包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

包装废弃物回收车辆路径问题的改进遗传算法

目的采用优化传统遗传算法(GA)研究包装废弃物回收车辆路径问题(VRP)的性能。方法提出改进遗传算法(IGA)。首先,设计基于贪婪算法的初始种群生成算子,提高初始种群质量;其次,设计根据适应度值大小、进化代数等自适应调整的交叉和变异概率;然后,设计最大保留交叉算子,保证种群的多样性;最后,对企业实例和标准算例进行仿真测试。结果采用IGA算法、蚁群算法(ACO)能求得算例最优解,且IGA算法运行速度快于ACO算法,分支界定算法(BBM)、传统GA算法无法求得算例最优解。结论与BBM算法、传统GA算法和ACO算法相比,IGA算法求解包装废弃物回收VRP问题的整体性能更优。     

混合蝙蝠算法在包装废弃物逆向物流中的应用

目的为了提高蝙蝠算法(BA)求解包装废弃物逆向物流问题的性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,构建新型蝙蝠表达式,使BA算法适用于包装废弃物逆向物流问题的求解。其次,引入自适应惯性权重,改造蝙蝠速度更新公式;然后,引入粒子群算法(PSO),对每次迭代中任一随机蝙蝠进行粒子群操作;最后,利用HBA算法对企业实例和标准算例进行仿真测试。结果企业最优回收距离为776.63 km。与遗传算法(GA)、蚁群算法(ACO)和禁忌搜索算法(TS)相比,HBA算法能够求得已知最优解的标准算例个数最多为6个,求得最好解与已知最优解的平均误差最小为8.58%,平均运行时间最短为4.39s。结论 HBA算法的全局寻优能力、稳定性和运行速度均优于GA算法、ACO算法和TS算法。     

学术前沿

正包装废弃物回收车辆路径问题的改进遗传算法作者:张异来源:包装工程,2018 (9)目的 -采用优化传统遗传算法(GA)研究包装废弃物回收车辆路径问题(VRP)的性能。方法 -提出改进遗传算法(IGA)。首先,设计基于贪婪算法的初始种群生成算子,提高初始种群质量;其次,设计根据适应度值大小、进化代数等自适应调整的交叉和变异概率;然后,设计最大保留交叉算子,保证种群的多样性;最后,     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

混合模拟植物生长算法在包装件配送中的应用

目的针对改进模拟植物生长算法(IPGSA)容易陷入局部最优解及其算法运行时间较长,提出混合模拟植物生长算法(HPGSA)来求解带时间窗车辆调度问题(VSPTW)。方法在IPGSA基础上,提出求解包装件物流配送中VSPTW的混合模拟植物生长算法(HPGSA)。改进IPGSA初始调度方案的构造方式,设计求解VSPTW的C-W算法用于构造HPGSA的初始调度方案;改进IPGSA的邻域搜索算子,选择插入搜索算子和互换搜索算子对HPGSA进行邻域搜索;对18个不同规模的Solomon算例进行仿真测试。结果相对于其他智能算法,HPGSA具有更好的求解性能,能够保证VSPTW对求解算法的要求。结论 HPGSA的全局优化能力、稳定性和运行速度均优于IPGSA、遗传算法、蚁群算法和禁忌搜索算法。     

基于混合智能优化LSSVM的非高斯脉动风速预测

考虑智能优化:蚁群算法(ACO)、遗传算法(GA)和粒子群算法(PSO)各自优缺点,并为充分发挥蚁群、遗传算法较好的全局搜索能力和粒子群算法的分级搜索机制,提出混合蚁群和粒子群优化(ACO+PSO)和混合遗传算法和粒子群优化(GA+PSO)最小二乘支持向量机(LSSVM)的非高斯脉动风速预测模型,分别称为ACO+PSO-LSSVM和GA+PSO-LSSVM。运用ACO+PSO-LSSVM和GA+PSO-LSSVM预测模型对某超高层建筑的非高斯脉动风速进行了预测;为比较目的,同时给出ACO-LSSVM、PSO-LSSVM和GA-LSSVM的非高斯脉动风速预测结果。经仔细检查非高斯脉动风速时程预测值、相关函数预测值以及预测性能评价指标,验证了基于混合智能优化LSSVM对非高斯脉动风速预测的有效性和优势。     

