改进的遗传算法在多目标物流配送路径中的应用

物流配送路径优化是物流系统设计的关键环节。针对物流配送路径问题复杂性和多约束性,提出一种改进的遗传算法——自适应免疫遗传算法(AIGA)。该算法利用一种新的免疫疫苗选择策略和免疫操作方法,使得优化过程随进化代数自适应改变,结合并列选择法对多目标物流配送路径进行优化,并给出了解决多目标物流配送路径问题的具体步骤。最后通过仿真验证,该算法的计算效率,收敛性都有明显的提高,验证了算法的实用性和有效性。     

改进的遗传算法及在物流配送路径优化中的应用

物流配送中带有时间窗车辆路径问题（vehicle routing problem with time window,VRPTW）是复杂的NP-Hard难题,本文针对这个问题提出一种改进的遗传算法．针对简单遗传算法容易出现“早熟收敛”的问题,算法设计了一种基于个体浓度的群体多样性保持策略,将其作为选择算子,依据个体期望繁殖率来选择子代,引入新颖的CX交叉算子．通过对实际的物流配送实例进行实验和计算,实验结果表明,该遗传算法可以更加有效地求得有时间窗车辆路径问题的优化解。是解决物流配送车辆路径安排较好的方案．     

蚁群遗传优化算法在物流配送路径选择中的应用

在对车辆路径问题(VRP)分析的基础上,为之建立了数学模型,提出了一种适合求解该问题的蚁群遗传优化算法.提出的改进算法是先通过限制、选择和更新信息素、控制搜索次教,找出路径的满意解,大大缩短了搜索时间;再用所得较好的路径表示作为初始种群,指定为父体,直接进行分组定界操作,将已得路径进行优化改良,求得最佳配送路径.实验结果表明,该算法应用于求解物流配送路径的问题行之有效.     

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.     

车辆路径问题的改进遗传算法研究

在现有的物流管理系统中,车辆路径问题(vehi-cle routing problem,VRP)研究在物流配送过程中的作用显得尤为重要.VRD最早是在1959年由Dan-ting和Ramser[1]提出,其研究的问题可以描述为:有n个商品需求点(可以称之为顾客),各个顾客之间的距离以及商品需求量事先已知,要求从中心仓     

适于物流配送车辆导航路径优化的遗传算法

提出了适于物流配送车辆导航路径优化的遗传算法,分别对遗传算法的初始种群产生方法、交叉方法、变异方法进行了改进,实现了算法中参数的自适应调整.实验结果表明,改进后的算法能避免断路、回路的产生,提高算法的搜索效率和适应性.文中提出的算法能快速有效地求解物流配送车辆导航路径规划中的点到点型路径优化,满足实时性要求.     

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。     

适于物流配送车辆导航路径规划的遗传算法研究

本文主要针对物流配送车辆导航本身的特点,分别对遗传算法的初始种群产生方法,交叉方法,变异方法进行了改进,并实现了遗传算法中参数的自适应调整,提出相应的改进型遗传算法。实验结果表明,本文提出的自适应遗传算法能快速有效地解决物流配送中的点到点型路径规划,能满足物流配送车辆导航实时性的要求,是适于物流配送的有效算法。     

基于改进遗传算法的农产品物流配送模型研究

农产品物流配送过程中时间和成本最小化是一个关键的问题。研究在分析农产品特点和用户需求的前提下构建农产品物流配送路径模型,并利用改进遗传算法对该模型进行求解。实验表明遗传算法和改进遗传算法的最优解分别为16087.9元和15129.6元,最优配送路径分别有9条和10条。改进遗传算法的最优目标函数值为最具有优势。改进遗传算法在求解农产品物流配送模型中具有合理性和有效性,能获取最佳路径和最优目标值。     

基于遗传算法的物流配送车调度优化算法

介绍电子商务物流信息平台中配送车调度问题的解决方法,阐述遗传算法在物流配送问题上的应用缺点,并提出一种基于遗传算法的物流配送车调度的优化算法.     

