改进的蚁群算法求解带时间窗的车辆路径问题

设计了一种改进的蚁群算法,将蚁群系统(ACS)与最大最小蚂蚁系统(MMAS)相结合,在状态转移规则中引入时间窗跨度与服务等待时间因素,并在算法的不同阶段采用不同的信息素蒸发策略以防止算法陷入局部最优.使用路径内2-opt优化方法以及路径间2-opt*优化方法对每次迭代过程所得到的最优解进行局部优化.通过对相关文献实验数据的测试结果表明,该算法在求解效果及运算效率上优于遗传算法与禁忌搜索算法.     

带时间窗车辆路径问题的改进蚁群算法研究

针对带时间窗车辆路径问题,论文通过增加虚拟配送中心的数量,改进蚁群算法,从而将VRPTW问题转化为TSP问题进行求解,使每只蚂蚁都可以构建一条可行路径,避免在该问题中以往常由多只蚂蚁协同合作来构造解的低效性,通过实验计算表明该方法是可行的。     

求解带硬时间窗车辆路径问题的自适应蚁群算法

蚁群算法具有较强的鲁棒性和优良的分布式计算机制.研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H(Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进,使得算法的计算效率更高且得到的解更优,提出了蚁群算法的改进算法-改进的自适应蚁群算法.该算法先用自适应蚁群算法对VRP-H求得一个可行解,再利用多种改善方法对初始解进一步优化,从而得到最优解.测试时选用Solomon提出的题库,结果表明该算法能够有效地求解VRP-H.     

基于改进蚁群算法的有时间窗车辆路径优化研究

针对有时间窗的车辆路径优化问题．通过对蚁群算法的分析,设定信息素轨迹强度上下限,改进转移概率、信息素的更新方式,以提高算法的收敛速度和全局搜索能力。经过多次实验和计算．证明用改进的蚁群算法能有效地解决有时间窗的车辆路径优化问题。     

多策略优化的蚁群算法求解带时间窗车辆路径问题

提出一种新的蚁群算法求解带时间窗的车辆路径问题.在状态转移规则中,引入了时间启发函数,修改Ant Cycle模型信息素增量公式,引入等待或延误时间对信息素增量的影响.为避免算法陷入早熟,通过混沌扰动适当减小随机选取的最优路径上的信息素,按照客户坐标和时间窗改变已有解的组合方式对最优解进行调整.通过对相关文献实验数据的测试并与其他启发式算法所得结果进行比较,获得了较好的效果.     

带时间窗动态车辆路径问题的改进蚁群算法

针对带时间窗动态车辆路径优化问题的特点,通过状态转换,将求解动态车辆路径问题转化为求解一系列基于时间轴的静态子问题。分析了蚁群算法的不足之处,对原有蚁群算法进行改进,引入“扰动因子”和“奖惩”机制,并对动态车辆路径问题进行了实验仿真,结果表明,改进后的蚁群算法提高了全局寻优能力与收敛速度,取得了较好的效果。     

求解带时间窗车辆路径问题的混合蚁群优化算法

为求解带时间窗车辆路径问题,提出一种混合蚁群优化算法,利用两个隔离的种群同时进化的方式,有效避免了两种算法的缺点,种群Ⅰ应用蚁群算法可以丰富解得多样性,种群Ⅱ则应用粒子群算法来强化进化过程.种群Ⅰ通过局部搜索、复制、重组和选择等操作来保持种群广泛搜索的能力,种群Ⅱ则依靠复制、局部优化、交叉和选择等操作以快速获得高质量解并经常更新得到的解.对100个基准问题进行仿真测试,实验结果表明,与其他算法相比,利用蚁群粒子群混合优化算法能够快速有效地获得近似最优解.     

有时间窗物流配送路径优化问题的并购算法

通过对市场资源优化配置中市场行为的了解,提取企业在市场中的行为之一并购行为的精华,并简化并购行为的模型。根据计算得到的企业劣信度,企业间进行合理的并购和重组,也是对市场资源再整合,使资源得到充分的优化配置,进而提高整体企业的市场竞争力。在建立有时间窗物流配送路径优化问题的数学模型基础上,构造有时间窗物流配送路径优化的并购算法模型。该模型包含编码、初始化、预处理、劣信度评估、并购操作、重组操作以及选择操作等七个模块。在Solomon数据集上进行多次实验,并与目前实验已经获得的最优解做比较,获取有时间窗物流配送路径优化问题的最优解或近似最优解。     

基于Spark的改进蚁群算法对带时间窗车辆路径问题的求解

为应对大数据时代对带时间窗车辆路径问题（VRPTW）的实时求解要求,提出基于Spark平台的改进蚁群算法.在算法层面,利用改进的状态转移规则和轮盘赌选择机制构建初始解,结合k-opt邻域搜索进行路径构建优化,改进最大最小蚁群算法中的信息素更新策略;在实现层面,利用Spark提供的API对蚁群RDD进行操作,实现蚁群分布式并行求解.在标准算例Solomon benchmark和Gehring&Homberger benchmark的实验结果表明,该算法在大规模问题的求解精度和速度上有明显提升.     

