基于小生境遗传算法的自动化仓库固定货架拣选优化

对自动化仓库固定货架拣选优化问题进行了描述,提出了求解该问题的小生境遗传算法.算法采用自然数编码,利用共享函数使种群呈现多样性,并且加入了局部扰动操作和改进的交叉、变异操作,提高了算法的全局寻优能力.介绍了算法的原理,对算例进行了计算,并与文献中优化结果进行了比较.对算例结果进行分析表明,该算法可以更有效地求得固定货架拣选问题的优化解,是解决该问题的有效方法.     

基于蚁群遗传算法的自动化立体仓库拣选路径优化

合理优化货物的拣选路径是提高自动化立体仓库运行效率的一种有效方法。通过分析自动化立体仓库拣选作业的工作流程与特点,为自动化仓库拣选作业建立优化数学模型,首先利用蚁群算法生成优异的初始种群,然后通过遗传算法对该数学模型进行优化求解。仿真结果表明该模型是可行的,蚁群遗传算法的混合不仅得到更精确的结果而且加速了算法的求解速度,从而能够改善拣选作业的效率。     

物流中心高层货架拣选作业的路径优化

为满足拣选作业调度优化的要求, 针对拣选式高层货架仓库中拣选作业路径优化问题的特点, 利用人工鱼群算法对其数学模型进行求解. 通过对基于时间最短和基于路径最短的两种模型的特点进行分析, 提出可利用路径最短的目标条件对多个的拣选时间最优解来进行再次筛选来达到进一步优化, 并通过算例进行验证. 仿真结果不但验证了人工鱼群算法在优化拣选路径问题上的有效性, 也证明了在拣选时间最优解基础上进行最短路径筛选的可行性.     

仓库拣货员多任务路径优化

随着供应链思想在本世纪初的发展,越来越多的企业注意到仓库管理的重要性。为了有效提高仓库管理的工作效率,往往需要结合科学技术来实现。聚焦于优化仓库中的拣货路径,探究当拣货员在仓库执行多任务时如何实现最优路径规划。总结了拣货员从当前位置运动到下一位置的路程计算公式;提出了利用遗传算法,采用多次单目标规划策略求解拣货员多任务时的最短路径;引入了距离查找表以解决因大量计算两点间的距离而导致求解过程耗时的问题。通过实验,对比验证了所提方法的可行性和有效性。     

基于群智能算法的SVR参数优化研究进展

支持向量回归机（Support Vector Regression,SVR）是建立在统计学习理论上的一种机器学习方法,主要用来处理回归问题。选取到合适的参数是实现支持向量回归机算法优势的前提,但在实践中仍然存在模型参数选择困难的问题。群智能算法主要是模仿自然界生物种群社会行为规律的元启发式算法,具有简单性、自适应性、灵活性等特点,现已成为非线性参数寻优方法的研究热点。系统综述了利用群智能算法优化支持向量回归机参数的研究进展。在介绍支持向量回归机基础理论之后,系统分析了常见群智能算法及其改进方法实现支持向量回归机参数优化选择的优点与不足,并对未来的研究方向及挑战做出展望。     

双伺服机分层旋转货架拣选路径优化的两级遗传算法

提出求解一类组合优化问题的新方法。首先通过虚拟点法把双拣选台问题转化我单拣选台问题,然后将启发式规则与遗传算法相结合,提出一种两级遗传算法。仿真结果表明了该算法的有效性。     

动车组检修物料拣选路径优化仿真

动车组检修物料拣选是备料过程的主要耗时环节,拣选路径优化有助于减少拣选时间,提高动车组检修效率。动车组检修物料分批次随机存放在多个储位,即1种物料对应多个储位,现有的拣选路径优化基于1种货物对应1个储位前提,现有方法难以解决该问题。在动车组检修物料仓储布局、物料需求、拣选车最大载量确定的前提下,以拣选路径总长度最短为目标,建立储位选择和路径规划进行整体优化模型,基于模拟退火算法设计求解算法。通过算例验证,与基于就近原则的拣选路径决策方法相比,通过储位选择和拣选路径整体优化,拣选路径能缩短12.5%。     

