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。     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

基于改进遗传算法的物流配送路径优化的研究

通过改进遗传算法的编码方式和适应度评估,减少二进制编码或浮点型编码的复杂性,同时精简适应度评估的计算,来求解物流配送路径优化问题.在建立物流配送路径优化问题的数学模型基础上,构造改进后的遗传算法.改进后的遗传算法采用自然数直接编码,在个体选择上结合使用常用的最优个体保留策略和轮盘赌法.进行多次实验和计算,证明改进后的遗传算法,在优化物流配送路径方面比传统的遗传算法,收敛性更好、更优越,进而更高效地获得问题的最优解或近似最优.     

基于改进遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的研究分析,建立了不带时间窗约束的物流车辆配送路径优化模型。针对普通遗传算法早熟和易陷入局部最优的缺点,通过引入小生境技术对遗传算法进行了改进。其中,选择操作采用了最优个体保留和轮盘赌结合的策略,交叉操作采用最优路径子路径保留策略;变异算子保证个体逐代进化。个体交叉前的配对选择以及交叉完毕后的调整都引入了小生境选择机制。这些方法大大增强了种群的多样性和全局寻优能力,加速了算法的收敛。最后通过实例验证了算法的可行性、实用性和高效性。     

基于遗传算法的物流配送路径优化问题研究

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在选址问题、配送问题、调度问题、运输问题、布局问题方面意义重大。在建立物流配送路径优化问题数学模型的基础上,构造了求解该问题的遗传算法。该遗传算法采用常用的二进制编码,在个体选择上结合使用最优个体保留策略和轮盘赌法。最后以这种方法进行了实验计算,通过计算结果表明,用遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

基于遗传算法的物流配送路径优化问题的研究

建立优化物流配送路径的数学模型,然后构造求解该问题的遗传算法。进行多次实验和计算,证明用遗传算法优化物流配送路径,可以有效地求得问题的最优解或近似最优解。     

基于改进遗传算法的物流配送路径求解

为提高中小企业在市场中的竞争力,提出了基于遗传算法的智能化解决方案.建立了物流配送路径问题的数学模型和求解流程,论述了基于遗传算法的物流车辆配送系统的设计与实现,详述了基于自然数编码的遗传算法在物流车辆调度中的运用等关键技术.通过模拟测试,效果良好.计算结果表明,用遗传算法进行最短路径优化,可以方便有效地求得问题的最优解或近似最优解.最后,指出了遗传算法求解物流配送路径问题的不足之处.     

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。     

基于改进蚁群算法的物流配送问题研究

对带时间窗的物流配送车辆路径优化调度问题进行了描述,给出了数学模型,在最大～最小蚁群算法的基础之上,提出了一种改进的蚁群算法,在物流配送路径优化问题初始解的构造、路径优化、转移规则、信息素更新方式、算法终止判断等进行了改进,并通过引入信息熵的概念,利用与算法运行过程有关的信息熵的值表示选择过程中的不确定性,来控制路径选择和局部随机变异扰动的概率,以实现算法的自适应调节,同时结合局部优化方法对解进行二次优化,通过这些改进,提高了算法的搜索效率,实验仿真整明了该改进算法的有效性.     

基于免疫遗传算法的物流配送车辆路径优化问题研究

提出一种新的启发式算法-免疫遗传算法,以处理物流配送车辆路径优化问题;并运用一种新的巡回路线编码方法和抗体浓度群体更新及多样性保持策略,在解决物流配送车辆路径优化问题上取得了较显著的效果.     

