求解TSP的离散野马优化算法

针对求解TSP问题,提出一种新的元启发式算法离散野马优化算法(DWHO),应用最小位置匹配值法(MPMV)对求解结果进行离散化解码;为提高算法搜索能力,结合野马放牧、交配、领导者交流与选拔行为,引入变邻域搜索策略,增强了算法的局部搜索能力、加快算法收敛速度。选取TSPLIB标准库33个算例进行实验,并与交换序列人工蜂群算法(ABCSS)、离散蜘蛛猴优化算法(DSMO)两种算法进行比较。实验结果表明,DWHO求得的最优解与ABCSS、DSMO两种算法的最优解相比,最优解改进率最大值分别达到4.52%和3.41%。同时,将离散野马优化算法求解TSP收敛速度与以上两种算法进行比较,其收敛速度具有一定的优势。结果表明离散野马优化算法求解能力和精度具有优势。

蝗虫优化算法综述

蝗虫优化算法是基于蝗虫觅食行为来模拟优化过程的一种元启发式算法,具有收敛速度快、精度高、简单易实现等特点,广泛应用于解决优化问题和实际工程。首先,介绍蝗虫优化算法的原理及流程;然后,详细论述蝗虫优化算法的研究现状及其在人工智能、金融、医疗、路径规划等领域的应用;最后,对蝗虫优化算法进行总结,指出未来可能的研究方向。

蚁狮优化算法研究综述

蚁狮优化(ALO)算法是通过模拟自然界中蚁狮捕食蚂蚁的狩猎机制而提出的一种新型元启发式算法,广泛应用于各种优化问题,具有全局寻优能力强、收敛精度高、简单易实现等特点。首先,简述ALO算法的原理及流程;然后,阐述ALO算法的多种变体;接着,介绍ALO算法在工程设计、人工智能、计算机科学、电力系统优化、控制系统等领域的应用;最后,对ALO算法进行总结,并提出建议和未来可能的研究方向。

象群优化算法综述

象群优化算法是一种受启发于大象氏族结构和游牧行为的新型元启发式优化算法,旨在解决全局优化的问题,具有控制参数少,易于实现的特点,广泛应用于科学研究和工程领域。首先,介绍象群优化算法的原理及流程;然后,详细论述象群优化算法的研究现状及其在控制、电气电力、人工智能等领域的应用;最后,对象群优化算法进行总结,指出未来可能的研究方向。

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。

物流运输调度问题的混沌烟花算法——基于多车型供应链

为了满足供应链物流的不同需求,考虑多种车型、车辆容量、车辆油耗、车辆最大配送距离等约束条件,以最小油耗、最短配送距离为目标,建立多车型供应链物流运输调度模型(Multi-Type Vehicle Routing Problem in Supply Chain,MTVRPSC),并提出一种混沌烟花算法求解该模型。该算法以烟花算法为核心,提出一种编解码策略实现连续空间到MTVRPSC离散空间的映射,重新定义算法的适应度函数、适应度值和适应度的比较方法,并采用混沌初始化策略和混沌搜索策略来增强算法收敛效果。实验结果表明,所提出的算法在求解MTVRPSC时具有较强的寻优能力和稳定性。

暴雨天气下高速公路短时交通流预测

在暴雨天气情况下,驾驶人视野受限制容易引发交通事故。为准确预测暴雨天气下的高速公路车流量从而减少事故的发生,提出一种基于改进布谷鸟搜索(CS)算法与径向基函数(RBF)神经网络的高速公路交通流预测方法。采用猴群算法中的猴爬山过程优化布谷鸟位置更新策略,通过识别概率自适应更新策略建立改进的CS-RBF神经网络(CS-RBFNN)交通流预测模型。实验结果表明,相对于改进的GSO-RBFNN模型,改进的CS-RBFNN模型具有更快的收敛速度和更高的预测精度,其平均绝对百分比误差为8.2%,平均绝对误差为20.14,均方根误差为19.2,且预测准确率高于90%。

时变路网条件下车辆路径问题的自适应蚁群算法

考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素、处理跨多时段的问题,建立时变路网条件下的车辆路径问题数学模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法全局收敛能力;结合油耗率,将油耗率转换成信息素挥发因子,自适应更新信息素,保证其收敛速度;通过3-opt策略,提高算法的局部搜索能力。基于以上方法构造自适应蚁群算法,对八个客户规模的实例进行仿真表明,提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和蚁群算法,并且因为考虑了不同运载量的油耗,为准确估计运输成本提供了方法。

边赋权森林ω-路划分的O(n)算法

w-路划分问题是路划分问题的一般化,它源于并行计算机系统、计算机网络与分布式控制系统等一类广播通信问题.设置最少的信息源节点,使得在指定的时间内将信息源节点所拥有的信息发送到其余节点,并且保证不同通信线路之间不得相交.从Hamilton路的NP-完全性不难看出,w-路划分问题属于NP-完全问题.通过构造性证明技术,获得了边赋非负权路径、树和森林的w-路划分问题的一些性质.分别提出了求解边赋非负权路径和边赋非负权树的w-路划分问题的线性时间算法,讨论了算法的局部实现技术,详细地分析了这些算法的复杂度.以这两个算法为基础,提出了一个线性时间算法求解边赋非负权森林的w-路划分问题.所提出的算法直观简明、操作容易,只需要较少的运行时间和较小的存储空间.

