基于改进蛇优化算法的轮式机器人路径规划

为解决轮式机器人路径规划中效率低、寻优速度慢等问题,提出一种改进的蛇优化算法(improved snake optimizer,ISO)。在初始阶段引入正弦混沌映射扩大算法寻优空间,提升解的质量。同时设计了一种双向搜索策略,在最佳和最差个体引导的两个方向上逼近全局最优值,使收敛速度更快。并在算法中增加改进的进化种群动力机制,替换质量较差的个体从而提高种群质量。另外利用精英对立学习策略来提高算法的局部开发性能。仿真结果表明,ISO算法在轮式机器人路径规划过程中,相比其它对比算法各项指标更优,寻优效率更高,可以有效帮助轮式机器人完成规划任务。

资源约束条件下高速公路改扩建路段应急救援路径优化

在多项资源变化的约束情况下,综合考虑高速公路改扩建造成的路段通行时间较长、交通拥堵程度加剧、交叉口延误增多等因素,以各救援资源点到达突发事件地点的等效行程时间为路径优化指标,利用Dijkstra最短路径算法,提出一种针对高速公路改扩建路段突发事件的应急救援路径优化模型和决策方法。以某高速公路改扩建路段交通事故应急救援为例,验证了该路径优化模型和决策方法的可行性。

面向复杂物流配送场景的车辆路径规划多任务辅助进化算法

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化(Harris hawks optimization,HHO)算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化(improvement Harris hawks optimization,IHHO)算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。

基于地形约束的改进蚁群算法履带车三维路径规划

针对传统蚁群算法在三维路径规划时初期搜索盲目性强、累计俯仰角度过大、信息素更新没有针对性的问题,提出了基于地形约束的改进蚁群算法。针对前期搜索盲目性,考虑重力因素对履带车的影响,根据地形高度对初始信息素浓度进行不均匀分布;为解决路径规划只以距离最短为目标的局限性,充分考虑地形坡度的影响,添加引力、斥力和俯仰角因素构造多元启发函数;利用狼群分配原则对最优路径上信息素浓度进行加强,最差路径上信息素浓度进行减少,并且对信息素进行限幅,有效避免陷入局部最优。在Matlab中通过栅格法建立三维空间进行试验,仿真结果证明优化算法的有效性,并且当环境越复杂时,改进算法优越性越明显。

计及多目标约束的成品卷烟销售订单配送调度优化

针对制造业供应链中的跨地域多运输中心大数据订单物流调度问题,对涉及多约束条件和多目标的异构运输车辆调度问题展开研究。根据烟草制造工业的实际运输任务需求,考虑制造订单安排、车辆准运证限制、运输车辆物理限制、运输时间窗、排产出库时间等实际约束,搭建了以包括车辆等待卷烟出库的最短运输时间,最低运输费用及最高车辆利用率为优化目标的成品烟物流车辆跨地域调度优化模型。设计了基于差分进化的混合多元宇宙算法(DE-MVO)用以解决该模型。最后基于某烟草工业企业的实际生产订单数据进行实验,将所设计的算法分别与粒子群(PSO)算法、差分进化(DE)算法、鲸鱼优化(WOA)算法、遗传优化(GA)算法、乌鸦搜索(CSA)算法、天鹰座优化器(AO)、多元宇宙(MVO)等前沿算法进行横向对比,对比结果表明所设计的算法在全局搜索能力、寻优精度等方面更优于其他算法,进一步表明所建立的模型在求解制造业供应链运输车辆调度问题中具有可行性。

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.

基于时间窗约束的多人多储位拣选路径优化模型及改进遗传算法应用研究

针对目前主要的单人单储位拣选路径规划研究现状,以安徽BY零件库为研究对象,考虑实际存在的多人同时拣选与多储位问题(MLP),建立多储位下的多人拣选路径优化模型。首先确定拣选的人数;然后针对多人拣选路径优化模型提出一种基于时间窗约束的改进遗传算法(TWC-IGA)进行模型的求解,由IGA优化路径并得到拣货路径集合,再利用时间窗约束和两阶段策略进行路径的冲突预测、避障与动态局部调整;最后,通过仿真实验与遗传算法、贪心算法进行对比,验证文中所提的TWC-IGA的稳定性与收敛速度更好,结果更优,极大地提高拣选效率,对实际拣选具有有效性。

