基于二元蚁群算法的多目标订单分配问题求解

为了在最小化综合成本的同时尽量均衡企业的生产负荷以及为水平型制造协作联盟(HMCA)订单分配的管理工作提供依据,设计多种群混合行为二元蚁群算法,用于求解HMCA订单分配的多目标模型。该方法在二元蚁群算法的基础上引入区域划分、环境评价与奖励策略,以弥补二元蚁群算法难以同时寻找多个解的缺陷,通过引入中心扰动行为,进一步提高求解质量。实验结果表明,该算法可以保证分布性,且求解质量较高。     

带拥塞控制的多种群二元蚁群算法

二元蚁群算法在函数优化中有着良好的表现, 但仍存在易陷入局部最优和在多峰函数求解中无法同时得到多个解的缺陷. 使用拥塞控制策略改善算法的全局寻优能力, 同时引入多种群的思想, 提出了带拥塞控制多种群二元蚁群算法. 通过对几个不同函数(包括单峰与多峰)的测试, 实验结果表明该改进算法在保证较好的全局搜索能力的基础上, 拥有很好的多目标求解能力.     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

二元蚁群优化算法研究综述*

二元蚁群优化算法作为蚁群算法改进的一种,其独特的随机二元网络结构在离散域及连续域优化问题中均得到较好的应用,但探索和利用的冲突、单一种群寻优的局限性以及算法评价次数的增加均限制了二元蚁群算法更好的发展。从一维细胞自动机入手,首先对二元蚁群优化算法的基本模型进行描述,然后讨论了近年来对二元蚁群优化算法的若干改进及应用;最后评述了二元蚁群优化算法未来的研究方向和主要研究内容。     

无线传感器网络多种群蚁群优化路由算法*

从无线传感器网络自身的特点出发,在蚁群算法的基础上,提出了一种适合该网络的多种群蚁群优化路由算法(MACO)。该算法设计了一个新的能够均衡传输能量消耗和节点剩余能量的蚂蚁前向移动的选择概率模型,并且能得到多条优化路径,使得均衡网络的能量消耗。仿真实验表明,该算法能延长网络的生存时间,并且可以有效地缓解网络拥塞。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

基于混合行为蚁群算法的研究

为在加快算法收敛速度的同时又能避免停滞现象,提出一种基于混合行为的蚁群算法.首先就蚂蚁行为对算法性能的影响进行了分析,在此基础上提出了该算法的模型;然后定义了蚂蚁行为,并为该算法设计了4种具体的蚂蚁行为,根据模型实现了该算法.实验结果表明,该算法在性能上远优于蚂蚁系统.     

基于多种群差分进化的多目标优化算法

针对差分进化算法(Differential Evolution Algorithm,DE)求解多目标优化问题时易陷入局部最优的问题,设计了一种双向搜索机制,它通过对相反进化方向产生的两个子代个体进行评价,来增强DE算法的局部搜索能力;设计了多种群机制,它可令各子群独立进化一定次数再执行全局进化,以完成子群间进化信息的交流,这一方面降低了算法陷入局部最优的风险,另一方面增强了Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,所提方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

混合行为蚁群算法在快递路径优化中的应用

将蚁群算法应用于快递路径选择上,并提出了混合行为蚁群算法,仿真结果表明该算法能有效提高收敛速度。     

求解多目标优化问题的改进蚁群算法

蚁群算法是一种模拟蚂蚁行为进行优化的启发式优化算法,该算法在许多领域已经得到应用.针对多目标优化问题优化与求解较困难的问题,提出一种嵌入变尺度算法的改进蚁群算法用于求解,为蚁群算法在连续空间中的应用提供了怂一个可行的方案.给出了该算法的详细定义及实现步骤,实例仿真表明,该算法能加快收敛速率,对连续空间的蚁群算法研究具有重要的意义.     

混合二元蚁群算法求解集装箱装载问题

集装箱装载问题是一个具有复杂约束条件的组合优化问题,属于NP-hard问题。针对集装箱装载问题的特点,设计了空间三叉树,对可利用空间采用三叉树划分策略,利用二元蚁群算法结合启发式算法进行求解,即先利用二元蚁群算法确定预备装入货物集,再用启发式算法决定货物的装入优先级顺序,并给出了有效的装箱算法。实例结果表明该算法的有效性和实用性。     

基于二元蚁群算法求解组卷问题

通过分析组卷的数学模型及目标函数,抽象出组卷模型实质是一个多目标线性规划模型,并将二元蚁群算法用于求解组卷问题。由于采用二进制编码,任意时刻每只蚂蚁只需根据其面前两条路径上的信息素强度决定该题选或不选,这对单个蚂蚁的智能行为要求非常低,而且存储空间也相对减少。实验结果表明,该算法能快速有效地完成组卷过程,具有较强的实用性。     

求解多目标最小生成树的改进多目标蚁群算法

多目标最小生成树问题是典型的NP问题。针对此问题,提出一种改进的多目标蚁群算法。为获得更好的非劣前端,通过合理选取多个信息素扩散源与扩散策略来避免其早熟收敛,并引入非支配排序算子,提高种群多样性并避免算法过早陷入局部最优解。对比实验结果表明：对于多目标最小生成树问题,该算法是有效的,不但在求解效率和解的质量方面优于相关算法,而且随着问题规模的扩大,算法仍保持较好的性能。     

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.     

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.     

多目标觅食-返巢机制连续域蚁群算法

受自然界蚂蚁的觅食—返巢生物学特征启发,同时深入了解蚂蚁信息素成分,提出了一种能够解决函数多目标优化问题的改进蚁群算法——多目标觅食—返巢机制连续域蚁群算法(MO-FHACO)。该算法与传统蚁群算法相比,将信息素分为蚁巢信息素和食物信息素,并根据不同信息素设立了不同的释放和寻优机制。通过BNH和TNK问题验证,MO-FHACO算法在Pareto最优前端连续的情况下具有极佳的多目标优化能力;在Pa-reto最优前端不连续的情况下,也能得到较多且散布性较好的Pareto最优解。因此,MO-FHACO算法是一种有效的函数多目标优化算法。     

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...