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。     

基于改进蚁群算法的高速公路疏散路径研究

根据高速公路应急疏散的特点,在交通分配中应用改进蚁群算法模型。首先引入路段交通量和通行时间函数作为算法转移规则的一部分,从而在进行搜索时优先考虑容量大和通行时间较短的路径。其次通过实验分析蚁群算法参数对计算结果和收敛速度的影响,给出了最优的参数组合。最后将最优参数组合应用于改进蚁群算法中,并通过仿真实验将改进蚁群算法与基础蚁群算法的路径搜索结果进行对比。结果表明:采用最优参数组合的蚁群算法不但加快了搜索速度,而且优化了全局最优解,通过基于GIS的高速公路应急疏散系统进行路径分析,得到系统最优的可视化疏散路径。     

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。     

基于改进蚁群算法的多AGV泊车路径规划

针对智能停车库中自动导引小车(Automated Guided Vehicle,AGV)存取车的路径规划问题,提出一种基于改进蚁群算法的多AGV泊车路径规划方法.单AGV路径规划方面,在基本蚁群算法基础上引入蚂蚁回退策略来增强适应性,同时改进启发式信息和信息素更新策略提高算法的收敛速度和寻优能力.多AGV路径规划方面,提出改进冲突解决策略来解决多AGV之间的冲突,其中采用临时规避-重新寻路策略来解决相向冲突.针对某典型停车场抽象模型的仿真结果表明,改进蚁群算法寻路成功率更高,并具有较强的全局搜索能力和较快的收敛速度,改进冲突解决策略能合理避免冲突,可以满足多AGV存取车路径规划的要求.     

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.     

复杂障碍物环境下基于转向约束的智能汽车路径规划方法研究

针对传统路径规划算法中所生成路径不平滑、不安全、生成速度慢等问题,利用双向快速搜索随机树(Bi-RRT)对无人驾驶中的路径规划算法进行了研究.首先利用车辆自身的转向约束构建满足车辆运动学要求的节点扩展空间,随后采用目标偏置采样策略以及双向搜索大大提高了RRT算法的规划速度,同时使用K-D树结合最大曲率约束定义最邻近点,最后对生成的路径剪枝并进行安全碰撞检测和贝塞尔曲线平滑处理,使之更符合车辆的动力学特性.研究结果表明:改进后的Bi-RRT算法的在搜索速度和算法开销上都有显著的提升,生成的路径也更加平缓,证明了该算法的有效性、实用性和适应性.     

交通网络最优路径搜索的蚁群算法

针对交通网络中最优路径搜索问题,本文提出一种基于蚁群算法的新的求解方法。首先从剖析最优路径问题的求解要求出发,探讨蚁群算法求解的优势,由于其并行性、正反馈、协作性等特点,能在较短的时间内发现较优解。然后,根据交通网络的特性,在基本蚁群算法的基础上,引入信息素限定规则,采用平滑机制进行局部更新,改进了全局更新模型等,使该算法更能满足交通系统最优路径的求解要求,降低了路径选择的复杂性,从而提高计算效率。对改进的模型进行的模拟实验和比较分析表明,该模型与算法的效果良好。该研究为交通系统最优路径问题开创了一条新的途径,同时显示出蚁群算法在交通分配中的良好使用前景。     

�Ľ����Ŵ��㷨����ʱ�䴰���ͳ��������е�Ӧ��

针对有时间窗的车辆调度问题，在标准遗传算法的基础上，加入爬山算法增强算法的局部搜索能力，通过保护全局最优基因的方法提高了算法的收敛能力，并辅以自适应变异算子，构造了一种改进的混合遗传算法。实验结果表明，改进后的算法具有抗“早熟”能力强、收敛速度快和局部搜索能力强的特点。     

车辆数目未知的带时间窗口的车辆路径混合遗传算法

研究带时间窗口的车辆路径问题(VRPTW),主要考虑车辆容量约束、时间窗口约束、最大距离等约束,且完成配送所需的车辆数目不确定,要求在车辆数目最少的条件下再使总的行驶路径最短.用基于邻域搜索的混合遗传算法求解该问题,该算法既具有遗传算法的全局搜索能力,又具有邻域搜索算法的局部搜索能力.在求解过程中,设计新的前置交叉算子进行遗传操作,然后进行互换和逆转等邻域操作.应用MATLAB语言编程进行模拟计算,结果表明该混合遗传算法明显增强了群体演化的质量,提高了算法收敛速度,较好地解决了早熟收敛问题.     

第Ⅰ类双边装配线平衡问题的改进蚁群算法

为克服传统算法求解大规模双边装配线平衡问题计算时间长、性能不稳定的缺陷,针对第Ⅰ类双边装配线平衡问题,应用综合信息素搜索规则与全局信息素更新规则,提出了一种先产生任务排列序列、后按启发式分配规则产生可行解的蚁群算法,可有效脱离陷入局部最优解.用改进蚁群算法对30个不同规模的问题进行求解,并与标准蚁群算法和禁忌搜索算法进行了对比.结果表明:改进蚁群算法求出29个最优解,比普通蚁群算法、禁忌搜索算法分别能多求得6个和3个最优解;应用于汽车双边装配线算例,在保持平衡效率的条件下,改进蚁群算法计算时间为21.01 s,比普通蚁群算法减少了9.14 s,计算效率提高了30.3%.      