带中转点的联盟运输调度的遗传算法研究

结合城市货物运输的具体特点,分析了多供应点、多中转点的联盟运输调度问题的优越性。在分析联盟运输调度特点的基础上,建立了优化确定联盟运输调度问题中转点的数学模型,并构造了求解该问题的有效遗传算法。算法中针对具体问题的特点,采用较新的交叉算子。实例计算表明,提出的模型和算法能够有效地解决AVRP中转点的确定问题。

自适应多目标混合差分进化算法在联盟运输调度中的应用

传统的单目标算法运行一次只能得到一个解,而多目标算法运行一次可以得到一个解集。文中所提算法(DEASA)通过改进差分进化策略,设计重构,调整自适应参数,并采用擂台法则构建非支配集,将模拟退火策略融入到差分进化算法当中,进一步提高了算法的性能,降低了时间复杂度,增强避免陷入局部最优的能力。通过实验验证表明,该算法能有效地解决联盟运输调度问题。

变邻域量子烟花算法求解CVRP

针对带容量约束的车辆路径问题,提出一种融合量子进化算法和变邻域优化策略的变邻域量子烟花算法。该算法采用等分随机键与最大位置法结合的实数编码方式,通过量子旋转门和非门变异提高算法全局搜索能力,同时运用结合2-Opt的变邻域优化策略加强局部搜索能力。选取17个基准算例进行参数实验和对比实验,实验结果表明,相对于对比算法,所提出的算法具有较好的寻优能力和收敛速度。

混沌烟花算法求解旅行商问题

旅行商问题(Travelling Salesman Problem,TSP)是一种经典的组合优化问题,属于典型的NP难问题,具有重要的研究价值。文中提出了一种混沌烟花算法来求解TSP。所提算法使用最大位置法定义离散域中的烟花算法,并加入混沌优化策略来增强算法的搜索能力。设计了4个参数实验来分析主要参数对CFWA的影响并确定了较优的参数设置。对比实验表明:相比于对比算法,混沌烟花算法求解旅行商问题时具有较好的收敛性和稳定性。

带软时间窗的联盟运输调度问题研究

为解决允许使用不同类型车辆和多层次交通网络的带软时间窗的联盟运输调度问题,在建立数学模型的基础上,利用改进的蚁群算法求解。首先,为了克服蚁群算法最优解不稳定和易陷入局部最优等缺点,按经验将选择策略分为3个阶段,每个阶段选用相应的转移概率,并根据信息素浓度与挥发速度的关系自适应调整信息素挥发因子;其次,为了解决蚁群算法不易发现可行解的问题,从构造3类分支回路和处理遗漏客户点入手,构造了联盟运输调度问题的可行解。仿真计算表明,该算法简明有效。

混合禁忌搜索算法求解关联运输调度问题

考虑到实际生活中车辆受发车时间限制以及道路路况影响运输成本等因素,建立了带客户软时间窗、车场硬时间窗、多车型、道路路况等约束的关联运输调度问题模型。结合禁忌搜索与遗传算法的优势,构造了混合禁忌搜索算法,以通过构造多个初始解来增大搜索空间;设计了两种禁忌表,分别为局部禁忌表和全局禁忌表,这不仅能加快寻优速度,还可以摆脱对单个解的依赖;将禁忌搜索生成的优化解作为遗传算法的初始解,可以加快寻优速度;自适应调整禁忌表长度可以避免早熟收敛;提取核心路径便于进行后期优化,relocate算子能减少路径网络回路数目。对实例进行的仿真表明,提出的IVRP优于一般的VRP,可节约大量成本,且提出的算法在收敛速度和寻优结果两方面都优于遗传算法和禁忌搜索算法。由3种算法求解得到的总成本、总里程及收敛时间的标准差体现出该算法的稳定性比另外两种算法的好。

多重运输调度问题的计算复杂性

本文研究了多重运输调度问题的计算复杂性。分别证明了在平面图上一台车辆的ＭＶＲＰ问题为ＮＰ－完全的、在树形网络上求ＭＶＲＰ最小总距离及最小车辆数问题是ＮＰ－完全的、ＭＶＲＰ最小总距离和最小车辆数的ε－近似解为ＮＰ－完全的。

关联运输调度问题带遗传算子的自适应蚁群算法

考虑实际生活中商品供应商具有严格的营业时间限制、客户的个性化送货时间预设以及道路路况影响运输成本等因素,建立带多种约束的关联运输调度问题模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法收敛速度;引入遗传操作算子,自适应改变交叉概率和变异概率,提高算法的全局搜索能力;提取核心路径便于进行后期优化;通过3-opt与车场交换,提高算法的局部搜索能力。基于以上方法构造带遗传算子的自适应蚁群算法,对40客户规模的实例进行仿真,结果表明提出的IVRP优于VRP,该算法在收敛速度和寻优结果两方面略优于自适应遗传算法和自适应蚁群算法,且其稳定性良好。

一种新型自适应混沌粒子群算法在联盟运输调度问题中的研究

提出了一种新的自适应混沌粒子群优化算法。该算法在运行过程中根据群体适应度方差和最优解的大小确定当前最佳粒子引入混沌搜索有效位置的概率,有效结合粒子群全局和混沌局部搜索,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度。将该算法用于解决联盟运输调度问题,实验结果表明该算法具有较好的性能。

智能运输调度系统的设计与实现

在深入调查的基础上，对运输调度系统进行了需求分析；讨论了智能运输调度系统的实现问题，包括数据组织、算法选择、智能特征实现、系统功能分析及硬件布局等方面．

多重运输调度问题的分枝定界算法及界限估计

多重运输调度问题（ＭＶＲＰ）来源于大规模生产过程的运输组织与实施。本文建立了ＭＶＲＰ的数学规划模型，研究了模型的变形形式、结构特征及解的性质；基于ＭＶＲＰ的数学规划模型，提出了它的分枝定界算法；最后给出了ＭＶＲＰ的上、下界的两个估计式，获得了需求矩阵在平衡时解的精确表示。