混合教与学算法求解多行程车辆路径问题

为了求解带容量约束的车辆路径问题,提出了一种混合教与学优化算法.该算法基于标准的教与学算法,结合基于禁忌搜索算法的局部优化方法,力求进一步强化标准教与学算法的寻优能力.最后通过引入标准数据集,进行了仿真实验并给出了实验分析,测试结果验证了构建的混合教与学优化算法相比其他三种优化算法搜索性能较强,与最优解偏差最小,能够有效地应对离散优化问题.     

基于量子粒子群算法的电力系统负荷多目标优化分配

针对电力系统经济负荷优化分配问题,提出了一种基于量子粒子群的多目标优化算法.该算法通过将改进后的量子进化算法融合到粒子群中,采用量子位对粒子的当前位置进行编码,用量子旋转门实现对粒子最优位置的搜索,用量子非门实现粒子位置的变异以避免早熟收敛.这种搜索机制能够遍历解空间,增强种群的多样性,并能用量子位的概率幅将最优解表述为解空间中的多种表述形式,从而增强全局最优的可能性.最后,通过算例进行仿真分析,结果表明算法的搜索能力和优化效率均优于普通粒子群算法.     

一种改进适应度函数的遗传算法

针对遗传算法搜索导优中适应度函数的设计不当,将难以体现个体差异和选择操作的作用,从而造成早熟收敛的问题,构建了两种基于顺序的适应度函数的模型.适应度函数的设计使得在进化过程中控制选择压力,种群竞争力得到增强,早熟现象得到改善.并将改进的算法应用在复杂函数优化问题上,MATLAB优化结果表明,算法在种群多样性、搜索速度、计算精度上均有改善,推动遗传算法在工程领域的应用.     

基于改进蚁群算法的带硬时间窗的接送机场服务路径优化研究

针对航空票务公司免费接送顾客去机场路径优化的问题,文章研究了更贴近实际的关于单时间窗约束下的接送机场服务,同时考虑了接送过程中的碳排放,构建出相应的优化模型,提出利用蚁群算法来解决该问题,并采用改进的蚁群算法加以求解.在初始选择路径上的改进,有效解决路径选择上容易陷入局部最优的缺点;根据当前节点到目标点和起点的距离,重新设计启发式函数,驱使车辆尽量沿着起点和目标点之间的最短路行进;依据实时路径长度,动态调整挥发系数,精炼搜索空间,提高收敛性能.最后通过参数校验和实例计算验证,得出了适用于此问题的蚁群算法的参数优化组合;以及顾客点位置在三种不同类型分布下时,使用改进后的蚁群算法都能更好的求出问题的最优解,表明改进后的蚁群算法是解决航空票务公司免费接送顾客去机场服务路径优化问题的一个更有效的求解算法.     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

改进的群搜索优化算法

标准的群搜索优化算法(GSO)是一种新的群智能优化算法,适用于解决高维函数的优化问题,而且简单高效,易于实现,但在其优化的后期容易陷入局部最优.为进一步提高其收敛速度和精度,对GSO算法进行了改进.保留其"发现者-加入者"模型,针对GSO算法发现者和游荡者搜索的无目的性,引进最大下降方向和杂交策略,发现者按角度搜索的同时也按最大下降方向进行搜索,游荡者通过基因突变策略的方式生成.通过23个基准测试函数对GSO算法和改进的GSO算法进行测试,结果表明改进的GSO算法在收敛速度和收敛精度上优于标准GSO算法.     

