多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题.首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大-最小蚁群算法,算法结合自适应方法和最大-最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和"局部最优"以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比.实验结果表明:自适应的最大-最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势.     

汽车门板焊接路径的多种群自适应融合蚁群优化

为了减少汽车车门焊接路径的长度、提高车门的焊接效率，提出了基于多种群信息素自适应融合蚁群算法的焊接路径规划方法。对车门焊接路径规划问题进行了描述，并建立了其优化模型。将基本蚁群、蚁群系统、最大最小蚂蚁系统组成多种群算法，给出了基于信息熵的子群路径多样性度量方法和基于相对熵的子群间差异性度量方法，参考子群路径多样性自适应确定了子群交流时机，依据子群间差异性自适应确定了子群的交流和融合对象，从而提出了多种群信息素自适应融合蚁群算法。将多种群信息素自适应融合蚁群算法应用于车门焊接路径规划，并于文献^[11]的自适应蚁群算法进行对比，这里所提的多种群信息素自适应融合蚁群算法规划路径的最优值、平均值和耗时均小于文献^[11]的自适应蚁群算法，验证了多种群信息素自适应融合蚁群算法在车门焊接路径规划中的优越性和适用性。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型。提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路。最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比。试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型.提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路.最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比.试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的.     

带时间窗的多中心半开放式车辆路径问题

针对多中心协同配送下的车辆路径问题,建立了总成本最小化模型,所建模型满足多中心、多需求点和半开放式的特征。考虑到问题的复杂性,设计了一种三阶段求解算法：将K-mediods聚类算法用于原始数据分解,将原规模较大的多配送中心路径问题转换成多个单配送中心路径问题;设计了改进多蚁群算法来求解单配送中心路径问题,得到初始方案;在调整阶段,利用节约算法优化初始方案。分析了算例,并同其他文献的算法求解结果进行对比,结果表明,所提算法比GA-ACO算法求解得到的单中心配送最优路径值减小32.16%,总成本减小30.42%;比狼群算法解得的最优路径值和总成本均减小8.99%;比蚁群算法求得的最优路径值减小24.76%,最小配送成本减小3.40%,从而验证了所建模型的合理性和所设计多阶段算法的有效性。     

三维复杂焊接作业的多工位多机器人协同规划

为减少多工位多机器人焊接流水线的完工时间、提高各机器人焊接任务均衡度,提出了基于元启发嵌套算法的协同规划方法。以车门为焊接对象,对多工位多机器人的流水线焊接模式进行介绍,建立了以最小化完工时间、最优化焊接任务均衡度为目标的协同规划模型,设计了机器人焊接路径与任务分配的联合优化方案。针对多机器人任务分配问题,提出了有性和无性混合遗传算法的分配方法,实现了元启发嵌套的多机器人任务分配和单机器人路径规划联合优化;使用蚁群算法规划单机器人的焊接路径;基于完工时间均衡对多工位焊接任务进行了分配。实验结果表明,采用元启发嵌套算法方案的完工时间为61.23 s,比遗传与蚁群组合规划算法减少了22.12%,比贪婪迭代算法减少了6.92%;各机器人完工时间最大差值为2.31 s,比遗传与蚁群组合规划算法减小了9倍,比贪婪迭代算法减小了5倍。实验结果验证了所提方法在多工位多机器人协同焊接中的优越性。     

多陷阱复杂环境下机器人导航路径蚁群规划方法

在多陷阱复杂环境下规划机器人导航路径,蚁群算法容易掉入陷阱而降低运算效率和路径质量,为了解决这一问题,提出了基于多种群蚁群算法的路径规划方法。使用栅格法建立了工作环境的(0～1)矩阵模型,使用路径长度和路径平滑度建立了路径评价函数。针对蚂蚁回退策略陷入陷阱时反复回退、标记、判断而降低算法运行效率,提出了陷阱深度标记策略,使蚂蚁能够跳跃出陷阱而提高效率;提出了多种群搜索策略,对不同的蚂蚁种群使用不同的启发信息,兼顾了算法随机性、目的性与收敛性。经仿真验证,在多障碍物复杂环境下,多种群蚁群算法规划的路径长度和平滑度明显优于基本蚁群算法;且多种群蚁群算法寻到最优路径的收敛次数也远少于基本蚁群算法。     

