双种群灰狼优化算法的物流配送中心选址策略

针对物流配送中心选址模型具有多约束和非线性的特点,导致难以求解的问题.提出一种改进灰狼优化算法的求解策略.文章通过引入交叉变异策略,改进了传统灰狼算法在迭代后期易早熟收敛的问题;通过加入双种群寻优策略,丰富了灰狼算法的种群多样性,提高了算法的收敛速度.将改进后的灰狼算法针对物流配送中心选址模型进行求解,实验结果表明,该改进灰狼优化算法具有较高的全局搜索能力,针对物流配送中心选址模型具有较高的搜索精度,很大程度的提高了物流配送效率.     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

基于改进鲸鱼优化算法的物流配送中心选址策略

针对传统启发算法在解决物流配送中心选址问题上易陷入局部最优,导致降低物流系统效率降低的问题,提出一种改进的鲸鱼优化算法IWOA(Improved Whale Optimization Algorithm)。通过综合变异策略和随机正弦惯性权重对传统算法进行改进,提高收敛精度和全局搜索能力。实验仿真结果表明,改进的鲸鱼算法较其他启发算法具有更高的计算性能,可以合理计算出配送中心地址,很大程度提高了物流配送的运送效率。     

基于改进粒子群算法的物流配送中心选址策略

针对传统算法在求解物流配送中心选址问题时容易陷入局部最优解和寻优效果不够理想的缺陷,提出了一种改进的粒子群算法。该算法通过引入领域均值来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性和算法的全局搜索能力得到改善;利用边界缓冲墙对超越边界的粒子进行缓冲,使算法的收敛速度和寻优精度有明显的提高。仿真实验结果表明,该算法比传统方法具有更好的性能,特别是当物流需求点的数量很大时,该算法的优越性更加明显。     

改进的花朵授粉算法在物流配送中心选址问题中的应用

针对当前算法求解物流配送中心选址问题时,普遍存在求解精度不高、速度较慢和规模较小等缺点,提出一种改进花朵授粉算法的智能求解方法。首先根据物流配送中心模型的特点将花朵授粉算法进行离散化,设计整数编码,再结合遗传算子的选择、交叉和逆转操作进行局部搜索。将花朵授粉算法的全局搜索与遗传算子的局部搜索融合,通过4个不同规模的仿真实验表明所提出的算法在求解精度、速度和规模上较其他算法具有优势,而且规模越大,改进算法的效果越明显,对中等规模的物流选址问题提供了一种较好的寻址方案。     

基于粒子群优化的军事物流配送中心选址

针对当前军事物流配送改革中配送中心选址问题,在成本最小的基础上,构建了一个混合整数规划模型,并将粒子群优化算法(PSO)引入到模型的求解中,采用离散PSO解决物流配送中心选择问题,用基本PSO解决货物运输分配问题,通过嵌套调用离散PSO和基本PSO,得到模型最优解.该方法降低了计算复杂度,有效选择了物流配送中心,优化了军事物流网络.实例表明了方法的可行性和有效性.     

粒子群优化算法在配送中心连续性选址中的应用

在用常规算法对配送中心进行连续性选址时,很容易陷入局部最优解。针对这一问题,引入ALA方法的思想,提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化,然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题,为决策者提供一种有效的优化工具。     

求解物流配送中心选址问题的蜘蛛猴算法

物流配送中心选址问题的核心是效率最大化,成本最小化。为了快速得到合理的物流配送中心选址方案,现提出一种基于Laplace分布的伪反向蜘蛛猴优化算法（LOBSMO）来求解此问题。建立物流配送中心选址模型。在基本蜘蛛猴优化算法中,采用了Laplace分布初始化蜘蛛猴种群,在局部领导阶段用指数递减与随机对数递减策略改进步长因子,在全局领导阶段提出了新的搜索机制及局部领导决策阶段的伪反向学习策略来提高算法的寻优性能。最后,通过仿真实验说明该方法是可行的。     

军事物流配送中心选址模型的构建

研究了军事物流配送中心优化选址建模问题。针对当前军事物流配送因为涉及变量多,关联程度强难以进行选址的难题,为加强选址的科学决策,对军事物流配送中心概念进行了界定,在明确军事物流选址的流程、步骤和一定数目的备选配送中心的基础上,采用离散二进制PSO解决配送中心的选择问题,建立了根据粒子群优化算法的军事物流配送中心选址优化模型。通过实例验证,模型构建科学合理,降低了计算的复杂度,优化了选址模型,为解决军事物流选址问题提供了科学的途径和手段。     

基于优化的灰狼算法的大规模Web服务组合

针对大规模Web服务环境中难以获得整体性能高的组合服务的问题,提出了一种大规模Web服务组合方法。首先,采用文档对象模型（DOM）对XML格式的用户需求描述文档进行解析,以生成抽象Web服务组合序列;然后,采用服务主题模型进行服务筛选,并为每个抽象Web服务选取Top-k个具体Web服务从而缩减组合空间;接着,为提高服务组合质量和组合效率,提出了一种基于Logistic混沌映射和非线性收敛因子的优化的灰狼算法（OGWO/LN）来进行最优服务组合方案选择;该算法采用混沌映射来生成初始种群以增加服务组合方案的多样性,并避免了多次局部寻优;同时,提出一种非线性收敛因子来调节算法的搜索能力以提高算法的寻优性能;最后,采用MapReduce框架对OGWO/LN进行了并行实现。在真实数据集上的实验结果表明,所提算法与IFOA4WSC、MR-IDPSO、MR-GA等算法相比,平均适应度值分别提高了8.69%、7.94%和12.25%,在解决大规模Web服务组合问题时具有更好的寻优性能和稳定性。     

