战时物流配送车辆路径优化问题

采用一种新的信息素更新方式对传统蚁群算法进行改进,有效解决了带硬时间窗的车辆路径优化问题;建立考虑战场环境中敌方火力打击影响的物流配送车辆路径优化模型,采用所提算法得出优化路线;进一步考虑不同作战单元对物资需求的可能变化,将排队策略用于算法求解过程,得出适应需求变化的后续配送路线,并通过仿真实验结果验证了相应配送路线的合理性.     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

改进蚁群与势场融合算法的平滑路径规划

针对不同环境下智能车辆路径搜索问题和传统蚁群算法收敛速度慢、容易陷入局部最优等情况，建立栅格地图模型，设计了一种改进蚁群与势场融合算法的平滑路径规划算法。在传统蚁群算法中引入了势场合力变化系数，与人工势场法相融合，减少了陷入局部最优的情形；引入自适应信息素调整策略和精英蚂蚁增加信息素提高算法收敛速度，保证了算法搜索时的有效性；对规划出的路径进行拐点处理使得路线更加平滑、安全。仿真结果显示：改进算法在稀疏障碍物下比文献[13]算法和基本蚁群算法提升了27.7%、81.1%;密集环境下分别提高36.9%、79.0%,并且路径长度与文献[13]相差很小，拐点数量也要小于其它两种算法，路线更加安全平滑。     

基于IC度优化的蚁群多级路径优化策略

栅格中的节点调度路径规划问题一向是信息栅格中的关键需要解决的技术。针对基本蚁群算法在复杂的栅格资源调度中容易出现停滞现象这一缺陷,对基本蚁群算法进行改进,提出了一种基于IC度优化的蚁群多级路径优化策略,该策略根据优化过程中平均信息素分布度,增强全局（或局部）最优解和全局（或局部）次优解的路径上的信息量浓度,从而有效地克服了传统蚁群算法中容易陷入局部最优解的问题。实验证明,基于IC度优化的蚁群多级路径优策略比传统蚁群优化策略具有更好的搜索全局最优解的能力,特别对于路径搜索问题,其收敛性较传统蚁群算法有明显提高。     

粒子群算法的物流配送路径优化研究

研究物流配送路径优化问题,物流配送路径优化要找到一条配送车辆少,路径总长度最短的最优配送路线,并具有配送快速性。传统算法搜索最优路线时间长,难以找到最优配送路线,导致物流配送成本高。为了提高快速找到物流配送路径最优配送路线,提高物流服务质量,提出一种粒子群算法的物流配送路径优化方法。首先根据物流配送路径问题的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,最后通过具体实例进行仿真测试,结果表明,粒子群算法不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本。     

蚁群优化自适应遗传算法物流车辆调度实现

研究了使用蚁群算法优化遗传算法解决物流车辆调度问题;针对遗传算法在求解车辆调度问题时容易出现早熟,导致求解质量不高的问题;首先,定义了车辆调度问题的数学模型,在此基础上提出了一种对遗传算法中的交叉和变异概率进行自适应调整的方法,通过自适应遗传算法获得最优解;为了实现对其进一步的优化,使用蚁群算法提出一种对遗传算法最优解的进行优化的算法,将从遗传算法获得的最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得到了进一步优化的最优路径;仿真实验得到平均最小配送距离仅为40.72,时间为2.11,计算效率较高,且与标准遗传算法、自适应遗传算法和蚁群算法相比,文中方法在最小配送距离、迭代数以及时间都具有较大优越性。     

基于车辆路径问题的蚁群算法参数的优化

蚁群算法是一种解决组合优化问题的有效算法,已得到日益深入的研究,并逐渐得到应用。蚁群算法的一个不足是,算法参数的设置往往凭借经验,缺乏充足的依据。文章以车辆路径问题（vehicleroutingproblem,VRP）为例,从一个烟草配送的智能决策系统中抽取一定量的数据,对蚁群算法中各参数与算法收敛性之间的关系进行了大量的仿真实验,通过对实验结果的分析,给出了解决此类问题时的一种优化算法参数的方法。     

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.     

一种新的动态物流配送路径问题的研究*

通过对物流公司配送特点的认真分析,将人工免疫算法与蚁群算法结合起来,提出基于免疫疫苗的蚁群优化（ACOIV）,设计并实现了一种解决动态物流配送路径问题的方法。首先对初始抗体接种疫苗,产生较优解;然后蚁群根据此较优解初始化信息素,进而找出全局最优解。实验表明,接种疫苗的蚁群算法能更快更准确地找到最优解。     

