多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

一种新的混合蚁群聚类算法

针对蚁群聚类算法存在收敛速度慢、易陷入局部最优等缺陷,通过在蚁群聚类算法的每次迭代过程中引入遗传算法,提出一种混合蚁群聚类算法.它利用遗传算法全局快速收敛的特性,提升了蚁群聚类算法的收敛速度,同时,遗传算法中的交叉、变异操作扩大了解空间的搜索,帮助蚁群算法跳出局部最优.仿真试验验证了算法的性能.     

多仓库定位-运输路线安排问题的模型和算法研究

针对现实问题的复杂性,考虑到单独研究物流设施选址和车辆运输路线安排问题的局限性,根据集成物流管理思想,综合考虑两个问题,重点研究了集成物流管理系统中多仓库定位-运输路线安排问题(LRP)。首先提出了LRP的数学模型,由于LRP属于NP-hard问题,提出了一种用于求解该类问题的两阶段混合启发式算法:禁忌搜索-蚁群混合算法。在选址阶段使用禁忌搜索算法求得一个较好的设施位置后,便转向运输路线安排阶段,并采用蚁群算法获得了一个与已得到的设施位置相对应的优化运输路线,这两阶段反复、连续运算,直到满足预先设置的终止条件。最后,给出算例验证模型和算法的有效性。     

遗传算法和蚁群算法在水库优化调动中的联合应用

为了更好地解决水库优化调度问题,将遗传算法和蚁群算法融合应用于水库调度,指出遗传蚁群混合算法的收敛率更高,具有更好的全局收敛性能,遗传蚁群混合算法在更少的迭代次数迭到全局最优解,具有更高的收敛速度.     

基于遗传算法的物流配送路径优化问题的研究

随着社会经济的不断发展,特别是网络的飞速发展,每天的物流运输量巨大。在物流活动中的一个重要环节是如何达到最优的行车线路,使运输工具在满足客户需求的同时,实现行车路程尽量短、压缩运输成本的目标。车辆路径问题是一个典型的NP难题,传统方法很难求得最优解。本文运用了遗传算法来求解物流配送路径优化问题,并进行了算法设计、编码和数据实验,计算得出了实际问题的最优解。     

融合蚁群算法和遗传算法的矩形件排样问题研究

提出融合蚁群算法和遗传算法来求解矩形件排样问题.考虑到蚁群算法和遗传算法各自的优缺点,该融合算法前阶段采用遗传算法获得排样问题的部分优化解,把它作为蚁群算法的初始信息素分布,后阶段利用蚁群算法求得最优排样序列,最后求得最优排样图.计算实例表明:与单一遗传算法相比较,该融合算法可达到更好的排样效果.     

带目标权重的物流路径优化研究—基于模拟退火蚁群算法

物流路径优化问题是物流研究领域十分重要的研究课题。针对物流企业对物流配送时间、距离以及运输成本的要求不同,建立带目标权重的物流路径数学模型,物流企业可对目标权重进行赋值进而满足自身的需求。针对基本蚁群算法易陷入局部最优以及收敛速度慢的缺陷,对基本蚁群算法的转移规则和信息素进行改进,然后在改进的基本蚁群算法中融入模拟退火算法思想,建立模拟退火蚁群算法。实验结果表明:模拟退火蚁群算法能搜寻到比基本蚁群算法更优的综合成本,且收敛速度更快,同时也表明模拟退火蚁群算法的可行性及数学模型的合理性。     

多种群遗传蚁群融合的多Qos约束组播路由算法

具有多约束的Qos(quality of service)路由问题是一个NP完备问题,传统方法很难求得全局最优解。针对多约束Qos组播路由问题,选择带宽、时延和时延抖动为Qos参数,由多种群遗传算法产生初始状态,利用蚁群算法的全局寻优能力提出一种将多种群遗传算法和蚁群算法融合的新算法。分析表明,该算法是可行、有效的。     

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。     

Harmony Search-Dij kstra混合算法在铁路物流中心分层选址中的应用

为了满足铁路集中化运输的要求,基于铁路物流中心的层级特点,结合分层选址的理论和方法,以铁路物流中心覆盖的总需求最大化为目标,提出了铁路物流中心分层选址分配模型.针对铁路物流中心选址分配模型的特点,提出采用求解效率较高的和声搜索算法(Harmony Search,HS)和Dijkstra算法相结合的混合算法进行求解,并通过算例验证了模型的可行性和算法的有效性.为了验证算法的性能,对不同规模下的算法进行多次测试,结果表明当规模较大时,HS-Dijkstra混合算法仍可以在可接受的时间范围内收敛.为了体现算法的计算效率,对大规模下的Harmony Search-Dijkstra混合算法与遗传算法(Genetic Algorithm,GA)进行比较,结果显示Harmony Search-Dijkstra混合算法收敛速度明显优于遗传算法.因此,Harmony Search-Dijkstra混合算法可以有效解决铁路物流中心选址分配问题.     

一种求解TSP问题的融合算法

提出了一种求解TSP问题的融合算法即GAPACA． GAPACA算法首先利用遗传算法求得符合一定条件(具有全局性和多样性)的种群,然后将其中的个体按照蚁群算法中信息素的定义转化为蚁群算法的初始信息素,再由蚁群算法求得近似最优解。实验表明,GAPACA算法能有效提高收敛速度,并可获得更优结果。     

基于服务质量的遗传蚁群融合算法应用研究

随着网络的环境变得越来越复杂,数据包的转发也时常出现一些问题,诸如丢包、延迟、抖动等异常情况.为了更有效地增强网络路由性能,提出了一种将遗传算法与蚁群算法相融合的方法来提高数据包的转发效率,确保网络的服务质量.根据服务质量约束条件以及当前的最优路径对可选节点集进行优化,将遗传算法加入到蚁群算法的每一次迭代过程中,利用遗传算法全局快速收敛的优点,来加快蚁群算法的收敛速度,使求解过程中尽量避免陷入局部最优,增强了寻优的能力.实验结果表明,该算法在提高网络路由效率方面具有一定的理论价值和实际意义.     

