低碳视角下改进DMBSO算法的垃圾收运路径优化研究

为解决“垃圾围城”难题,设计改进DMBSO算法对垃圾收运路径进行优化。首先,在低碳环保背景下,考虑车辆载重对碳排放量的影响,建立了以最短路径和极小化碳排放量为目标的绿色垃圾收运路径优化模型;然后设计改进DMBSO算法,其包含组间讨论和组内讨论,使算法在全局搜索和局部搜索达到平衡,并且引入逆转算子、启发式交叉算子和精英保留策略,使改进DMBSO算法适用于解决离散组合优化问题;最后对9个标准算例和1个实例进行仿真,结果表明改进DMBSO算法优于BSO和ACO算法,能够同时降低运输距离和碳排放量,具有很好的收敛效果和鲁棒性。     

基于头脑风暴算法的多处理机组合生产批量调度问题

在生产调度领域中,受生产工艺等诸多因素的影响,往往每个生产过程都需要多台机器同时参与加工。同时,待加工的工件数量较多,需要将每种类型的工件进行批量处理,以缩短生产周期。本文在作业车间环境下,根据每个加工过程所参与机器的负荷,采用可变分批方案,提出了非混排多处理机组合生产批量调度模型,并结合头脑风暴优化算法,求解出最短加工时间。提出了一种改进的头脑风暴优化算法,引入贪婪思想与动态讨论机制,讨论次数随着算法的迭代而自适应变化,将全局搜索与局部搜索相结合,加强了算法的搜索能力。实验结果表明,改进的头脑风暴优化算法与基本的头脑风暴优化算法相比,求解效率更高,收敛速度更快。     

“机器人”路径改进型单亲遗传算法规划及其仿真

在中国机器人大赛"机器人游中国"比赛项目的路径规划基础上,为克服遗传算法在有约束组合优化问题中计算效率不高的问题,提出了改进的单亲遗传算法.该算法在传统单亲遗传算法的计算步骤中,引入了交换算子、提前算子和修复算子,较大程度地提高了单亲遗传算法的搜索效率.Matlab仿真试验表明,改进的单亲遗传算法计算效率和路径规划能力得到大幅度提高.     

基于GIS的成都市生活垃圾收运路线优化研究

针对大城市生活垃圾清运不当所带来的成本增加及二次污染恶化问题,提出改进模式下的生活垃圾收运路线优化方案.方案充分考虑实际交通及转向约束情况,在GIS环境下建立求解模型,并采用对应弧问题向点问题转换以减少问题规模和一种聚类蚁群算法对成都市双楠地区生活垃圾收运路线优化进行求解.结果显示在改进模式下有无转向约束的线路优化后单位收运费用分别为12.3元/t和12.2元/t,分别比实际情况节约了34.92%和35.45%,优化效果明显.不仅如此,垃圾收运模式的改进还能有效解决垃圾临时堆放点的二次污染问题,有利城市环境卫生状况的改善.     

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化（Harris hawks optimization,HHO）算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化（improvement Harris hawks optimization,IHHO）算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。     

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。     

丝绸之路经济带危险货物公铁联运路径优化

以丝绸之路经济带为背景,研究危险货物公铁联路径优化问题。组织危险货物公铁联运时,运输路径的选择对于降低作业风险和运输成本至关重要。本文系统分析了公路与铁路的运输成本及风险,建立了兼顾成本（运输成本、碳排放成本、软时间窗惩罚成本）和风险（运输风险）的多目标非线性优化模型,通过线性加权转化为单目标优化问题,并设计了改进非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-Ⅱ）求解。改进种群初始化过程,引入协同选择的精英策略,并改进了交叉算子。最后,结合算例进行求解,结果表明：改进后的NSGA-Ⅱ算法空间分布更为均匀,且前沿跨度更大,优化的运输方案中运输节点更少、运输路径更短;总成本、总风险相比NSGA-Ⅱ算法更低,算法搜索性和求解精度明显提高。     

基于合作协同进化的多回收站点垃圾收运问题求解

随着经济的持续发展和城镇化进程的快速推进,城市生活垃圾的产出量越来越多,垃圾处理成本不断增大,其中垃圾收运成本占据相当大的比例,为此分析了一种实际生活中复杂的垃圾收运问题——多回收站点的垃圾收运问题(multi-station refuse collection problem, MSRCP),并将其映射为多中心车辆调度问题,从而建立了以最小车辆运输费用为目标的多回收站垃圾收运问题模型.依据MSRCP的特点,设计了一种基于协同进化(cooperative co-evolutionary, CC)作为外部框架的问题求解方法.首先使用改进聚类算法,将各垃圾收集点分配至合适的回收站点,从而将MSRCP转换成若干单回收点的垃圾收运问题.以各回收站点为中心,采用一种混合遗传算法(hybrid genetic algorithm, HGA)进行车辆路径规划.最后,以安庆市大观区生活垃圾收运为例进行了上述模型及其算法的验证,结果表明,该算法在降低复杂垃圾收运的运输费用时,具有良好的性能.     

