基于自适应蚁群优化的供应链调度算法研究

供应链中的物流过程可以作为一个调度问题进行研究，物流过程的调度是一个组合优化问题。首先对物流过程进行；析，建立一个生灭过程模型，然后比较几种经典的调度算法，最后提出了基于自适应蚁群优化的物件调度算法，实现了供应链物流过程中物件的动态分配。使用自适应蚁群优化策略测试不同的订单组合，得到一个优化解决方案，该方案能使尽’能多的定单按时交付，同时也能将订单的延迟减小。     

自适应蚁群优化算法在物流调度中的应用研究

供应链中的物流过程可作为一个调度问题进行研究,物流过程的调度是一个组合优化问题.首先对物流过程进行分析,建立物流调度的数学模型,提出了基于自适应蚁群优化的物件调度算法,实现供应链物流过程中物件的动态分配.最后试验结果表明,使用自适应蚁群优化策略测试不同的订单组合,得到一个优化解决方案,该方案能使尽可能多的定单按时交付,同时也能将订单的延迟减小.     

基于聚类的城市共同配送海量订单调度问题研究

针对云物流环境下城市共同配送海量订单调度难的问题,本文提出基于订单聚类的调度算法.首先针对单中心多车辆调度问题,提出基于单亲遗传的优化调度算法;在此基础上综合考虑城市配送中心的地理位置、车辆及配送点的地理位置、货物的种类、需求量,提出采用蚁群算法构建基于配送中心的海量订单聚类、优化调度算法.     

基于自适应蚁群算法的Job-shop调度方法及其仿真研究

蚁群算法作为一种仿生进化算法,具有并行性、鲁棒性等优良性质,被广泛地应用于组合优化问题中。本文首先分析了job-shop调度问题与蚁群算法的内在联系,提出了一种新的用蚁群算法求解的方法。同时,为了增强算法的全局搜索能力和防止早熟现象,对挥发系数引入了一个自适应过程。最后,通过仿真证明了该算法在job-shop调度中的有效性。     

改进型蚁群算法求解运输调度问题

运输调度问题是一类复杂的组合优化问题，是近年来物流控制优化中的研究热点。通过对基本蚁群算法中的选择策略和信息素挥发速度的改进，提出了一种新的蚁群算法，克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷，将其用于求解一类运输调度问题，实验发现算法有效，并且对于规模越大的问题，相对其它算法有更优的解。     

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。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于蚁群算法的MC供应链调度优化研究

为解决大规模定制模式下客户订单分离点后的动态供应链调度问题，提出了包括供应商选择及企业合作时序安排的优化调度模型，设计了基于蚁群算法的求解过程。通过多组数据实验及结果比较分析，对模型算法的有效性、稳定性进行了验证。     

基于指导变异蚁群算法的PID控制器优化

蚁群算法是意大利学者Dorigo于1991年提出的一种模拟进化算法,蚁群算法提出后却在组合优化中获得广泛的应用,如调度、二次分配和网络路由等,本文将蚁群算法进行改进并应用于PID控制器优化,得到了良好效果。     

基于异类多种群蚁群算法的MC供应链分布式调度研究

分析了目前大规模定制（MC）供应链调度现有调度方法的不足,针对MC供应链调度具有分布式和计算规模大的特点,提出了异类多种群蚁群算法,并设计了MC分布式调度优化的模型。异类多种群蚁群算法由多类不同特性蚁群构成,不同类型蚁群具有不同特质,并优势互补,彼此间具有潜在的合作性。将多个进行寻优的异类蚁群分散到供应链的不同计算节点上多个蚁群进行协同工作,蚁群间既独立也协作,充分发挥并行高效的特点,满足大规模定制供应链调度的要求。此模型算法可根据多订单特点,充分利用供应链上分布的计算资源,对调度规模大而且复杂的供应商选择及企业间合作时序进行寻优,确定优化调度方案。实验结果证明,该算法模型具有较好的有效性、稳定性和订单适应能力。     

