基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于免疫应答原理的多目标优化免疫算法及其应用

基于免疫应答原理，合理地构建免疫算子及引入一种新的小生境技术, 提出一种 解决多目标优化问题的免疫算法. 在此算法中，将优化问题的可行解对应抗体及Pareto最优个体对应抗原，这种抗原存于抗原群中,并应用新的聚类算法不断更新抗原群中的抗原, 进而获大量的Pareto最优解, 这些解能很好地分布在Pareto面（此指由Pareto最优解构成）上. 理论证明了该算法能获Pareto最优解. 最后，将该文的算法与文献\[3\]的算法SPEA进行仿真比较, 获该算法的有效性, 此表明免疫算法解决多目标优化问题具有广阔的前景.     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.     

基于免疫算法的车辆路径优化问题

分析了车辆路径问题的研究方法和免疫算法相对于其它进化算法的优势,提出了用免疫算法求解车辆路径问题的方法。在算法的求解过程中,构造了一种新的编码方式,在减少编码长度的基础上能够提高算法的运行效率。通过免疫记忆库的设计以及抗体之间浓度的促进和抑制机制,本算法可以实现解的多样性,避免收敛于局部最优解,同时可以有效地防止在进化的过程中失去最优解的可能性。实验结果表明,本算法可以快速求得优化解,是求解车辆路径问题的一种有效算法。     

基于免疫算法的网络基站规划优化

针对传统网络基站规划方法的不足,提出一种基于免疫算法的优化方法。使用多目标优化方法对基站规划问题进行数学建模,免疫优化算法采用浓度调节选择概率机制、邻近排挤算法、循环交叉和改进的变异操作,能保证解的多样性以及Pareto最优解集均匀分布在前沿面上。仿真结果表明,该算法能够有效获得最优的基站分布方案,覆盖率达到97.6%。     

基于多种群的多目标免疫算法

借鉴遗传算法中采用并行机制避免局部收敛的思想,提出了一种基于多种群的多目标免疫算法。在该算法中建立多个子种群分别进行免疫操作,子种群之间通过优秀个体转移进行信息交换,可有效地提高种群的多样性,加速收敛。采用几种典型的多目标优化函数进行实验,并同常用的多目标遗传算法NSGA-II进行比较,仿真结果表明了该算法能有效解决多目标优化问题且具有一定的优越性。     

带硬时间窗模糊车辆路径问题的多目标优化

针对带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立多目标模糊期望值模型,提出求解该问题的自适应混合多目标粒子群优化算法.该算法根据相位空间的思想给出一种实数编码方式,设计双存档机制,分别存储演化过程中产生的非支配解和有益不可行解,并引入自适应局部搜索、变异和粒子全局向导选择策略.仿真实验结果表明,与多目标进化算法相比,该算法可以获得更优的Pareto解集.     

B2C环境下带预约时间的车辆路径问题及多目标优化蚁群算法

根据B2C(商家对客户)电子商务环境下物流配送的特点建奇=了带预约时间的车辆路径问题(VRP)数学模型,设计了求解多目标优化的蚁群算法,各个目标具有相同的重要性.在蚁群的状态转移概率中引入预约时间窗宽度及车辆等待时间因素,记录优化过程中产生的Pareto最优解,用Pareto最优解集来指导蚁群的信息素更新策略.采用改造...     

多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

物流配送车辆路径优化问题的仿真研究

研究物流配送车辆路径优化问题,由于物流行业要求货物及时配送,又要降低物流运输成本.物流配送车辆路径选择是重点解决的问题,传统优化方法搜索时间长,难以找到最优路径,造成物流配送成本高.为了降低物流配送成本,提高车辆路径优化效率,提出一种蚁群算法的物流配送车辆路径优化算法.首先对物流配送车辆路径问题进行分析,然后建立相应的数学模型,最后采用蚁群算法对车辆路径问题的数学模型进行求解.通过具体实例对算法进行实验,实验结果表明,蚁群算法提高寻优效果,找到的物流配送车辆路径的最优解短于其它算法,降低物流配送成本,并为物流配送车辆路径选择提供了一种有效算法.     

基于量子免疫算法的车辆调度问题优化

为优化带时间窗的车辆调度计算问题,引入量子进化算法,提出了一种混合量子免疫进化算法。首先对传统量子旋转门进行改进,使个体在进化过程中向全局最优位置靠近,从而避免算法早熟并保持种群多样性。其次在迭代过程中,引入免疫算子,提取优秀基因片段作为疫苗,接种到种群中其他个体,避免算法性能的倒退。最后,针对Solomon标准实例库实例数据进行多算法编码仿真实验,结果表明,所提混合量子免疫进化算法不仅能够有效解决类似问题,而且能够显著加速收敛。     

Particle Swarm Optimization for the Vehicle Routing Problem with Stochastic Demands

This paper introduces a new hybrid algorithmic approach based on Particle Swarm Optimization (PSO) for successfully solving one of the most popular supply chain management problems, the Vehicle Routing Problem with Stochastic Demands (VRPSD). The VRPSD is a well known NP-hard problem in which a vehicle with finite capacity leaves from the depot with full load and has to serve a set of customers whose demands are known only when the vehicle arrives to them. A number of different variants of the PSO are tested and the one that performs better is used for solving benchmark instances from the literature.     

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.     

求解带时间窗车辆路径问题的改进粒子群算法

通过分析已有粒子群算法对有时间窗约束的车辆路径问题求解质量不高的原因,提出了一种基于粒子交换原理的整数粒子更新方法。采用构造的双层粒子进化算法分别对8个和20个任务点的有时间窗约束的车辆路径问题求解,数值实验结果表明算法的求解精度和耗时均优于已有算法。     

带时间窗动态车辆路径问题的优化调度策略

针对带时间窗动态车辆路径问题(DVRPTW),根据优化时间点的选取建立DVRPTW的一系列静态子模型,研究优化调度策略,分别是基于新顾客插入后的重复优化方法、批处理的方法或两者的混合。通过定义紧急顾客,提出一种新的紧急顾客插入和分批驱动调度策略,该策略只需实时插入紧急顾客,具有快速响应、计算负荷小和路径计划更新频率低的优点。仿真对比实验比较了4种策略的优劣,并探讨分批优化间隔长度对调度性能的影响。     

基于集成协同PSO算法的车辆路径优化仿真

为提高物流配送效率,减小配送车辆的运输成本,提出采用改进的集成协同粒子群优化(PSO)算法来对路径进行优化。根据车辆路径问题的特点,采用极坐标对路径上的节点编码,并用权重表示其先后顺序,将其转化为连续PSO算法解决该问题。并且针对标准PSO算法存在的早熟问题,通过划分子种群来提高粒子的多样性,并利用集成学习,将粒子的每个维度视为个体学习者进行结合,提高搜索精度,构建了集成协同PSO算法。理论分析和实验表明,所采用的编码方式结合改进的集成协同PSO算法可以有效解决车辆路径问题。