改进量子粒子群算法的物流配送路径优化研究

传统物流配送路径优化方法存在运输成本高的问题,已经不能满足物流配送需求,为解决这一问题,设计了一种改进量子粒子群算法的物流配送路径优化方法.首先根据改进量子粒子群算法构造粒子实数编码,并确定物流配送路径优化目标,建立物流配送的运输固定成本和准时到达的目标函数,然后应用改进量子粒子群算法实现物流配送路径优化,最后采用具体实验对象分析了配送成本,实验对比结果表明,在多次物流配送过程中,传统方法配送方法比改进量子粒子群算法的物流配送路径优化方法的配送成本要高.     

多类型物流配送优化策略研究

研究多类型物流配送优化问题。物流中货物的配装以及送货的线路优化是物流配送的核心难点问题。对目前常见的物流配送过程中优化调度算法进行比较,分析了物流配送抽象流程,阐述了半启发式的遗传算法,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,建立了多类型物流配送整数线性规划模型,并设计了相关求解算法。将自适应遗传算法的多类型物流配送优化策略应用到实际物流配送过程中进行仿真,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.     

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。     

混合量子遗传算法及其在VRP中的应用

物流配送车辆路径问题(VRP)是一类典型的NP问题.针对提高寻优能力问题,构造了一种混合量子遗传算法(HQGA),即在传统量子遗传算法(QGA)随机全局搜索的基础上引入一个免疫算子,通过该算子的局部搜索操作实现线路内次序的再优化.给出了该算法的具体实现方法和流程,并用实例进行测试.仿真结果表明混合量子遗传算法的寻优性能优于传统量子遗传算法(QGA)及文献中的其它方法,可以避免出现早熟收敛,是求解车辆路径问题的一种有效的算法.     

时间窗约束下的配送车辆调度问题研究

为解决时间窗约束下的物流配送车辆的多目标调度优化问题,给出了一种基于免疫计算的配送车辆调度优化方案。设计了配送车辆调度问题的数学模型和一种基于非劣邻域支配的多目标调度优化算法,在仿真环境下进行了实验。实验结果表明,算法能够有效地解决物流配送车辆调度问题,具有较好的应用价值。     

混合算法在车辆路径优化问题中的应用

研究车辆路径优化问题,物流配送不仅要求配送及时,而且要求运输成本低,且路径最优。车辆路径优化是解决物流配送效率的关键,传统优化方法寻优效率低,耗时长,难以得到车辆路径最优解,导致物流配送成本过高。为了提高车辆路径寻优效率,降低物流配送成本,提出一种混合算法的车辆路径优化方法。首先建立车辆路径优化数学模型,然后用遗传算法快速找到问题可行解,再将可行解转换成蚁群算法的初始信息素,最后采用蚁群算法从可行解中找到最优车辆路径。仿真结果表明,混合方法提高车辆路径寻优效率,有效地降低物流配送成本。     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取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,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

基于改进遗传算法的无人机物流配送路径自动优化方法

由于现有的优化方法路径数量多,配送效果差,为此研究基于改进遗传算法的无人机物流配送路径优化方法。首先,无人机配送站点在配送中,将配送站点服务范围内作为需求点进行配送选址;其次,在配送过程中,解决客户的时间窗问题;最后,从染色体编码开始,应用后改进遗传算法对物流配送路径进行自动优化,并将指令传达到无人机中达到配送自动化。实验结果表明,实验组的配送线路条数为3条,应用效果优于对比方法,提升了配送效率,达到最优配送效果。     

基于改进粒子群算法的物流配送车辆调度

物流配送车辆调度问题是指安排有限的车辆有效地完成配送任务。优化目标是在满足客户需求和车辆能力约束的条件下,找出配送成本较低的配送车辆调度方案。由于配送过程受客户位置、配送车辆限制等多种因素影响,导致车辆的调度问题十分复杂。参照经典车辆路径问题模型,考虑了车辆配送里程和用户数等限制,建立了双向车辆调度问题的数学模型。在标准粒子群算法的基础上,引入爬山操作,增加了粒子群的多样性,提高了算法的局部搜索能力,并设计了基于改进粒子群算法的物流配送车辆调度算法,有效地解决了物流配送车辆的优化调度问题。     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。     