基于多种群蚁群算法的柔性作业车间调度研究

针对柔性作业车间调度的特点,设计了柔性作业车间调度析取图模型,结合蚁群分工组织的工作方式,给出了基于竞争规则的多种群蚁群算法求解方法。算法中不同种群的蚂蚁被放置在析取图中不同的工序节点上,通过核心种群的引导,充分发挥蚁群协作竞争的并行高效特点,满足柔性作业车间调度的要求。仿真实验表明该算法求解柔性作业车间调度具有可行性和有效性。     

求解有限产能作业车间调度的改进蚂蚁算法

通过对有限产能车间调度问题的分析,提出了基于蚂蚁算法求解该问题的方法。在模型的构建中增加了成本和机器负荷约束。通过产品的BOM表采用蚂蚁算法搜寻节点,做各阶层工序安排,将各阶层工序安排组合成一完整解。对蚂蚁算法进行了改进,在基本蚂蚁算法的基础上,通过修改信息素局域更新规则和全局更新规则,引入自适应信息素挥发系数来提高算法的收敛速度和全局最优解搜索能力。算例分析表明,蚂蚁的正向反馈及探索功能对求解较大工件数的生产计划非常有效。而且在有限产能的环境中根据产能负荷状况产生不同的外包组合,将满足交货期的各种外包组合成本做敏感性分析,供决策者参考。     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

基于自适应蚁群算法的作业车间模糊调度研究

在研究不确定生产调度问题的基础上,针对具有模糊加工时间和模糊交货期的调度问题给出了作业车间模糊调度模型,用三角模糊数表示模糊加工时间,梯形模糊数表示模糊交货期,以交货期平均满意度最大作为调度目标.针对模糊调度问题对基本蚁群算法作了改进,并给出了新的状态转移规则,同时采用自适应信息素更新策略使算法能快速跳出局部收敛,进行仿真结果验证了自适应蚁群算法求解作业车间模糊调度的有效性.     

Application of ant colony, genetic algorithm and data mining-based techniques for scheduling

In this paper, we have proposed a novel use of data mining algorithms for the extraction of knowledge from a large set of flow shop schedules. The purposes of this work is to apply data mining methodologies to explore the patterns in data generated by an ant colony algorithm performing a scheduling operation and to develop a rule set scheduler which approximates the ant colony algorithm's scheduler. Ant colony optimization (ACO) is a paradigm for designing metaheuristic algorithms for combinatorial optimization problems. The natural metaphor on which ant algorithms are based is that of ant colonies. Fascinated by the ability of the almost blind ants to establish the shortest route from their nests to the food source and back, researchers found out that these ants secrete a substance called ‘pheromone’ and use its trails as a medium for communicating information among each other. The ant algorithm is simple to implement and results of the case studies show its ability to provide speedy and accurate solutions. Further, we employed the genetic algorithm operators such as crossover and mutation to generate the new regions of solution. The data mining tool we have used is Decision Tree, which is produced by the See5 software after the instances are classified. The data mining is for mining the knowledge of job scheduling about the objective of minimization of makespan in a flow shop environment. Data mining systems typically uses conditional relationships represented by IF-THEN rules and allowing the production managers to easily take the decisions regarding the flow shop scheduling based on various objective functions and the constraints.     

并行机含调整时间成套订单数问题遗传算法

为使总加权成套订单延迟数最小,提出了一类新的目标排序问题-并行机带调整时间加权成套订单数问题.多个工件来自多个订单,分属多个不同组类.每个订单有一个权值,每个工件有确定的加工时间、交货期,且需在多台并行机上加工.每个工件只需在任一台机器上加工一次,只有所有属于某一订单的工件都在各自交货期内完工才称此订单成套完工.建立了问题的数学模型,设计了一种启发式遗传算法.通过算例分析及对随机产生的数据进行验证得出,遗传算法对于大中型成套订单问题是十分有效的.