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。     

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.     

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.     

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。     

求解带时间窗车辆路径问题的混合智能算法

基于布谷鸟搜索算法和单亲遗传算法,设计了一种求解带时间窗车辆路径问题的混合智能算法.该算法首先对客户位置进行聚类分析,然后再进行各区域的路径优化.混合智能算法不仅改进了布谷鸟搜索算法中当鸟卵被鸟窝主人发现后需要随机改变整个鸟窝位置的操作,同时引入的单亲遗传算法加快了最优配送路线的搜索速度.分析和比较了混合智能算法与布谷鸟搜索算法的计算复杂度.最后采用国际通用标准测试集Benchmark Problems进行测试.结果显示,混合智能算法是求解带时间窗车辆路径问题的一种有效算法.     

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。     

禁忌搜索算法求解带时间窗和多配送人员的车辆路径问题

【目的】为了求解带时间窗和多配送人员的车辆路径问题,建立了该车辆路径问题的数学模型,并采用禁忌搜索算法进行求解。【方法】首先松弛车辆载重和顾客时间窗约束,在目标函数里面引入相应的惩罚成本;接着,使用贪婪算法生成初始解;最后,设计禁忌搜索算法求解该问题。在禁忌搜索中,使用了插入、删除、移动、交换等算子搜索邻域解空间,并使用扰动算子进一步加大搜索范围。为了验证禁忌搜索算法的有效性,对修改的Solomon标准测试问题进行求解,并与CPLEX的优化结果进行比较。【结果】在小规模算例求解中证实了禁忌搜索算法的准确性,在标准规模算例求解中证实了该算法的高效性。【结论】所提出的禁忌搜索算法能够有效解决带时间窗和多配送人员的车辆路径问题。     

求解带容量约束车辆路径问题的改进蚁群算法

目的 设计一种改进的蚁群算法求解带容量约束的车辆路径问题(Capacitated Vehicle Routing Problem, CVRP)。方法 使用改进的扫描法进行信息素初始化,同时采用了基于罚函数的适应度函数。结果与结论从4个CVRP数据集中选取了不同规模的41个实例进行了参数设置和对比实验,改进蚁群算法性能优于基本的蚁群算法,具有较强的寻优能力,能够有效求解带容量约束的车辆路径问题。     

一种改进的种群增量学习算法求解带软时间窗的车辆路径优化问题

针对求解带软时间窗车辆路径问题(Vehicle routing problem with soft time windows,VRPSTW),提出一种改进的种群增量学习算法(Improved population-based incremental learning algorithm,IPBIL)优化运输总成本。提出一种新型的3维种群增量学习模型引导算法执行全局搜索,发现解空间中的优质解区域;设计一种基于客户间距离和惩罚成本相关度的交换操作进一步提高解的质量;提出一种关于时间窗问题性质的插入和逆转操作,对优质解区域进行细致搜索。最后,通过仿真实验和算法比较,验证了该文所提出的IPBIL的有效性。     

用混合遗传算法解决有时间窗的车辆路径规划问题

有时间窗约束的车辆路径规划问题是一种NP-hard问题,这种问题往往采用遗传算法来解决.但是传统的遗传算法本身存在的不足将严重影响整个算法的性能.本文设计了一种混合遗传算法,并进行了仿真试验.试验结果表明,用这种算法求解带有时间窗约束的车辆调度问题,可以在一定程度上克服上述问题,从而得到较高质量的解.     

一类带时间窗的行车路线的求解算法

本文对传统的节约算法进行改进,建立了带时间窗的行车路线优化选择问题的数学模型.并给出一具体实例来展示此算法的原理及解题过程.通过实例可以看出,此种算法具有易于计算机实现,易于调整,方法易行、效果理想等优点,能够很好地解决有时间约束的车辆路线安排问题.     

一类带时间窗的行车路线的求解算法

本文对传统的节约算法进行改进,建立了带时间窗的行车路线优化选择问题的数学模型。并给出一具体实例来展示此算法的原理及解题过程。通过实例可以看出,此种算法具有易于计算机实现,易于调整,方法易行、效果理想等优点,能够很好地解决有时间约束的车辆路线安排问题。     

An ant colony algorithm for solving Max-cut problem

Max-cut problem is an NP-complete and classical combinatorial optimization problem that has a wide range of applications in different domains, such as bioinformatics, network optimization, statistical physics, and very large scale integration design. In this paper we investigate the capabilities of the ant colony optimization （ACO） heuristic for solving the Max-cut problem and present an AntCut algorithm. A large number of simulation experiments show that the algorithm can solve the Max-cut problem more efficiently and effectively.     

Ant Colony Algorithm for Solving QoS Routing Problem

Based on the state transition rule, the localupdating rule and the global updating rule of ant colony algorithm, we propose an improved ant colony algorithm of the least cost quality of service (QoS) unicast routing. The algorithm is used for solving the routing problem with delay, delay jitter, bandwidth, and packet loss-constrained. In the simulation, about 52.33% ants find the successful QoS routing , and converge to the best. It is proved that the algorithm is efficient and effective.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

用蚁群算法求解旅行商问题

介绍了一种用于解决复杂优化问题的新的启发式算法--蚁群算法.阐述了该算法的基本原理、算法模型和在旅行商问题中的具体应用过程.研究表明该算法具有并行性,鲁棒性等优良性质.