基于自适应的多类型物流配送改进遗传算法研究

对目前常见的物流配送过程中优化调度算法进行研究总结,分析了物流配送抽象流程,以求取优化配送效率、降低算法的时间和空间复杂度为目标,设计了基于自适应的多类型物流配送改进遗传算法。将基于自适应遗传算法的多类型物流配送优化算法应用到实际物流配送过程中,针对处理结果进行科学评价。通过实例的应用验证了提出算法的可行性和高效性。     

基于遗传算法的物流配送中心选址问题研究

本文在选择、交叉、变异等操作方面改进了基本遗传算法,将其应用于物流配送优化问题,进行了有益的尝试和分析。在理论上比较了基本遗传算法和改进遗传算法的性能,给出改进遗传算法在物流配送中心应用的算法。     

遗传算法在物流配送中心选址中的应用

本文在选择、交叉、变异等操作方面改进了基本遗传算法,将其应用于物流配送优化问题,进行了有益的尝试和分析,在理论上比较了基本遗传算法和改进遗传算法的性能,给出改进遗传算法在物流配送中心应用的算法。     

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。     

基于自适应免疫遗传算法的VRP问题的研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,当问题规模较大,很难得到问题的最优解和满意解。应用遗传算法是被认为求解NP难题的有效手段之一,文中在求解物流配送车辆路径优化问题时,在传统遗传算法的基础上,加入自适应算子,并引入了免疫算法的思想,实验结果表明该算法具有更好的全局和局部搜索能力和收敛速度,可有效地解决物流配送车辆路径优化问题。     

基于越库配送车辆调度的混合量子遗传算法(QGA)研究

量子遗传算法(QGA)是将经典的量子理论应用到遗传算法当中,将量子态引入传统比特模型中,一种新型的求解最优问题的算法。越库配送车辆调度是一类经典的组合优化问题,基于量子遗传算法,针对提高物流配送过程中要求的快速和高效的问题,本文研究了一种混合量子遗传算法的框架,提出了解决传统物流调度中的配送优化方案的新思路,研究了新的量子更新和概率调整的策略,使该方法更加贴合物流配送的实际问题,实验结果显示,采用混合量子遗传算法后的性能明显优于传统的量子遗传算法,取得了更高的最佳适应度,具有良好的应用前景。     

基于自适应免疫遗传算法的VRP问题的研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,当问题规模较大,很难得到问题的最优解和满意解。应用遗传算法是被认为求解NP难题的有效手段之一,文中在求解物流配送车辆路径优化问题时,在传统遗传算法的基础上,加入自适应算子,并引入了免疫算法的思想,实验结果表明该算法具有更好的全局和局部搜索能力和收敛速度,可有效地解决物流配送车辆路径优化问题。     

一种物流配送车辆路径智能优化算法研究

针对遗传算法局部搜索能力不足,运行效率较低的缺点,论文提出将最速下降法与遗传算法相结合构成混合遗传算法.通过对物流配送车辆路径的特点分析,建立了物流配送车辆路径优化问题数学模型,利用改进的混合遗传算法对模型进行求解.仿真实验结果表明,混合遗传算法求解物流配送路径优化问题,可以较好地克服遗传算法局部搜索能力方面的不足和最速下降法在全局搜索能力方面的不足,得到质量较高的解.     

遗传和禁忌搜索算法在多车物流配送问题中的应用

多车物流配送策略属于物流的统筹配给范畴,应用十分广泛.考虑到遗传算法存在早熟收敛和盲目搜索问题,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,将禁忌搜索算法作为遗传算法的变异算子,提出了基于遗传和禁忌搜索的组合算法,并通过与纯遗传算法的比较证实该算法的有效性.     

基于模糊优化的物流配送路径(MLRP)问题研究

研究采用嵌入模糊决策规则的遗传算法（即模糊优化方法）求解物流配送多目标定位-运输路线安排问题（MLRP）,重点考虑了时间和运输成本两个目标的MLRP的求解方法.该算法分成3个阶段,首先利用遗传算法对初始种群搜索选择优化配送路径;然后应用配送网络调度算法综合评价来确定配送路径中的关键路径和非关键路径;最后根据模糊决策规则计算其各个调度相应的指标,并对已挑选出来的染色体中的某些位基因进行调整,以提高算法的收敛性.计算机仿真结果证明了将此混合算法用于求解中、小规模物流配送问题的有效性.