基于蚁群算法求解带硬时间窗的VRPSDP

建立了描述带硬时间窗的同时送取货的车辆路径问题(VRPSDPTW)的混合整数规划模型,给出了求解该模型的基于蚁群算法的改进的启发式算法。最后,通过实例计算,验证了算法的可行性和有效性,结果表明改进的蚁群算法在求解小规模问题（20个客户点）时,其性能总体优于已有的同类问题算法。     

带时间窗同时送取货选址路径问题及其烟花算法求解

随着电子商务的飞速发展以及互联网的普及,退换货更加便捷,因此客户对商品的需求呈现出时效性、多品种、小批量、退换货等特点。针对有容量的同时送取货选址路径问题（LRPSPD）,同时考虑客户多样性需求的特点,建立了带时间窗的同时送取货选址路径问题（LRPSPDTW）的数学模型。使用改进烟花算法（IFWA）对模型进行求解,对烟花爆炸和变异进行相应的邻域操作,并用一些基准LRPSPD算例来评估烟花算法的性能。通过大量的数值实验验证了所提模型和算法的正确性和有效性。实验结果表明,相较于分支切割算法（B&C）,IFWA得到的结果与标准解的平均误差缩小了0.33个百分点。所提算法缩短了寻求最优解的时间,为解决选址路径相关问题提供了一种新的解决思路。     

基于改进全局人工鱼群算法的VRPSPDTW研究

研究带时间窗的同时送取货车辆路径规划问题（VRPSPDTW）,并建立0-1混合整数规划模型。为进一步提高人工鱼群算法的寻优能力和收敛速度,提出一种改进的全局人工鱼群算法,并通过实验确定算法参数。算法将模型中的时间窗和车载量两个强约束纳入适应度函数进行处理,降低算法计算复杂度。以最小化发车数（NV）和路由距离（TD）为优化目标,通过王与陈提供的VRPSPDTW算例与基本人工鱼群算法（AFSA）和并行模拟退火算法（P-SA）进行比较,验证了改进全局人工鱼群算法的有效性。实验结果显示：IGAFSA获得的NV和TD目标值均优于AFSA,TD目标值优于P-SA。     

求解带时间窗车辆路径优化问题的改进细菌觅食算法

为求解带时间窗的车辆路径问题（VRPTW）,提出一种改进的细菌觅食算法。将待配送的客户点依据地理位置进行K-means聚类,使得到的分类结果在满足时间窗的要求下,按顺序插入配送路径的最佳位置中,构造VRPTW问题的初始解,同时通过结合趋化操作与大邻域搜索中的removal算子进行距离寻优,扩大算法搜索范围并提高运行效率。实验结果表明,在规定时间窗内,改进算法能合理安排配送路径并最小化总配送成本。     

混合灰狼优化算法求解柔性作业车间调度问题

将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.     

同时送取货选址路径问题及混合免疫算法

研究了同时送取货的选址路径问题(location-routing problem with simultaneous pickup and delivery,LRP-SPD),在同时送取货问题中,每个客户都有送货需求和取货需求,并且两种需求需要同时进行服务.在此条件下,建立了以仓库的选址成本、车辆启用成本及运输成本等目标和最小的选址路径模型;针对该模型的特点,设计改进了一种混合免疫优化算法(hybrid immune algorithm,HIA)对该问题进行求解,运用贪心聚类算法生成初始解,利用原始免疫算法对抗体进行评价排序,由邻域搜索操作改进原始算法的免疫操作.最后,通过使用混合免疫优化算法与原始免疫优化算法、模拟退火算法、蚁群算法分别对案例进行求解和对比分析,验证了提出模型的可行性和算法的有效性.     

混合粒子群算法求解带软时间窗的VRPSPD问题

针对带软时间窗的同时集配货车辆路径问题（VRPSPD）,建立了以车辆派遣成本、行驶成本和时间窗惩罚成本之和最小为目标的车辆路径优化模型;设计混合粒子群算法进行求解,该算法结合以变邻域下降搜索为主体的适应性扰动机制,采用适应性选择邻域策略,并在每个邻域搜索中应用可变的循环次数,以此提高对解空间的探测能力和搜索效率。数值实验结果表明了该算法的可行性和有效性。     

考虑同时取送和时间窗的车辆路径及求解算法

针对带时间窗的同时取送货车辆路径问题（vehicle routing problem with simultaneous pickup-delivery and time windows,VRPSPDTW）,构建了以车辆使用成本、车辆行驶距离成本总支出最小化的路径优化数学模型,提出自适应头脑风暴算法（adaptive brain storm optimization,ABSO）进行求解。全局搜索阶段,采用多项惩罚方式扩大搜索区域,并使用聚类及三种路径搜索策略进行全局搜索;局部搜索阶段,将六种破坏-修复算子作为备选集合,进而设计自适应动态选择邻域搜索机制,增强局部搜索效能。选取测试数据集和实际案例对算法性能进行测试,实验结果表明针对小规模标准算例,所提算法全部取得了当前已知最优解;对于大规模标准算例,通过与遗传算法、并行模拟退火算法、离散布谷鸟算法对比,所提算法实验计算结果有7.52%～12.03%的提升;对于实际案例,所提算法在收敛速度和寻优能力方面均展示出优越性,充分验证了所提算法对解决VRPSPDTW问题的有效性。     

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.     