采用动态权重和概率扰动策略改进的灰狼优化算法

针对基本灰狼优化（GWO）算法存在易陷入局部最优,进而导致搜索精度偏低的问题,提出了一种改进的GWO （IGWO）算法。一方面,通过引入由GWO算法系数向量构成的权值因子,动态调整算法的位置向量更新方程;另一方面,通过采用概率扰动策略,增强算法迭代后期的种群多样性,从而提升算法跳出局部最优的能力。对多个基准测试函数进行仿真实验,实验结果表明,相对于GWO算法、混合GWO （HGWO）算法、引力搜索算法（GSA）和差分进化（DE）算法,所提IGWO算法有效摆脱了局部收敛,在搜索精度、算法稳定性以及收敛速度上具有明显优势。     

基于改进自组织临界优化的元启发式灰狼优化算法

针对新型元启发式算法灰狼优化(GWO)算法在寻优过程中易陷入局部最优这一问题,提升该算法获取全局最优解的能力。介绍了该算法的基本原理和建模过程,并在此基础上,结合自组织临界性理论的优点,提出了改进的极值优化(IEO)算法,将IEO融入到GWO模型中,构建基于自组织临界(SOC)优化的改进GWO算法(IEO-GWO)。通过与传统优化算法对于23个基准测试函数在寻优性能上的综合比较,验证了IEO-GWO模型在获取全局最优解性能上的优越性。     

改进灰狼算法在土壤墒情监测预测系统中的应用

针对现有的固定端传感器土壤墒情监测预测系统架设成本高、传感器易损坏、预测精度较低等问题,设计并实现了基于非固定无线传感器组网与改进灰狼算法优化神经网络的土壤墒情监测预测系统。系统使用非固定即插即用式传感器蓝牙组网收集墒情数据,使用高精度多源定位接入融合方法进行广域室外高精度定位。在算法方面,针对灰狼算法在迭代中后期易陷入局部最优等问题,提出一种基于末尾探索者策略的改进灰狼算法。首先,根据种群个体适应度值排名,在原有算法个体类型中增加探索者类型。然后,将种群搜索分为三个时期：活跃探索期、周期探索期和种群回归期。最后,在每个时期使用特有的位置更新策略进行探索者位置调整,使得算法在探索初期更具随机性,在探索中后期依然保持一定的解空间搜索能力,从而增强算法的局部最优回避能力。使用标准函数进行算法性能测试,并将该算法应用于优化土壤墒情神经网络预测模型问题,使用某市2号试验田的数据进行实验。实验结果表明,所提算法与直接神经网络预测模型相比,相对误差下降约4个百分点;与传统灰狼算法、粒子群优化（PSO）算法优化模型比较,相对误差下降约1至2个百分点。所提算法拥有更小的误差,更好的局部最优回避能力,能有效提高墒情的预测质量。     

多目标灰狼优化算法的改进策略研究

为了解决多目标灰狼优化算法（MOGWO）易陷入局部最优,稳定性差等缺点,基于对算法寻优时灰狼个体运动情况的分析,提出了两条改进策略：一是通过引入“观察”策略赋予灰狼个体自主探索的能力,以提高算法的优化效率和跳出局部最优的能力;二是改进控制参数调整策略,选用幂函数取代线性函数以提高算法的稳定性。然后对两条改进策略进行了可行性分析,提出了带观察策略的多目标灰狼算法并进行了算法复杂度分析。最后通过对6个不同特点测试函数的多次重复实验,结合GD与IGD两种通用评价指标,对原算法、改进后算法和多目标粒子群算法进行比较,从算法效率、寻优能力和稳定性等方面综合验证了算法改进的有效性和优越性。     

基于两级配送的易腐乳品配送中心选址研究

乳品配送中心的合理选址是实现低成本、高效率、高质量乳品配送的有力保障,对于提高乳业物流系统综合效益,优化资源配置,带动相关产业发展具有重要意义。重点构建了基于两级配送的乳品配送中心选址模型,目标函数除包含系统总配送成本外,特别针对易腐乳品时效性强的特点,将货损成本列入其中做重点考虑;通过算法比较,选择遗传算法求解模型,使用C语言编程得以实现,并以蒙牛乳业北京地区的配送中心选址问题作为调研对象进行算例分析,验证了模型及算法的有效性。该研究对于乳品企业配送中心选址和配送网络优化提供了重要理论基础和实践思路。     

粒子群算法在物流中心选址中的应用

物流中心选址是物流系统规划中的重要决策问题。为了快速得到合理的物流中心选址方案,针对问题的特点给出了选址问题的模型,提出了以最小化物流成本为目标函数的粒子群优化算法,开发了模型求解的MATLAB程序,并将算法应用于求解工厂仓库选址和废弃物回收中转站选址问题。实例求解结果表明,该算法求解选址问题的性能优于精确重心法,具有良好的搜索性能和实用性。