基于混合蚁群算法的车辆路径问题研究

为了求解车辆路径问题,设计了一种结合节约算法和邻域搜索算法的混合蚁群算法,该算法改善了标准蚁群算法搜索时间长、容易陷入局部最优解的问题。首次引入节约算法以提高初始解的质量,使得蚁群算法在较优的路径中进行搜索,从而更有效地收敛到最优解;运用最大最小蚂蚁系统控制路径的信息素,避免算法陷入局部最优解;采用邻域搜索算法优化某阶段最优解的子路径。应用该混合蚁群算法对VRPLIB数据库实例进行了运算,取得了较为满意的结果。     

���ڻ���Ŵ��㷨�ij���·������

在详细分析遗传算法的局限性的基础上，构造了一种基于遗传算法和禁忌搜索算法相结合的、用于求解车辆路径问题的混合遗传算法。这种混合遗传算法主要是将禁忌搜索算法嵌入到遗传算法中的变异操作与最优解判定之间，可以有效地避免遗传算法易出现“早熟”收敛的问题。然后，分别用混合遗传算法和遗传算法对同一实例进行求解，并对求解结果进行对比分析。结果表明该混合遗传算法的求解结果比遗传算法收敛速度快，更加接近最优解。     

车辆路径问题的最大-最小蚁群算法研究

蚁群算法能很好地解决车辆路径问题，但算法搜索时间长，易出现停滞现象。通过对蚁群算法的改进和调整，构造出最大一最小蚁群算法，实例验证该算法能更快地收敛到全局最优解。     

系统工程理论与方法基于混合遗传算法的车辆路径问题

在详细分析遗传算法的局限性的基础上,构造了一种基于遗传算法和禁忌搜索算法相结合的、用于求解车辆路径问题的混合遗传算法. 这种混合遗传算法主要是将禁忌搜索算法嵌入到遗传算法中的变异操作与最优解判定之间,可以有效地避免遗传算法易出现"早熟"收敛的问题. 然后,分别用混合遗传算法和遗传算法对同一实例进行求解,并对求解结果进行对比分析. 结果表明该混合遗传算法的求解结果比遗传算法收敛速度快,更加接近最优解.     

һ�ָĽ�ģ���˻������·��ѡ���㷨

合理的配送路线可以提高物流配送的效率。启发式的最优路径选择方法是目前研究的热点，本文针对模拟退火算法收敛速度慢的缺点，提出采用退火过程的导引知识（即上次退火过程节点的分布情况）作为下次选择节点的依据，从而提高模拟退火算法的速度。分别针对不同的配送节点进行实验，结果表明，基于导引知识的模拟退火算法能够获得更快的收敛速度，更快得到最优解。     

蚁群算法在城市交通路径选择中的应用

针对城市交通路径选择问题,引入蚁群算法并将其改进为可同时满足对路程和时间最优的路径搜索算法,设计了相关的搜索规则和流程.在大量试验的基础上,讨论了算法中各种参数对路径搜索算法收敛性(包括收敛速度和准确度)的影响,并获得了一纽最优的经验参数.分析了搜索中产生伪最优解路径的规律,并通过控制收敛速度和加快趋向最优路径对蚁群算法进行了优化.结果显示,所进行的优化能有效抑制伪最优路径的产生,在2个周期内即可完成搜索.     

一种改进的蚁群算法及其在TSP中的应用

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,算法中参数的设置一直是依靠经验和试验来确定的,造成试验工作量大而且收敛速度慢;研究中提出了一种基于自适应调整信息素的改进蚁群算法,从路径的实际信息出发,动态地分配信息素,从而使算法能较快地收敛到最优解;通过仿真试验结果表明:改进的蚁群算法在收敛速度和收敛精度方面相对于原算法都具有较好的改进效果.     

信号控制与交通分配协同模型的自适应IOA算法

现有求解信号控制与交通分配协同问题的IOA(Iterative Optimization and Assignment)算法，是通过对两个子问题分别求解并迭代至收敛，其收敛速度快，但解的质量仍有待改善. 对IOA 算法改进，提出自适应IOA(Adaptive Iterative Optimization and Assignment， AIOA)算法，提升解质量的同时保持计算速度快的优点. 首先，把迭代过程中路径流量的差分值作为自适应修正项加入信号控制模型的输入参数中，增大解的变异程度，既可加快收敛速度，又可突破IOA寻优范围的局限性；其次，根据目标函数的变化趋势自适应地转入采用黄金分割法的局部搜索，避免解的劣化. 仿真结果表明：AIOA算法将IOA算法与全局最优解的差距平均缩小50.8%，时间成本降低10％，仅为遗传算法的1％；AIOA算法能在短时间内求得满意解，且适用于大规模路网.     

