物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

混合智能算法在模糊规划中的应用

简要介绍了模糊规划并综述了模糊规划的建模理论,提出在原有混合智能算法研究的基础上将进化策略融合进混合智能算法中来解决原有算法易陷入局部最优解的问题,提高了求解精度及收敛速度.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

灰色关联度和AHP在冷链物流配送中心选址问题中的应用研究

冷链物流配送中心选址是一个定性与定量相结合的问题.针对冷链物流的基本含义和特点进行阐述,并构建了其配送中心选址过程中的关键指标体系,提出了采用灰色关联度和层次分析法相结合的方法来解决冷链物流配送中心的选址问题.利用算例说明了该方法的实用性和应用价值.     

基于混合智能算法的支持向量机的粮食产量预测

考虑到粮食产量的非线性,提出一种基于混合智能算法的支持向量机的预测模型,针对粒子群算法(PSO)易于陷入局部最优的特点,融合改进的粒子群算法(GAPSO)以及人工鱼群算法(AFSA)得到混合智能算法(GAPSO-AFSA),通过种群自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高了算法的全局搜索能力,最终得到支持向量机的最优参数组合.将支持向量机预测模型用于中国粮食产量预测中,通过试验验证了模型的正确性,并证实了该预测模型拥有较好的预测效果.     

一种改进粒子群算法在物流配送路径问题中的应用

针对物流配送车辆路径优化的研究热点问题,在标准粒子群算法基础上,设计了一种自适应的变异粒子群算法,算法中的变异算子可随群体适应度方差自适应改变,从而打散聚焦于局部收敛点的粒子群.并针对多个车场多个车辆的配送路径问题设计一种新编码模式,减少了迭代次数.在MatLab 2011b平台下进行了仿真实验,证明了该算法在最优值、正确率和误差均值上都有较大改进.     

一种带软时间窗的物流配送中心车辆路径问题的模型与算法

针对单配送中心带时间窗的车辆路径问题,将时间约束折算为惩罚费用,在时间、车辆体积和载重约束的条件下,建立了一种带软时间窗的物流车辆路径总费用最小数学模型。同时在遗传算法的基础上加入记忆功能和退火操作,采用带有记忆的遗传模拟退火算法求解此模型,并将优化结果进行比较。结果表明,该算法收敛速度快、搜索领域宽,能取得较高质量的最优解。     

层次分析法在配送中心选址决策中的应用——连锁企业配送中心选址实例分析

配送中心选址,对企业的生产经营费用、产品和服务质量以及成本都有极大而长久的影响。一旦选址不当,它所带来的不良后果将是难以弥补的。因此,连锁企业相关从业人员有必要理解并掌握配送中心的选址决策方法。针对现有配送中心选址方法对数学基础要求较高,不适合高职院校学生理解和掌握这一难题,提出一种应用层次分析法解决配送中选址问题的方法,并结合某企业配送中心选址决策的实例,阐述了该方法的求解步骤。该方法可以有效解决简化后的选址问题,同时也适合高职学生理解和掌握。     

一种有效求解厌恶设施选址问题的混合启发式算法

由于1-maximin模型的目标函数在每条边上是分段线性的凹函数,基于1-maximin模型的这一特点,将粒子群算法和黄金分割法有机结合起来,提出了一种求解1-maximin模型的混合粒子群-黄金分割（PSO-GS）算法。数值实验表明,PSO-GS算法求解1-maximin模型和1-maxisum模型较UnCenter和Newalgorithm算法效率高。     

在施工项目规划问题中群智能算法的应用研究

探索了群智能算法的混合并加入模糊集理论来尝试解决工程优化问题.将HGAPSO算法应用在工程实践的实际案例中,并与其他算法运算结果进行了对比.结果表明,在本文中的两个实际案例中的TCRO问题里,HGAPSO算法能够更好地找出问题的最优解.     

混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法(ACO:Ant Colony Optimization)进行了改进:引入粒子群算法(PSO:Particle Swarm Optimization)动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003 Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。     

均差排序法在配送中心选址中的应用

在介绍配送中心选址基本方法的基础上,通过对从物流配送中心的建立到运营的各过程进行研究,将所有目标费用函数作统一量纲处理后,采用均差排序法建立配送中心选址的数学模型.根据现代物流配送网络发展的特点进行实例分析,结果表明:该方案能有效解决配送中心选址的决策问题,同时又避免了决策者的主观性.     

露天煤矿车辆的不确定调度模型与优化求解

以内蒙古一露天煤矿为研究对象,对露天矿车辆调度过程中的关键时间参数进行统计分析,确定其随机性,建立车辆调度的不确定模型.在对不确定调度模型优化分析的过程中,训练神经网络逼近函数,对于粒子群算法容易陷入局部收敛的缺陷,结合模拟退火算法的局部搜索技术,得到模拟退火算法和粒子群算法相结合的混合智能算法.计算实验结果证明该算法的有效性和优越性.     

一种改进粒子群优化算法在车辆路径问题的应用研究

基于集合的粒子群优化算法(set-based particle swarm optimization,S-PSO) 主要用于解决离散域的组合优化问题。但S-PSO只考虑了当前粒子的最优对速度更新的影响,易陷入局部最优解。提出ES-PSO (enhanced S-PSO)算法,重新设计速度更新策略。在速度更新策略中加入了全局最优和邻域最优的影响,同时,修改权重系数,使粒子在更新时优先考虑服务时间较早的粒子,更加合理地安排了节点的服务顺序。使用ES-PSO算法求解带时间窗的车辆路径问题(vehicle routing problem with time windows,VRPTW),提出了ES-PSO-VRPTW算法。实验结果表明,基于Solomon数据集,ES-PSO-VRPTW算法在最优路径数目(number of vehicle-route,NV)和总里程(total distance,TD)上的表现比S-PSO-VRPTW更加优越。将ES-PSO-VRPTW用于求解带时间窗的垃圾回收车辆运输问题,得到的路径数目NV和总里程TD相对于S-PSO-VRPTW以及传统的遗传算法(genetic algorithm,GA)和蚁群算法(ant colony optimization,ACO)均有大幅度降低。     

重心法在成品油配送中心选址中的应用研究

随着国民经济迅猛发展和人民生活水平的不断提高,我国成品油的消费量迅速增长,但成品油配送中心选址的不合理化已经成为制约成品油经营的瓶颈,成品油配送中心合理化的选址显得尤为重要。成品油配送中心的选址要综合考虑各种影响因素,使成品油配送中心选址合理,重心法的应用可以最大限度地发挥配送中心的作用,消除不合理运输现象,提高成品油经营企业的经济效益。     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

梯形模糊理论在配送中心选址中的应用研究

该研究利用模糊线性规划的综合评价方法及算法将物流配送中心选址的单目标模糊规划模型转化为多目标决策问题.利用相关系数法,用梯形模糊数评估各待选址方案的选择标准和评价指标权重,并基于优属度系数,将约束条件中含有梯形模糊数的模糊线性规划转化为经典的线性规划进行求解,并以实例进行说明.     

二进制粒子群优化算法在车辆路径问题中的应用

车辆路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种新的基于二进制的粒子群优化算法,并将该算法应用于车辆路径优化问题,建立了相应的数学模型和求解算法.将该算法通过与遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。