������Լ����������-��ʽ�����������

针对无容量约束的单分配轴-辐式物流网络设计问题的特点,为其建立了单分配p-枢纽中位模型,并提出了一种基于蚁群算法的启发式求解算法. 该算法分两步实现：首先利用蚁群算法来确定网络中枢纽节点的位置,然后用另一种启发式算法将非枢纽节点分配给枢纽节点,同时,将一种基于6种邻域结构的变邻域搜索算法作为蚁群算法的局域搜索策略以提升算法的全局搜索能力,并加快收敛速度. 最后结合澳大利亚邮政数据进行了算例仿真实验,并对蚁群算法中参数的合理设置进行了测试分析,实验结果表明,该算法在求解此问题时有着良好的有效性和较快的求解效率.     

无容量约束单分配轴-辐式物流网络设计

针对无容量约束的单分配轴-辐式物流网络设计问题的特点,为其建立了单分配p-枢纽中位模型,并提出了一种基于蚁群算法的启发式求解算法. 该算法分两步实现：首先利用蚁群算法来确定网络中枢纽节点的位置,然后用另一种启发式算法将非枢纽节点分配给枢纽节点,同时,将一种基于6种邻域结构的变邻域搜索算法作为蚁群算法的局域搜索策略以提升算法的全局搜索能力,并加快收敛速度. 最后结合澳大利亚邮政数据进行了算例仿真实验,并对蚁群算法中参数的合理设置进行了测试分析,实验结果表明,该算法在求解此问题时有着良好的有效性和较快的求解效率.     

求解双目标带时间窗车辆路径问题的蚁群算法

针对运输网络为多重图的双目标带时间窗车辆路径问题设计了蚁群算法.首先,建立了多重图的双目标带时间窗车辆路径问题的数学模型,提出了针对该问题解的搜索空间构建方法,定义了一种综合考虑各优化目标、时间窗和信息素等启发信息的状态转移概率公式. 为了对比说明该算法的有效性,同时设计基于NSGA-II的多目标遗传算法.针对本文算例,对蚁群算法中的各参数进行了敏感性分析,根据分析结果设定算法参数,获得了算例的Pareto最优路径集,同时与NSGA-II算法及相关文献算法针对运行时间、收敛性和群体多样性进行比较.结果显示,本文设计的蚁群算法在这3个指标上均明显优于NSGA-II算法;在相同蚂蚁数量情况下,本文的算法在收敛性和群体多样性方面优于相关文献算法.     

ACO算法及其收敛策略研究进展

蚁群优化算法是一种新型的进化优化算法,其特点是通过仿生自适应个体的局部最优性共同确定问题的整体最优解,该算法具有自学习功能和解的强搜索能力.通过研究蚁群算法的基本原理和实践应用,分析了蚁群优化算法的求解理论思想,并综合分析了算法的收敛性问题,为蚁群算法的发展提供较好的研究参考.     

基于混沌蚁群算法的最短路径选择研究

如何解决最短路径选择问题一直是城市交通流诱导系统的关键之一.基于群体仿生理论的蚁群算法是解决此问题的一种方法,针对采用蚁群算法进行最短路径选择时易出现的陷入局部最优解问题,引入混沌理论,采用混沌蚁群算法利用混沌初始化进行改善个体质量和利用混沌扰动避免在蚁群算法搜索过程中陷入局部极值,同时降低了蚁群算法的时间复杂度,从而更好的解决了最短路径选择问题.     

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．     

求解拆卸线平衡问题的改进人工蜂群算法

大规模拆卸线平衡问题（disassembly line balancing problem,DLBP）是NP完全问题。为克服传统算法求解DLBP搜索过于随机、易于早熟,且求解难度随任务规模的增加呈指数级增长等不足,构建了基于最小化工作站、均衡负荷、尽早拆卸有危害和高需求零部件的DLBP多目标优化模型,在此基础上,提出了改进人工蜂群算法。该算法包括以下4个阶段:在初始解生成阶段,引入危害指标和需求指标,提升算法收敛性能;在雇佣蜂搜索阶段,采取可变步长搜索策略,增加对较优解的搜索深度,加速淘汰劣解;在观察蜂搜索阶段,采用常规搜索与蠕动搜索相结合的混合搜索策略;在侦察蜂搜索阶段,构造了基于分布估计的搜索策略,引导搜索过程。应用本文算法对70个测试问题进行求解,其中65个求得了最优解,寻优率为92.86%;对10个任务实例求得最优解的需求指标为9730个,比蚁群算法减少了360个;52个任务实例的开启工作站数目、平滑率和拆卸成本3项指标均取得了更优的结果,求解较大规模问题的性能显著提升。