遗传混合算法路径规划研究

遗传算法和蚁群算法被广泛应用于路径规划,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传与蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,用蚁群算法迭代每只蚂蚁走过的路径序列作为遗传算法的初始种群,克服随机选择的盲目性,从而提高算法的性能。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

交叉变异蚁群算法在VRP问题中的应用研究

提出一种改进的蚁群算法,新算法利用遗传算法对蚁群算法的参数进行优化,然后利用新的蚁群算法求解基本的车辆路径问题。改进的蚁群算法具有全局搜索能力强的特点,仿真结果表明,新算法的优化质量和效率都优于传统蚁群算法。     

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。     

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。     

车辆配送路径优化的新型蚁群算法

构造了求解车辆配送路径优化问题的新型蚁群算法,采用新型的编码方式和转移概率,避免了遗传算法求解该问题所存在的遗传算子设计困难和遗传操作繁琐复杂的现象及现有蚁群算法求解该问题时收敛速度慢的缺陷。通过实例验证了所构建的算法与现有算法相比,不仅操作简单而且具有更好的收敛性。     

求解Job-shop调度问题的遗传蚁群算法*

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。     

蚁群算法在物流配送中的应用研究

本文通过单个蚁群算法和多个蚁群算法来分析它们在求解车辆路径问题上的区别。首先介绍了关于物流配送的车辆路径问题、带有时间窗的车辆路径问题以及蚁群算法的相关知识,然后分析蚁群算法在求解VRP问题的过程,最后通过模拟实验分析单个蚁群算法和多个蚁群算法在求解不同顾客数目的车辆路径问题的区别。得出多个蚁群算法相比较与单个蚁群算法在求解大型问题更具有优势性。     

基于改进蚁群算法的物流运输最优路径优化模型构建

为在复杂交通环境中快速准确求解物流运输最优路径,本文基于改进蚁群算法构建了物流运输最优路径优化模型.通过仿真分析,结果表明相比遗传算法与传统蚁群算法,基于改进蚁群算法的物流运输最优路径长度均值明显较小,表明改进蚁群算法获得了相对更优的物流运输路径,加快了物流运输速度,减少了物流运输时间与成本,实际效益更为突出;且迭代次数明显较少,不仅加快了物流运输最优路径问题求解效率,还实现了大规模物流运输最优路径优化模型问题求解,实践应用范围广泛.     

云计算环境下基于遗传蚁群算法的任务调度研究

对云计算中任务调度进行了研究,针对云计算的编程模型框架,提出一种融合遗传算法与蚁群算法的混合调度算法。在该求解方法中,遗传算法采用任务-资源的间接编码方式,每条染色体代表一种具体调度方案;选取任务平均完成时间作为适应度函数,再利用遗传算法生成的优化解,初始化蚁群信息素分布。既克服了蚁群算法初期信息素缺乏,导致求解速度慢的问题,又充分利用遗传算法的快速随机全局搜索能力和蚁群算法能模拟资源负载情况的优势。通过仿真实验将该算法和遗传算法进行比较,实验结果表明,该算法是一种云计算环境下有效的任务调度算法。     

基于优化蚁群算法在TSP问题中的应用研究

笔者以求解旅行商问题的最短巡回路径为主要研究对象,对蚁群算法和遗传算法以及二者融合后的原理进行说明。在此基础上建立了它们的数学模型,并详细分析了其求解旅行商问题的步骤。通过对比分析三种算法在eil101算例上的寻优结果可知,在此算例规模的TSP问题上,蚁群算法与遗传算法融合后的寻优效果,明显好于两种算法单独运算时的求解效果。     

有时间窗车辆路径问题的混合智能算法

有时间窗的车辆路径问题属于组合优化领域中的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智能算法。该算法通过使用蚁群算法和遗传算法交替优化,并且及时交换信息,弥补了蚁群算法和遗传算法各自的不足,达到了优势互补的效果,增强了算法的寻优能力,避免了停滞现象。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。     

蚁群算法的收敛性分析及其在TSP上的求解

根据基本蚁群算法的特点对其收敛性进行分析,给出寻找最短路径的蚁群算法收敛的充分条件.并把算法运用到旅行商问题上,试验结果表明该算法在求解TSP问题上解的精度优于组合优化算法以及遗传算法且收敛速度比较快.     

一种求解TSP问题的蚁群遗传混合算法

提出了一种蚁群算法与遗传算法相混合的算法。将遗传算法加入到蚁群算法的每一次迭代的过程中,利用遗传算法全局快速收敛的特点,来加快蚁群算法的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群算法取不到局部最优解的能力。不仅阐述了新算法的原理,而且以TSP问题的求解为例进行了相关的实验,实验结果表明新算法即蚁群遗传混合算法(ACGA)在求解时间和求解质量上都取得了很好的效果。     

改进蚁群算法在TSP中的应用研究

针对现有路径动态诱导算法在交通问题规模增大时存在的性能急剧下降的问题,提出了一种改进的混合遗传蚁群算法.为解决蚁群算法对信息素的强依赖性导致的局部最优解现象,及遗传算法存在的全局搜索性能强但收敛速度慢等问题,将蚊群算法与遗传算法相结合,基于遗传算法的交叉变异因子,改进了信息素浓度的设定方式,加强了传统蚁群算法的全局搜索能力;利用蚁群算法的局部搜索能力较强的特点,提高了传统遗传算法的收敛速度.仿真结果表明,相比于遗传算法与蚁群算法,所提算法在求解不同规模的旅行商问题时具有更强的全局搜索性及快速收敛性.     

蚁群遗传算法对于TSP问题的应用

遗传算法和蚁群算法是两种具有代表性的智能算法。在解决组合优化问题时,遗传算法具有较快的全局搜索能力,但在解决规模较大的TSP问题时存在一定缺陷,不能取得全局最优解。相反蚁群算搜索速度相对较慢,但有着较高的准确性,对于大规模问题有较好的效果。本文改进了两种算法,将蚁群算法与遗传算法融化起来。首先借助遗传算法的快速搜索能力,快速接近最优解,通过求解结果为蚁群算法设置初始信息量,再借助蚁群算法进行最终结果的求解,得到最优解。经过计算机仿真发现,在一定情况下,新的改进算法对TSP问题的求解能力有一定提高。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。