基于蚁群算法的多目标农产品物流配送路径优化

针对农产品物流配送的路径优化问题,考虑将运输总成本、碳排放量、客户满意度融入其中,建立多目标农产品物流配送模型,提出一种改进蚁群算法,在基础蚁群算法的基础上,初始化信息素浓度、信息素更新策略、动态化信息素挥发因子,并引入多种局部搜索,以某物流企业为例,对所提算法和现有算法进行对比,得出几种算法各自的配送路径、运输成本、碳排放量、客户满意度。实验结果表明,对比其余现有算法,所提出的改进蚁群算法搜索收敛速度更快且求解出来的效果更好,从而证明改进后算法性能更好。

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的服务质量(quality of service,QoS)组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。

基于改进蚁群算法的低碳冷链配送路径优化

针对目前冷链配送路径优化中存在的综合配送成本考虑不全面的问题,根据生鲜配送特点,综合考虑基本运输成本、碳排放、制冷、货损以及时间窗约束,建立以综合配送成本最小化为目标的路径优化模型。提出改进蚁群算法对该优化模型进行求解,在初始阶段使用遗传算法生成初期信息素分布,而后使用蚁群算法进行后续寻优搜索,再引入模拟退火算法的Metropolis准则筛选优质解。通过仿真实验验证了优化模型和改进算法的有效性,对低碳可持续发展理念下生鲜品冷链配送路径优化问题研究具有一定意义,助力冷链运输行业向低碳经济转型。

基于细菌觅食-改进蚁群优化算法的水面无人船路径规划

为了解决水面无人船全局路径规划问题,提出了一种细菌觅食-改进蚁群优化算法(bacterial foraging-improved ant colony optimization algorithm,BF-IACOA)。相较于传统蚁群优化算法(ant colony optimization algorithm,ACOA),该算法在路径搜索策略上考虑水面无人船航行需要尽可能减少转向次数和完全规避过大转向角的约束,引入转向角启发因子,综合求解转移概率;同时引入细菌觅食算法的繁殖操作和趋化操作,改进信息素浓度的更新方式,解决传统ACOA容易陷入局部最优解和收敛速度较慢的问题。仿真结果表明,相较于传统ACOA,BF-IACOA的全局搜索能力得到较大幅度的提升,并且收敛迭代次数减少超过30%;在实际水域环境模型下,BF-IACOA可以通过14次迭代为无人船规划出全局可行路径。

基于蚁群算法优化的无人机巡检路径规划

针对传统蚁群算法存在的路径搜索方向和视野受限、无法找到最短路径、容易发生死锁等问题,提出了一种适用于网格地图环境下的优化蚁群算法。该方法对网格地图环境进行预处理,提取障碍物的特征点,并选择这些特征点作为寻路访问节点;然后,基于蚁群算法,采用信息素不均匀分布来提高解的构造效率,采用Tent混沌映射增强路径搜索的引导作用,动态调整信息素挥发系数以避免算法过早收敛。最后,通过对比文中算法、传统蚁群算法在复杂的网格地图环境的仿真结果,验证文中算法的可行性、有效性及优越性。

基于多目标蚁群算法的共享单车调度优化方法

共享单车作为公共交通接驳“、最后一公里”出行的重要交通工具,存在供需时空不匹配的问题,需要利用调度车实现共享单车的再平衡。针对部分现有共享单车调度方法存在的优化目标单一、调度点只能被访问1次、未考虑连续调度衔接等问题,建立了以总需求不满足度最小和调度成本最小为目标的多目标优化模型。该模型考虑高峰小时调度点需求远大于调度车容量的情况,允许多辆调度车多时段连续调度,且允许调度车重复访问调度点。设计了多目标蚁群算法进行求解,引入非支配排序方法,将解集划分为不同的非支配层级,取最高层级的解,形成1组同时考虑2个目标的Pareto最优解。该算法引入了最大-最小蚂蚁系统,改进了状态转移概率规则和信息素更新规则,使其能够适用于求解多目标优化问题。算例结果表明,该模型能够在保证较低调度成本的同时,减少需求损失,算例调度后的总需求不满足度由不进行调度时的26.48%降低到17.86%。将不同算例规模下多目标蚁群算法与贪心算法求解结果进行比较,多目标蚁群算法在多时段连续调度问题上具有优势,能够统筹安排每辆调度车在每个调度周期的行驶路径和在各调度点的到达时间和共享单车装卸数量。多目标蚁群算法所求得的解的质量优于贪心算法,较大规模算例求解得到的调度成本和总需求不满足度比贪心算法分别降低了62%和23%。