优化和约束推理的动态分布式双向导遗传算法

为了解决优化和约束推理,基于向导遗传算法(GGA)和分布式向导遗传算法(DGGA),通过引入向导概率Pguid、本地优化监测LOD和权ε共3个新参数,提出了一种D3G2A算法的改进算法。该算法采用多代理方法,不仅使搜索过程多样化,避免出现局部最优,而且代理能计算各自的遗传参数。将改进的D3G2A和GGA用于随机生成的二元CSPs,实验表明,D3G2A能有效改善适应度值和节省CPU时间开销,使算法的性能得到提高。

基于转角约束的改进蚁群优化算法路径规划

针对传统蚁群优化(ACO)算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题,提出一种基于转弯角度约束的改进ACO算法。首先,增加起始点与目标点之间区域的初始信息素浓度,以避免初期盲目搜索;然后,在启发函数中加入A算法的估价函数和转弯角度因子,以便在下一步选择路径长度和转角次数综合最优的节点;最后,在信息素更新部分引入狼群算法的分配原则,来加强优质种群的影响力,同时借鉴最大最小蚁群(MMAS)算法进行信息素浓度的限制,从而避免算法陷入局部最优。Matlab仿真结果表明,改进算法与传统ACO算法相比,规划出的路径长度缩短了13.7%,转弯次数减小了64.3%,累计转弯角度减少了76.7%。实验结果表明,所提改进算法能有效解决全局路径规划问题,避免了移动机器人过多的能耗损失。

考虑多车型的柔性制造车间双向物料配送路径优化

针对当前柔性车间车辆利用率低、配送小车型号单一以及存在逆向物流等问题,课题组构建了一种考虑多车型协同配送的双向物料配送模型。首先以小车的出车成本、路径运输成本和时间惩罚成本的总和最小为优化目标,构建了相应的数学优化模型;其次设计了改进的遗传算法,根据个体适应度的大小选择交叉变异概率,加快求解速度;最后借助MATLAB进行实例仿真,对比分析算法改进前后求解结果。结果表明:多车型配送比单车型配送成本低252.34元,改进算法后成本降低了3.48%。验证了该模型与改进算法在车间双向物料配送中的可行性和有效性。

多目标模糊机会约束规划的低碳多式联运路径优化

针对时间窗与需求量不确定性下的多式联运路径优化问题,运用梯形模糊数表示模糊需求量与模糊时间窗,并考虑碳排放成本、运输成本以及客户满意度,建立了多目标模糊机会约束模型。固定的交叉、变异概率会直接影响算法的收敛性,针对此问题,将自适应性与非支配排序遗传算法Ⅱ(NSGA-Ⅱ)结合,并通过与DOCPLEX和NSGA-Ⅱ的对比验证了所提模型与算法的有效性。最后,探究了碳税值与模糊需求量偏好值的变化对优化结果的影响。研究结果表明:碳税值的提出可有效促进“公转铁、公转水”,从而显著减少碳排放量,然而过高的碳税值并不一定意味着碳排放量的减少,还会对企业造成过高的成本;模糊需求量偏好值的提高会造成总成本的增加,意味着运输经济性与可靠性两者不可兼得。因此,合理设置碳税值与模糊需求量偏好值是提高多式联运环保效益与运输效益的有效方式。

基于改进双向A^(*)算法的消防机器人路径规划

为解决消防机器人在复杂封闭环境内的全局路径规划问题,提出一种基于改进启发函数的同步双向A^(*)算法。首先,将传统A^(*)的单向搜索改为同步双向搜索,动态定义正反向搜索的目标节点;其次,在评价函数中增加“归正”因子函数,防止正反向搜索路径不相交的情况,同时为预估代价函数增加动态权重函数以减少搜索过程中冗余节点的产生;针对搜索路径拐点较多和不平滑的问题,提出一种拐角优化和基于Bezier曲线局部平滑的解决方案;最后通过仿真对比和真实环境试验,验证改进算法在路径长度、搜索时间、遍历节点数和拐点数等方面的优越性以及有效性。