信号控制与交通分配协同模型的自适应IOA 算法

现有求解信号控制与交通分配协同问题的IOA(Iterative Optimization and Assignment)算法，是通过对两个子问题分别求解并迭代至收敛，其收敛速度快，但解的质量仍有待改善. 对IOA 算法改进，提出自适应IOA(Adaptive Iterative Optimization and Assignment， AIOA)算法，提升解质量的同时保持计算速度快的优点. 首先，把迭代过程中路径流量的差分值作为自适应修正项加入信号控制模型的输入参数中，增大解的变异程度，既可加快收敛速度，又可突破IOA寻优范围的局限性；其次，根据目标函数的变化趋势自适应地转入采用黄金分割法的局部搜索，避免解的劣化. 仿真结果表明：AIOA算法将IOA算法与全局最优解的差距平均缩小50.8%，时间成本降低10％，仅为遗传算法的1％；AIOA算法能在短时间内求得满意解，且适用于大规模路网.     

基于遗传-粒子群优化算法的USV路径规划方法

为解决传统粒子群优化算法(particle swarm optimization algorithm,PSO)应用于无人水面舰艇(unmanned surface vessel,USV)路径规划时存在的早熟收敛问题,提出一种结合遗传思想的PSO,在传统的PSO中引入遗传算法(genetic algorithm,GA)中的交叉、变异操作,避免算法进入局部最优解,对惯性权重进行自适应调整,加速算法收敛.采用MATLAB软件对USV巡检水域环境进行建模,应用改进的PSO进行路径规划.仿真结果表明:相对于传统的PSO和GA,该算法有效减少路径交叉点,大幅缩短路径总长和算法收敛时间.     

一种渐变概率选择操作的实数编码量子进化算法

为进一步提高实数编码量子进化算法在进化过程中的种群多样性以及在高维复杂函数优化上的全局收敛性,参照模拟退火算法的特点,提出了一种渐变选择概率的实数编码量子进化算法,该方法通过在进化过程中逐步提高更好解的选择概率,在进化计算初期保持种群的多样性,能较为全面地对解空间进行搜索,而在进化末期,选择概率逐渐提高到1,只接受更好的解而保证算法稳定的收敛。仿真实验结果表明,该算法能有效避免早熟和局部极值问题,具有更快的收敛速度和更高的求解精度。     

线性0—1规划模型的排序解法

针对0－1规划模型提出了一种新的解法,即排序法。它利用目标函数变量系数绝对值大小的相对关系,对无约束条件解进行排序,在最小解集中寻找最优解,以加快收敛速度。     

基于自适应遗传算法的水面舰艇航行路径优化

将水面舰艇航行路径分成若干个航路点,将各航路点位置的纵坐标与航速作为遗传参数.对航行路径的影响因素进行分析,确定适应度函数及约束条件.在遗传算法中采用自适应交叉概率和变异概率的方法来控制交叉和变异操作,加快收敛速度,利用自适应遗传算法的全局寻优对航行路径进行选择.通过算例验证方法的有效性.     

混合蚁群算法求解物流配送路径问题

蚁群算法具有较强的发现较好解的能力，但同时也存在一些缺点，如容易出现停滞现象、收敛速度慢等．将遗传算法和蚁群算法结合起来，在蚁群算法的每一次迭代中，根据信息量选择解分量的初值，使用变异操作来确定解的值．通过实例与其他优化方法的结果进行比较．结果表明，该算法有较好的收敛速度及稳定性．     

一种基于灾变的单亲遗传算法

遗传算法存在着计算时间过长和易导致早熟收敛等缺点。单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快。但单亲遗传算法使用加快收敛速度的选择算子时,仍容易导致早熟收敛现象。模拟自然界中导致生物大规模灭绝的灾变现象,引入灾变的概念来保证解空间的多样性。提出灾变发生时机的判定方法。将此算法应用在旅行商问题上,实验结果证明了该算法的有效性。     

ARTIFICIAL IMMUNE ALGORITHM OF MULTICELLULAR GROUP AND ITS CONVERGENCE

Objective To find out more extrema simultaneously including global optimum and multiple local optima existed in multi-modal functions. Methods Germinal center is the generator and selector of high-affinity B cells, a multicellular group＇s artificial immune algorithm was proposed based on the germinal center reaction mechanism of natural immune systems. Main steps of the algorithm were given, including hyper-mutation, selection, memory, similarity suppression and recruitment of B cells and the convergence of it was proved. Results The algorithm has been tested to optimize various multi-modal functions, and the simulation results show that the artificial immune algorithm proposed here can find multiple extremum of these functions with lower computational cost. Conclusion The algorithm is valid and can converge on the satisfactory solution set D with probability 1 and approach to global solution and many local optimal solutions existed.     

双向蚁群算法在无人驾驶车辆路径规划中的应用

针对传统蚁群算法在无人驾驶车辆路径规划中收敛速度慢、易陷入局部最优等问题,提出一种全局路径规划的双向蚁群算法。通过双向搜索策略改进蚁群算法,设计相遇机制求解更多可行路径,提高算法全局搜索能力;引入奖惩因子分别扩大和减小双向搜索后的较优路径和较差路径对信息素浓度的影响,加快求解最优路径的速度;最后在Matlab中模拟无人驾驶车环境,随机生成不同地图面积和障碍物出现率的车辆仿真栅格地图,比对传统蚁群算法和双向蚁群算法的实验效果。结果表明:双向蚁群算法的迭代次数和求解时间明显减少,在加快收敛速度、提高全局搜索能力以及避免局部最优方面有较大改进。