自适应混合蚁群算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(capacitated vehicle routing problem, CVRP),提出了一种自适应混合蚁群算法.由蚁群算法生成子回路,为增强跳出局部最优能力,在蚁群算法的状态转移规则和信息素更新规则中引入了自适应机制.基于子回路组合,由遗传算法构造近似解,根据问题编码特性设计了适应度函数和遗传算子,提高了构造效率,并采用Clark和Wright节约算法将近似解修复成可行解.采用扫描法和2-opt局部优化方法提高可行解的质量.标准算例的实验结果表明,该算法在求解CVRP问题上具有良好的寻优精度和寻优效率.灵敏度分析结果表明蚂蚁数量对算法性能具有显著影响.     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

蚁群算法求解带时间窗的配送路径问题

VRP问题影响着车辆配送过程中的效率与经济效益,在现实生活中有着重要的现实意义;文章首先建立了一个带有时间窗的VRP数学模型,并针对VRP问题本身的特点,对蚁群算法中的伪随机概率公式等相关参数进行改进,最后将改进的蚁群算法应用于VRP问题的求解中;通过在matlab上进行的仿真试验,表明了此算法能够有效地改善基本蚁群算法中的收敛速度慢、易于陷入局部最优解等缺陷,并能应用于大规模的车辆路径寻优问题中.     

求解带时间窗动态车辆路径问题的改进蚁群算法

车辆路径问题作为组合优化中的一类典型问题,其模型、算法及应用被人们广泛关注和研究.在建立双目标带时间窗的动态车辆路径问题数学模型的基础上,设计了一种求解该问题的改进蚁群算法.该算法首先对所有顾客进行区域划分;其次通过在传统蚁群算法中引入交通拥堵因子,提高了计算效率;再将挥发因子取为服从(0,1)上均匀分布的随机变量,使算法能更稳定地收敛到全局最优解.最后的数值实例验证了所建数学模型和改进蚁群算法的有效性和优越性.     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

改进蚁群算法优化车辆路径问题的研究

研究采用改进的蚁群算法优化带约束的车辆路径的问题。考虑的约束条件包括路径约束、时间窗约束和容量约束。主要目的是提出一种改进的蚁群算法进行车辆路径优化,构建配送车辆行驶路线,实现配送路线总成本的最小化。从三方面对蚁群算法进行了改进：对参与条件转移概率的候选节点列表进行预处理减少路线构建过程计算的时间复杂度;提出插入式节约算法用于改进蚁群初始配送路线提高寻优精度;基于蚁群系统对信息素更新策略进行改进,加快算法收敛速度。基于Solomon基准数据集,与近年来已取得的研究成果展开对比实验,证明提出的改进算法在提高求解精度和搜索效率方面的有效性,在优化带约束条件的车辆路径问题时的实用性,拓展了蚁群算法的应用领域。     

带时间窗车辆路径问题的混合蚁群算法

为解决有时间窗的车辆路径问题,提出了一种基于进化规划和最大一最小蚁群算法相融合的混合蚁群算法,并与最大一最小蚁群算法作了比较。实验结果表明,混合蚁群算法可以、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。     

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。     

改进蚁群算法在车辆路径问题中的应用

从蚁群算法在求解实际问题时收敛速度慢、易陷入局部最优的缺陷出发,对蚁群系统转移规则、局部信息素更新方面进行改进,并将其应用到DCVRP问题中,求解时引入候选列表和2-opt局部搜索策略,以减少计算时间并达到事先淘汰不良路径的目的.通过与其他元启发式方法比较,实验结果表明,本文改进蚁群算法其结果明显优于另外四种主要的路径问题启发式方法.     

基于改进的蚁群算法求解最优路径方法

基本蚁群算法在求解时经常出现局部最优解,限制了该算法整体搜索性能。本文对此缺陷进行了改进,改进之一是引入临界值来更新信息素;改进之二是搜索最优解的方式改进为双向搜素。把改进后的算法用于求解电力故障抢修问题中的最优通路,通过实验仿真表明改进后的算法达到了预期效果。     

基于带变异的自适应精英改进蚁群算法的物流配送中心选址问题求解

建立以总成本最少同时满足时效性要求的物流配送中心选址问题的数学模型,并提出一种带变异的自适应精英改进蚁群算法对选址问题进行求解.本算法中的信息素挥发参数随迭代进行自适应调整,同时引入精英机制对群体当前解的信息素更新来进行有差别处理.此外,本算法移植了遗传算法的变异机制.当本算法陷入停顿时,对当前最优解施加扰动,将有效帮助本算法摆脱局部最优的束缚.验证结果表明,本算法对于实际中比较复杂的物流配送中心选址问题的求解结果较为理想,比基本蚁群算法在效率和寻优能力上有了进一步的提升.     

基于自适应多态蚁群算法的多约束车辆路径问题

建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题(VRPMC)的数学模型.由于该模型是一个NP-hard问题,目前还没有多项式算法求解,又提出了采用自适应的多态蚁群算法(APACA)来对其进行求解的策略.首先,算法中侦察蚁完成满足约束条件的路径侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息进一步搜索可行路径,通过多态蚂蚁间的协作和自适应调整挥发系数,能更快地搜索到问题的优化解;最后通过一个实例与节约算法、遗传算法、禁忌搜索算法和基本蚁群算法进行了对比,结果表明:对VR-PMC问题,APACA算法比前述算法在算法稳定性、运行距离、计算速度方面更具有优势.     

单纯形蚁群算法对带时间窗车辆路径优化问题的研究

研究了单纯形蚁群算法解决带时间窗约束条件的车辆路径问题,旨在突出研讨在运输中不仅距离最短,而且使应用的时间尽可能的少.首先建立时间、距离对搜索路径的影响函数,然后用单纯形蚁群算法解出最优路径.简单介绍了运输的现状,提出了物流双向运输的数学模型及单纯形蚁群算法,得出了物流运输最经济的合理路线结论.     

一种改进的蚁群算法用于灰色约束非线性规划问题求解

针对灰色约束非线性规划问题,设计了一种改进蚁群算法．该算法采用了正反馈机制。在对灰色约束非线性规划问题白化处理后,将罚函数方法引入到目标函数中,同时给出了改进蚁群算法的仿真流程．实例应用表明,将改进后的蚁群算法应用于灰色约束非线性规划问题的求解是可行有效的。     

动态蚁群算法在带时间窗车辆路径问题中的应用

蚁群算法是近年来新出现的一种随机型搜索寻优算法。自从在旅行商等著名问题中得到富有成效的应用之后，已引起人们越来越多的关注和重视。将这种新型的生物优化思想扩展到物流管理中的带时间窗车辆路径问题，设计了一种动态蚁群算法，从数值计算上探索了这种新型蚁群算法的优化能力，获得了满意的效果。     

蚁群算法求解旅行商问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.     

蚁群算法在车辆路径选择上的应用

改革开放几十年以来,人均收入大大提高,汽车由原来的奢侈品变成了生活必需品,但由此带来的交通问题也日益严重,如何选择车辆路径成为一个热点问题。本文运用蚁群算法的基本原理,结合车辆路径的特点,简要介绍了蚁群算法在车辆路径选择中的具体应用。     

基于空间聚类和蚁群算法的车辆路径问题的研究

针对蚁群算法在解决车辆路径问题（VRP）上易陷入局部最优解的缺陷,首先利用加权K-means算法对客户进行区域划分,再利用蚁群算法对每个区域进行求解,实验结果表明方法具有良好的性能。