基于改进蚁群算法的海上稠油热采井钻井顺序优化

蒸汽吞吐是广泛应用的稠油开采方式之一。海上稠油区块钻井作业成本高,故钻井的同时对邻近已完钻井进行注热,该模式可大幅提高钻采效率,然而存在注热井蒸汽窜至在钻井风险。本文对热采井的汽窜风险进行了研究,并提出了改进蚁群算法,以求解出满足安全距离且钻井总工期最短的钻井顺序。首先,构建了三维储层,模拟向井底注热时井周温度场与压力场分布规律。结果表明,向非均质储层注热时,蒸汽易沿高渗通道突进,9 d时间窜流距离可超90 m。其次,对蚁群算法做出了改进,将归一化的井底最小距离引入位置转移概率,将钻井停工时间引入信息素更新策略,优化求解钻井顺序。结果表明,针对渤海油田典型案例,当设定安全距离为400~460 m时,该算法较人工选取法可节约钻井总工期15~30 d。本文提出的改进蚁群算法可以快速高效求解出钻井总工期最短的钻井顺序,为钻进顺序的优选提供了定量化计算方法,对节约钻井成本、增强海上稠油热采井钻井安全性具有重要意义。

面向多目标权衡的环武夷山国家公园城乡居民点用地布局优化研究:基于多源数据和蚁群算法

优化国家公园周边城乡居民点用地布局对统筹国家公园建设和区域发展具有重要意义。如何实现多目标的权衡和统筹是用地布局优化的瓶颈。基于多源开放数据优化评价指标体系,结合多目标加权法改进蚁群算法建构面向多目标权衡的环国家公园城乡居民点用地布局优化模型,并以毗邻武夷山国家公园的5个县市为研究区域,探索权衡保护与发展目标的布局优化方案。结果显示:1)环武夷山国家公园城乡居民点用地布局主要集中在5个县市的城区,外围零星分布;2)国家公园周边适宜区和较适宜区分别占总面积的5.38%和29.44%;3)基于梯度设定了紧凑度和适宜性的权衡方案,并基于比较分析确定最佳推荐方案。以期为国家公园周边城乡空间规划优化与可持续发展提供技术支持和案例参照。

基于改进蚁群算法的微电网多目标优化调度

针对微电网的经济优化调度问题,笔者提出一种基于改进蚁群优化算法的微电网多目标优化调度策略。结合微电网中各发电单元的发电特性,构建微电网多目标优化调度模型,对蚁群优化算法存在的不足进行改进,并采用Matlab对所提出的优化策略进行验证。结果表明:改进蚁群优化算法的寻优性能和收敛性能均明显优于蚁群优化算法的,寻优迭代次数减少了87%;改进蚁群优化算法能显著降低微电网的总运行成本,且各微电源出力情况也符合其工作特性。该策略对微电网实际优化调度具有一定的参考价值和指导作用。

