基于信息素的改进蚁群算法及其在TSP中的应用

针对基本蚁群算法收敛速度慢、易陷于局部最优从而导致搜索停滞的缺陷,提出了一种改进蚁群算法模型.改进算法引入信息素调节系数,避免算法初期各路径上信息素出现过大差异,导致算法"早熟".通过动态调整信息素挥发,在求解速度和寻找全局最优之间寻找平衡.对旅行商问题的仿真结果表明:改进算法的求解结果和求解效率都明显优于基本蚁群算法.     

基于改进蚁群算法的无人仓的多AGV避碰路径优化策略

对无人仓库中多AGV系统的避碰路径优化问题进行了研究,提出了一种基于弹性时间窗和改进蚁群算法的多AGV避碰路径优化策略.通过对传统蚁群算法改进启发式信息和信息素更新策略,来提高算法的执行速度和寻优能力,提出AGV任务优先级排序并改进冲突解决策略来解决多AGV之间的不同路径冲突.基于电商物流无人仓库的环境,利用MATLAB仿真软件对多AGV避碰路径规划进行建模分析.实验结果表明,基于弹性时间窗和改进蚁群算法的可以实现多AGV避碰路径规划,并能够短时间内找到避碰最优路径.     

基于最大最小蚂蚁系统的物流配送中心选址算法的研究

提出了一种基于信息素自适应调节的最大最小蚂蚁系统的多物流配送中心选址算法,利用改进的蚁群算法的路径寻优机制结合蚂蚁聚集尸体的行为模式,根据物流配送总成本最低的原则将各配送点与候选配送中心进行聚类,合理选择配送中心。将已有物流配送模型进行拓展,加入经营管理成本。分别利用基本蚁群聚类算法和改进的蚁群聚类算法对配送中心选址进行仿真,实验结果表明在解决大规模配送中心选址问题时,改进的算法在解的质量和收敛速度方面明显优于基本蚁群聚类算法。     

一种改进的蚁群算法及其在TSP中的应用

蚁群算法是一种求解复杂组合优化问题的新的拟生态算法,也是一种基于种群的启发式仿生进化算法,属于随机搜索算法的一种,并用于较好地解决TSP问题.然而此算法也有它自己的缺陷,如易于陷入局部优化、搜索时间长等.通过对基本蚁群算法的介绍及相关因素的分析,提出了一种改进的蚁群算法,用于解决TSPLAB问题的10个问题,并与参考文献中的F-W、NCSOM、ASOM算法进行比较,计算机仿真结果表明了改进算法的有效性.如利用改进的蚁群算法解决lin105问题,其最优解为14382.995933(已知最优解为14379),相对误差是0.0209%,计算出的最小值几乎接近于已知最优解.     

一种改进的混合型蚁群算法在TSP问题中的应用

介绍了一种求解TSP问题的算法改进的混合型蚁群算法,该算法在近邻法构造初始解的基础上,使用2-opt局部搜索法对当前解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值,并使用Matlab仿真求解了kroa200等13个经典tsp问题,得到的结果和最优解的误差很小,并和两种最新改进的蚁群算法以及两种自组织算法进行比较,比较结果充分证明了该改进算法的有效性.     

一种求解TSP问题的多策略改进蚁群算法

蚁群算法是一种求解复杂组合优化问题的启发式仿生进化算法,并是求解TSP问题行之有效的一种随机算法.但此算法仍存在求解精度低、易陷入局部最优及求解效率低的问题,针对该问题提出一种多策略改进蚁群算法.采用最近邻法影响初始信息素的分布,达到降低算法初期较短路径上信息素浓度的目的,并在转移规则变异调整的基础上,结合路径的均值交叉进化策略,增强算法探索全局解空间和避免陷入局部最优的能力.然后,结合迭代和精英策略对信息素更新机制进行改进,进一步提高化算法的求解性能及求解效率,最后,对从TSPLIB数据库选出的8个实例进行求解并与其他算法进行对比,实验结果表明,改进算法在求解旅行商问题时的高效性,且具有较高的运算性能.     

改进蚁群算法在智能交通中的应用

为了诱导车辆在出行时选择较高质量的路线,提出并建立了城市道路权值仿真模型.为求解该模型,从分析基本蚁群算法入手,通过在状态转移规则中加入扰动因子,改进全局更新规则,以及引入信息素更新算子改进了蚁群算法.然后利用道路权值模型对两种算法在路径寻优效果上做了比较和分析,实验结果表明改进后的蚁群算法能有效地避免停留在局部最优解,并提高计算效率,具有良好的寻优性和收敛性,能准确找出路网中满足综合要求的最优路径.     

改进蚁群算法在应急VRP问题中的应用研究

提出一种改进的蚁群算法优化应急物流配送车辆路径问题算法,设计了应急物流配送车辆路径问题的数学模型,并利用计算机进行了仿真实验.实验结果表明,方法能有效解决应急物流配送车辆路径问题,具有一定的理论价值和实际意义.     