低碳视角下的多式联运最优路径选择

为了降低多式联运运输过程中的运输成本和碳排放量,可以从承运人角度选择低成本、低排放的运输路径。以实际运输过程中火车、船舶的固定时间窗和收货人的软时间组成的混合时间窗为约束条件,以运输过程中的总成本最低、碳排放量最少为目标,建立双目标优化模型。采用带精英策略的非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA-Ⅱ)求解双目标优化模型的帕累托最优解集,为不同目标追求下的承运人选择不同的最优运输路径和最优运输方式的组合。设计了相关算例,由NSGA-Ⅱ计算得到的帕累托最优解集包含4个点,即4条最优运输路径和运输方式组合,分布均匀、收敛性好,为承运人提供了全面的决策依据,显示了算法的可行性和优越性。     

基于混合蚁群遗传算法的SAT问题求解

根据SAT问题的特点,通过分析传统蚁群算法和遗传算法在求解SAT问题上的不足,提出一种基于混合蚁群遗传算法的SAT问题求解方法。给出一种新的初始解的生成方式;在迭代过程中,根据较优解的累积信息提出进化算子;利用当前得到的最优解,通过改变不满足子句中文字的取值,增加变异算子。最后选取标准测试集中的20个实例对算法进行测试,实验结果表明:改进后的算法通常仅通过较少次数的迭代就能找到解,能够有效避免蚁群算法和遗传算法过早收敛的缺点,具有较强的寻优能力。     

基于聚类—遗传算法的物流配送路径优化研究

为了提高配送效率,需要更好地规划配送路线,通过建立配送路径最优化模型,使用聚类—遗传算法对其求得配送路径的最优解,聚类—遗传算法采用新的染色体编码方式和交叉原则,相较传统遗传算法,迭代收敛速度更快,且呈现出更优的结果,使得区域配送路径路线最短、成本最低。     

不确定需求下考虑混合时间窗的多式联运路径优化

针对多式联运运输网络复杂等问题,提出一种基于不确定的客户需求,引入混合时间窗约束,以总成本、碳排放量最小为优化目标的多式联运优化模型,运用三角模糊数以及机会约束规划理论对模型进行清晰化.考虑粒子群算法的局限性,将模拟退火算法的思想与其结合,对基本粒子群算法进行改进.通过实例分析以及运用灵敏度分析法,分析了运量的不确定性以及节点运输能力与中转能力对路径优化产生的影响.结果表明,基于模拟退火的粒子群算法的寻优能力优于粒子群算法.随着客户对需求量的满意度增加,总运输成本和碳排放量也会增加,增强各种运输方式的运输能力和节点中转能力可以有效降低运输成本,优化运输路径,为决策者选择运输方案提供依据.     

改进蚁群算法实现医药配送的最佳方案

以蚁群算法为核心,建立了蚁群算法的数学模型。为提高算法收敛速度和全局搜索能力,提出了改进算法思想并用计算机加以实现。通过实验和仿真计算,证明了改进的蚁群算法能更加有效且快速地求得问题最优解或近似最优解,从而说明了蚁群算法实现优化医药配送路线的可行性。     

集配货一体化的多站点定位路线问题

针对客户同时有集货和送货需求时的定位路线问题,建立数学模型,设计两阶段启发式算法。第一阶段为定位配给问题,采用禁忌搜索算法,避免陷入局部最优;第二阶段为集配货一体化车辆路线问题,采用模拟退火算法,具有强收敛性,可以得到全局优化解;然后将两个阶段进行很多次循环迭代最终求得集配货一体化多站点定位路线问题的优化解。通过实例计算验证该启发式算法的可行性和有效性。     

考虑延误与班期限制的多商品流多式联运方案优化

针对不确定时间影响的多商品流多式联运方案优化问题,以空铁联运为主,将运输时间转化为确定运输时间和不确定延误时间,同时考虑班期限制影响,以收货时间窗限制、准时率、运力等为约束条件,以所有订单总运输成本、运输时间和碳排放最小为目标,构建多商品流多式联运方案优化模型,并基于改进的非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)进行模型求解。实证分析表明：相对于无延误和班期限制,延误和班期限制均导致各目标值呈现不同程度增加;随着延误程度增加,总运输时间逐渐增加,而总运输成本还受到班期限制的耦合影响,呈现先减小后增加的周期性变化;碳排放量与运输成本呈现一致变化趋势;最后采用多属性决策方法获得考虑综合满意度的最优运输方案。研究结果可为实际中多式联运方案设计与优化提供参考。     

基于GIS和遗传-粒子群的公路智能选线方法

为克服现有路线优化方法难以用于生产实践的缺点,提出了一种基于GIS(地理信息系统)和遗传-粒子群混合算法的方法,以辅助路线平面方案的选择。该方法以AutoCAD Map为平台,直接支持DWG格式地形图,实时获取路线所经区域的空间信息,为方案决策提供依据;优化算法采用一种遗传-粒子群优化算法,该算法在基本粒子群算法中加入遗传算法的交叉、变异算子,综合了遗传算法和粒子群优化算法的优点。数字试验的结果表明:该算法能很快收敛到最优解,达到最优解迭代次数为35次左右;该方法具备较好的寻优性能,适用于公路智能选线的实践。