基于ALNS改进的蜣螂优化算法求解带时间窗的车路径问题

针对带时间窗的车辆路径问题(Vehicle Routing Problems with Time Windows, VRPTW),提出一种混合大规模领域搜索的改进蜣螂优化算法(Improved Dung Beetle Optimization of ALNS, ALSN-IDBO)进行求解。本文主要的改进点为:1) 设计新的编码解码方式实现连续蜣螂位置向量向离散客户序列的转化;2) 对于蜣螂优化算法的初始化采用随机、贪婪、最邻近而策略;3) 在ALNS中设计了3个移除算子和3个重插算子;4) 在传统的DBO中针对繁育的蜣螂和小蜣螂分别改进为螺旋搜索策略和三角游走策略。通过在标准Solomon数据集的部分算例进行实验,将本文算法与GA、DBO、ALNS算法进行对比,实验结果表明,本文所提出的混合大规模领域搜索的改进蜣螂优化算法能找到更好的解,并且寻优能力和稳定性均优于对比算法。

基于改进金豺优化算法的机器人路径规划

针对传统金豺优化算法GJO求解移动机器人路径规划RPP问题时存在寻优能力差,易陷入局部最优的缺点,本文提出一种改进的金豺优化算法IGJO。IGJO算法引入反向学习机制构建初始金豺种群,以提升初始解的质量;使用改进非线性能量逃逸因子,避免迭代后期过早收敛。同时,算法融合了个体记忆功能的精英反向学习策略搜索当前种群优秀解的反向空间,以增强算法的勘探能力。最后,IGJO对比5种优化算法的实验数据,实验结果表明,IGJO算法均优于其他对比算法。