求解带时间窗车辆路径问题的改进离散花朵授粉算法

针对当前算法在求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)时存在精度、效率方面的不足,提出一种改进的离散花朵授粉算法.算法在基本花朵授粉算法的基础上进行离散化,使其适合求解带时间窗车辆路径问题,重新定义花朵授粉算子操作.为了提高求解精度和效率,设计了随机插入、路径内的2-opt、交换和逆序操作,为了增加种群间信息的交互,结合改进的遗传算子.通过11个测试算例表明,改进的离散花朵授粉算法在求解VRPTW是行之有效的,与文献中其他算法比较,算法在精度、效率和鲁棒性方面具有优势.     

基于统计引导和多项式差分学习的樽海鞘优化算法

樽海鞘优化算法相较于传统的群体智能优化算法,具有较好的鲁棒性和寻优能力。但仍存在全局寻优能力有限、执行效率不够高、易陷入局部极值的缺陷。针对上述问题,本文提出一种新的多项式差分学习策略,以区分和改进传统的线性差分方法;并设计一种随机种群划分方式,使得信息可以在邻域拓扑内均匀传递;另外,本文定义多项式差分学习的全局探索算子和局部开发算子,引入统计引导系数A,开启不同的多项式学习方法,从而进一步提高算法的全局搜索能力和寻优精度。最后,本文通过标准测试函数和实际应用问题的对比检验,证实了改进算法的优越性和鲁棒性,拓展和丰富了原算法的应用范围。     

基于改进的旗鱼优化算法求解Sylvester问题

Sylvester问题又称最小包围圆问题,提出了一种改进的旗鱼优化算法(ISFO)对其进行求解.首先对旗鱼优化算法(SFO)的寻优策略进行分析;其次,针对旗鱼优化算法种群初始化依赖,容易陷入局部最优等问题,引入Arnold映射初始化种群,提高算法的寻优能力;引入反向学习与柯西变异算子策略对全局最优解进行扰动产生新解,平衡算法的开发与勘探能力,避免算法出现早熟现象;然后和基本SFO算法与PSO算法使用6个基准测试函数进行仿真实验对比,结果表明ISFO算法相对于SFO算法收敛速度更快、精度更高、有效避免了早熟现象.最后使用ISFO、SFO、PSO对三个规模案例的Sylvester问题进行求解,证明了ISFO算法求解Sylvester问题的可行性与优越性.     

基于群智能算法的预防性维修周期优化

分析将蚁群优化算法应用于预防性维修周期工程寻优问题时遇到的算法参数选择困难等问题,提出将粒子群优化算法和空间划分方法引入该过程以改进原蚁群算法的寻优规则和历程.建立混合粒子群和蚁群算法的群智能优化策略:PS_ACO(Particle Swarm and Ant Colony Optimization),并将其应用于混联系统预防性维修周期优化过程中,以解决由于蚁群算法中参数选择不当和随机产生维修周期解值带来的求解精度差、寻优效率低等问题.算法的寻优结果对比分析表明:该PS_ACO算法应用于预防性维修周期优化问题,在寻优效率及寻优精度上有部分改进,且可相对削弱算法参数选择对优化结果的影响.     

求解旅行商问题的离散人工蜂群算法

本文提出了一种新的求解旅行商问题(TSP)的离散人工蜂群算法(DABC)。以基本人工蜂群算法为框架,采用路径编码的方式,综合运用离散交叉算子,逆转算子,免疫算子和单/多步2-opt算子以帮助雇佣蜂,观察蜂和侦察蜂产生新食物源。选择TSPLIB中典型的TSP实例进行仿真实验,运用多项性能指标对DABC算法进行评估。实验结果表明本文算法是解决TSP问题的一种非常有效的新方法。     

基于t分布的自适应花授粉算法

花授粉算法是一种新型启发式优化算法,算法存在易陷入局部最优、后期收敛速度慢等缺陷,为了进一步提高花授粉算法的寻优性能,在异花授粉过程中引入t分布变异算子,提出了一种基于t分布的自适应花授粉算法(tFPA).通过7个标准测试函数进行测试比较,并对改进算法的时间复杂度进行分析,仿真结果表明,改进算法是可行有效的,其寻优速度、寻优精度以及鲁棒性均有很大程度的改善.     

基于混合的细菌觅食算法求解TSP问题

针对求解经典NP问题—旅行商难题(TSP),在标准细菌觅食算法上进行改进,提出了混合的细菌觅食算法(HBFA).一方面引入编码交叉思想对趋势步进行改进,使算法能更有效地处理离散优化问题;另一方面采用了自适应迁徙算子,使新生个体带有最优个体启发式信息的同时也增强了算法跳出局部最优能力.最后通过对TSPLIB中若干实例的实验仿真以及多种算法对比,验证了算法的可行性和有效性.     

混合教与学算法求解多行程车辆路径问题

为了求解带容量约束的车辆路径问题,提出了一种混合教与学优化算法.该算法基于标准的教与学算法,结合基于禁忌搜索算法的局部优化方法,力求进一步强化标准教与学算法的寻优能力.最后通过引入标准数据集,进行了仿真实验并给出了实验分析,测试结果验证了构建的混合教与学优化算法相比其他三种优化算法搜索性能较强,与最优解偏差最小,能够有效地应对离散优化问题.     

基于云自适应遗传算法的K-means聚类分析

现有的基于遗传算法的K-means聚类算法,利用遗传算法的全局优化性提高了K-means算法的寻优能力,收敛速度却过慢.为了解决上述问题,提出基于云自适应遗传算法的K-means聚类算法,利用云模型云滴的随机性和稳定趋向性设计遗传算法的交叉和变异概率,并在进化过程中引入K均值算子,以克服算法收敛速度过慢的问题.实验比较表明,算法具有较好的全局优化性,且收敛速度较快,提高了聚类算法解决物流管理中数据聚类工作的能力.     

基于改进萤火虫算法的开放式车辆路径问题

针对带软时间窗的多配送中心开放式车辆路径问题,提出了一种新改进的离散萤火虫算法,采用基于贪婪思想的随机邻域搜索策略来提高算法的局部和全局寻优能力;研究了一种步长自适应的方法,其根据当前迭代个体和进入下一次迭代的个体之间的距离自动调整步长,大大提高算法的精度和收敛速度.仿真实验表明了新改进算法的有效性及可行性.