差分进化算法在多目标路径规划中的应用

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。     

面向无人机路径规划的多目标粒子群优化算法

针对无人机路径规划中方案单一的问题,本文提出一种基于集分解的多目标综合学习粒子群优化算法框架(MOCS-PSO/D),该算法使用基于分解的多目标优化框架(MOEA/D),结合基于集的粒子群优化(S-PSO)和综合学习粒子群优化(CLPSO),对CLPSO和PSO的速度更新公式进行改进,直接获得更多样的路径规划方案,同时...     

多约束最优路径算法比较研究

针对多弧权网络路径寻优及其效率问题,提出了4种多约束最优路径算法,并对其进行了比较研究.基于经典Dijkstra算法,提出了多约束最优路径问题的D_MCOP算法;引入启发式搜索思想,设计了A*_MCOP算法和迭代加深搜索的IDA*_MCOP算法;为克服IDA* _MCOP算法每次迭代都要回到起始节点重新搜索的缺陷,提出了一种多约束边沿搜索算法——Fringe_MCOP算法.实例研究表明:三种启发式搜索算法扩展的节点数、边数以及算法的执行时间都远小于D_MCOP算法,而且Fringe_MCOP算法在三种启发式算法中性能最优;当给定的约束条件与最优路径的权值向量越接近时,算法的执行效率越高,当网络规模较大时,这一趋势更加明显;当约束条件过于严格而得不到满足约束条件的路径时,A*_MCOP和Fringe_MCOP的算法速度比IDA*_MCOP的算法速度更快,D_MCOP的算法速度最慢.     

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题,目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下,提出与之相应的无人机路径规划问题模型,并根据其特点分析其约束条件以及目标函数,在传统需要优化的基本目标函数之外,额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition, MODCS-PSO/D),该算法使用集合和概率表示粒子的速度与位置,将连续空间中的问题转化到离散空间内,然后结合综合学习策略构建双层粒子群算法,并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition, MOEA/D)平衡多个待优化目标,同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比...     

航站楼内多目标路径规划方法设计与实现

针对航站楼多楼层的室内导航和多目标的路径优化问题,提出一种基于改进遗传算法的航站楼内交通换乘导航路径规划方法:依据航站楼内的空间特征和环境变化建立以路径为权值和以人流密度为权值的双路网,并权衡路径的距离成本、客流拥挤度和时间成本3种因素,建立了航站楼内的多目标路径优化模型.最后使用融合广度优先搜索策略(Breadth First Search,BFS)的遗传算法在本文构建的多层路网中实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.研究结果表明,使用融合BFS的遗传算法在本文构建的多层路网中可实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题,提出一种改进的多目标优化遗传算法。在初始群体的生成中,采用把随机法和基于问题先验知识的启发式方法相结合的策略,以加快收敛速度;在遗传算子的设计中,引入删除、修复和平滑算子,以提高算法的搜索效率;在选择算子中。加入避免外部存储器中出现相同个体的机制,以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

基于改进萤火虫算法的移动机器人多目标路径规划

针对复杂室内环境下移动机器人的路径规划问题,提出一种面向多目标同时优化的改进萤火虫算法;该算法利用栅格地图对机器人作业环境进行建模,将Pareto支配关系引入到萤火虫个体的亮度评价过程,构建精英库保留算法迭代过程中的Pareto非支配解,采用自适应网格划分策略维护种群的多样性;以路径长度、路径安全性和路径平滑度为目标进行运动路径的搜索与优化。仿真结果表明,与经典的带精英策略的非支配排序遗传算法相比,面向多目标同时优化的改进萤火虫算法求得Pareto非支配解集更优越。     

基于多目标遗传算法的路径规划

研究三维地形中的路径规划问题.针对三维地形中路径涉及的因素多,将多目标优化的思想引入路径规划.提出一种基于多目标遗传算法的路径规划方法,设计了优化路径的遗传算法实现方案.使用大范围初始化种群的方法,设计了适合于路径规划的遗传算子.实验证明,该算法能综合考虑多种因素,并能同时提供不同特点的多条路径供决策者选择.     

基于多目标遗传算法的起重机吊装路径规划

采用改进遗传算子操作策略的遗传算法以解决起重机三维空间多目标吊装路径的规划问题.首先建立起重机作业场景和位姿空间的数学模型,将起重机的空间多自由度路径规划问题转化成平面路径点的求解问题.然后确定以吊装路径最短、安全性最好和运动形式变化最少为优化目标,通过添加记忆算子为插入算子和变异算子选取合适的方向和步长进行多目标优化操作.实验证明该算法能综合考虑多种因素,并能同时提供不同特点的路径供决策者选择.     

多目标路径规划问题的算法综述

单目标路径优化模型难以更好的模拟实际生活中复杂多变的状况,相比而言多目标路径优化更贴近于现实,对实际问题更具有指导意义,也是近年来计算机科学和物流科学研究的一个热点问题,产生了众多的研究成果;为全面总结多目标路径优化算法的研究现状,综述了国内外多目标路径优化算法在不同背景下的应用及取得的进展,并按算法的构造方法进行了相应的分类;最后进行了总结分析了存在的问题,并指明其进一步的研究方向。     

基于多目标粒子群优化算法的输电网规划

输电网规划是一个离散型、非线性、多目标的混合整数规划问题,难于求解.提出一种多目标粒子群优化算法用来求解输电网规划问题.在输电网规划模型中考虑了建设投资费用、运行费用及网损费用等3方面的因素.多目标粒子群优化算法基于Pareto支配关系来更新粒子的个体极值,并采用了精英归档技术,粒子的全局极值由档案库中的非劣解提供.使用Matlab7.1对Garver-6节点系统进行仿真计算,结果表明:与传统的单目标遗传算法相比,多目标粒子群优化算法获得的规划方案总费用更低,该方法可以提高输电网规划的经济性水平.     