多中心冷链共同配送路径优化及利润分配研究

针对多中心冷链共同配送车辆路径优化研究在生鲜商品新鲜度、资源共享以及合作利润分配机制方面研究的不足，提出了新鲜度约束下多中心冷链共同配送车辆路径优化及利润分配问题。首先，在满足生鲜商品新鲜度要求的前提下建立以车辆配送总成本最小为目标的车辆路径优化模型。其次，根据模型特点，应用K-means聚类算法确定客户点的服务关系，设计改进的混合蚁群算法进行求解。最后，利用Shapley值利润分配模型计算不同联盟体下各企业的利润分配值。结果表明冷链物流企业之间通过联盟合作，可以增加企业利润，且联盟规模越大，企业获利越多。     

基于改进蚁群算法的带时间窗废品收集车辆路径问题

建立了以最小化燃油消耗为优化目标的带时间窗、司机休息时间以及多个中转处理中心的废品收集车辆路径问题模型。提出了一种改进最大最小蚁群算法,针对时间窗特点,设计了两类满足时间窗约束的动态候选列表以提高算法的搜索效率。在最大最小蚁群算法的概率状态转移规则中引入了带距离限制的最近邻域搜索。10个基准实例中的9个实例比当前文献的最优解更好,从而验证了该模型和算法的可行性和有效性。     

改进自适应蚁群算法求解集装箱装载瓦楞纸板问题

集装箱装载瓦楞纸板问题是一个复杂组合优化问题,针对该问题,在满足基本的装载要求和约束条件下,充分利用自适应蚁群算法的强搜索能力和启发式算法对具体问题的针对性,将自适应蚁群算法和启发式算法结合,提出一种改进的自适应蚁群算法,求解出了最优装载方案。对纸板装载问题建立模型,提出目标函数并给出约束条件;根据实际情况提出启发式规则,将其与自适应蚁群算法进行结合;使用实例进行仿真验证。将仿真结果与实际情况进行对比,装载体积率明显提高,证明了该算法能够提高瓦楞纸板装载空间利用率,节省了人力,大大提高了工作效率。     

蚁群算法及其在有硬时间窗的车辆路径问题中的应用

为求解有硬时间窗的车辆路径问题,提出了一种基于可行解两阶段构造策略的自适应混合蚁群算法.在第一阶段,用蚂蚁的局部遍历代替传统的全局遍历,每个蚂蚁采用蚁群算法进行局部遍历,构造一个回路,蚂蚁转移采用回路两阶段构路策略;在第二阶段,由前一阶段所构造的回路通过采用近似解可行化策略来组合形成可行解.此外,为提高算法的寻优能力,在转移规则中引入了基于时间窗的紧迫性因子和匹配度因子,并与节约算法和爬山法有机结合.实验结果表明,自适应混和蚁群算法性能优良,能够有效地求解有硬时间窗的车辆路径问题.     

机器人导航路径的多种群博弈蚁群规划策略

为了降低移动机器人工作路径长度、减少算法迭代次数、提高路径平滑性,提出了多种群博弈蚁群算法的规划方法。建立了机器人工作环境的栅格模型;提出了由1个主种群和2个从种群组成的多种群蚁群算法;将博弈论应用于种群的协同与竞争中,设计了合作博弈机制、奖惩机制、针锋相对机制和协调博弈机制;针锋相对机制和协调博弈机制应用于从种群间的交流与竞争,以帕累托最优为目的提高整个从种群的搜索多样性;合作博弈机制和奖惩机制应用与主从种群之间的交流与合作,使从种群将搜索经验和较优路径片段传递给主种群,从而提高主种群搜索效率和质量。经仿真验证,多种群博弈蚁群算法的路径多样性在迭代过程中保持较高水平;多种群博弈算法规划的路径长度比最大最小蚂蚁系统减小了5.98%,搜索迭代次数和路径平滑性也优于最大最小蚂蚁系统,证明了多种群博弈蚁群算法在路径规划中的有效性。     

多种群蚁群算法在机械手臂路径规划中的设计与应用

为了实现机械臂在复杂环境下准确、快速抓取目标物体,提出了一种多种群蚁群算法。首先,利用机械手臂运动学方法建立了数学模型进行分析;然后,根据自适应度函数不断调整机械臂的旋转角度以达到全局最优;最后,通过仿真实验,并与现有的机械手臂路径规划算法进行了对比。结果表明,该算法在抓取时间和精准度上具有一定的性能优势。     

