基于混合算法的带时间窗车辆路径问题

使用改进蚁群算法结合大规模邻域搜索算法解决带时窗限制的车辆路径问题.首先对蚁群算法信息素及算法结构进行分析及改进,并提出了新的解题策略,由此得到可行解;然后在区域改善部分用邻域搜索算法进一步提高解的性能.给出混合算法计算Solomon100国际标准题库问题的结果,并与同类方法的文献最优解进行比较.     

基于改进蚁群算法的车种代用情况下空车调配优化研究

提出了一种求解车种代用情况下空车调配优化的改进蚁群算法。该算法在迭代过程中,根据求得的最优解的情况自适应的调整信息素挥发度,并通过对选择策略进行改进来增强所得解的多样性,防止解陷入局部最优。将此改进算法用于求解车种代用情况下空车调配优化,建立以行走最短距离为目标函数的空车调配数学模型,并用改进蚁群算法求解此模型。从仿真结果可以看出改进蚁群算法解决此模型时最优解和寻优效率较好,优于基本蚁群算法和标准粒子群算法。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

一种基于模糊需求车辆路径问题的改进蚁群算法

针对多种车型,多个供应商,具有模糊需求的车辆路径问题的特点,运用模糊可信性理论,建立了以最短行驶距离和最小车辆使用率为目标函数的数学模型,并设计了求解该模型的一种改进蚁群算法。其中基于置信水平构造初始解,提高解的可行性;引入可信性来调整启发因子,以加快启发式搜索的收敛速度;动态地调整挥发系数,降低初始阶段出现局部收敛的可能,提高寻找最优路径的能力。实验结果表明,所提出的模型和算法是可行有效的。     

改进蚁群算法在配货发送方面的研究

蚁群算法是一种用来在图中寻找优化路径的机率型算法,由于蚁群算法的多样性和反馈性会有可能过早的收敛于局部最优解,这样得到的最优解精度不高,该文改进了这一点,取开始的各条路径信息量为最大,让每条路径都有遍历,从而得到准确的最优解而不是局部最优解。对准确性方面进行了比较,得出改进后的算法是确实可行的。     

改进蚁群算法在配货发送方面的研究

蚁群算法是一种用来在图中寻找优化路径的机率型算法,由于蚁群算法的多样性和反馈性会有可能过早的收敛于局部最优解,这样得到的最优解精度不高,该文改进了这一点,取开始的各条路径信息量为最大,让每条路径都有遍历,从而得到准确的最优解而不是局部最优解。对准确性方面进行了比较,得出改进后的算法是确实可行的。     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

基于加速寻径收敛的改进型蚁群算法

提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型;仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,明显地优于现有的启发式算法的解,是一种有效的算法。     

基于MapReduce的混合蚁群算法研究

传统的蚁群算法在收敛速度上较慢且容易导致局部最优解,本文提出一种基于双模式的混合蚁群算法,即在算法的每次迭代中有比例地选择其中一种模式来获得蚂蚁的最优路径,可以实现在相对较少的时间内寻找出最优路径,且避免陷入局部最优解。由于蚁群算法天然具有并行化的特性,本文将混合蚁群算法与MapReduce结合,大大缩短了算法的执行时间。实验结果表明,基于MapReduce的混合蚁群算法可以实现在相对较少的时间内寻找出较优的路径。     

一个蚁群优化模型的期望性能分析

用蚁群优化求解组合优化问题时, 信息素模型及其规则可能使问题的各组件之间的竞争失衡, 从而有可能使蚁群搜索停滞在最差解。 研究了蚁群优化求解k-最小生成树问题时的信息素模型及其更新规则对性能的影响,对原有的信息素模型作出了新的解释:直接表示k-最小生成树问题的边被选择的概率。基于新的信息素模型设计了一种新的解的构造过程,这种过程不仅产生可行解, 也产生不可行解;同时研究了使用可行解和全部解更新信息素模型时算法的迭代期望质量随时间的增减情况,其结果表明, 只使用可行解时迭代期望质量随时间连续降低, 而使用全     

基于QoS多目标优化的Web服务组合方法

为了确保在服务组合中获得Pareto最优解集,把服务组合建模为多个服务质量属性同时优化的多目标优化问题,提出了一种依据服务质量属性类型的通用预处理方法,采用多个信息素表和单个启发式信息表的多目标蚁群算法,蚂蚁随机选择一种信息素表建构可行解,每个蚁群周期完成后所有信息素都会蒸发,但每个优化函数只有一个最优解获得信息素增加,经过多过蚁群周期后即可解获得最优解集.实验结果表明,该方法可为Web服务组合提供一种很好的优化方案,具有很高的准确率.     

基于贪心策略的自适应蚁群算法在TSP中的应用

目前,蚁群算法已被广泛应用于解决大量的组合优化问题,但基本蚁群算法搜索时间较长,容易陷入局部最优解的缺点比较突出。该文在基本蚁群算法模型的基础上,将贪心算法融入其动态转移过程中,提出一种基于贪心策略的动态自适应改进方法,并将改进后的算法应用于TSP问题。最后通过对比仿真,证明改进算法的可行性和有效性。     

求解QoS组播路由的生长竞争蚁群算法

基于生长竞争蚁群算法,提出一种解决QoS组播路由问题的算法。算法引入生长竞争机制,使算法更好更快向最优解逼近。实验结果表明,该算法是可行和有效的。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

经济调度问题的混合蚁群算法及序列二次规划法解

为了获得整体近似最优解,提出采用蚁群算法,搜索发电机可运行状态的最优组合,并对蚁群算法的数学模型进行分析,以参数的形式给出具有普遍意义的收敛性定理.在此求解过程中,以每只人工蚂蚁来表示符合限制条件的某个可运转状态的发电机组合并以序列二次规划法来求解传统的经济调度问题.以三部机组的数值模拟,验证该方法正确有效.     

一种求解TSP问题的改进蚁群算法

针对基本蚁群算法存在收敛速度慢,易陷于局部最优解等缺点,提出了一种求解旅行商(TSP)问题的改进蚁群算法。通过在基本蚁群算法中提出保留最优解和引入个体差异策略的改进方法,有效地抑制了算法收敛过程中的停滞现象,提高了全局搜索能力和解的质量。TSPLIB的实例验证了该改进算法的有效性。     

自适应蚁群算法在流水车间调度的应用

以求解旅行商问题(TSP)来介绍基本蚁群算法模型.针对其存在的易陷入局部最优和易出现停滞等缺点,将自适应调节策略与蚁群算法结合,提出应用改进的蚁群算法求解流水车间调度问题,并通过仿真实验验证了该改进算法的有效性和优化性.