多车场多车型车辆调度问题的改进粒子群算法

多车场多车型车辆调度问题优化是物流配送中的典型NP难解问题,针对传统的粒子群算法存在收敛速度慢,易早熟收敛等问题,提出了一种改进的粒子群优化算法。该算法对种群中的粒子采用一定的概率进行柯西变异,使算法跳出局部最优解。将算法应用于多车场多车型车辆调度问题优化,算例证明该算法求解多车场多车型车辆调度问题是可行的,并且优于标准粒子群优化算法。     

带时间窗的多车场车辆路径优化的粒子群算法

带时间窗的多车场车辆路径问题在基本车辆路径问题的基础上增加了“多车场”与“时间窗”两个约束条件,是一个典型的NP难解问题。将粒子群算法应用于带时间窗的多车场车辆路径优化问题,构造了一种适用于求解车辆路径问题的粒子编码方法,建立了相应的数学模型,在此基础上设计了相应的算法。算例通过和遗传算法、蚁群算法进行比较,证明了其搜索速度和寻优能力的优越性。     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.     

多车场车辆路径问题的遗传算法

给出了多车场车辆路径问题(MDVRP)的数学模型,提出一种基于客户的编码表示方式,可以表示出各车场出动的车辆及路径,能够有效地实现MDVRP的优化,并用计算实例进行了验证。     

基于量子粒子群优化算法的车辆路径问题

针对粒子群优化算法的搜索空间有限、容易出现早熟现象的缺陷,提出将一种基于量子行为的粒子群优化算法用于求解车辆路径问题.车辆路径问题是组合优化问题中的NP-难问题.将量子粒子群算法用于车辆路径问题求解,用粒子的位置表示车辆路径,建立车辆路径的数学模型.与粒子群算法相比,量子粒子群算法提高了最优路径搜索的成功率,能更有效的求解问题.     

多车场满载车辆路径优化算法

针对多车场满载车辆路径问题(MDVRPFL),结合节约法提出了一种依次对车场、配送中心、用户进行循环调整直到最优的迭代算法.该算法具有使总费用随迭代次数逐渐降低的特点,其运算结果能同时得到最优车辆分配方案和车辆行驶路径.最后用该算法对不同规模的算例进行试验.试验结果表明,该算法对多车场车辆路径问题有效适用.     

多车场多车型车辆路径问题的改进遗传算法

在给出有时间窗约束的多车场多车型车辆路径问题的基于直观描述的数学模型基础上,引入一种新的编码方式,并将RC交叉算子进行修正,构造出一种解决该问题的模拟退火遗传算法,实验证明能够有效地解决优化问题。     

泰森多边形的离散蝙蝠算法求解多车场车辆路径问题

本文提出一种泰森多边形的离散蝙蝠算法求解多车场车辆路径问题(multi-depot vehicle routing problem,MDVRP).所提出算法以离散蝙蝠算法为核心,融入了一种基于多车场多车辆问题的编解码策略.所提出算法还使用基于泰森多边形的初始化策略加快算法的前期收敛速度,采用基于向量比较机制的适应度函数来控制算法收敛的方向,引入基于近邻策略和优先配送策略的局部搜索算法来提高算法的寻优能力.实验结果表明:在合理的时间耗费内,所提出的算法能有效地求解MDVRP,尤其是带配送距离约束的MDVRP;相对于对比算法,所提出的算法表现出较强的寻优能力和稳定性.     

带时间窗车辆路径问题的改进粒子群算法研究

设计了一种引入局部近邻机制并且能够优化不可行解的粒子群算法。该算法将粒子群分成相互重叠的子群,在各个子群内寻找近邻,提高了粒子的学习功能和寻找近邻的速度;同时将产生的不可行解进行局部优化,增强了粒子寻找最优的能力。实验结果表明：该算法可以快速求得带时间窗车辆路径问题的满意解。     

带变异粒子群算法在车辆路径问题中的应用

在分析常规粒子群优化算法的基础上,针对午辆路径的优化问题,采用一种带变异因的粒子群优化算法,并根据粒子群的群体适应度标准差和理论最优值,给出收敛判断的依据。实验表明陔算法具有简单、高效、快速的特点。     