混合算法在物流分配路径优化问题中的应用

基于鱼群算法和蚁群算法,提出一种混合优化算法用于物流配送路径优化问题中。经过多次对比实验表明,使用混合优化算法可以实现优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解。     

用混合遗传算法求解物流配送路径优化问题

为了改善物流配送路径优化问题的运算质量,提出一种将遗传算法和模拟退火算法相结合的混合遗传算法。通过仿真 实例验证,证明混合遗传算法的解优于单纯使用遗传算法和模拟退火算法所得到的解,同时混合遗传算法与传统优化算法相 比收敛速度更快,分配结果更优良,具有很好的应用价值。     

修正克隆遗传算法在配电网络重构中的应用

运用克隆遗传算法重构配电网络.在分析传统遗传算法应用于电力系统的不足之处的基础上,提出了一种针对电力系统的遗传算法,即提出一种配电网络的简化、染色体编码策略和修正克隆遗传算法.该方法的使用能减少配电网络重构中不可行解,提高有效候选解的比例,从而使GA算法的收敛速度大为提高.算例结果表明作者提出的方法具有较高的计算效率.图2,表3,参11.     

基于遗传算法的配送中心选址问题

配送中心是物流系统的枢纽,配送中心地址的确定是物流系统分析的核心内容．文中根据配送中心选址问题的特点和要求,在运输成本最低的基础上,构造了选址问题的数学模型．并把遗传算法引入到该模型的求解中,通过选择恰当的编码方法和遗传算子,求得了模型的最优解,验证了该模型的正确性．该方法也适用于大规模物流系统配送中心的选址问题．     

基于免疫克隆算法的物流配送车辆路径优化研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,较难得到最优解和满意解．在物流配送车辆路径优化问题数学模型的基础上,构造了一种免疫克隆算法来求解该问题,并在算法中引入了克隆选择、克隆删除、受体编辑、体细胞高频变异、抗体循环补充等思想．仿真计算结果表明,免疫克隆算法能快速收敛于全局最优解,克服了遗传算法中易陷入局部最优解和收敛速度慢的缺点,可有效地解决物流配送车辆路径优化问题．     

基于改进免疫遗传算法的配电网网架规划

为了解决传统方法难以实现配电网网架规划组合优化的问题,针对改进免疫遗传算法具有生物免疫系统中抗体多样性的保持机制和基于抗体浓度的调节更新机制,同时又具有一般进化算法的随机搜索能力,采用改进免疫遗传算法对配电网网架规划进行求解,提高了种群的多样性和遗传算法的全局寻优能力.优化模型以网络年费用最小为优化目标,以线路传输容量、电压降、配电网的辐射性等为约束条件;根据配电网辐射性的要求,以备选网络的生成树作为初始解,从而避免了随机产生初始可行解时速度较慢的弊端.并借鉴支路交换的思想设计杂交算子和变异算子,以避免辐射性检查过程,使得算法的寻优能力大为增强.通过算例验证了该算法的有效性,同时算例结果表明该算法的计算速度比常规免疫遗传算法的计算速度有较大提高.     

物流配送中心选址问题研究

针对需要综合考虑物流配送中心经济性因素、环境性因素和服务性因素的问题,在改进传统遗传算法的基础上,引入了存优操作,进而提高了算法的收敛速度,使得解的个数可以由用户指定,从而更加满足实际的需求.使用层次分析法对改进遗传算法选出的N个最优解进行综合评价,进一步选出配送中心选址的最佳方案.实例分析表明,将改进的遗传算法和层次分析法相结合,可以解决物流配送中心选址问题.     

改进遗传算法在配电网无功优化的应用

提出了考虑配电网运行费用和节电效益的综合目标函数,对于目标函数中的电压越界点和无功补偿容量越界点采用惩罚函数予以解决.无功优化主要采用调整变压器分接头和并联电容器2种方法,笔者采用改进遗传算法实现了配电网无功优化计算,该算法有较好的计算效率和全局寻优能力.通过实例验证了该方法的实用性和有效性.