双区型仓库订单分批与拣选协同优化研究

针对订单分拣效率低下导致商品出库缓慢的问题,提出一种基于双区型仓库订单分批与拣选的协同优化模型,设计求解模型的CWDP-BSA（clarke-wright and dynamic programming & backtracking search algorithm）协同优化算法。在节约算法中引入快速排序法对订单组合的距离节约值排序,考虑AGV承载量,运用多阶段决策过程最优策略得出状态转移方程求解订单分批模型,确定初始分批方案;并采取多因子选择的回溯搜索算法求解拣选路径模型,以此确定初始拣选方案。再以以上两方案为基础,建立新的基于订单时间窗的订单分批和拣选协同优化模型并求解,进一步优化订单分批和拣选方案。最后通过对比实验得出,平均每批次订单的拣选距离减少了约24.56%,优化后的拣选时间比优化前缩短了约11.4%,在求解不同规模算例时,CWDP-BSA算法的求解结果优于CPLEX软件和其他算法,验证了模型与算法的稳定性和有效性。实验表明,协同优化后的订单分批与物品拣选策略能够有效提升订单出库效率。     

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。     

智能算法在机器人路径规划中的应用研究

移动机器人技术研究中的一个重要领域是路径规划技术。综述了智能算法在移动机器人路径规划技术中的发展现状,指出了各种方法的优点与不足。最后对移动机器人路径规划技术的发展趋势进行了展望。     

基于改进蚁群算法拣选作业优化问题的求解

合理优化拣选作业是提高自动化仓库整体运行效率的重要策略。针对自动化仓库固定货架拣选作业的特点,构建了货物拣选路径优化问题的数学模型,采取候选节点集合策略、选择算子及自适应调整算法参数改进措施,设计一种改进的蚁群算法。实验表明,该算法具有较好的全局寻优能力,收敛速度大幅度提高,能够较好地满足中大规模拣选作业要求。     

群智能算法的研究进展

群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。     

一种基于群智能算法的图像匹配算法

图像匹配是图像处理技术中的重要研究领域,也是图像融合的基础。现有的图像匹配方法存在匹配速度慢、匹配精度低等问题。为了提高匹配效率,笔者采用群智能算法作为搜索策略搜索最优参数,提出了一种基于群智能算法的图像匹配算法。基于此,介绍了图像匹配的三个基本要素、分类以及性能评价指标,阐述了布谷鸟算法,并利用布谷鸟算法改进了原有的匹配算法。实验结果证明,基于群智能算法的图像匹配算法合理有效。     

群智能算法高性能计算平台探究

近年来,各研究学者通过基于生物学在动物等群体研究成果的基础上,提出了群智能的概念。群智能技术主要针对生物在群体的社会性活动的理论抽象的基础上,通过进行模拟,以期解决目前遇到到各种结构方案的优化症结。阐述了当前在群智能算法领域的一些主流的算法,并在分析的基础上,对蚂蚁优化算法在高性能计算平台的硬件实施方面提出了一些探究性意见与看法。     

基于混合遗传算法的多巷道间移动拣选优化

针对需要在多个巷道中移动作业的订单拣选问题,设计了存储仓库布置图的数据结构,通过事先把节点之间的最短距离和最短路线计算出来,然后在求订单中任意两个货位间的最短距离时,借助其邻接节点来求。在此基础上设计了一种混合遗传算法来求解问题,并对每一代的最优个体使用Lin-Kernighan算法进行优化。实验结果表明改进的混合遗传算法所求得的解的质量以及收敛速度都有较大提高。该方法可用于超市、书店等需要拣选设备或人员在多巷道间移动拣选的情况。     

基于量子粒子群优化算法的车辆路径问题

针对粒子群优化算法的搜索空间有限、容易出现早熟现象的缺陷,提出将一种基于量子行为的粒子群优化算法用于求解车辆路径问题.车辆路径问题是组合优化问题中的NP-难问题.将量子粒子群算法用于车辆路径问题求解,用粒子的位置表示车辆路径,建立车辆路径的数学模型.与粒子群算法相比,量子粒子群算法提高了最优路径搜索的成功率,能更有效的求解问题.     

一种改进的群搜索优化方法

标准的群搜索优化(GSO)方法是一种适用于解决高维函数优化问题的群智能算法,且简单、高效,易于实现.为了进一步提高其收敛速度和精度,对该方法进行了改进.在保留其“发现者-追随者-游荡者”框架的同时,改进的GSO方法将最大下降方向策略引入发现者行为.在每轮迭代中,发现者不但按照自身方向进行搜索,同时也根据最大下降方向进行搜索.分别通过23个基准测试函数对2种优化方法进行测试,结果表明:改进的GSO方法优于标准群搜索方法.     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.     

基于粒子群优化算法的移动机器人全局路径规划

提出了一种基于粒子群优化算法的移动机器人全局路径规划方法.该方法首先进行环境地图建模,通过坐标变换在路径的起点与终点之间建立新地图,然后利用粒子群优化算法获得一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,而且模型不依赖于障碍物的形状.仿真实验证实了该方法的有效性.