基于改进鲸鱼算法的长江经济带配送问题研究

长江经济带物流配送很大程度影响着我国物流成本和企业竞争力。因此,对长江经济带配送问题的求解算法进行研究。建立长江经济带配送成本最小的数学模型;采用混沌机制、自适应惯性权重、蛙跳算法和模拟退火算法对鲸鱼算法(WOA)进行改进,提出改进WOA(IWOA);对长江经济带配送实例和4个国际标准算例进行测试。仿真实验中,IWOA能够有效求解实例,且能够求得1个与更新1个小规模国际标准算例最优解,求出大规模国际标准算例的最终解与最优解相差1.4%以内,求得各算例平均值、算法平均运行时间均优于WOA、遗传算法(GA)和粒子群算法(PSO)。结果表明,IWOA性能优于WOA、GA和PSO。     

考虑装卸顺序的岸桥与集卡协调调度问题研究*

为解决集装箱港口岸桥和集卡资源紧张的现状,减少集装箱处理时间,针对岸桥和集卡协调调度问题,在只有进口箱的条件下,综合考虑岸桥干涉和集装箱优先级等约束,建立一个以最小化最大完工时间为目标的混合整数线性规划模型,并使用遗传算法(GA)求解该模型。其次对不同规模的问题分别使用遗传算法(GA)和粒子群算法(PSO)求解并比较。实验结果表明,对于该问题模型遗传算法(GA)算法优于粒子群算法(PSO)算法,遗传算法是有效的。     

GA与PSO解DE与LP问题的效率比较

遗传算法和粒子群算法都具有很强的搜索能力,在最优化问题中有着极其广泛的应用.文章针对常微分方程(DE)近似解和一般线性规划(LP)问题的解利用遗传算法和粒子群算法求解,深入的比较和分析了GA与PSO在这两种优化问题中的效率.在固定其他参数而调整群体数量的基础上比较了GA与PSO在微分方程近似解和LP问题解的优化能力.     

基于改进遗传算法的生鲜多目标闭环物流网络模型

针对生鲜产品闭环物流网络中存在的经济成本高、碳排放量大、社会效益重视不足等问题,综合考虑退货量的不确定性,以经济成本最小、碳排放最小、社会效益最大为目标,建立了不确定条件下的生鲜多目标闭环物流网络模型。首先,利用改进的遗传算法(GA)求解该模型;然后,结合上海某生鲜企业运营管理数据,验证了模型的可行性;最后,将改进的GA的结果与粒子群优化(PSO)算法的结果对比,验证了算法的有效性,凸显了改进的GA在求解多目标的复杂约束问题时的优越性。算例结果表明,多目标优化满意度达到0.92,高于单目标优化满意度,展示了所提模型的有效性。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

基于粒子群优化的军事物流配送中心选址

针对当前军事物流配送改革中配送中心选址问题,在成本最小的基础上,构建了一个混合整数规划模型,并将粒子群优化算法(PSO)引入到模型的求解中,采用离散PSO解决物流配送中心选择问题,用基本PSO解决货物运输分配问题,通过嵌套调用离散PSO和基本PSO,得到模型最优解.该方法降低了计算复杂度,有效选择了物流配送中心,优化了军事物流网络.实例表明了方法的可行性和有效性.     

一种具有双重进化空间的扩展粒子群优化算法

为了使粒子群优化(PSO)适于求解更多类问题,提出一种由动力空间和制导空间共同进化的改进粒子群优化算法-具有双重进化空间的扩展粒子群优化算法(简记EPSO).在EPSO中,在演化转换映射的作用下,首先将动力空间中对粒子辅助位置的进化转换为制导空间中对主导位置的进化,然后基于对主导位置的择优选择操作实现算法的进化过程.EPSO克服了PSO仅适于求解连续域最优化问题的缺陷,也非常适于求解离散组合优化问题.对于随机3-SAT问题、背包问题和TSP问题,通过与PSO、ACO和GA等算法的计算对比表明:EPSO是一种继承了PSO优点的高效、扩展演化算法.     

考虑多种运输方式的整车物流服务供应链订单分配问题

针对整车物流服务供应链的订单分配问题，提出了考虑多种运输方式的双层订单分配模型。首先，考虑到运输方式会影响运输成本、客户的准时送达要求等因素，建立以准时送达和最小化物流采购成本为目标的双层规划模型；其次，设计启发式算法（HA）确定各运输方式的任务量；然后，借助混合蛙跳算法（SFLA）求解各功能物流服务提供商间各运输方式的任务量分配；最后，通过不同规模的算例与遗传算法（GA）、粒子群算法（PSO）、蚁群算法（ACO）等进行求解对比。算例结果表明，与原有的成本438万元相比，所提模型得到显著优化的421万元，说明所构建模型的订单分配方案能够更有效解决整车物流的订单分配问题。实验对比表明，较传统智能算法（GA、PSO、ACO）的求解结果，两阶段的HA-SFLA算法能更快得出显著优化的结果，说明HA-SFLA算法能更好地求解考虑运输方式的双层订单分配规划模型。在满足客户送达时间要求的同时，考虑运输方式的双层订单分配模型及算法显著降低物流成本，促进物流集成商为获取更多利益而在订单分配阶段考虑运输方式。     