改进粒子群优化算法求解任务指派问题

任务指派问题是典型NP难题,引入粒子群优化算法对其进行求解。建立了任务指派问题的数学模型,给出了粒子群优化算法求解任务指派问题的具体方案。为提高其优化求解效果,引入变异机制及局部更新机制对粒子群优化算法进行改进。实例及数字仿真验证了改进粒子群优化算法的有效性。     

粒子群和蛙跳的混合算法求解车辆路径问题

提出一种求解物流配送车辆路径问题的改进粒子群算法。新算法采用粒子群算法产生阶段最优解,利用蛙跳算法对阶段最优解进一步优化。实验表明,此算法是解决车辆路径问题的一个有效算法。     

随机装卸工问题的新型混合粒子群算法

提出随机装卸工问题并将其转化为确定性问题,给出了其求解策略。针对粒子群算法简便实用但易过早收敛的问题,提出了一种结合人工免疫算法的新型混合粒子群算法,将该算法运用于求解随机装卸工问题。数值算例的计算结果表明：与基本粒子群算法相比,改进的粒子群算法在求解随机装卸工问题上表现出的求解精度和速度都十分理想。     

基于改进粒子群优化算法的排课问题

深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架。针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进。在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等。实践表明改进后的粒子群算法能有效地解决排课问题。     

三段式粒子群算法在车辆调度问题中的应用

针对标准粒子群算法在解决车辆调度问题上的不足,提出了一种基于整数编码的粒子群优化策略。它依据粒子群算法中粒子进化的思想,给出了三段式保优方法,重新定义了粒子进化速度和位置更新的方式。结合Floyd算法对调度模型进行了仿真验证分析。结果表明,该策略具有较好的寻优能力。     

基于粒子群优化的非均匀分簇路由算法

为了解决无线传感器网络分簇路由算法中存在的“热区”问题和簇头选取问题,设计了一种自适应粒子群优化的非均匀分簇路由算法。首先通过候选节点与汇聚节点之间的距离计算竞争半径并构造出大小不等的多个簇,然后根据簇规模引入优化的粒子群算法,评价节点剩余能量和节点之间的距离等因素选取最终簇头,以剩余能量较多的簇头作为下一跳,形成以汇聚节点为根节点的多跳路由。仿真结果表明,与LEACH算法和EEUC算法相比,所提算法网络生存期分别延长了34%和16%,平均能量消耗分别减少了22%和12%,有效地减少了网络节点的能量消耗。     

量子粒子群算法求解QoS组播路由

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。将量子粒子群算法用于此类问题的求解。并在此基础上对基本的量子粒子群算法进行改进,针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法,并把它结合到量子粒子群优化（QDPSO）算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题,使之更适合于QoS组播路由的求解。仿真实验结果显示,该算法能快速搜索并收敛到全局（近似）最优解,且随着网络规模的增大算法保持了良好的特性,在寻优速度上与解的质量上优于其他粒子群算法与基本的量子粒子群算法。     

求解车辆路径问题的一种混合方法

提出一种求解带软时间窗车辆路径问题的混合算法。采用蚁群系统算法产生阶段最优解,以此作为粒子模板,随机生成粒子群,利用粒子群算法在阶段最优解基础上进一步优化。且在蚁群系统算法中,当容量超过限制后,从剩余的客户里选择需求量最大的作为新的起点继续探索路径,直到所有客户都被访问一遍。实验表明,该混合算法是解决带软时间窗车辆路径问题的一个有效算法。     

改进的混沌粒子群算法求解车辆路径问题*

为求解车辆路径问题提出一种改进的混沌粒子群优化算法。该算法在基本混沌粒子群优化算法（CPSO）基础上,引入逻辑斯特函数,对惯性权重因子w进行非线性调整,提高了算法的寻优能力,有效避免了算法陷入局部最优并防止过早收敛。采用该算法应用于车辆路径问题,仿真结果表明该与标准遗传和双种群遗传算法比较,具有一定的优势。