多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.      

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%.      

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。     

基于蚂蚁算法的拆卸序列优化

描述了蚂蚁算法的基本原理，并针对拆卸的特点提出了一套基于蚂蚁算法的拆卸／装配序列优化的方案．该方案运用了拆卸矩阵作为蚂蚁初始解的搜索空间，综合考虑拆卸零件重定位和拆卸工具的改变次数，将其作为拆卸／装配序列质量的评价标准，自动生成优化的拆卸／装配序列．最后，通过实例验证了该方案的有效性．     

U型不完全多目标拆卸线平衡问题建模与优化

针对U型布局所具有的生产柔性强、效率高等优点,结合仅需考虑需求零部件和危害性零部件的实际拆卸过程,提出U型不完全拆卸线平衡问题(U-shaped partial disassembly line balance problem,UPDLBP),以最小化工作站数量、空闲时间均衡指标、拆卸深度和拆卸成本为优化目标建立数学模...     

一种改进的求解QoS多播路由问题的蚂蚁算法(英文)

为了克服基本蚂蚁算法收敛速度慢、容易早熟和陷入局部最优解的缺陷,提出了一种求解QoS多播路由问题的改进型蚂蚁算法.该算法采用相遇蚂蚁策略来加快搜索速度,采用最优解更新和信息素自适应控制策略来避免出现停滞现象.仿真结果验证了该算法的可行性和有效性.     

集装箱码头岸桥调度优化模型及算法

为弥补集装箱码头岸桥调度问题的传统优化方法仅适用单船舶情况的不足,以总费用(所有岸桥使用费用和船舶停靠费用)最小为优化目标,考虑岸桥不可穿越性和安全距离约束条件,建立了了面向多艘船舶的集装箱码头岸桥统一调度和卸船任务分配问题的混合整数规划优化模型.使用任务网络图方法,搜索影响卸船任务最终完成时间的关键任务及其相应的限制任务路径,设计了基于限制任务路径进行邻域搜索的双层模拟退火算法求解模型.12个不同规模的算例结果表明:与分支定界法和遗传算法相比,本文算法节省时间6.32%~18.36%,近似最优解的质量更高,而且最优解目标值之间的差距仅为0.38%~2.20%;考虑岸桥之间的安全距离约束导致系统运营成本增加3.41%~11.21%.      

离散变量结构形状优化设计的混合遗传算法

通过在遗传算法中嵌入拟满应力算子来增强其局部寻优能力,并将拟满应力遗传算法应用于离散变量结构形状优化设计问题.将形状设计变量和截面设计变量统一编码表示在同一染色体中,既解决了两类变量间耦合上的困难,又避免了将两类变量分开考虑只能求得局部最优解的问题.对混合离散变量问题,对形状变量提出二级搜索策略,即首先在整个搜索区间进行粗粒度搜索,进化后期再将搜索范围缩小至最优解附近,重新编码进行局部细致搜索,从而解决了求解的精度和求解效率间的矛盾.     

零担物流线路组合选择策略研究

市场需求的不确定性使得企业经常产生临时性物流需求,物流现货市场采购的补充作用能够有效解决上述问题.为最大程度地利用运力及物流网络,降低运输成本,提高企业收益,承运人往往通过运输服务组合拍卖的形式选择运输线路组合.针对如何在运输服务组合拍卖中选择合适的运输线路组合这一关键问题,基于零担物流承运人的视角,建立了以收益最大化为目标的数学模型,提出了一种基于托运任务间协同效应的求解策略,并采用粒子群算法通过两个不同规模的算例对所提模型及协同效应策略进行验证.在小规模算例1中协同效应策略与反向精英粒子群算法求解方案相同,但协同效应策略运算时间仅需120.6 s,较反向精英粒子群算法减少1775.1 s,求解时间缩短93.64％;算例2中协同效应策略得到最优方案仅耗时148.6 s,反向精英粒子群算法求得相同最优方案则需4125.9 s,运算时间增加96.4％.研究结果表明:使用协同效应的求解策略在两个算例中均能够得到较为满意的决策结果,且计算复杂度较小,在求解质量相同的情况下,协同效应求解策略运算时间更短.     