考虑紧急度的救灾车辆路径问题建模与优化

为了减少救灾物资配送的延误时间和救灾车辆的总运输时间，引入紧急度的概念，建立了基于紧急度的救灾物资车辆路径问题模型，并设计了一种改进遗传算法对该模型进行求解。首先，采用多种策略生成初始种群；然后，提出一种基于紧急度的任务再分配算法作为局部搜索算子，该算法依据紧急度为延误安置点重新安排配送车辆或调整配送顺序从而减少延误时间，对无延误的车辆优化其路线从而减少总运输时间，以达到延误时间和总运输时间两者最优。在17个数据集上与先来先服务（FCFS）算法、按紧急度排序（URGS）算法和遗传算法（GA）三种算法进行了对比。实验结果表明，具有基于紧急度的任务再分配策略的遗传算法（TRUD-GA）与GA相比，平均延误时间减少25.0%，平均运输时间减少1.9%，与FCFS、URGS算法相比改进则更加明显。     

一种基于改进蚁群优化的QoS路由算法

蚁群优化（Ant Colony Optimization,AC0）是一种新型的分布式仿生优化算法,可有效地用来解决组合优化问题,而网络路由优化问题则正是组合优化问题当中的一种。因此,本文首先分析了常用路由算法与蚁群优化的基本原理,根据网络路由优化问题与蚁群优化算法的许多匹配特性,提出了一种基于改进蚁群优化的QoS路由算法（Route Algorithm based on Improved Ant Colony Optimlzation,RAIAC0）。最后,通过实验分析,对其可行性进行了证明。     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

带有狮王竞比参数的蚁群优化算法

由于蚁群算法采用随机选择策略,使得进化速度较慢,容易出现停滞现象,从而不能对解空间进一步进行搜索,不利于发现更好的解.针对以上问题,提出了一个带有狮王竞比参数的蚁群优化算法.该算法借鉴狮子种群生存竞争中狮王法则的作用,减少大量不必要的搜索,从而大大缩短了求解时间,同时又引用了最大—最小蚂蚁系统(MMAS)算法对信息素的限制,有效地控制了搜索停滞的问题.通过结合MMAS算法的仿真,结果表明:带有狮王竞比参数的改良算法,在求解同样TSP问题时,大大地缩短了优化时间,并且得到了更优的解.     

基于改进蚁群算法的贴片机贴装过程优化

为提高贴片机生产效率,对贴片机贴装过程中的元器件拾取贴放顺序进行优化,提出一种改进的蚁群算法。该算法将分散搜索算法中的参考解集引入到cunning蚁群系统中,使其参与到蚁群对解的搜索,从而提高算法的全局搜索能力。实验结果表明,该算法在多数情况下能够搜索到优于传统cunning蚁群系统的解。     

基于蚁群算法的自动化仓库路径优化

采用蚁群优化算法解决自动化仓库中存取路径优化问题。通过多次求解后发现寻优过程的关键,是适当控制蚁群算法的正反馈作用。在计算过程中加小扰动入分量y（t）,可有效地控制正反馈。通过组态王软件进行系统组态设计,上位机对立体仓库现场设备进行数据采集与处理,下位机PLC控制拖动系统在立体仓库的行与列方向运动,使得自动完成存货和取货直观、方便灵活。     

改进蚁群算法FENA2O解决TSP问题研究

为了解决传统蚁群算法解决TSP问题时收敛速度慢、易陷入局部最优的问题,提出了一种名为FENA2O的改进蚁群算法。通过寻找并更新精英蚂蚁行走路径来提高收敛速度,通过规定蚂蚁数量来降低陷入局部最优的可能,配合2-Opt算法进一步优化所得路径。实验结果表明,算法改进后的收敛速度得到了较大提高,并能够有效解决局部最优。     

蚁群与粒子群混合算法求解TSP问题

旅行商问题（TSP）是最古老而且研究最广泛的组合优化问题。针对TSP问题,提出一种蚁群与粒子群混合算法（HAPA）。HAPA首先将蚁群划分成多个蚂蚁子群,然后把蚂蚁子群的参数作为粒子,通过粒子群算法来优化蚂蚁子群的参数,并在蚂蚁子群中引入了信息素交换操作。实验结果表明,HAPA在求解TSP问题中比传统算法和同类算法更具优越性。     

基于改进蚁群算法的无人飞行器航迹规划

无人飞行器航迹规划是现代战争中实施远程精确打击,提高飞行器实际作战效能的关键技术。蚁群算法作为一种启发式仿生优化算法,能够有效应用于航迹规划中。针对基本蚁群算法在应用中容易过早陷入局部最优解这一缺点,提出自适应动态双种群蚁群算法的改进策略,通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。并将改进后的算法应用于无人飞行器航迹规划,通过实验仿真,证明了此改进算法在航迹规划应用中的可行性和有效性。     

基于群智能混合算法的物流配送路径研究

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了一种双种群蚁群算法,在蚁群的基础上引入差分进化(DE)和粒子群算法(PSO)。通过在PSOAS种群和DEAS种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以免某一方因错误的信息判断而陷入局部最优点。通过matlab仿真实验测试,表明该群智能混合算法可以较好地解决TSP的问题。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。