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。     

变邻域模拟退火算法求解速度时变的VRPTW问题

本文在经典的带时间窗的车辆路径问题(VRPTW)的基础上,考虑不同时间段车辆行驶速度不同的情况,研究速度时变的带时间窗车辆路径问题(TDVRPTW),使问题更具实际意义。本文用分段函数表示不同时间段下的车辆行驶速度,并解决了速度时变条件下行驶时间计算的问题。针对模拟退火算法(SA)在求解VRPTW问题时易陷入局部最优解,变邻域搜索算法(VNS)在求解VRPTW问题时收敛速度慢的问题,本文将模拟退火算法以一定概率接受非最优解的思想和变邻域搜索算法系统地改变当前解的邻域结构以拓展搜索范围的思想结合起来,提出了一种改进的算法——变邻域模拟退火算法(SAVN),使算法在退火过程中一陷入局部最优解就改变邻域结构,更换搜索范围,以此提升算法跳出局部最优解的能力,加快收敛速度。通过在仿真实验中将SAVN算法的求解结果与VNS算法、SA算法进行对比,验证了SAVN算法确实能显著提升算法跳出局部最优解的能力。     

一类最小-最大车辆路线问题的启发式算法研究

针对个性化和多样性的需求,建立以缩短最长子线路为目标的最小-最大车辆路径问题模型, 并提出启发式算法求解。首先,采用自然数编码,使问题变得更简洁;用最佳保留选择法,以保证群体的多样性;引入爬山算法,加强局部搜索能力;其次,对遗传算法求得的精英种群再进行禁忌搜索,保证算法能够收敛到全局最优。最后,通过实例的计算,表明本算法均优于遗传算法和禁忌搜索算法,并为大规模解决实际问题提供思路。     

带时间窗偏好的同时配集货且需求可拆分车辆路径问题

针对带时间窗偏好的同时配集货且需求可拆分车辆路径问题,最小化派遣成本、理货成本、时间窗惩罚成本以及油耗成本之和,建立数学模型。设计混合遗传变邻域搜索算法求解问题,在算法中引入时空距离的理念,首先用最近邻插入法和Logistic映射方程生成初始种群;然后利用变邻域搜索算法的深度搜索能力优化算法;提出自适应搜索策略,平衡种群进化所需的广度和深度;设计拆分准则,为各客户设置不同的拆分服务量;提出确定车辆最优出发时间的时差推移法,减少车辆在客户处的等待时间;最后通过多组算例验证本文模型和算法的有效性。     

考虑订单合并和货物转运的多式联运路径优化研究

为了获得运输的规模经济效应,本文研究了一种考虑订单合并和货物转运的零担多式联运路径优化问题。首先,以总运输成本为目标函数,以网络中的运输工具容量、可以提供的运输工具最大数量、运输工具服务的关闭时间以及订单时间窗为约束,构建混合整数规划模型,在模型中允许多个订单进行合并运输并考虑运输过程中的转运成本。其次,由于多式联运路径优化问题是典型的NP-hard问题,为了快速求解该模型,开发了一种可以快速为该问题提供近似最优解和下界的列生成启发式算法。最后,生成并测试了大量算例,结果表明所开发的列生成启发式算法可以在较短的时间内提供高质量的近似最优解。文章所构建的模型和开发的列生成启发式算法可以为零担自营多式联运物流企业提供高效的决策支持。     

基于正余双弦自适应灰狼优化算法的医药物流配送路径规划

针对传统灰狼优化算法易早熟收敛陷入局部最优和收敛速度慢的缺陷,提出一种正余双弦自适应灰狼优化算法.首先,在灰狼捕食阶段引入正弦搜索,增强算法的全局勘探能力,减少算法的搜索盲点,提高算法的搜索精度.在引入正弦搜索的同时,引入余弦搜索,增强算法的局部开发能力,提高算法的收敛速度.其次,在搜索过程中加入自适应交叉变异机制,通过适应度值的大小自适应选取交叉变异概率,有效的提高了粒子跳出局部最优的概率.通过数值对比试验,验证了改进算法具有较强的收敛精度和收敛速度.     