基于改进自适应和声遗传算法的装配序列优化研究

在考虑装配工具及零件装配方向改变对装配成本影响的同时, 增加装配体约束稳定性影响作为装配序列优化评价要素, 构建装配成本模型。基于装配体几何约束关系, 建立装配方向约束矩阵和连接关系矩阵, 并依据专家知识得到零件所对应工具的映射表, 通过矩阵扫描得到装配成本惩罚次数, 并与惩罚系数加权得到装配成本函数值。在和声算法中引入自适应的参数调节方式及遗传算子, 使和声算法能够解决离散型数学问题, 并较好地改善了和声算法方向性差的缺点, 通过求解惩罚函数最小值, 得到其所对应的最优装配序列解, 最后结合实例对比, 验证了该方法有的效性。     

引入学习机制的自适应遗传算法设计与实现

目前遗传算法研究中,缺乏对历代群体进化规律的充分利用,因此引入学习机制,设计反映个体自主学习进化规律的自适应算子,并且结合现有的改进遗传算法,提出一种新的自适应遗传算法。最后以两个通用的测试函数为例对算法进行性能测试,结果表明,在采用相同参数的条件下,自适应算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

基于PK模型的一种自适应遗传算法研究

遗传算法可以被理解为在逐代演化的过程中,适应性强的个体或种群具有更高的生存可能性的一种并行搜索算法。提出了基于PK竞争策略的遗传算法（Player Killing Genetical Algorithm,PKGA）,其核心思想在于通过PK赛式的竞争筛选,直至剩下一个全程最优的个体即为全局最优解。通过对全程最优解的即时检测,同时配合交叉率与变异率在个体粒度上自适应地动态调整,算法能很好地避开局部极值点并减少进化过程中的退化现象。这种PK竞争筛选策略保证了算法较高的搜索效率和较强的鲁棒性。仿真实验证明,算法在应对早熟问题和退化现象及收敛效率等方面明显优于传统的标准遗传算法。     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

两阶段式的物流配送路径优化方法

根据组合优化理论,充分利用遗传算法、蚁群算法的优化点,提出了一种两阶段式的物流配送路径优化方法(GA-ACO)。利用遗传算法迅速找到物流配送路径优化问题的初始解,初始解生成蚁群算法的初始信息素分布,通过蚁群算法找到物流配送路径的最优方案。采用实例对GA-ACO的性能进行测试,测试结果表明,GA-ACO可以获得较好的物流配送路径优化方案,是一种高效率、鲁棒性好的物流配送路径优化问题求解方法。     

基于云自适应遗传算法的NoC映射研究

NoC映射是NoC设计中的重要步骤,映射结果的优劣对NoC的QoS约束和通信功耗有着很大的影响。提出一种采用云自适应遗传算法实现NoC映射的方案,该算法利用云模型对传统遗传算法加以改进,以此新方法自动调整遗传算法过程中的交叉概率和变异概率,从而达到优化遗传算法的目的。结合NoC映射中的具体问题,在功耗和延时约束的限制条件下,建立了延时约束下的NoC映射功耗数学模型。实验表明,该方法在NoC映射中取得了良好的效果,降低了通信功耗。     

模糊自适应遗传算法

针对标准遗传算法在实际应用中存在的早熟问题,设计了标准遗传算法的一种改进形式--模糊自适应遗传算法.该算法是利用种群的方差和熵来衡量种群多样性,并根据每代种群的方差和熵设计模糊推理系统来自适应控制交叉概率和变异概率.通过多峰函数优化问题的仿真实验,表明了该模糊自适应遗传算法的可行性和有效性.     

采用改进遗传算法优化FIR数字滤波器设计

FIR数字滤波器的最优化设计可以抽象成一个多维连续函数求极值的问题,因此可以采用遗传算法求解。针对传统遗传算法存在的容易早熟收敛的问题,提出一种改进策略,从交叉变异的概率和算子两方面对算法进行改进,并通过测试函数验证了改进策略的可行性。分别在最小二乘（LS）、最大误差最小化（MM）和均方误差最小化（MMSE）准则下,采用改进遗传算法进行FIR数字低通滤波器最优化设计,实验结果显示在不同优化准则下设计的滤波器都表现出了良好的性能,证明了改进算法的通用性和有效性。     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.