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

改进的粒子群算法在旅行商问题中的应用

针对基本粒子群优化算法(PSO)容易陷入局部最优的缺点,将模拟退火算法(SA)引入PSO,提出一种新的粒子群算法求解旅行商问题。该算法结合了PSO的快速寻优能力和SA的概率突跳特性,保证了群体的多样性,避免了种群的退化。通过与SA、基本遗传算法和基本蚁群算法进行对比实验,证明了该算法求解TSP的效果最好,且简单易实现、实用性较高。     

多群协同PSO优化算法的WTA问题求解

在现代作战指挥的研究中,武器目标分配(WTA)问题是一种典型的NP问题,针对基本粒子群(PSO)算法易于陷于局部最优解的情况,为提高速度和求解精度,提出用多群协同PSO算法求解WTA问题,设计了一种新的种群生成编码方法,缩小了可行解空间,并给出了采用多群协同PSO算法进行求解WTA问题的详细步骤.对于大规模WTA问题,将三群协同、四群协同PSO算法与基本PSO算法进行了比较,仿真结果表明了多群协同PSO算法当WTA问题规模较大时,在求解精度、收敛速度方面的优越性,能够有效求解WTA复杂而困难的问题.     

求解优化问题的混合PSO-Solver算法

融合了粒子群算法(PSO) 和Solver 加载宏,形成混合PSO-Solver算法进行优化问题的求解。PSO作为全局搜索算法首先给出问题的全局可行解,Solver则是基于梯度信息的局部搜索工具,对粒子群算法得出的解再进行改进,二者互相结合,既加快了全局搜索的速度,又有效地避免了陷入局部最优。算法用VBA语言进行编程,简单且易于实现。通过对无约束优化问题和约束优化问题的求解,以及和标准PSO、其他一些混合算法的比较表明,PSO-Solver算法能够有效地提高求解过程的收敛速度和解的精确性。     

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。     

应用新型萤火虫算法求解Job-shop调度问题

Job shop调度问题是一类具有很高理论研究和工程应用价值的问题。针对该问题提出一种新型萤火虫求解算法,分析了萤火虫算法的仿生原理,给出了萤火虫算法求解JSP问题的求解步骤,并通过典型基准测试实例对算法进行了仿真实验,并与GA和PSO算法进行了比较,验证了该算法参数少,操作简单,收敛速度快,在生产调度中有广泛的应用前景。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

基于猴群算法和单纯法的混合优化算法

针对猴群算法求解全局优化问题精度不高和花费大量的计算时间等问题,结合传统的单纯法的搜索思想,设计出一种基于猴群算法和单纯法的混合算法。该混合算法较大程度上提高了猴群算法求解精度,且加快了猴群算法的收敛速度。通过18个标准测试函数进行了测试,结果表明, 与PSO、GA与MA比较,文中提出的猴群-单纯形混合算法在函数优化方面有较强的优势,其测试函数最优解更接近理论最优解。     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

基于种群多样性的自适应PSO算法求解VRPSPD问题

为有效求解逆向物流车辆路径(VRPSPD)模型,本文提出一种基于种群多样性的自适应PSO算法(SDAPSO)。在SDAPSO运行时,根据种群多样性,自适应地对种群中运行较差的粒子进行扰动操作,提升这些粒子向最优解收敛的能力;同时,对全局最优粒子进行概率扰动,以增加种群的多样性。标准检测函数的仿真结果表明SDAPSO算法是对基本PSO算法的有效改进。在对VRPSPD模型求解中,通过与其它粒子群算法相比,表明SDAPSO是求解该类问题的一种有效方法。     

云计算资源的动态随机扰动的粒子群优化策略

云计算环境中的资源具有动态性和异构性,大规模任务资源分配的目标是最小化完成时间和资源占用,同时具有尽可能好的负载均衡,这是一个非确定性多项式（NP）问题。借鉴智能群体算法的优点,提出基于改进的粒子群优化（PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先,将PSO的惯性权重常数修改为变量,实现对求解过程收敛速度的合理控制;其次,缩小每次迭代的搜索范围,在保留候选最优集合的前提下减少无效搜索;然后,引入选择操作,筛选出优质个体并传递到下一代;最后,设计随机扰动,提高候选解的多样性,在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试,结果表明,处理同构任务时,在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA）+PSO算法,总执行时间比SAGA减少13.7%~37.0%,比GA+PSO减少13.6%~31.6%;其资源耗费比SAGA减少9.8%~17.1%,比GA+PSO减少0.6%~31.1%;其迭代次数比SAGA减少15.7%~60.2%,比GA+PSO减少1.4%~54.7%;其负载均衡度比SAGA减小8.1%~18.5%,比GA+PSO减少2.7%~15.3%,且波动幅度最小。处理异构任务时,三种算法表现出相似的规律：CPU型任务的总执行时间最多,混合型任务次之,IO型任务最少,DRDPSO的综合指标最好,较为适合处理多种类型的异构任务,而GA+PSO算法适合快速求解混合型任务,SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时,能够较为明显地缩短总的任务执行时间,不同程度地提高资源利用率,并适当兼顾计算节点的负载均衡。