重大事故规避的危险品运输车辆路径优化研究

基于重大事故规避的思想,建立以最大事故后果最小及运输成本最小为双目标,且事故后果基于实时装载量的危险品运输车辆路径优化模型。基于ε-约束法,设计可求得帕累托最优解的精确算法,该算法包含通过性质求ε下界、规避被支配解的预处理及不可行路径禁止约束3处改进。进一步设计处理大规模问题的多项式时间近似算法,并分析了算法的近似比。最后通过算例对模型和算法进行测试,并通过出灵敏度分析给出管理启示。     

多车场一体化集货送货车辆路径问题的混合遗传算法

为满足电子商务客户多样化和个性化的需求,建立多车场一体化装卸混合车辆调度模型。针对模型的特点,采用混合遗传算法求解。即利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,加强染色体的局部搜索能力,提高了算法的收敛速度和搜索效率。仿真结果表明在解决大规模实际问题时,混合遗传算法在求解质量和计算效率上好于标准遗传算法。     

约束优化问题的几类拟牛顿法

§1.引言 无约束优化的有效算法——拟牛顿法,自1976年由Garcia、Mangasarian和S.P.Han等人应用到约束优化问题以来,一直是非线性规划领域内潮流性课题。由于此类方法有良好的收敛性质因而很受欢迎。但复杂的一维搜索函数的引入也带来了一些显而易见的问题:(1)要求搜索函数有较好的性质而引出较强的假设条件;(2)罚因子的不确定性以及(3)算法产生的点列一般不可行,因而会使搜索方向子问题无可行解,导致算法失效。另外,子问题要用全部约束来构造,这又会增加计算量。     

线性不等式约束优化的弧线路径信赖域算法

提供了弧线路径结合仿射内点信赖域策略的非单调回代算法解线性不等式约束的优化问题.基于仿射投影的信赖域子问题获得新的搜索方向,采用弧线路径的近似信赖域和线搜索结合技术得到回代步,获得新的步长.通过证明所提供的弧线路径具有一系列良好性质,从而在合理的条件下,证明所提供的算法不仅具有整体收敛性,而且保持算法的局部超线性收敛速率.数值测试表明了算法的有效性与可靠性.     

需求可分的车辆路径问题模型与算法

需求可分的车辆路径问题(SDVRP)无论是从运输距离还是派车数量上,都可进一步优化传统的车辆路径问题。为了降低SDVRP的求解难度,本文在分析最优解性质的基础上,加强模型的约束条件,将原模型转变为等价的改进SDVRP,并在使用蚂蚁算法求解改进SDVRP模型的过程中,采用开发新路径和2-opt相结合的方法,以避免出现迭代停滞的现象。实验表明,算法计算结果稳定,最差解与最好解的偏差仅为1.80%。     

基于改进的旗鱼优化算法求解Sylvester问题

Sylvester问题又称最小包围圆问题,提出了一种改进的旗鱼优化算法(ISFO)对其进行求解.首先对旗鱼优化算法(SFO)的寻优策略进行分析;其次,针对旗鱼优化算法种群初始化依赖,容易陷入局部最优等问题,引入Arnold映射初始化种群,提高算法的寻优能力;引入反向学习与柯西变异算子策略对全局最优解进行扰动产生新解,平衡算法的开发与勘探能力,避免算法出现早熟现象;然后和基本SFO算法与PSO算法使用6个基准测试函数进行仿真实验对比,结果表明ISFO算法相对于SFO算法收敛速度更快、精度更高、有效避免了早熟现象.最后使用ISFO、SFO、PSO对三个规模案例的Sylvester问题进行求解,证明了ISFO算法求解Sylvester问题的可行性与优越性.     

基于混沌优化和自适应反向学习的秃鹰搜索算法

针对秃鹰搜索算法求解精度低、收敛速度较慢、容易陷入局部最优的问题,提出一种基于混沌优化和自适应反向学习的秃鹰搜索算法.首先,在选择搜索空间阶段引入正弦混沌映射更新秃鹰群位置,增加随机性,优化全局搜索能力;其次,在俯冲捕获猎物阶段加入指数自适应,平衡了全局搜索和局部搜索,同时加快收敛速度;最后,对更新后的最优秃鹰位置使用反向学习策略,提高跳出局部最优的可能性.选取12个测试函数对算法的性能进行了测试,结果表明本文改进的秃鹰搜索算法具有更优的求解精度和收敛速度.     

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.