基于区块链技术和遗传算法的物流供应链优化

为了增强货物可达性和物流信息安全性、提高供应链效率、降低运输成本,对物联网背景下基于区块链技术和遗传算法的物流供应链优化进行研究。首先,介绍区块链基本技术、供应链优化及遗传算法等理论,分析区块链对物流信息协同管理的优化。然后,基于遗传算法建立物流供应链网络优化模型,同时分析了优化结果。优化结果表明,区块链技术被应用到物流信息协同管理系统中,提升了物流供应链整体效益;利用遗传算法,降低了物流配送成本。从增加物流信息安全性和可达性方面出发,研究经由区块链技术、遗传算法优化物流供应链中的物流信息协同管理系统,以及物流进行配送的路径,体现了创新性。实例研究表明,通过区块链技术和遗传算法加强优化物流供应链,提高了工作效率、降低了成本、提高了企业管理水平和经济效益,提升了企业的竞争力。     

区域低碳物流运输网络双层优化研究

区域低碳物流网络优化是建立低碳物流系统的重要环节。引入低碳理念,考虑政府低碳线路规划与货主之间的博弈,上层区域物流网络的优化以碳排放、成本、时间最少化,下层货流运用改进的Logit路径选择分配,建立了基于低碳理念的区域物流运输网络双层优化模型。根据模型求解的复杂性,运用网络变形和遗传算法给出求解优化模型的方法和步骤。算例仿真计算结果表明,该模型与算法在区域物流运输网络低碳优化组合中是准确且可行的,有益于低碳物流网络构建。     

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。     

集成整车物流系统的网络规划问题研究

综合考虑运输、库存、设施、服务质量等决策因素,建立了整车物流网络规划集成优化模型,针对由工厂、集货中心和分销中心构成的基本物流网络,提出了用于运输路径优化的流预测算法,并嵌入到遗传算法,解决了适应值的计算难点,给出了基于流预测的遗传算法求解框架．通过实例分析了运输规模效应、库存控制策略、服务质量指标等因素对物流网络结构设计方案的影响。     

汽车零部件立体仓库货位优化问题研究

以立体仓库库存为研究对象,从物流仓储管理角度,研究了货位分配优化问题。分 析了汽车零部件货位布局优化原则,建立多目标货位分配优化数学模型,对遗传算法进行了算子 设计,运用Matlab 软件实现模型的求解,得出可行的货位优化方案。最后结合实例进行多目标 货位优化数学模型求解及应用,并以三维仿真图形展示了优化效果,验证了所设计的遗传算法的 有效性,对同类问题的解决具有参考意义。     

基于改进遗传算法的第三方物流联盟伙伴选择策略研究

在描述第三方物流供应链联盟伙伴选择模型的基础上,提出了一种求解联盟伙伴选择优化问题的自适应遗传算法.     

汽车零部件物流如何玩转RFID技术——沈阳李尔汽车系统有限公司物流模式升级

随着汽车工业的发展,汽车零部件企业的物流系统如何应对主机厂日渐提升的产能,以及复杂多样的产品要求,是摆在零部件厂商面前的严肃问题。与此同时,随着物联网的迅速发展,RFID技术的成熟为供应链数据采集提供了新的解决方案,越来越多的汽车零部件企业将RFID技术应用到汽车物流和供应链领域。     

基于自适应递阶遗传算法的小波网络研究与应用

针对传统网络收敛速度慢、隐层节点数选取盲目的问题,提出了一种基于递阶结构的自适应遗传算法.该遗传算法采取基于递阶结构的编码方式和自适应调整遗传算子,以网络的复杂性和准确性为目标函数,同时优化小波网络的结构和网络参数,并将优化网络用于飞控系统舵机的故障诊断,通过与传统的BP算法比较,结果表明基于递阶结构的自适应遗传算法的网络结构优化能力很强,且网络的收敛性能和诊断能力都有了很大的改进.     

基于自适应遗传算法的半主动悬架模糊控制研究

模糊规则的正确选择是半主动悬架模糊控制器设计的关键和难点,本文提出一种自适应地选择交叉概率和变异概率的遗传算法,以车身垂直加速度均方根值为优化目标,对汽车半主动悬架模糊控制规则进行优化,以达到提高半主动悬架模糊控制器的控制效果,改善汽车行驶平顺性的目的。为了证明该优化方法的可行性,将该自适应遗传算法优化的模糊控制器对汽车半主动悬架进行控制,并建立Matlab文本与Simulink相结合的仿真模型。仿真结果表明：优化后的半主动悬架车身垂直加速度均方根值减小,汽车行驶的平顺性得到了提高。     

水上石油物流分拨中心选址模型及其遗传算法

我国水上石油物流网络错综复杂,合理配置和选择水上石油物流分拨中心具有重要的理论价值和现实意义。文中给出了我国水上石油物流分拨的网络架构,建立了相应的石油物流分拨中心选址的数学模型,针对模型的特点提出了遗传算法的解决策略,验证了该模型和方法的正确性,该方法也适用于其他种类大规模物流分拨中心的优化问题。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

模拟退火遗传算法在DOA估计技术中的应用

将模拟退火思想融入到遗传算法中,形成了另一种优化算法,即模拟退火遗传算法,将其应用于加权子空间（WSF）算法的目标方位（DOA）估计技术中,以求降低WSF算法的运算复杂度,提高DOA估计精度,同时又解决了基本遗传算法在DOA估计中易陷入局部最优、后期搜索迟钝等问题。计算机仿真结果表明：采用模拟退火遗传算法的DOA估计技术在低信噪比条件下比采用基本遗传算法、高斯-牛顿算法有更高的分辨概率,更小的均方误差。     

时滞系统控制参数优化的遗传模拟退火算法

该文基于遗传模拟退火算法,提出一种时滞系统的控制参数优化方法,同时对Matlab遗传算法工具箱GAOT进行改进,使之适用于PID参数的优化。该文所采用的算法保留了遗传算法和模拟退火算法分别在全局和局部搜索能力强的优点,能克服常规遗传算法中解的早熟现象、局部寻优能力差,难以保证对参数优化的计算效率和可靠性要求等缺陷。研究表明,改进后的遗传模拟退火算法是一种行之有效的方法,具有实用价值。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

一种融合模拟退火和单亲遗传的优化求解算法

度约束最小生成树是一个经典的组合优化NP难题,其在网络设计和优化中有广泛的应用;现有求解方法往往不能很好地兼顾求解效率和求解精度;为了在缩短求解时间的同时,更好地获得最优解,提出了一种结合模拟退火算法和单亲遗传算法的改进求解算法;首先,改进遗传算法中变异因子的生成方式,避免不可行解个体的产生,并且设计自适应变异率,以提高算法的求解效率;其次,针对单亲遗传算法仅有变异操作可能导致最优解个体跳跃的问题,结合模拟退火的思想,来保证解的全局最优性;最后,在具体的度约束最小生成树问题中进行了三组实验,从运行时间和最优解的情况等方面与传统单亲遗传算法进行对比,实验表明该算法在求解效率和获得最优解方面都有较好的改进效果。     

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。     

遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

基于曲线自适应和模拟退火的蝗虫优化算法

针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。