基于变异蚁群算法的多约束运输路径优化

针对运输路径优化中存在多约束限制的问题,建立了多约束运输路径优化问题(MCTPOP)的数学模型。对于求解算法,在基本蚁群算法的基础上,引入变异机制,采用线性递增的变异概率增长方式,根据变异蚂蚁的寻路特点,提出了一种Ant-enco&contr信息素更新策略。利用变异蚁群算法对MCTPOP进行求解,通过仿真实验表明,该算法能够减少陷入局部极值的可能性,提高了基本蚁群算法的寻优能力,是一种有效的MCTPOP求解算法。

带双重量和软时间窗约束的路径优化混合遗传算法研究

针对有集送货双重需求、有软时间窗约束的集送货一体化的车辆路径优化问题,建立了统一量纲的数学模型。研究了求解客户行车费用最小的多约束、多目标问题的混合遗传算法Hybrid-Gen。通过采用节约算法的运行结果改进了初始种群的构建方式,控制了行驶路径数并满足客户的双重量需求;改进了选择算子,实现了对优秀个体和全局最优个体的保留;改进了交叉算子,实现了对完整子串的保留。案例验证了算法的可行性和有效性。在此基础上,进一步讨论了迭代次数对运算结果的影响,展示了增加优中选优大循环loop对算法稳定收敛的影响。研究表明所提出的混合遗传算法可以获得较好的优化结果。

基于混合算法的双向物流路径优化问题的研究

本文针对双向物流的特点,重点分析研究了车辆配送的策略。为了更好地协调车辆进行路径选择和运输成本间的关系,以及更好地考虑综合因素及实际情况进行节点间的选择,针对双向物流路径问题的研究方法,建立了优化路径的极小化数学模型。最后针对路径优化方法及研究状况,采用了聚类分析及蚁群算法,并经仿真验证,结果合理有效。

快速启发式多约束优化路径算法研究

针对QoS路由算法中多约束算法的不足,提出了一种新的多约束算法:快速启发式多约束优化路径算法(FH_MCOP)。与现有的路由算法相比,它有两个显著的不同:增加了一个λ快速计算机制,可以降低计算复杂度和加快计算速度,缩短算法响应时间;对MCOP算法进行了有效的改进,使计算结果达到优化。计算结果表明,FH_MCOP能针对多约束优化路径问题的特点降低计算量和提高计算速度。

求解带能力约束车辆路径优化问题的改进模拟退火算法

为高效求解带能力约束的车辆路径优化问题,提出一种带有回火操作的改进模拟退火算法。解析多约束条件下的路径优化特点,构建了结构简单且功能模块相对独立的模拟退火框架,以便相关约束及其算法的耦合嵌套。在此基础上,改变较优解在迭代过程中的接受规则,引入回火操作使全局搜索与局部搜索实现平衡;设计强制的随机邻域变换策略,以提高多约束条件下的新解生成质量。结合初始解生成方法,构建了整体算法。通过不同类型算例的对比实验表明,所提算法具有优越的求解性能,相应的求解框架与优化方法研究,能够为相关的多约束耦合求解提供参考。

基于改进蚁群算法的多约束供应保障网络路径优化

针对网络优化领域中的多约束网络路径优化问题,以战时供应保障路径优化问题为研究对象,建立一种保障代价最小的路径优化模型。分析保障路径优化中存在多约束限制问题的特点,在基本蚁群算法的基础上引入蚂蚁相遇策略,融合了多约束条件对保障路径优化的影响,通过正、逆反馈同时作用,对信息素更新策略进行改进,并对搜索最优保障路径实例的仿真。仿真结果显示:改进蚁群算法平均执行时间较基本蚁群算法提高了40.1%,说明改进的蚁群算法能在更短的时间内找到最优解,而且在避免陷入局部最优解方面具有更好的效果。

取送货路径优化问题的候鸟群自适应变邻域搜索算法

具有时间、车容量和后进先出约束的多车辆取送货路径优化问题在现实中具有广泛的应用,针对现实问题中规模性和模型的复杂性使其在短时间内无法精确求解的问题,提出了候鸟群自适应变邻域搜索算法(MBO_AVNS)。以三种贪婪插入算法构建初始种群,确保种群的多样性和初始解的质量,对传统候鸟优化算法的邻域搜索算法进行改进,加强了算法的局部搜索能力。通过真实数据进行实验分析表明,与模拟退火算法(SA)和一般自适应变邻域搜索算法相比,MBO_AVNS算法在求解具有时间和后进先出约束的取送货路径问题上更具有优越性。