立体仓库多机器人协同路径规划与冲突消解

针对立体仓库中多机器人协同路径规划问题,建立了一个具有最优作业时间和能耗的多目标路径规划模型.采用分治-协作策略将多机器人路径规划问题分解为多个单机器人路径规划子问题.在路径规划中,采用改进的蚁群算法对每个机器人的初始路径进行规划.基于时空协同约束,采用协同迭代优化策略,提出了多蚁群协同进化算法.针对路径冲突问题,设计了一种动态优先级冲突消解策略,有效地解决了多机器人冲突问题,找到了最优路径组合.仿真结果表明,该方法能有效提高多机器人的协同搬运效率,降低能耗并缩短搬运时间.     

多因素改进蚁群算法的路径规划EI北大核心

针对目前服务于移动机器人的全局路径规划算法求解目标单一无法应对复杂且多变的实际环境等问题,提出一种多因素改进蚁群算法。首先,提出了RGB-2D栅格法模拟移动机器人的真实地面路况环境,并针对对角障碍情形,运用邻域矩阵探索法实现障碍检测,有效提高了路径的安全性;其次,为克服传统路径规划以距离为单一指标的局限性,构建综合考虑路径安全性、颠簸性、平滑性以及路程最短性的多因子启发式函数;考虑到传统蚁群算法早期搜索的盲目性,提出了初始信息素阶梯分配原则;然后,将信息素进行分类,按优化目标叠加每条路径上的信息素,运用最大最小蚂蚁策略和信息素挥发因子自调整策略避免局部最优;最后,运用动态切点调整法平滑路径,进一步提高路线质量。仿真实验表明,改进算法在复杂环境中具有良好的适应能力,且路径综合性能指标优于对比文献算法,可为实际环境中的多因素路径规划提供有效参考。     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

机械臂工作路径的改进蚁群-顺序局部搜索规划

为了减少机械臂末端路径长度和关节转动角度之和，提出了改进蚁群-顺序局部搜索的路径规划策略。建立了机械臂路径规划问题模型，对机械臂关节空间节点进行了离散化。使用顺序局部搜索方法确定下一节点待选集合，依据蚁群算法原理确定优化意义下的下一路径节点。考虑到传统蚁群算法收敛慢、求解质量不高的问题，构造了局部信息素随蚂蚁聚集度自适应更新方法，进而提出了局部信息素自适应蚁群算法。经实验验证，在无障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了15.27%，关节转角和减少了0.78%。在障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了3.26%，关节转角和减少了2.21%。在实物机械臂上进行验证，实验结果与仿真结果一致，验证了这里提出的路径规划方法的有效性。     

交货期惩罚下柔性车间调度多目标Pareto优化研究

针对传统作业车间调度问题的局限性,结合实际生产过程的特点和约束条件,建立路径柔性的作业车间调度仿真模型。采用连续空间蚁群算法,对柔性车间作业进行多变量、多约束下的调度布局优化设计,在考虑各个机器提前/拖期完工的惩罚值,所有机器上的总负荷、成品合格率和最大设备利用率等性能指标更加合理情况下,为每次迭代产生的邻域解集作为Pareto非支配排序,防止算法操作过程中劣解的产生,提高求解效率。并与自适应免疫算法和交换序列混合粒子群法的优化结果进行对比,该算法可有效改善基本蚁群算法的停滞现象和全局寻优能力差的缺点。目前,该方法已在某机械公司进行示范,在提高加工效率、降低生产成本、减少协作费等方面效果显著。     

考虑碳排放的多产品多目标供应链协同优化

针对供应链配送环节车辆产生的碳排放量问题,以时变网络下车辆变化的速度为关键变量,建立了考虑碳排放量目标的,将生产时间、库存时间和配送路径协同优化的模型,同时考虑了产品种类、客户需求时间窗、车辆满载率及装卸时间等约束。提出了粒子群算法与蚁群算法相结合的混合粒子群算法对模型进行优化计算,并设计了两段实数的编码、解码方式。使用蚁群算法的信息素强度方式更新粒子群算法的粒子方向,使粒子在更新过程中保留方向性和记忆性。通过对数值算例的仿真优化与结果对比分析,验证了模型的合理性和算法的有效性。