基于鱼骨型仓库布局的多车拣选路径问题优化

为了推动鱼骨型仓库在实际场景下的应用,针对鱼骨型仓库布局下的拣货路径优化问题,构建待拣货点距离计算模型和以有载重、容积限制的多车拣货距离最短为总目标的拣选路径优化模型。考虑遗传算法(GA)全局搜索能力强、粒子群算法(GAPSO)收敛速度快以及蚁群算法(ACO)较强的局部寻优能力,提出一种解决拣选路径优化模型的混合算法(GA-PSO-ACO)。通过不同订单规模的仿真实验,得出该混合算法在适应度值、迭代次数、收敛速度等方面均优于GA算法和GAPSO算法,且在订单规模较大时,平均适应度值约降低8%,有效缩短了总拣选距离,验证了混合算法在解决鱼骨型仓库布局下的拣货路径问题的先进性和有效性,为解决此类仓库内部的拣货路径问题提供新的解决方法和思路。     

政府补贴和再制造收益影响下的集配一体化车辆路径问题研究

针对废旧品回收过程中存在的政府补贴和再制造收益等问题,进行了以最大化企业利润为目标的集配一体化车辆路径问题(VRPSPD)研究,设计了改进混合蛙跳算法(ISFLA)进行求解。该算法利用改进扫描算法生成初始种群,采取多样性策略进行族群分配,设计深度领域搜索机制进行更优化探索。对比实验结果表明,考虑政府补贴和再制造收益的调度方案总利润平均增加6%,可以有效提高企业利润,做出更优决策;所设计算法与遗传算法(GA)、模拟退火(SA)算法等经典算法相比,具有更好的收敛速度与求解精度,可以有效解决此类问题。     

多种群遗传算法在篦冷机二次风温预测中的应用

针对GA遗传算法种群多样性差、局部寻优能力差等问题,提出了多种群遗传算法(MGA)。该算法利用间断平衡理论,构建多种群、多交叉算子操作方式并结合局部搜索方法和种群动态调整策略,提高算法的局部寻优能力和寻优速度。通过与GA和ISGA算法相比,MGA运行时间短,搜索性能强。利用MGA优化MKLSSVM参数,建立基于MGA-MKLSSVM的水泥篦冷机二次风温预测模型。结果表明,此模型辨识精度高、泛化能力强。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

改进遗传算法在包装件物流调度中应用的研究

根据包装件物流配送的特点,建立了采用遗传算法研究有时间窗车辆路径规划(VRPTW)的数学模型;构造了一种改进的遗传算法用于求解VRPTW问题,在改进算法中,采用了射线扫描法产生初始种群,设计了进化逆操作交叉算子;利用MATLAB对包装件物流配送车辆路径规划进行实例验证,验证表明改进后的遗传算法既能保持群体的多样性,又能有效的加快搜索速度.     

基于HCGA的三坐标测量路径优化

针对传统遗传算法(GA)进行三坐标测量路径优化时收敛速度慢且过早收敛的问题,提出基于爬山遗传算法(HCGA)的三坐标测量路径优化方法。根据三坐标测量路径优化的数学模型,构造适合于测量路径优化问题的遗传编码、初始种群、选择、交叉、变异等参数,通过增加爬山操作,加快GA的迭代收敛速度。仿真实验结果表明,基于HCGA的三坐标测量路径优化方法能有效提高局部寻优能力与收敛速度,可获得很好的最优解并提高了测量效率。     