基于改进蚁群优化算法的AGV路径规划

【目的】针对传统蚁群算法(ant colonyalgorithm, ACA)在移动机器人(automatic guided vehicle, AGV)路径规划中搜索效率低、寻找路径长、拐点个数多等问题,提出一种改进的蚁群优化算法(ant colony optimization, ACO)。【方法】首先,在蚁群算法中加入预估代价值策略来改进启发函数,增强目标点的引导作用,提升搜索效率;然后,结合狼群算法(wolf pack algorithm, WPA)分配机制来更新信息素,解决路径规划时易陷入局部最优的问题;接着加入拐点影响因子来降低路径拐点;最后,采用动态避障策略来解决死锁问题。【结果】运用改进蚁群优化算法后,移动机器人路径规划时,最佳路径长度、迭代次数和拐点数等比传统算法分别降低9.7%、57.8%、65.0%。【结论】本研究结果能为移动机器人在复杂环境下的路径选择提供重要参考。

基于蚁群算法的绝热层缠绕路径优化

为解决绝热层缠绕成型过程中胶带撕裂褶皱和间隙控制等问题,本文提出一种基于多因素改进蚁群算法的缠绕路径优化方法。优化策略包括:构建蚂蚁决策空间,改变启发式函数,引入带隙缩放系数。利用ACIS几何造型库构建芯模、胶带三维模型,提出一种胶带应变计算方法,以评估胶带撕裂褶皱程度。缠绕仿真及试验验证结果表明:该方法能够有效优化绝热层缠绕路径,解决胶带撕裂褶皱问题,并满足缠绕胶带带隙要求,提高绝热层缠绕成型质量。本文研究为绝热层缠绕成型工艺提供了一种新型的路径优化方法。

蚁群优化算法协同深度极限学习机的热连轧宽度预测模型

热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

基于广义Hurst指数和蚁群优化算法的配对交易策略研究

以上海期货交易所的8种金属类期货为研究对象,首先结合传统协整理论和一阶矩广义Hurst指数方法筛选出具有较强均值回复特性的期货对作为最优配对组合,然后对选出的最优配对组合设计交易策略,利用蚁群智能优化算法确定多空交易的最优开仓阈值。在实证回测阶段,对历史数据采用滑动窗口方法进行多次样本内及样本外回测,并与基于均值和标准差的传统固定阈值策略进行对比。结果发现,螺纹钢-热卷、热卷-铝期货配对为不同样本期下的最佳配对组合。从交易效果看,采用蚁群智能优化算法所确定的上、下开仓阈值策略相比于传统阈值策略,在多空交易中获得了更高的年化收益率和夏普比率。

求解动态旅行商问题的蚁群优化算法新策略

动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利用能力的权衡是一个关键问题。传统的思路是在搜索前期侧重探索能力,使蚁群充分获取搜索空间的信息,随着搜索过程的进行逐渐增强利用能力,使蚁群逐渐收敛。然而,以上思路不利于在动态场景中快速获得质量较高的解。针对动态旅行商问题,提出了一种新的探索-利用权衡策略,在环境变化后,首先使用模拟退火算法增强利用能力以快速获得质量较高的解,在解质量难以提高时再使用自适应性轮盘赌选择方法帮助算法跳出局部极值。在权重变化的动态旅行商问题上的实验证明,所提新策略优于其它蚁群优化算法及变体。

基于改进蚁群算法的低碳车辆路径优化

为降低物流配送成本,提高配送效率,优化物流车辆配送路径,从节能减排角度出发,综合考虑配送时间窗因素,以运输成本、碳排放成本、时间窗惩罚成本三者之和最小为目标,构建带时间窗约束条件的低碳车辆配送路径优化模型。将基本蚁群算法的信息素更新策略改为局部更新与全局更新相结合的方式、再将其与A*算法、2-opt算法相结合,设计出改进蚁群算法,用Solomon的测试数据进行仿真实验,并将改进蚁群算法与基本蚁群算法进行结果对比。仿真实验结果表明,相较于基本蚁群算法,改进蚁群算法在算法收敛速度更快、使用配送车辆更少的情况下,配送总成本降低了11.25%,配送效率提高了11.91%,说明改进蚁群算法在配送路径优化问题上是有效且可靠的。

