带时间窗车辆路径问题的粒子群算法

将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速、有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案.     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

生鲜农产品多隔室冷链配送车辆路径优化

针对生鲜农产品需求呈现出的高鲜活度、多品种、小批量特性,越来越多的生鲜农产品配送商采用多隔室配送车辆进行生鲜农产品冷链物流配送。本文以生鲜农产品配送商配送成本最小化为目标,建立了生鲜农产品多隔室车辆路径优化模型,然后设计粒子群算法进行求解,最后通过实例验证了粒子群算法在求解生鲜农产品多隔室车辆路径问题时的优越性和稳定性。实验结果表明:粒子群算法不仅可以从配送成本实现对生鲜农产品多隔室车辆路径问题的优化,而且该算法具有良好的收敛性。     

改进二分粒子群优化算法的阵列方向图综合

针对粒子群优化(particle swarm optimization, PSO)算法收敛速度慢、寻优精度低、计算量大、容易陷入局部最优解等问题,首先提出了一种无需越界检测的归一化粒子群优化(normalized particle swarm optimization, NPSO)算法,NPSO算法具有比PSO算法更佳的有效性和稳定性,其优化速度和收敛精度要远远优于PSO算法,且其计算量要比常规PSO算法采用越界检测调整小。其次,结合狼群算法(wolf pack algorithm, WPA)中的游走行为,在二分粒子群优化(dichotomy particle swarm optimization,DPSO)算法的基础上,通过对二分粒子赋予不同的探索方向,提出了一种WPA-DPSO算法,WPA-DPSO算法具有3层寻优的功能,不仅有效加强了粒子的搜索范围,避免了算法陷入局部最优解,而且有效提高了DPSO算法的收敛速度、优化精度、稳定性和有效性。在NPSO算法和WPA-DPSO算法的基础上,提出了一种混合型PSO算法(WPA-NDPSO),从而有效克服了PSO算法早熟收敛、搜索范围不大、容易收敛到局部极值、计算量大等问题。均匀线阵方向图综合实验表明:WPA-NDPSO算法不仅具有较优的收敛速度和优化精度,而且具有较强的稳定性和较高的有效性。     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

基于离散微粒群优化的物流配送车辆路径问题

提出一种求解物流配送车辆路径问题的离散微粒群优化算法。通过引入随机交换序、PMX算子使微粒群优化算法能够求解车辆路径问题这类离散组合优化问题。设计了求解车辆路径问题一种新的整数编码方案，并采用罚函数法处理约束条件。计算结果表明，该算法是解决车辆路径问题的有效方法。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

双倍体差分进化粒子群算法在VRPSDP中的应用研究

针对粒子群算法和差分进化算法的不足,根据生物遗传学规律,提出了双倍体差分进化粒子群算法,并将其用于具有集送货需求车辆路径问题的求解中.个体有显性隐性两种状态,显性状态执行粒子群优化规则,隐性状态执行差分进化规则,通过比较适应度显性隐性可以互换.根据算法和问题特点,提出了一种实数编解码方案,使用启发式算法修正和改进算法结果.通过仿真实验,分析讨论了算法的参数,并与其他算法进行了比较,表明该算法是求解具有集送货需求车辆路径问题的有效方法.     

基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化（particle swarm optimization, PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于PSO算法的系统辨识方法

研究了利用粒子群优化(particle swarm optimization, PSO)算法对系统进行辨识的新颖方法.该系统辨识方法的基本思想是将典型数学模型的相互组合而构成系统模型,即就是首先将系统结构辨识问题转化为组合优化问题,然后再采用粒子群优化算法同时实现系统的结构辨识与参数辨识.最后,给出了仿真示例,其仿真结果验证了所给的系统辨识新方法的合理性和有效性,辨识精度高,具有良好的实用性.     

求解大规模VCVRP问题的快速动态规划算法

车辆路径问题是一类典型的组合优化问题,大部分研究都只考虑车辆能力固定的情形,实际中受货物形状特性及客户需求变化,车辆的能力是受限变化的,针对能力受限变化的车辆路径问题(varied capacitated vehicle routing problem,VCVRP),基于动态规划理论,提出一种求解大规模VCVRP问题的快速动态规划算法.该算法以传统的最佳适应降序算法(best fit decreasing,BFD)和最小生成树(minimum spanning tree,MST)算法为基础,引入K步回溯,短途优先原则,实现了VCVRP中的货物装箱问题和路由选择问题的近似解耦.同时给出了该算法的优化目标车辆旅程的理论上界,短途优先原则的局部最小的理论分析与证明.最后以乘用车物流运输案例为背景,给出了计算实例,并从算法参数与算例规模多个角度进行求解质量与算法性能的分析.     