混合蝙蝠算法在包装件配送中的应用研究

目的使蝙蝠算法(BA)适应包装件配送车辆路径问题(VRP)的求解,并提高该算法的求解性能。方法在标准BA算法的基础上提出混合蝙蝠算法(HBA)。首先,设计改进的蝙蝠算法(IBA),使其能够适用于包装件配送VRP问题的求解。其次,引入混沌系统,对IBA算法进行混沌初始化。然后,设计裂变算子和变异算子。在IBA算法迭代前半段,将蝙蝠种群中较差的一半蝙蝠重新混沌初始化,以提高种群多样性。在IBA算法迭代后半段,对陷入局部最优解的蝙蝠进行鲶鱼扰动。最后,提出HBA算法并对企业实例进行仿真测试。结果 HBA算法求得的最优配送距离为773.01 km,相对于GA算法(781.25 km)和IBA算法(786.04 km)分别节约了8.24 km和13.03 km。结论与IBA算法和GA算法相比,HBA算法求解包装件配送VRP问题的全局优化能力更强、收敛速度更快。     

基于跳点搜索-遗传算法的自主移动机器人路径规划

为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题，引入自适应交叉算子和变异算子，将改进后的跳点搜索（jump point search）算法与改进遗传算法融合，得到跳点搜索-遗传（jump point search-genetic,JPSG）算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力，加速算法整体收敛趋势；利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态，提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明，相比于改进遗传算法、传统遗传算法，JPSG算法可以有效缩短寻优执行时间，提高寻优准确率，减少运算执行次数，在稳定性、准确性、快速性上具有明显的优势。     

基于粒子群算法求解约束优化问题的改进算法

提出一种进行的粒子群算法(Particle Swarm Optimization,PSO)用于求解多目标的优化问题。这种改进引入遗传算法的交叉算子,增强算法的搜索能力。同时,使用基于子种群划分的改进选择算子,避免算法过早陷入局部最优。使用三个测试函数进行测试,实验结果证明算法的有效性。     

基于佳点集粒子群算法的SVM参数优化方法

针对传统的粒子群算法（PSO）初始种群随机生成而导致的算法稳定性差和易出现早熟等问题,提出了基于佳点集改进的粒子群算法（GSPSO）,并将其优化支持向量机（SVM）,构建一种高效的预测评估模型（GSPSO-SVM）。首先采用佳点集方法使PSO中初始粒子均匀分布,然后利用GSPSO优化SVM的惩罚因子C和径向基核函数参数g以获取最佳参数值,提高SVM分类性和稳定性,最后将模型应用于旱情数据的评估预测。仿真实验结果表明：本模型在平均准确率和方差方面的准确都取得了很好的效果;对比分别用PSO和遗传算法（GA）优化的SVM模型,本模型的性能更好。     

结合遗传算法和多尺度边缘检测的红外图像分割

用传统的解析法得到的函数最大梯度和局部极大只能是近似和局部意义上的.本文结合遗传优化搜索算法讨论多尺度边缘检测的新方法.为了提高遗传算法应用于边缘检测的收敛速度,改进基本遗传算法存在的局部搜索能力差的缺陷,提高全局解的质量,采用了改进的GA(遗传算法)+SA(模拟退火法)+TABU( 列表寻优法)混合算法.将基本遗传算法与启发式搜索算法相结合,采取交替式的优化策略.试验结果表明,将该算法用于红外目标图像分割,可以使检测出的图像边缘细节丰富,单边缘,定位准确.     

一种改进的蚁群遗传混合智能算法在TSP问题中的应用

蚁群算法、遗传算法作为两大仿生优化算法,有其各自的适用域与局限性。原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但是由于两种算法混合,当求解问题规模变得越来越大时,求解步骤也会增多,从而使得求解速度会有所缓慢。本文改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力,进而扩大解的搜索空间。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解,提高了其寻优能力和速度。仿真结果表明,改进后的算法在寻优能力,收敛速度及求解精度上均取到了较好的效果。     

基于改进粒子群算法求解单级多资源约束生产批量计划问题

本文提出了用于求解单级多资源约束的生产批量计划问题的改进二进制粒子群算法,阐明了算法的具体实现过程。通过对其它文献中的例子进行计算和结果比较,表明了该算法在寻优能力、求解速度和稳定性方面都明显优于文献中的传统遗传算法和退火惩罚混合遗传算法。