集装箱翻箱问题的蚁群算法改进

翻箱问题属于NP难问题,基本蚁群算法在求解该问题上收敛困难且寻优能力低。因此,本文提出了一种适合于翻箱模型的改进型蚁群算法,在概率决策机制、解的重构、信息素更新机制三个方面对基本蚁群算法进行改进。最后通过与其他算法的分析比较,验证了该改进算法的可行性与有效性。     

求解复杂优化问题的基于信息熵的自适应蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优、计算复杂且不易求解连续优化问题等缺陷 ,提出了一种基于信息熵的改进自适应蚁群算法 ,采用由信息熵控制的路径选择及随机扰动策略实现了算法的自适应调节 ,克服了基本蚁群算法的不足 .典型的 NP-hard问题的计算实例表明 ,该方法具有较好的收敛性、稳定性和鲁棒性 ,可用于离散及连续的组合优化问题求解中 ,其不失为求解复杂组合优化问题的一种较好的方法 .     

面向电商终端物流配送的电动车配置与路径集成优化

在电子商务终端物流配送方面,存在能力与需求的矛盾。一方面,电动车存在货物容量约束和电池电量约束,配送能力有限;另一方面,一个物流配送点需要为众多的消费者进行门到门的配送,配送任务繁重。针对电子商务环境下终端物流配送规模大、电动车货物容量和行驶里程有限的问题,建立电商终端物流配送的电动车配置与路径规划集成优化模型,并提出一种基于临近城市列表的双策略蚁群算法,实现物流配送电动车辆配置与配送路径集成优化。该模型以电动车辆数最少和总路径最短为目标,以电动车货物容量和电池续航里程为约束,是带容量的车辆路径问题的进一步扩展,属于双容量约束路径规划问题。双策略蚁群算法在货物容量和续航里程的约束下,将蚁群搜索策略分为两类,即基于临近城市列表的局部搜索策略和全局搜索策略,在提高搜索效率的同时防止陷入局部优化。最后,通过阿里巴巴旗下菜鸟网络科技有限公司在上海的30组真实配送数据进行了测试,验证双策略蚁群算法显著优于一般蚁群算法。     

模糊蚁群算法及其在TSP中的应用

在传统蚁群算法的基础上加入了使用模糊规则表更新信息素的策略,提出了一种新的算法——模糊蚁群算法.算法结合了模糊控制中输入输出的模糊化处理和蚁群寻优的特点,为实际问题提供了新的解决手段.文中将模糊蚁群算法应用于TSP问题,通过对中国31个省会城市等实例数据进行的测试,验证表明了新算法具有良好的有效性和鲁棒性.     

求解图着色问题的量子蚁群算法

针对经典的图着色问题,在蚁群算法的基础上结合量子计算提出一种求解图着色问题的量子蚁群算法. 将量子比特和量子逻辑门引入到蚁群算法中,较好地避免了蚁群算法搜索易陷入局部极小的缺陷,并显著加快了算法的运算速度. 通过图着色实例的大量仿真实验,表明算法对图着色问题的求解是可行的、有效的,且具有通用性.     

改进蚁群算法优化周期性车辆路径问题

周期性车辆路径问题(PVRP)是标准车辆路径问题(VRP)的扩展,PVRP将配送期由单一配送期延伸到T(T＞1)期,因此,PVRP需要优化每个配送期的顾客组合和配送路径。由于PVRP是一个内嵌VRP的问题,其比标准VRP问题更加复杂,难于求解。本文采用蚁群算法对PVRP进行求解,并提出采用两种改进措施——多维信息素的运用和基于扫描法的局部优化方法来提高算法的性能。最后,通过9个经典PVRP算例对该算法进行了数据实验,结果表明本文提出的改进蚁群算法求解PVRP问题是可行有效的,同时也表明两种改进措施可以显著提高算法的性能。     

一种新的混合蚁群算法

设计一种新的混合蚁群算法,该算法以一种新的加权二进制蚁群算法为基础,将分布估计算法PB IL的概率分布模型用来指导蚂蚁路径的选择,同时对不同位置的蚂蚁采用加权系数来控制信息素散发量,根据信息素得到的转移概率、PB IL的模型概率及二者融合的概率来产生新的个体,保证了个体的多样性,从而提高了算法的快速性和全局最优解的搜索能力.通过测试函数优化表明该算法具有良好的收敛速度和稳定性,改善了蚁群算法容易陷入局部最优而早熟的缺陷.     

Hybrid co-evolutionary particle swarm optimization and noising metaheuristics for the delay constrained least cost path problem

This paper presents a co-evolutionary particle swarm optimization (PSO) algorithm, hybridized with noising metaheuristics, for solving the delay constrained least cost (DCLC) path problem, i.e., shortest-path problem with a delay constraint on the total “cost” of the optimal path. The proposed algorithm uses the principle of Lagrange relaxation based aggregated cost. It essentially consists of two concurrent PSOs for solving the resulting minimization-maximization problem. The main PSO is designed as a hybrid PSO-noising metaheuristics algorithm for efficient global search to solve the minimization part of the DCLC-Lagrangian relaxation by finding multiple shortest paths between a source-destination pair. The auxiliary/second PSO is a co-evolutionary PSO to obtain the optimal Lagrangian multiplier for solving the maximization part of the Lagrangian relaxation problem. For the main PSO, a novel heuristics-based path encoding/decoding scheme has been devised for representation of network paths as particles. The simulation results on several networks with random topologies illustrate the efficiency of the proposed hybrid algorithm for the constrained shortest path computation problems.