针对模糊需求的VRP的两种2-OPT算法

本文研究了一类客户需求不确定的VRP(车辆路径问题 ) .在算法中 ,引入了伪出发点和新的聚类判定规则 ,将聚类和排序有机的结合起来 ,有效地处理了全局采样和局部搜索之间的矛盾 .给出了基于可能性分布的 2 OPT算法和基于需求上界的 2 OPT算法 ,并用模糊模拟技术进行了实验 .大量的实验结果表明 ,这两种方法明显优于这个领域现有的算法 。

保存基因的2-Opt一般反向差分演化算法

为了进一步提高差分演化算法的性能,提出一种采用保存基因的2-Opt一般反向差分演化算法,并把它应用于函数优化问题中.新算法具有以下特征:(1)采用保存被选择个体基因的方式组成参加演化的新个体.保存基因的方法可以很好的保持种群多样性;(2)采用一般反向学习(GOBL)机制进行初始化,提高了初始化效率;(3)采用2-Opt算法加速差分演化算法的收敛速度,提高搜索效率.通过测试函数的实验,并与其他差分演化算法进行比较.实验结果证实了新算法的高效性,通用性和稳健性.

针对CVRP的2-OPT算法的时间复杂度均值分析

分析了需求不可分割带能力约束的车辆路径问题(CVRP)的 2 - OPT算法计算时间的平均复杂度。利用需求分布独立于客户的空间分布的特点 ,将车辆路径问题 (VRP)转化为多旅行商 (MTSP)问题 ,并通过分析 MTSP进行 2 -OPT操作的可行性条件 ,建立起该算法运行所需的迭代次数的分布函数 ,进而求得平均运算时间复杂度的上界。该文为有效评价针对 VRP的 2 - OPT算法 ,提供了理论依据 ,并为VRP领域的启发式算法的复杂度分析 ,提供了一种新思路。

嵌套分割算法在旅行商问题上的应用

嵌套分割算法是近年来提出的一种求解大规模优化问题的新型全局优化方法。介绍了嵌套分割算法(NPM)的基本思想,将其应用于求解旅行商问题。首先对嵌套分割算法各个算子的策略进行了分析和比较,在局部搜索中引入2-opt算法,并对初始最可能域加以改良,最后提出算法的并行化实现方法。实验证明嵌套分割算法在解决TSP问题时可以获得高质量的解,并且具有良好的时间性能。

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.

求解多旅行商问题的改进分组遗传算法

该文针对总路径长度最小的多旅行商问题,提出一种改进分组遗传算法。在该算法中,设计了一种有序分组编码,采用新编码方式的个体与多旅行商问题有效解之间具有一一对应的关系。为了减少算法的运行时间,根据编码的特点构造了一种快速交叉算子。同时,结合贪婪算法和2-opt算法设计了一种新的局部搜索算子,以提高算法的收敛精度。实验结果分析表明,所提算法能够有效地解决多旅行商问题,具有可靠的全局收敛性,较高的计算效率。

解决车辆路径问题的混合模拟退火算法

构造了车辆路径问题的双目标数学模型,据此提出了混合模拟退火算法。该算法主要将模拟退火算法和2-opt优化算法有机地融合,从而使混合后的算法不但具有这两种算法的优点,而且还克服了他们相应的缺点。针对车辆路径问题,重点阐述了混合模拟退火算法的设计思路。实验结果表明,混合模拟退火算法不仅可以取得很好的计算结果,而且还具有收敛速度快等优点。