改进混合量子算法在Job Shop调度中的研究

自从科学的管理思想引进生产过程中,管理者开始注重计算机的辅助作用。Job Shop调度问题（JSP）是许多实际生产调度的简化模型,由于解空间的规模巨大,给求解带来了很大的挑战。在量子比特编码的基础上,设计了两种解码方式,结合微粒群算法（PSO）的更新式对量子角进行智能调整,形成了混合量子算法（HQA）。但HQA在求解JSP时,效果并不好。在HQA的框架下,增加了一些寻优机制,使得算法求解性能有显著的提高,并称其为改进混合量子算法（IHQA）。     

基于量子遗传算法的QoS多播路由算法

QoS多播路由算法的核心问题就是建立满足QoS约束的多播树,它是计算机网络中著名的受约束最小Steiner树问题,是一个NP完全问题。量子遗传算法是基于量子计算理论的新型遗传算法,基于量子遗传算法的基本原理,提出了QoS约束的多播路由算法（QoSMR-QGA）,并详细介绍了QoSMR-QGA算法的实现过程。仿真实验表明,该算法具有较好的算法收敛性和多播路由成功率。     

A novel scheduling model for computational grid using quantum genetic algorithm

The Computational Grid (CG) provides a wide distributed platform for high end computing intensive applications. Scheduling on Computational grid is known to be NP-Hard problem and requires an efficient solution. Recently, quantum inspired computing has been introduced in the literature to solve such a complex combinatorial optimization problem efficiently. Combination of Genetic Algorithm (GA) and quantum concept evolves a new meta-heuristic technique known as Quantum Genetic Algorithms (QGA). QGA is a search procedure based on evolutionary computation and Quantum Computing (QC). This paper proposes a novel technique of scheduling in computational grid using QGA. The work simulates the model to study its performance. It also makes a comparative study with a GA-based scheduling model. Simulation results reveal the effectiveness of the model.     

量子遗传算法在TSP中的应用

本文提出了一种改进的量子遗传算法,其核心是对量子遗传算法中的量子旋转门的调整策略进行改进。在现有的静态、指数型动态调整策略的基础上提出了基于正弦函数的动态调整策略。文中对旅行商问题（TSP）的仿真实验结果表明：改进后的算法的优化质量和效率都优于遗传算法和一般量子遗传算法。     

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．     

一种新的自适应量子遗传算法研究

传统的量子遗传算法是基于二进制编码进行的,每次计算需要进行编码和解码操作,影响了算法的效率。针对这一问题,提出了实数编码的自适应量子遗传算法（RQGA）。首先运用实数和量子比特共同编码,并采用自适应频率的临近算符对编码进行更新,而后运用自适应转角策略更新量子比特串,以保证算法保持搜索性能和求解性能的平衡。最后分别采用二进制遗传算法、二进制量子遗传算法以及实数和量子比特共同编码的自适应量子遗传算法对Schaffer’f6函数进行测试对比,结果表明,实数和量子比特共同编码的自适应量子遗传算法无论在收敛速度还是收敛精度方面都体现了较好的优越性。     

一种改进变尺度混沌优化的模糊量子遗传算法

针对量子遗传算法存在的易陷入局部极小等问题,提出一种模糊量子遗传算法。该算法采用一种变尺度混沌优化方法,只需设 2个循环,内循环进行混沌搜索,外循环负责缩小区间,通过改进它的收敛策略,可以避免混沌优化在区间内的盲目重复搜索。利用改进的变尺度混沌优化方法,对量子遗传操作产生的种群进行混沌搜索寻优,同时模糊控制更新,加快种群的进化。仿真结果表明,该方法的寻优效果优于量子遗传算法及遗传算法。     

求解敏捷供应链调度优化问题的混合遗传算法

针对敏捷供应链调度决策中,需求的时间、数量约束和供应商生产能力、可用调度时段约束造成系统优化的复杂性,设计结合贪婪算法的混合遗传算法进行求解。算法以供应链系统库存成本和运输成本为适应度函数,以包含企业信息、部件信息和调度时段信息的时段编码作为遗传编码,以线性次序交叉LOX算子和逆序变异INV算子进行交叉和变异操作,在解码过程中结合贪婪算法进行调度决策和适应度计算,保证算法在满足约束条件的基础上快速收敛到系统Pareto最优解,通过算例验证算法的有效性。     

定位—路线问题的遗传禁忌混合优化算法

研究了带软时间窗的定位—路线问题的遗传禁忌混合优化算法,该算法同时兼顾了定位—路线问题中的定位—配给和车辆路线安排两个子问题。给出的遗传算法与禁忌搜索算法的混合策略、遗传编码和相应的遗传操作方式,有效地提高了算法的求解效率和求解质量。最后,通过实验证明了算法的可行性和有效性。