物流网络选址与路径优化问题的模型与启发式解法

以商品从供应商,经过物流中心(或配送中心),配送到最终用户的整个过程中所产生的费用最小化为目标函数,提出了求解供应商的最佳位置与数量、配送中心的最佳位置与数量以及从配送中心到最终用户的最佳配送路径优化问题,建立了问题的数学模型,利用传统启发式算法与模拟退火法开发了问题求解的混合启发式解法,并利用人工生成数据和实例进行了计算验证。对于小规模问题,通过与数理规划软件所求得的最优解进行比较可以看出,所提出的数学模型可以准确地描述此类问题,所提出的混合启发式解法能够在短时间内求解问题,并得到非常接近于最优解的近似解;对于大规模问题,虽然无法求得最优解进行比较,但从实例计算结果来看,所求解也是较好的,因此可以认为所提出的解法是有效和良好的,具有较高的实用价值。     

基于改进人工蜂群算法的轮毂电机多目标优化

为了提高轮毂电机功率密度、降低其材料成本,提出一种改进的人工蜂群算法对轮毂电机性能进行优化设计. 首先利用磁路法建立外转子永磁式轮毂电机各项性能的表达式;其次通过引入个体极值、群体极值以及一对异步缩放因子来克服传统人工蜂群算法收敛速度较慢、探索与开发能力不平衡等缺点;以磁极对数、气隙长度、永磁体厚度等电磁参数为设计变量,将电机的有效质量、功率损耗和材料成本线性加权组成单目标函数,并采用障碍函数法将有约束的非线性目标函数转化为非约束的形式;最后利用遗传算法、传统人工蜂群算法和改进的人工蜂群算法对轮毂电机进行优化设计,并通过有限元法和样机实验验证了计算结果的正确性. 研究结果表明:相较于传统人工蜂群算法,改进的人工蜂群算法使目标函数收敛速度更快;相较于遗传算法和传统人工蜂群算法,改进后的算法使目标函数值最小;相较于原设计方案,优化后轮毂电机有效质量降低13.4%,材料成本降低34.4%,功率损耗降低44.2%,电机效率提高12.0%.      

基于双层规划的危险货物配送路径鲁棒优化

针对不确定环境下带时间窗的多配送中心危险货物配送路径优化问题, 提出一种含鲁棒控制参数的鲁棒优化方法; 综合考虑危险货物运输风险、运输费用和服务时间窗, 构建了危险货物配送路径多目标双层鲁棒优化模型, 上层模型追求运输风险和运输费用最小化, 下层模型采用用户均衡交通分配模型; 根据Bertsimas-Sim鲁棒优化理论, 对含有不确定参数的上层模型进行鲁棒对等转化; 联合增强型Pareto遗传算法和Frank-Wolfe算法构建了求解多目标双层鲁棒优化模型的混合算法, 采用3段式编码和解码方法、等位匹配交叉操作以及翻转变异等遗传操作方法求解上层模型, 采用Frank-Wolfe算法求解下层用户均衡模型; 以经典的Sioux-Falls交通网络为例, 对含有3个配送中心、7个需求点的危险货物配送路径优化问题进行案例分析, 以验证模型及其算法的合理性。研究结果表明: 当鲁棒控制参数分别为0、30和60时, 构建的混合算法能分别快速得到3、2和3组鲁棒最优解, 且所有解均为包含具体运输路段和发车时刻的配送方案, 而非配送顺序; 该混合算法与传统两阶段启发式算法相比, 运算时间能节省54.74%。可见, 该混合算法无论是在求解效率上, 还是在解的表达形式上均优于两阶段启发式算法, 能较好地完成不确定环境下危险货物配送路径多目标双层鲁棒优化任务。      

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。     

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.     

������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.     

Solving service selection problem based on a novel multi-objective artificial bees colony algorithm

Service computing is a new paradigm and has been widely used in many fields. The multi-objective service selection is a basic problem in service computing and it is non-deterministic polynomial (NP)-hard. This paper proposes a novel multi-objective artificial bees colony (n-MOABC) algorithm to solve service selection problem. A composite service instance is a food source in the algorithm. The fitness of a food source is related to the quality of service (QoS) attributes of a composite service instance. The search strategy of the bees are based on dominance. If a food source has not been updated in successive maximum trial (Max Trial) times, it will be abandoned. In experiment phase, a parallel approach is used based on map-reduce framework for n-MOABC algorithm. The performance of the algorithm has been tested on a variety of data sets. The computational results demonstrate the effectiveness of our approach in comparison to a novel bi-ant colony optimization (NBACO) algorithm and co-evolution algorithm.