基于蚁群算法求解带硬时间窗的VRPSDP

建立了描述带硬时间窗的同时送取货的车辆路径问题(VRPSDPTW)的混合整数规划模型,给出了求解该模型的基于蚁群算法的改进的启发式算法。最后,通过实例计算,验证了算法的可行性和有效性,结果表明改进的蚁群算法在求解小规模问题（20个客户点）时,其性能总体优于已有的同类问题算法。     

蚁群算法在QoS网络路由中的应用

采用蚁群算法求解包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的QoS单播路由问题。实验仿真表明该算法能快速有效地求得路由最优解。     

基于有时间窗车辆路径问题的混合蚁群算法

有时间窗的车辆路径问题是目前组合优化领域研究的热点问题,其归属于NP-hard问题.在对该问题进行分析的基础上,为之建立了数学模型,提出了一种求解该问题的混合蚁群算法.该算法通过在蚁群算法中引AA-interchange变异算子,增强了算法的局部搜索能力,避免了早熟现象.实验结果表明,该算法能有效解决有时间窗的车辆路径问题.     

两阶段式的物流配送路径优化方法

根据组合优化理论,充分利用遗传算法、蚁群算法的优化点,提出了一种两阶段式的物流配送路径优化方法(GA-ACO)。利用遗传算法迅速找到物流配送路径优化问题的初始解,初始解生成蚁群算法的初始信息素分布,通过蚁群算法找到物流配送路径的最优方案。采用实例对GA-ACO的性能进行测试,测试结果表明,GA-ACO可以获得较好的物流配送路径优化方案,是一种高效率、鲁棒性好的物流配送路径优化问题求解方法。     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

Petri网与蚁群算法在CDN网络路由中的应用

CDN让用户以最快的速度从最近的地方获得所需的信息,它对QoS路由提出了更高的要求,单纯的采用蚁群算法或是依靠Petri网模型中变迁发生寻径的方法都不能较好的解决CDN路由问题。基于稳定的CDN网络构建图状拓扑结构,提出了一种将Petri网与蚁群算法相结合,考虑多个路由限制的优化QoS路由算法。实验仿真表明,该算法能有效地求解CDN网络中的路由问题。     

多时间窗车辆路径问题的混合蚁群算法

研究了多时间窗车辆路径问题,建立了多时间窗车辆路径问题的数学模型,并基于蚁群算法设计了一种混合蚁群算法对问题进行了求解。该算法首先利用基本蚁群算法求解,然后采用2-opt算法和元胞自动算法对结果进行优化,同时加入变异算子。实验结果表明该算法可以有效地求解多时间窗车辆路径问题。     

求解VRPTW问题的多目标模糊偏好蚁群算法*

通过分析多目标的、有时间窗的车辆路径问题,对各个目标进行多属性模糊评判,结合相关专家的综合意见以及决策者自身对专家意见的偏好,将决策者对目标属性的离散意见转换为对各目标的综合意见;通过定义一种模糊综合排序指标来确定决策者对各目标的偏好权重,依据目标权重和各目标函数的规范化处理值,构建评价有时间窗的车辆路径问题的多目标模糊综合适应度函数;采用最大-最小蚂蚁系统算法对该问题进行求解;最后通过一个算例来说明该算法的有效性.     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

物流配送路径优化问题求解的量子蚁群算法

物流配送路径优化是一类实用价值很高的NP完全难题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种量子蚁群算法的物流配送路径优化方法（QACA）。在物流配送路径优化问题分析的基础上建立相应的数学模型,通过量子蚁群算法对其进行求解,对各路径上的信息素进行量子比特编码,采用量子旋转门及最优路径对信息素进行更新,对QACA的性能进行仿真测试。仿真结果表明,QACA具有较强的全局搜索能力和收敛速度,可以有效解决物流配送路径问题。     

基于自适应蚁群算法的车辆路径问题研究

车辆路径问题(VRP)是物流研究领域中一个具有重要理论和现实意义的问题．蚁群算法是一种新型的模拟进化算法,可以很好地解决旅行商问题(TSP)．在分析VRP与TSP区别的基础上,构造了求解VRP的自适应蚁群算法．指出可行解问题是蚁群算法的关键问题,并重点对该问题进行了研究,提出了近似解可行化等解决策略．实验结果表明,自适应蚁群算法性能优良,能够有效地求解VRP问题．