VFP＆VRP联合优化模型及其多目标遗传算法

单车型非满载问题是十分典型和重要的物流配送问题之一．单车型非满载问题通常包括物品装车（VFP）和车辆路径安排（VRP）2个紧密相关的子问题．研究同时考虑VFP和VRP讲两个因素的联合优化问题，建立了多目标优化模型，设计了模型的多目标遗传算法，并结合实例验证模型和算法的有效性．     

多时间窗车辆调度问题的建模与求解

传统的单时间窗车辆调度问题模型无法描述用户空闲时间分段可选的情况,为此需要建立多时间窗车辆调度问题模型.对多时间窗车辆调度问题进行研究,建立了问题的数学模型,并基于模拟退火算法设计了一种两阶段启发式算法进行求解.该算法首先利用扫描算法求得初始解,然后利用模拟退火算法对初始解进行改进.实验结果表明该算法可以有效地求解多时间窗车辆调度问题.     

一类随机需求VRP的混合粒子群算法研究

针对一类随机需求车辆路径问题(stochastic vehicle routing problem,SVRP),结合现实生活中长期客户服务记录所隐含的统计性知识构建新的统计学模型,并将种群搜索与轨迹搜索算法相结合提出了一种新的混合粒子群优化算法。该算法通过引入导引式局部搜索,来减小粒子群搜索陷入局优的可能性以获得更优化解。仿真计算证明混合粒子群优化算法的有效性。同时,该算法也拓展了VRP的算法空间。     

基于产品回收定价的逆向物流车辆路径优化问题

针对逆向物流车辆路径优化问题研究在产品回收定价调整和车辆路径优化调度结合方面存在的不足，以智能回收箱为研究对象，考虑多频次回收和车辆共享调度策略，提出基于产品回收定价的逆向物流车辆路径优化方案。首先，构建了智能回收箱回收量与回收定价的线性函数；然后，构建了包含共享车辆运输成本、维护成本、违反时间窗惩罚成本和环境外部性收益之和最小化的逆向物流回收运营成本模型，并建立了回收中心产品的最大化收益模型；其次，根据模型特点设计了考虑智能回收箱地理位置、回收频次和回收时间窗的时空聚类算法，进而提出一种改进的混合算法，该混合算法结合了遗传算法全局搜索能力强与粒子群算法收敛速度快的特点进行了算法间的优势互补，同时采用了精英保留策略，增强了混合算法的搜索性能，并通过与HGA算法、GA-TS算法和HACO算法进行比较分析，验证了模型和算法的有效性；最后，结合重庆市某智能回收物流网络的实际数据进行优化研究，分析了不同产品定价下的回收频次和车辆共享调度情况。结果表明，本文所提的模型和算法能够进行产品回收定价策略的有效选择、产品回收车辆的资源共享以及合理的车辆路径优化调度，并可在回收中心获得最大化收益的同时有效降低逆向物流的运输成本，进而为逆向物流企业进行产品回收定价和车辆回收路径优化调度提供方法支持和决策参考。     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

基于迭代局域搜索的智能优化算法求解车辆调度问题研究

在对基本车辆调度问题(VRP)进行简单描述的基础上,提出了求解该问题的两类混合策略.这两类策略均采用两阶段的思想:第一阶段,利用节约法对顾客进行聚类;第二阶段,构造适合求解VRP的改进dynasearch算法,且将基于随机kick的迭代局域搜索算法与改进dynasearch算法相结合,提出了迭代dynasearch算法.通过实验仿真,验证了这两类策略在很大程度上能改进问题的解.     

基于粒子群优化的有反向物流的车辆路径问题

在对具有时间窗、考虑反向物流的车辆路径问题进行简单描述的基础上,基于最小费用的角度构建了该问题的多目标数学模型.该决策模型综合考虑了正向和反向物流,有助于提高车辆的装载率.针对该问题提出了一种改进的粒子群算法,并用计算机进行实现,并获得很好的效果.     

基于粒子群算法的多目标车辆调度模型求解

车辆调度问题是具有复杂约束条件的组合优化问题,在理论上属NP-hard问题.考虑车辆数目最少和车辆运行时间最短,建立了具有时间约束的多目标车辆调度模型.并采用粒子群算法（PSO）求解车辆调度问题,以寻求最优车辆调度方案.在实例中通过运用粒子群算法和遗传算法进行比较分析,结果表明,PSO算法简单可行,在优化性能、收敛速度及鲁棒性等方面优于遗传算法,能较好地解决组合优化问题.