自适应混合蚁群算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(capacitated vehicle routing problem,CVRP),提出了一种自适应混合蚁群算法.由蚁群算法生成子回路,为增强跳出局部最优能力,在蚁群算法的状态转移规则和信息素更新规则中引入了自适应机制.基于子回路组合,由遗传算法构造近似解,根据问题编码特性设计了适应度函数和遗传算子,提高了构造效率,并采用Clark和Wright节约算法将近似解修复成可行解.采用扫描法和2-opt局部优化方法提高可行解的质量.标准算例的实验结果表明,该算法在求解CVRP问题上具有良好的寻优精度和寻优效率.灵敏度分析结果表明蚂蚁数量对算法性能具有显著影响.

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。

基于PAFMEA的汽车缺陷分析及纠正措施决策

传统的产品审核方法用对汽车缺陷项打分的方式来标识缺陷对用户满意度影响程度的大小,然后,审核团队通过讨论主观地确定纠正措施。这种方法本质上是一种事后纠正的方式,且主观性强,可操作性差。本文将FMEA技术引入到产品审核阶段(简记为PAFMEA),以便定量地分析汽车缺陷对用户满意度的影响程度;在PAFMEA的纠正措施中引入了费用成本、时间成本和纠正后风险优先度3个指标及其相关信息,并以优化此三指标为目标,提出了基于多目标优化的纠正措施决策方法;应用嵌套的SAMOACOMV算法,出色地完成了多目标决策问题的优化计算。PAFMEA及其纠正措施决策方法更强调事前的风险预防,可操作性好。