基于嵌套蚁群算法的机器人拣货作业联合优化

针对物流仓储中心拣货作业过程中系统订单分批和拣货路径分步拣选效率低的问题,提出一种基于嵌套蚁群的订单分批和路径优化的联合拣货策略。首先,建立以最小化总路径为目标的订单分批与拣货路径联合优化模型;然后,考虑双重优化的复杂性,设计一种嵌套蚁群算法对模型进行求解,以订单分批模型为基准不断优化订单分批结果,得出最优分批集合单,其优化集合单再嵌套蚁群算法实现拣货路径优化。为验证该算法对随机订单有效性,抽取某一天17:00-18:00时段内既有货架区货物又有地堆区货物的43个订单算例进行仿真实验,与传统订单分批和拣货路径分步拣选策略相比,基于嵌套蚁群算法的拣货作业联合优化模型的随机订单拣货路径更短、拣货时间更少,经过联合优化后,机器人总拣选距离缩短了170 m。基于嵌套蚁群算法的拣货作业联合优化模型和其求解算法可以有效解决订单分批与拣货路径联合优化问题,为配送中心拣选系统的优化提供依据。

现代战争物资分配的研究——基于多目标优化的蚁群算法模型

针对现代战争中红蓝双方物资分配问题,为了优化分配供应,提出一种基于蚁群算法优化现代战争物资分配的方法。引入蚁群算法构建最短路径模型,模型充分考虑约束条件,确保每个位置唯一访问;综合考虑火力打击目标,同时分析不考虑时间窗的多目标优化情况;通过信息素初始化、状态转移率标准和信息素更新,构建有效的路径规划模型;构建判断矩阵对目标因素进行一致性检验;最终通过蚁群算法获得红队和蓝队的最短路径长度并得出红蓝方运输车辆最优配置及总人数。

基于蚁群算法低碳物流路径优化的探索

在物流管理中,物流配送车辆的路径优化成为物流运算的关键,也是实现低碳物流的核心因素。本文使用Solomon基准数据探索蚁群算法因子对物流路径优化的影响,通过Matlab仿真结果表明,蚁群算法能够解决城市间的各物流点路线优化方面的问题。

基于动态自适应蚁群优化算法的移动机器人路径规划

针对传统蚁群优化(ACO)算法在移动机器人路径规划中存在易陷入局部最优、优化速度慢、搜索路径停滞、获取的最优解质量差、优化路径太长等问题,提出动态自适应蚁群优化(DSA-ACO)算法用于移动机器人全局路径规划。在传统ACO算法基础上融合了A*算法,改进了传统ACO算法当中的期望启发信息,加入可能陷入U型障碍物陷阱的防死锁机制,改进信息素更新方式,包括:利用最大最小蚂蚁系统设置信息素浓度的最大最小值,防止搜索出现停滞现象;加入动态调整因子动态增强最优路径上的信息素浓度,降低较差路径上的信息素浓度,使得后续蚂蚁的选择方向更明确,引导蚂蚁朝全局最优路径上移动,加速算法收敛。仿真实验结果表明:改进算法的收敛速度比传统ACO算法提高了20%以上,验证了改进算法的可行性、有效性和优越性。

基于改进的蚁群算法的目标物流车辆路径优化

随着冷链物流发展,物流车的路径优化已逐渐显现在大众的视野中,但是运输成本与路径一直困扰着物流公司,针对此类情况,文中提出冷链物流车的路径优化。主要设计以下两个方面:通过建立冷链物流模型,从碳排放成本与车辆运输成本进行模型建立;通过改进的蚁群算法研究,引入最优最差蚁群算法与启发因子算法对其路径优化建立模型。通过传统蚁群算法的研究与改进后的蚁群算法可以缩短车辆行驶路径,改进后的蚁群算法可以提升收敛性,优化了车辆行驶路径。结果表明,基于改进的蚁群算法可以优化路线、降低运输成本,优于传统的蚁群算法路径优化,提高了公司运输效率。