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

多配送中心车辆路径问题的狼群算法

针对多配送中心动态启用和车辆的合理分配,文章首先建立了以总路径长度最小为目标函数的多配送中心车辆路径问题的数学模型;其次,根据多配送中心车辆路径问题的具体特征,模拟狼群捕食行为设计了求解该问题的狼群算法;最后,应用狼群算法求解测试算例,并将其计算结果与几种常见智能优化算法的计算结果进行比较,验证了狼群算法求解多配送中心车辆路径问题的可行性与有效性。     

一种改进的求解柔性作业车间调度问题的灰狼算法

柔性作业车间调度问题是智能制造领域的一类典型调度问题,它是制造流程规划和管理中最关键的环节之一,有效的求解方法对提高生产效率具有重要的现实意义。本文基于经典灰狼算法进行改进,以优化最大完工时间为目标,提出一种改进的灰狼算法来求解柔性作业车间调度问题。算法首先采用基于权值的编码形式,实现对经典狼群算法中连续性编码的离散化;其次在迭代优化过程中加入随机游走策略,以增强局部搜索能力;然后在种群更新过程中加入尾部淘汰策略,在避免局部优化的同时增加种群多样性,合理扩大算法的广度搜索范围。在标准算例上的仿真实验结果表明,改进的灰狼算法在求解FJSP时比经典灰狼算法在寻优能力方面具有明显的优势,相比其它智能优化算法,本文所提算法在每种算例上均具有更好的优化性能。     

一种基于并行搜索策略的苍狼算法

作为一种新型群体智能方法,苍狼算法模拟了苍狼在群体捕食过程中的搜索跟踪、包围、攻击等行为。分析了该算法的优化机理,并对算法优化过程进行了数学定义及描述。提出了一种基于并行搜索策略的改进型苍狼算法,将狼群分组,在整个搜索过程中同时进行局部开发和全局探索活动,以更好地满足目标搜寻的要求。通过典型的基准测试函数对算法进行了性能仿真测试。实验结果表明,与其他群体智能优化方法相比,改进型苍狼算法在收敛速度、收敛精度及鲁棒性等方面均具有一定优势。     

强化狼群等级制度的灰狼优化算法

针对灰狼优化(Grey wolf optimization, GWO)算法在处理复杂优化问题时优化精度不高,易陷于局部最优等问题,提出了一种强化狼群等级制度的灰狼优化(GWO based on strengthening the hierarchy of wolves, GWOSH)算法。该算法为灰狼个体设置了跟随狩猎和自主探索两种狩猎模式,并根据自身等级情况来控制选择狼群的狩猎模式。在跟随狩猎模式中,灰狼个体以等级高于自身的灰狼的位置信息来指引自己到达最优解区域;而在自主探索模式中,灰狼个体会同时审视等级高于自身的灰狼的位置信息和自身位置信息,并基于这些信息自主判断猎物的位置,同时两种更新模式都将引入优胜劣汰选择规则来确保种群的狩猎方向。对12个基准测试函数进行优化的结果表明：与已有的算法相比,GWOSH算法的全局搜索能力更强,更能有效避免易早熟收敛的问题,更适用于求解高维的复杂优化问题。     

基于正弦因子和量子局部搜索的灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时,存在依赖初始种群、过早收敛和易陷入局部最优等缺点,提出一种融合正弦控制因子和量子局部搜索的灰狼优化算法（QGWO）。通过对灰狼算法中的控制因子按照具有正弦变化的曲线变化,使改进后的算法在迭代前期加快收敛速度以快速完成全局搜索,并且在迭代后期减缓收敛速度以提高算法精度。引入量子局部搜索降低算法陷入局部最优的概率。选用12个标准测试函数对QGWO算法性能进行验证,分别从单峰、多峰和固定维测试函数对比分析。实验结果表明,与GWO、WOA、SCA和CGWO相比,QGWO对测试函数的求解有更高的精度和稳定性。通过工程实例优化KELM进行分类实验验证,QGWO表现出更好的寻优性能。     

求解VRP的蚁群算法研究

车辆路径问题是物流配送中一个至关重要的问题。由于它是一个NP-Hard问题,启发式算法成为求解VRP的主要方法。蚁群算法是近年来发展起来的一种可以用来求解VRP的启发式算法。实验证明,该方法能够很好地解决车辆路径问题。本文详细阐述了蚁群算法的基本原理和求解VRP的蚁群算法过程。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

基于改进灰狼优化算法的支持向量回归预测

为了提高支持向量回归(SVR, Support Vector Regression)进行数据驱动预测的精度,针对SVR存在的参数优化问题,通过引入Tent混沌映射进行种群初始化、改进收敛方式、并结合模拟退火算法,改进了传统的灰狼优化算法(GWO, Grey Wolf Optimization)来优化SVR超参数,并基于改进后的GWO算法提出了一种IGWO-SVR预测模型。将提出的IGWO-SVR模型应用于NASA锂电池数据集仿真SOH预测以及实际生产中的车灯电流预测实验后,实验结果表明IGWO-SVR预测模型在NASA锂电池数据集上进行预测的误差相较GWO-SVR模型降低了23％,相较粒子群算法和遗传算法优化的SVR模型均存在明显优势,误差分别降低了39%和51%;在实际工作中使用IGWO-SVR模型进行车灯电流预测也取得良好效果,与实测值之间的相对误差达到2.67%,相较GWO-SVR模型误差降低了近7个百分点,证明了模型在实际应用中的具有良好的价值。