量子粒子群算法求解整数规划的方法

粒子群算法主要用于优化连续性问题。如果用于求解整数规划问题,算法的粒子位置必须解决取整问题;而量子粒子群算法求解整数规划问题具有更高的效率。利用三种取整方法与量子粒子群算法结合,求解非线性整数规划问题,并且与标准粒子群算法求解整数规划问题进行比较。通过对基准函数仿真实验,比较了六种方法求解整数规划问题。实验结果表明,基于随机取整的量子粒子群算法搜索成功率优于其他五种方法,其综合搜索效率更佳。寻找了一种更优的求解整数规划方法。     

基于蚁群全局优化的二层规划模型与仿真

二层规划问题通常是一个非凸问题,因此在实际工程领域对其进行求解具有极大的困难.研究了问题的本质特征,提出了一种组合设计算法模型——基于蚁群算法求解二层规划问题的全局优化策略.组合算法采用蚁群算法求解上层问题,下层的线性规划问题则采用单纯型算法完成求解.设计的组合算法思路清晰,仿真计算结果表明,该算法有着良好的全局收敛可靠性和较高的收敛速度,是目前求解此类两层线性规划问题的一种有效算法.     

求解凸优化问题的改进对称交替方向乘子法

对称交替方向乘子法(简称S-ADMM算法)是求解可分离凸优化问题的一种有效方法。该算法利用目标函数的可分离性,将原问题分解成多个极小化子问题,然后交替求解。能否有效地求解子问题对算法的有效性有重要影响。在很多实际应用中,不能精确地求解子问题,或者精确求解子问题花费代价较大。为解决这一问题,提出了一种改进的对称交替方向乘子法(简称MSADMM算法)。与一般的S-ADMM算法相比,该算法在x子问题中引入一个半近邻项,近似地求解x子问题,克服了之前算法的不足。在适当的假设下,证明了其收敛性。最后,通过数值计算说明了该算法的有效性。     

利用改进的HBDE算法求解MAX-k-SAT问题

目前,利用进化算法求解组合优化问题已成为智能计算领域中的研究热点。本文基于二进制差分演化算法和动态变邻域搜索相结合提出了一种求解最大可满足问题(MAX-k-SAT)的改进算法(记为IBDE),通过与遗传算法和Johnson算法对一系列随机大规模MAX-k-SAT实例的求解比较表明:IBDE是一种求解MAX-k-SAT问题非常有效的新方法。     

改进的蚂蚁算法求解任务分配问题

将蚂蚁算法用于求解任务分配问题，并提出一种改进算法来提高其全局搜索能力。文中介绍了任务分配问题和蚂蚁算法，给出了求解任务分配问题的蚂蚁算法的数学描述及求解的算法步骤，在此基础上提出求解任务分配问题的改进蚂蚁算法。两个实例验证了改进蚂蚁算法的优越性。     

差异演化算法求解多维0-1背包问题

多维0-1背包问题是典型的NP难题,设计了一种求解它的差异演化算法,阐述了算法求解多维0-1背包问题的具体操作过程。用提出的算法对55个测试算例进行了仿真实验,得到了全部算例的最优解。测试结果表明了文中算法是求解多维0-1背包问题的一种有效方法。     

利用拉格朗日松弛算法求解三维分配问题

将拉格朗日松弛算法与最优求解算法的复杂性进行了分析比较，并将该算法应用于求解3-D分配问题,分析与算例结果表明，该算法可大幅度降低3-D分配问题的求解计算量，是求解3-D分配问题的一种有效算法．     

一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.     

蚁群算法及其在求解优化问题中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类算法。作为一种新的群体智能启发式优化算法,主要用于求解组合优化问题。本文介绍了蚁群算法的发展历史,然后介绍了其在求解组合优化问题中的应用情况,最后对蚁群算法在今后的研究方向作了展望。     

最大路径算法在原条量材优化中的应用及其优化

在分析求解最短路径问题与求解最大路径问题差异的基础上,给出了一种在有向图中采用动态规划策略求解最大路径的算法,将其应用到原条量材网络图中求解原条最优量材问题;并提出了采用量材三角形优化原条量材网络图的一种优化方法,降低了算法的复杂度.通过实验验证了算法与优化方法的正确性与可行性.     