混合离散粒子群算法求解机器人装配线平衡问题

以最小化总成本为目标，将一组工序和机器人分配至工作站上的问题称为面向成本的机器人装配线平衡问题(cRALBP),为了解决此NP难问题，提出一种混合离散粒子群优化(HDPSO)算法.首先，对于给定工序，设计动态规划方法直接获取工序对应的最优机器人分配方案，从而缩小搜索空间，提高算法的全局寻优能力.然后，提出一种新的算法框架，其通过融合路径重连加强算法的局部搜索能力，并通过汉明距离评估解之间的差异，选择采用多片段交叉算子或者片段变异算子进行粒子更新，取代随机选择算子的方法，从而实现算法全局搜索和局部搜索的平衡.将所提出的HDPSO算法与最新的粒子群、人工鱼群算法在144个算例上进行对比，验证了HDPSO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。     

针对机器人路径规划问题的改进型遗传算法

针对路径规划的"求解质量"和"求解效率"2个问题,在传统遗传操作的基础上,通过在遗传操作中加入优化算子,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和仿真试验表明,算法的改进是有效的.     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

基于Q-IGA动态拟合贝塞尔曲线的路径规划

为在路径规划过程中得到一条适用于实际情况的最优路径,并克服遗传算法自身固有的易收敛于局部最优解和复杂度较高的缺点,提出一种基于Q-IGA（Q-standard Improved Genetic Algorithm）算法动态搜索贝塞尔曲线控制点的路径规划算法. 该算法摒弃利用贝塞尔曲线直接拟合最优路径的静态方式,使路径搜索与控制点搜索两个过程同时进行;并且在选择算子中添加一个判断准则,利用Q值检验法剔除相似度较高的解决方案,增强种群的多样性;与此同时,优化适应度函数,加入机器人体积及转弯角度带来的代价,使选择出的路径是一条距离较短且与障碍物保持安全距离的合理路径. 仿真结果表明,Q-IGA算法比改进人工势场法和混合遗传算法得到的路径更为合理,可降低机器人耗能,减少搜索时间,更适于实际的工业应用.     

基于飞蛾火焰算法的AUV三维全局路径规划

针对存在静态地形障碍和不规则海流的复杂海洋环境下的自主水下航行器（autonomous underwater vehicle,AUV）全局路径规划问题,采用飞蛾火焰优化（moth-flame optimization,MFO）算法搜索获得能耗最优的无碰路径。首先,将搜索空间栅格化后随机生成一组满足避碰需求的初始路径作为...     

一种求解双目标校车路径问题的蚁群优化算法

校车路径问题(SBRP)是在满足学生交通服务各种约束条件的前提下,寻求高效的校车路径方案,将学生从乘车站点运送到学校,达到一定的服务质量目标和校车运营效率目标.现有SBRP算法主要优化校车路径长度目标,较少关注如何减少所需校车数量.鉴于减少校车数量能显著降低校车服务成本,尝试设计蚁群优化(ACO)算法求解双目标SBRP问题.在校车容量和学生最大乘车时间约束下,将减少路径数量作为第一目标,缩减路径总长度为第二目标,设计了一个ACO算法.重点讨论了校车路径构造算法、与优化目标相关的信息素更新方法、局部搜索路径改进和提升双目标的两阶段策略.采用基准案例进行测试,验证算法的有效性.与CPLEX精确算法相比,ACO算法在求解路径数量和计算效率方面具有明显的优势.     

基于蚁群算法的物流配送路径优化研究

在实际生活中,如何选择最优的物流配送路线是物流车辆调度系统中最重要的问题之一。首先,针对物流配送路径优化问题,充分考虑了车辆路径的约束条件,以成本最小化和最大限度减少碳排放量构建了一种路径规划多目标优化模型;然后利用蚁群算法对其进行了求解,该算法在问题空间的多点同时开始独立的解搜索,保证了算法具有较强的全局搜索能力,并且具有较强的鲁棒性;将该算法应用到实际问题上运用MATLAB软件进行实验仿真,计算出最优的车辆配送路径方案;仿真结果表明:该模型和算法能较好地解决相关物流配送路径问题,从而提高物流服务的质量。     

钢铁企业产成品转库车辆路径问题优化

分析了钢铁企业产成品转库问题的特点,通过将转库任务分解的方法将原问题转化为具有最迟访问时间约束和同时访问车辆数限制的车辆路径优化问题,建立了转换后问题的0-1规划数学模型,针对模型的特点设计了迭代局域搜索算法.算法初始解由贪婪算法生成,局域搜索过程采用4种常用局域搜索算子的混合,摄动过程采用变强度的2-opt*算子.该算法可以同时实现转库车辆指派和车辆路径优化.通过仿真生成的算例对模型和算法进行了验证.实验结果表明,该模型和算法是解决该类问题的有效方法.     

车辆路径问题的一种先寻路后分组算法

针对车辆路径问题(VRP)设计了一种元启发式算法。引入先寻路、后分组的策略,首先对顾客点序列采用Lehmer编码,设计辅助算子进行变异操作,用差分进化算法求出基于所有节点的TSP解,然后根据运货量的约束条件将其切割成VRP解。再通过禁忌搜索改进解,得到的结果再次作为初始解之一进入算法循环。仿真计算得到了最优解,结果表明该算法是有效的。     

基于改进型蚁群算法的最优路径问题求解

如何向用户提供"高质量"的最优路径是导航系统应解决的关键问题.针对该问题,文中提出了带多个路径质量约束的最优路径数学模型.为求解该模型,在蚁群算法的基础上重新设计信息素局部更新规则和全局更新规则,引入信息素更新算子,动态调整、增加最优路径上信息素的规则,并通过改进能见度启发因子,得到改进型蚁群算法.仿真实验证明,改进后的蚁群算法具有良好的寻优性和收敛性,能准确找出路网中满足路径质量约束的最优路径.     

多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.