基于改进蚁群算法的多目标路径规划研究

传统蚁群算法因在复杂环境中容易产生死锁,导致部分蚂蚁失效,造成效率低下,迭代次数增多。为此,提出了一种利用环境信息引入环境因子来调整启发函数的方法从而降低死锁情况的发生,增加了有效蚂蚁的数量,从整体上提高了蚁群的搜索速度,扩大了搜索范围。同时,传统蚁群算法在路径规划中仅在理想地域内寻求最短路径,而多因素环境中最短路径往往并非最优解。为解决此问题通过在不同环境中对转移概率进行加权优化在追求路径最短的基础上提出多目标路径规划,丰富了蚁群算法的实用性和现实意义。最后经仿真实验对优化算法进行验证,证明了上述优化的可行性。     

动态流量多约束优化路径算法

基于多重上联链路网络,建立一个考虑多服务质量(QoS)度量约束限制的网络路径寻优调度模型,并针对时延和剩余带宽提出动态流量多约束优化路径算法(MOPA).基于MOPA和最短路径约束,给出了具有一个多重上联链路的确定性网络拓扑中实现优化流量费用的工程方法.通过分析网络资源现状及目标作用的重要程度,以主次目标形式考虑,建立目标之间的关联,简化多目标之间关系,使用迭代方法求解非线性约束条件下的流量和代价的优化解,动态选择最优路径使流量费用比最优化并实现工程应用.实验表明,该算法适用于多链路网络各种负载下的流量优化.     

多目标优化-改进遗传算法路径规划模型

优化智能算法进行路径规划可以有效缓解用户出行拥堵问题,为此,设计了多目标优化-改进遗传算法(multi-objective-improved genetic algorithm, M-IGA)组合模型。采用Dijkstra算法改进种群初始化策略,完全规避了断路和环路,提高了初始种群质量;设计基于邻接矩阵的深度优先遍历交叉策略、邻接限制半随机变异策略,兼顾算法全局搜索和局部寻优能力,解决了种群多样性降低、过早收敛的问题。同时,在设计适应度函数时,引入个体用户偏好权重系数,综合考虑了平均行驶时间、交叉口延误、道路拥挤状况、道路等级4种因素来进行多目标优化,为用户寻找符合个体期望的最优路径。研究结果表明,所提出模型相比于蚁群算法路径寻优效率提高了54.322 0%;相比于单目标路径寻优,最优路径综合代价降低了23.609 1%,有效避开了拥堵及交叉口多的路段。     

多策略蚁群算法求解越野路径规划

针对车辆的越野路径规划问题,设计了以最少行驶时间为目标的多策略蚁群算法。首先,分析了地形坡度和地表属性对于车辆路径规划的综合影响,通过叠加坡度与粗糙度约束建立了禁忌表;其次,一方面引入了自适应调整策略以提高路径搜索的有效性,另一方面设计了双向搜索策略以增加蚂蚁之间的协作能力和成功路径的搜索机率;另外,还提出了子路径多段交叉策略以提高算法的全局搜索能力和收敛速度,在详细叙述改进算法的步骤之后,优化了算法的部分参数取值;最后,就基本算法和改进算法的性能指标、收敛代数和仿真结果进行了比较与分析。实验结果表明,改进算法能够快速有效地实现越野路径规划,较之基本算法有一定的优越性。     

线性约束多目标规划的非单调信赖域算法

构造了一个解线性约束多目标优化问题的数值算法，该算法把一种非单调技巧与信赖域方法结合起来，从理论上分析，在一般条件下，算法全局收敛于问题的K—T点。     

复杂建筑火灾中的人员疏散路径多目标规划

针对复杂建筑火灾中的人员疏散动态路径优化策略问题,以火灾情境下的动态疏散网络数据模型为基础,结合网络流优化和群智能方法,构建以最短时间、最小风险水平和最大疏散容量为目标的路径优化模型.通过改进的自适应果蝇算法,实现了节点和路径容量受限的动态疏散路径规划.通过对所建模型的性能测试和疏散过程实验,验证了多目标路径优化模型的有效性.实验结果也反映了多目标路径规划策略更加贴近复杂建筑火灾中的人员疏散实际情况,对于规划不确定因素影响下的复杂空间疏散路径具有可行性.     

多目标规划最优条件中等约束函数的讨论

本文以［１］为例，讨论了多目标规划的Ｋｕｈｎ－Ｔｕｃｋｅｒ条件，指出了文［１］中对等约束函数的仿线性假定是不必要的，并在等约束函数满足几种不同的非线性条件下证明了Ｋｕｈｎ－Ｔｕｃｋｅｒ条件的充分性．     

微分方程在多目标规划中的应用

本文利用微分方程对一般多目标优化问题及其约束条件进行了讨论，指出在一定条件下，从问题(1)的任一可行解的某邻域内出发，沿微分方程组(3)的轨线，关于部分变元总收敛到问题(1)的可行解。