新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

求解软时间窗装卸一体车辆路径问题的布谷鸟算法

带软时间窗的装卸一体车辆路径问题是组合优化中典型的NP-hard问题,针对标准布谷鸟搜索算法后期收敛速度慢,容易陷入局部最优的缺陷,提出了节约算法和随机概率混合的初始化改进策略以及动态发现概率和信息素导向变异机制的改进策略,通过标准测试函数对算法进行定量测试,证明了改进布谷鸟搜索算法的性能优势。将改进的算法应用于求解带软时间窗装卸一体的车辆路径问题,并与现有的优秀算法进行对比,验证了改进的布谷鸟搜索算法在实际工程领域的优越性。     

带时窗回程取货的车辆路径问题的算法

车辆路径问题如果考虑回程取货过程就可以在送货的过程中先后完成取货任务,比传统不考虑回程过程的问题更有实用性,基于此对传统问题进行了改进,不限制车辆的取送货顺序,而是设计了相应参数,避免了货物的重新排列·在确定目标时,综合考虑车辆运行成本、人员等待成本及服务成本等因素,实现目标解的真正可行·最后,根据此问题的特点,设计了先通过分枝定界法及遗传算法确定可行路线,再运用整数规划方法求解的算法,并以实例说明了算法的有效性·     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法(Multi-pha-ses Particle Swarm Optimization,MPSO).建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化.根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程.仿真结果表明:多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案.     

遗传算法在有时间窗车辆路径问题上的应用

应用遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ—ＧＡ）求解有时间窗车辆路径问题,获得其近优解或最优解．使用一种直观的编码方法,提出基于优先关系的交叉算子,实验表明,这种ＧＡ能够有效地解决复杂的优化问题     

A GA approach to vehicle routing problem with time windows considering loading constraints

As a new variant of vehicle routing problem (VRP),a finished vehicle routing problem with time windows in finished vehicle logistics (FVRPTW) is modeled and solved.An optimization model for FVRPTW is presented with the objective of scheduling multiple transport routes considering loading constraints along with time penalty function to minimize the total cost.Then a genetic algorithm (GA) is developed.The specific encoding and genetic operators for FVRPTW are devised.Especially,in order to accelerate its convergence,an improved termination condition is given.Finally,a case study is used to evaluate the effectiveness of the proposed algorithm and a series of experiments are conducted over a set of finished vehicle routing problems.The results demonstrate that the proposed approach has superior performance and satisfies users in practice.Contributions of the study are the modeling and solving of a complex FVRPTW in logistics industry.     

双目标冷链物流车辆路径问题及其遗传蚁群求解

针对带容量和软时间窗约束的双目标生鲜农产品冷链物流车辆路径问题,建立了以最小化总成本和最大化客户满意度为目标的双目标优化模型。为了求解问题,运用ε约束法处理双目标模型,以蚁群算法为基础,加入交叉与变异算子,设计了遗传蚁群算法。算法求解过程中,蚂蚁个体在进行状态转移时按照确定性选择和伪随机比例选择相结合的方式,信息素总量采用分段函数进行优化。为验证模型与算法的有效性,对实际算例进行求解,并与遗传算法、蚁群算法求得结果进行对比。结果表明所建模型符合实际需求,所设计的遗传蚁群算法收敛速度和求解结果均优于遗传算法和蚁群算法。     

遗传算法求解物流配送中带时间窗的VRP问题

用遗传算法求解第三方物流企业物流配送中带时间窗的车辆路径问题. 建立了一个配送优化调度模型, 使配送计划的编制在任何情况下都能归约为求解某种车辆路径问题.     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

双目标时变速度车辆路径问题的模型及算法

提出了时变速度情况下带时间窗与回程的车辆路径问题模型,考虑最小化车辆行驶总时间和最小化总延误时间两个相互冲突目标,将双目标的问题通过加权法转化为单目标问题．由于求解固定速度车辆路径问题的方法在时变速度下不可行,因而对传统优化方法作了改进,提出两阶段方法．从计算的结果看,第二阶段的RTS（reactive tabu search）算法相对第一阶段算法的求解有较大的改进．根据不同的权重的取值,可以在两个目标之间找到一个权衡的区间,决策者根据服务的要求可以在此区间选择合适的权重获得可行的车辆调度方案．