改进细菌觅食算法在TSP问题中的应用

在解决旅行商问题(TSP)时,细菌觅食算法因其并行搜索和易跳出局部最优解的优点在众多算法中脱颖而出,但仍存在收敛速度慢、搜索精度不够高等缺点,为改进以上缺陷,对其种群数量、趋化和迁徙过程进行了优化。首先用较大初始种群数目保证算法的求解精度,接着合理调控求解过程中的细菌数量,减少不必要的计算以提高求解速度,然后为趋化过程引入局部搜索能力较强的2-opt算法提高局部搜索的精度,最后结合Prim算法和连续出度法改进迁徙算子提高其全局搜索能力。在Matlab中对TSPLIB数据进行仿真后,结果表明改进算法比基本细菌觅食算法、差分算法和蚁群算法具有更好的收敛效果和求解精度,体现了该算法的有效性和可靠性。

基于改进2-opt蚁群算法的生鲜车辆路径优化

针对生鲜品配送过程中配送成本高,难以保证顾客收货时新鲜度要求的问题,提出一种基于改进2-opt算法的蚁群算法.改进2-opt蚁群算法与原算法相比,降低了时间复杂度,提高了寻优能力.此外,还建立了一个软时间窗生鲜路径配送模型.该模型以最小化配送成本为目标函数,顾客接收时新鲜度(质量)为影响因素.在仿真实验中,提出的算法与其他算法进行了比较,证明了算法在最优花费,平均花费,运行时间以及算法稳定性上的优势.

带软时间窗的公共自行车调度路径问题

为了提高公共自行车调度的效率,研究了一种带软时间窗的自行车调度路径问题.首先根据公共自行车调度工作内容,建立多目标调度路径模型,然后设计一种改进的蚁群算法对模型进行了求解.实验结果显示,本文方法求解的调度路径比模拟退火算法、蚁群算法和遗传算法分别缩短了18.4%、24.3%和13.0%,而且还能有效节约调度车辆.

基于中心分拨模式的多车场集送货一体化车辆优化调度方法

基于中心分拨理论的运输模式被很多大型物流企业所采用。因此研究其优化调度方法以确定各发车城市及车辆行驶路径。针对该优化问题建立数学模型及其求解框架,并利用改进的节约法求解,对得到的结果采用2-opt搜索算法进行修正。通过计算实例,说明了数学模型和求解方案的有效性。

多无人机协同搜索多目标的路径规划问题研究

多无人机协同搜索多目标的多旅行商航路规划问题(MTSP)是无人机协同作战的关键技术之一。在协同搜索背景下,多架无人机从同一个基地出发搜索附近的可疑目标,以最快速完成任务为目的,建立MTSP模型,提出一种聚类算法和遗传算法进行分步组合的优化算法。第一步,利用K-means聚类算法将MTSP问题分解成多个独立的TSP问题;第二步,改进遗传算法,引入2-opt算法作为优化算子,重新设计选择算子和交叉算子,分别求解多个TSP问题。通过具体算例验证了该算法的合理性,并同常用的分组遗传算法比较,分步组合优化算法具有更高的计算效率,求解结果更为可靠,尤其在求解大型MTSP问题时,优势更为明显。

车辆路径问题的一种启发式解法

研究了带有容量约束的车辆路径问题(VRP),在预先不确定车辆数目的情况下,提出将聚类方法、禁忌搜索方法和2-opt方法集合对VRP求解.分析和实验结果表明,该方法对VRP,尤其是大规模的VRP是有效的.

TSP问题的memetic求解算法

TSP问题是组合优化中的经典问题。其解决方法有局部优化方法和一些启发式算法,局部搜索方法充分考虑问题的邻域结构,遗传算法有很好的全局搜索能力,memetic算法把遗传算法和局部优化算法相结合,试验结果证明,能很好地解决TSP问题。

基于干扰管理的车辆故障救援模型

针对物流配送过程中的车辆故障问题,制定救援车辆要到故障车辆处装货的邻近救援策略。以总配送距离最短、受扰车辆数最少和总配送延迟最小为目标,构建车辆故障邻近救援模型。设计遗传算法和2-opt算法结合的混合遗传算法求解模型,得出车辆发生故障以后对系统负作用最小的调整方案。最后,通过仿真算例对比分析该邻近救援策略和车辆增派策略。