机器人路径规划方法,采用栅格法构建了相应的数学模型。为了提高蚁群算法的全局搜索能力,防止算法早熟收敛,在状态转移规则中引入了随机策略;同时引入了基于狼群分配的策略来更新启发式信息,这样可以进一步提高算法的收敛速度。实验结果表明,改进的蚁群算法具有更强的全局寻优能力,求解时间更短,它可以有效地求解机器人路径规划问题。     

增强全局搜索和自适应蜉蝣算法

针对蜉蝣算法全局搜索能力较差和自适应能力弱等问题,提出一种增强全局搜索能力和自适应的蜉蝣算法——MIWMA。首先引入非均匀高斯变异策略对雄性蜉蝣和雌性蜉蝣进行位置更新,对全局最优位置变异引导其他个体向优良位置靠近,促使种群具有一定指导,从而提升全局搜索能力和增强种群多样性;其次,引入不完全伽马函数与Beta累加分布的自适应惯性权重对全局搜索和开发能力建立更好的平衡,平衡种群的全局搜索和局部搜索能力,进而提升算法收敛精度,利于种群全局搜索寻找最优解的潜力;引入局部停滞对抗策略,根据迭代停滞情况,调节蜉蝣速度更新的惯性部分和社会部分,使之具有最优搜索状态,增强算法全局搜索能力。利用经典测试函数集和IEEE CEC2021测试竞赛集进行测试优化比较,验证算法的有效性和稳健性,并利用Friedman和Wilcoxon秩和检验,分析表明:提出的算法有更好的稳定性、鲁棒性和可靠性。最后运用两个工程难题进行优化,结果验证了该算法在工程优化问题上的适用性,适合求解需求高精度的优化难题。     

自动分拣系统并行分区拣选优化策略

分析自动拣选系统的拣货区数量、缓冲区容量和品项分配与并行分区拣选策略下系统效率的关系,研究各拣货区挡板动作时序对订单拣选总时间的影响,提出一个对并行分区拣选策略的综合优化方法.该方法以总拣选时间最小为目标,确定最佳拣货区数量和缓冲区容量,引入并改进相似系数,建立基于相似系数的品项分配聚类模型,提出一种启发式聚类算法.经对某自动分拣系统进行实例仿真分析,结果表明,该综合优化方法有效.     

应用改进布谷鸟算法优化多阈值图像分割

针对传统多阈值图像分割方法在寻找最优阈值过程中存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多闽值图像分割方法.首先,将教与学搜索策略引入布谷鸟算法,提高了算法的局部搜索能力;其次,选择当前种群中适应度值较优的精英解构建精英库并随机选择精英解指导搜索方向,强化优势经验的学习;最后,引入模拟退火机制选择鸟巢位置,有效避免了个体在寻优过程中陷入局部最优.选择了多幅不同类型的复杂多目标图像进行分割实验,并与布谷鸟算法、蛙跳算法、教与学优化算法及广义反向粒子群与引力搜索混合算法的分割结果进行对比分析.实验结果表明,该方法在分割准确性、计算时间和收敛性上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题.     

求解0-1背包问题的改进树种优化算法

针对已有算法在求解0-1背包问题方面的不足,提出了一种改进的树种优化算法.基本树种优化算法中,算法容易早熟,难以搜索到全局最优解.改进算法中树木位置没有更新的迭代数超过某个阈值就会被重新初始化,树种会根据新的树木位置进行进一步搜索,提高了种群的多样性和算法的全局搜索能力.为了提高局部搜索能力,改进算法在计算适应度之前都引入贪婪策略来修复不可行解和对可行解局部优化.对4个测试案例进行仿真实验的数据表明,改进树种优化算法比其他4种算法具有更强的全局搜索能力,更高的稳定性和更快的收敛速度.     

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

基于随机维度划分与学习的粒子群优化算法

针对粒子群优化算法在搜索过程存在的种群多样性低和过早收敛问题,提出基于随机维度划分与学习的新型粒子群优化算法（RVPLO）.该算法将每个粒子的维度随机划分为多个不同的子段,每个子段随机分配一种学习算子（中心学习算子或离散学习算子）,通过学习算子实现对各子段内的维度数值更新操作.中心学习算子用以加强粒子的全局搜索能力,离散学习算子用以加强粒子的局部搜索能力.粒子维度划分策略实现了将高维优化问题转化为低维优化问题,降低了优化问题求解的难度.粒子随机维度划分和算子随机分配的双重动态调节机制使得算法具备求解复杂单峰函数,多峰函数优化问题的能力.实验测试结果及显著性统计结果表明,RVPLO算法同其他8个经典改进算法相比,在单峰函数,多峰等函数优化中具有收敛速度快,求解精度高的优势.     

基于灰狼优化算法的置换流水线车间调度

采用了一种新颖的混合灰狼优化算法来求解置换流水线调度问题。针对标准灰狼优化算法在求解离散流水线车间调度问题时收敛速度慢的现象,并结合问题的特点,提出了改进的灰狼优化算法。为了避免非可行解的产生,在该改进算法中采用了随机键编码机制对工件位置进行编码,同时引入局部搜索策略以提高算法收敛能力,基于灰狼个体间的社会等级信息以最优3个狼指引其它个体到达最优解区域从而更新种群。通过最新标准测试集的仿真结果和算法比较验证了所提算法的有效性。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

引入外来种群的禁忌遗传混合算法求解TSP问题

遗传算法是解决组合优化问题的高效搜索算法。本文在现有求解TSP问题的遗传算法的基础上,通过在初始种群优化中引入禁忌搜索以及在可行解多样化中引入外来种群的策略,提出了一种高效的混合遗传搜索算法。通过对国际通用的TSPLIB中实例EIL51数据进行对比测试发现,本算法引入的两个优化策略不仅能加快算法的收敛速度,而且能提高解的质量。     

求解自动化药房储位优化问题的GA-PSO混合粒子群算法

通过对自动化药房快速发药系统的储位优化所受约束条件和目标函数的分析,基于静态存储理论,建立了该问题的数学模型,提出了利用GA-PSO混合粒子群算法来解决此问题.该算法引入了遗传算法的搜索机制形成初始粒子群,并引入"交叉"和"变异"的概念形成离散粒子群算法.在优化的过程中,采用精英策略和进化逆转操作提高了搜索能力和寻优速度.对陷入局部最优的粒子群进行变异,使粒子群在新的引导下改变方向,继续寻找问题最优解,从而避免了粒子重复收敛于一点的现象.仿真试验结果表明,该策略是有效的,在求解速度和求解质量上得到了很大提高.