基于带时间窗的车辆路径问题的蚁群算法

针对带时间窗车辆路径问题（Vehicle Routing Problem with Time Windows, VRPTW）的特点，对蚁群算法进行了改进，优化了其搜索解的能力和收敛速度，用实例证明了改进的蚁群算法对解决VRPTW的有效性．     

基于改进蚁群算法的有时间窗车辆路径优化

针对物流配送中的有时间窗车辆路径问题（VRPTW）,提高优化性能,提出了一种改进的最大最小蚁群算法,并引入了局部搜索策略2-opt．在客户数目给定的情况下,本算法能够得到所求VRPTW的全局较优解,与基本蚁群算法和未改进的最大最小蚁群算法比较,具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的路径优化问题中．实验结果表明,本算法对于求解VRPTW效果很明显．     

一类带时间窗动态车辆路径优化

基于事件驱动,采用快照记录车辆即时信息,建立物流配送动态车辆路径问题的数学模型.通过改进信息素的更新策略来改进蚁群算法,并采用改进蚁群算法对建立的模型进行仿真求解.结果表明,所建立的模型和改进的算法,对物流配送动态车辆路径有较好的优化.     

基于遗传蚁群算法的带时间窗多车场车辆调度问题

给出带单边硬时间窗的多车场车辆调度问题的数学模型,并提出一种遗传蚁群融合算法。该算法在遗传算法的基础上加入蚁群路径搜索和自适交叉变异来提高算法搜索能力,并且采用模拟退火个体接受方式接受蚁群路径搜索产生的新个体,从而使算法提高了跳出局部最优点能力。结合算例计算验证了算法的有效性和正确性。     

多车场带时间窗车辆路径问题的粒子群优化算法

针对粒子群算法解决多车场带时间窗车辆路径问题时产生不可行解较多的问题,设计了对不可行解根据个体极值进行调整的策略,优化不可行解的粒子群算法,并且引入变异算子,增强了粒子寻找最优解的能力.实验结果表明,该算法可以快速求得多车场带时间窗车辆路径问题的目前最优解,提高算法的精度,加快收敛速度,跳出局部最优.     

带运力限制车辆路径问题的简易蚁群算法实现

以求解旅行商问题的蚁群算法为基础,根据带运力限制车辆路径问题的实际应用条件,提出一种较为简易的求解带运力限制车辆路径问题的蚁群算法,并对其中的信息素更新策略进行了分析,对蚁群中的精英蚂蚁(搜索出最优解的蚂蚁个体)所经过路径的信息素进行加强,提高了算法的全局收敛性能和收敛速度,允许蚂蚁在搜索的最初阶段有较大的自由以扩大最优解的寻找空间,提出改进蚁群算法.实验结果表明,该方法能在较短的时间内达到已知最优解的1.5%误差范围.     

带软时间窗车辆路径问题的求解算法研究

针对带软时间窗车辆路径问题难以使用精确算法求解的问题,设计了一种基于爬山遗传混合的智能启发式算法来对带软时间窗车辆路径问题进行求解,并构建该混合算法相应的算法程序与爬山、禁忌搜索、模拟退火、遗传4种基本智能启发式算法进行标准数据对比测试。测试结果表明,该混合算法用于求解带软时间窗车辆路径问题具有计算效率高、计算结果稳定的特点。     

带时间窗和货物权重的车辆路径问题的研究

提出了带货物权重及时间窗的车辆路径问题在车辆数不确定条件下的一个新的求解算法.通过利用轮盘赌选择策略,既能使最优个体进入下一代,又避免了个体之间因为适应度不同而被选择进入下一代的机会相差很大,从而保证了下一代的多样性并提高了算法的收敛速度.选用cx交叉算子有效避开遗传算法的＂早熟收敛＂,同时对路径划分算法进行优化,从而达到VRPTWW车辆数与路径双重优化.数值实验结果表明,此算法可以有效求得车辆路径问题的优化解或近似优化解,是求解车辆路径问题的一个较好的方案.     

软时间窗约束的车辆路径问题研究

物流是企业的第三利润源泉,自从人们意识到物流的这一重要性之后,物流行业间的竞争也变得日益激烈起来.合理组织车辆的运输,有助于车辆在运输过程中缩短运输时间、缩小运输距离、提高运输效率,从而达到降低成本、增加利润的目的.本文对软时间窗车辆路径问题的研究正是为了帮助物流企业达到这一目的,通过运用改进的遗传算法对建立的模型进行求解,最后用实例对算法结果进行对比,证明了本文的建模和求解是合理和有效的.     

基于改进蚁群算法服装运输车辆路径优化研究

蚁群算法是已经成功应用到TSP等多种组合优化案例中,但算法存在容易早熟、收敛速度慢等缺点.以服装运输车辆路径规划问题为研究对象,结合服装时效性强的特点,对传统蚁群算法信息素更新规则及信息素挥发系数进行相应改进,旨在优化配送路线,降低配送成本、增加企业效益.     

基于蚁群改进算法的服务质量路由研究

针对传统路由算法在多约束QoS(服务质量)条件下寻优能力不足的问题,提出了一种基于改进蚁群算法的多约束QoS路由模型。相比于传统的路由算法,此方法在每次循环结束时,根据得到的不同结果动态变化相关参数的值,并且结合最大最小蚂蚁系统的理论,同时优化启发函数,以提高算法的寻优能力。另外,除了考虑多个约束条件以外,在模型中还加入了故障率属性,将其体现在目标函数中,并优化信息素更新方式。仿真实验结果表明改进算法寻优能力强,能有效避免早熟,并避开故障率高的路径。     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

改进分区蚁群算法在Ad Hoc网络路由中的应用

本文针对当前AdHoc网络路由的特点,在AdHoc路由优化算法基础上提出一种改进的蚁群算法。该算法首先将影响蚁群算法性能的参数作为遗传算法中的染色体,通过迭代找出最优的参数组合,然后对区域节点采用动态邻域分解的同时进行并行优化计算,最后将各子区域进行邻域全局连接得到最优解,该算法体现＂分而治之＂的思想。实验仿真结果表明,改进算法有效地提高了网络传输性能和通信效率,在性能上较基本蚁群算法有更大的优势。     

基于蚁群算法的无线传感器网络路由算法实现

本文利用蚁群算法简单、局部工作等特点,结合传感器网络的特征,分析研究了基于蚁群算法的WSN路由算法,并阐述了蚁群算法的无线传感器网络路由算法的实现和仿真设计与分析。     

基于改进蚁群算法在最短路径搜索中的应用

论述了应用蚁群算法来求解最短路径问题,并对算法的状态转移规则、信息素轨迹更新策略进行改进,避免了算法过早陷入局部最优,并能较快地收敛到全局最优解。应用结果表明,该方法能有效解决最短路径搜索问题。     

蚁群算法理论及应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。