共查询到17条相似文献,搜索用时 62 毫秒
1.
目的 为了确保荔枝的采摘、预冷、贮藏、配送和销售等环节能在短时间内完成,以提高品质安全和新鲜度,降低物流成本。方法 以配送车运输、冷链能耗、荔枝损耗、时间窗惩罚等4个主要因素为研究对象,构建各因素成本模型,并确定荔枝冷链物流配送过程中成本最优的目标优化函数。利用蚁群算法对荔枝冷链物流配送过程中成本最优目标函数算例进行求解,得到荔枝冷链物流配送路径网络优化路线图。结果 当算法启发因子α=1,期望启发式因子β=4,信息素的挥发程度系数ρ=0.75,蚁群数量m=600,信息素强度系数Q=0.9,最大迭代次数Nmax=600,迭代次数超过300时,迭代趋于稳定。结论 当算法运算的迭代次数越多,其优化结果越趋于稳定。该优化模型能够实现对荔枝冷链物流配送成本的优化设计,提高荔枝配送效率,并降低物流成本,为荔枝的冷链物流配送提供参考。 相似文献
2.
3.
蚁群算法是一种新型的群智能优化算法,自提出以来,因其正反馈性、自组织性以及并行性等优点在很多领域取得了很好的应用。本文介绍了基本蚁群算法的寻优方式和数学模型,并针对其收敛速度慢、易陷入局部最优解的缺点,采用自适应调整信息素挥发因子的值的策略进行改进。并用MATLAB软件运行了改进前后的算法程序,对比求得的结果,证明了所做改进的正确性和有效性。 相似文献
4.
资源均衡问题已被证明属于组合优化中的NP-hard问题,随着网络计划的复杂化,传统的数学规划法和启发式算法已很难解决该问题。本文以各种资源标准差的加权之和作为衡量资源均衡的评价指标,建立了资源均衡优化决策的数学模型,其次,自行设计蚁群算法步骤,利用Matlab编程进行实现,将蚂蚁随机分布在可行域中,蚂蚁根据转移概率进行全局搜索或局部搜索,经迭代求解资源平衡的全局最优和对应的各工序的开始工作时间,最后使用单资源均衡和多资源均衡两个算例对算法进行了测试,验证了该算法的有效性。 相似文献
5.
提出了一种基于自适应蚁群优化(AACO)的Volterra核辨识方法。该方法将蚁群算法应用于Volterra时域核的辨识,并能够随着进化次数的增加,自适应调整基本蚁群算法的参数。同时,与相应的基于蚁群优化(ACO)的Volterra核辨识方法进行了对比分析。仿真结果表明,本文提出的方法与蚁群优化辨识方法不论在无噪声环境下,还是在有噪声干扰下,都能得到很好的辨识精度、收敛稳定性和较强的鲁棒抗噪性能,然而,在收敛速度方面,本文提出的方法优于蚁群优化辨识方法。 相似文献
6.
7.
针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。 相似文献
8.
9.
目的提出一种求解考虑包装特点的箱装农产品单车装载优化问题的有效算法。方法针对箱装农产品单车装载中的弱异类货物问题,以容积利用率最优为目标构建装载数学模型;分析农产品成箱包装的特点,并重新描述了货物承重约束和方向约束;针对模型求解提出了一种混合蚁群算法,包括基于砌墙式的启发装载策略,以及改进后的期望函数;最后选取了5组标准数据,构造了1组农产品数据,设置了3套实验方案对算法进行验证。结果实验1中算法较2种比对算法目标值分别高出3%和2.5%;实验2,算法平均体积利用率达到81.59%;实验3,改变初始参数后算法最大目标值为93.9%。结论提出的算法求解单车弱异类货物装载问题有效且性能良好;算法用于求解考虑包装特点的箱装农产品单车装载问题,具有一定的可行性。 相似文献
10.
11.
扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法. 相似文献
12.
用混合型蚂蚁群算法求解TSP问题 总被引:8,自引:0,他引:8
介绍了求解TSP问题的混合型蚂蚁群算法,并以att532(美国532个城市)为例给出了计算实验结果,说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。 相似文献
13.
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。 相似文献
14.
15.
16.
目的为解决图像边缘提取方法中由于噪声浸染导致边缘定位精确度降低、边缘信息丢失和虚假边缘等不足,提出基于霍夫变换(HT)耦合蚁群优化(ACO)图像边缘的提取方法。方法对输入图像进行霍夫变换,消除噪声和线段间隔对图像边缘的影响;计算图像像素梯度和像素圆形邻域统计均值的差值,构建二者之间的权重函数,并作为蚁群的信息素和启发信息;利用蚁群优化算法,引导蚁群搜索图像边缘,完成图像边缘提取。结果实验表明,与当前边缘提取技术相比,文中算法具有更高的提取精度与效率,可获取完整、细节丰富的边缘,有效地降低了噪声影响。结论所提算法具有较强的抗噪性能,能进一步改善边缘提取精度,能够较好地用于包装条码识别与图像处理领域。 相似文献