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.     

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。     

求解最短路问题的改进禁忌搜索算法

最短路问题(Short-Path Problem)以其广泛的应用场景一直是热点问题,目前已有Dijkstra等基本算法可以求得问题的最优解,但当网络节点较多时,表现出耗时较长、求解困难等问题。禁忌搜索算法是基于邻域搜索的智能优化算法,适合解决大型组合优化问题。在给出基于顶点优先权最短路径问题的基础上,建立数学优化模型,并设计禁忌搜索算法的步骤和算法关键技术,最后以顶点数为30的网络验证该算法的有效性。结果表明:该算法能求得本算例的最优解且计算时间比Dijkstra短。     

基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

基于免疫优化的单目标多模态期望值规划

为了求解未知随机变量分布下单目标多模态期望值规划,通过引入检测候选解是否为局部最优解的随机函数,将该期望值规划问题转化为多目标期望值规划问题,并进一步探寻问题的转化关系,获得在一定条件下有效解是最优解的结论;根据样本平均近似化思想,将多目标规划转化为非恒定样本采样的近似化模型,并基于克隆选择和免疫记忆的机理,通过设计递归非支配分层、样本自适应采样和自适应繁殖与变异方案,引导进化种群往优质个体所在区域转移,提出了求解该近似化模型的免疫优化算法.仿真结果表明:与参与比较的多目标优化算法相比,该算法搜索多个最优解方面有明显优势,搜索效果稳定,噪声抑制能力强;求解低、高维标准测试问题获得最优解的数量分别平均提高了20%和70%.      

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%.      

基于动态容量的航班进离场流量鲁棒优化分配

为解决机场和定位点动态容量条件下的航班进离场流量优化分配问题,以总航班延误损失为决策依据,建立了绝对鲁棒优化模型、偏差鲁棒优化模型和相对鲁棒优化模型,并用捕食搜索算法,设计了寻找鲁棒最优解的算法流程.以国内某机场数据为例进行仿真验证,结果表明,得到的鲁棒最优解能够根据不同偏好有效规避风险,与该终端区一般容量条件下最优解的航班延误损失相比,偏差鲁棒最优策略和相对鲁棒最优策略下的航班延误损失分别减少了8.2%和7.8%.     

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.     

���ص���ϵͳ��̬����·���㷨�о�

目前用于车载导航系统最优路径搜索算法大多数只能适应静态交通环境,当交通环境或者出行者位置发生改变时,需要重新计算修改整个最优路径,速度较慢. 在LPA算法的基础上,首先将出行者位置不断变化而目的地位置固定不变的问题转化为起点固定终点固定的问题,另一方面结合增量搜索的思想,利用先前搜索的结果不断更新当前搜索过程中的遗传值,来提高搜索的效率,并最终提出了可用于车载导航系统的动态最优路径搜索算法. 实验结果表明, 在交通环境和出行者位置同时发生变化的情况下,最优路径搜索时间要比静态算法小很多. 最后将算法部署在Windows Mobile手机移动平台上,实际结果表明, 该算法较好地解决了动态最优路径问题,具有理论参考价值和实际意义.     

基于多邻域的车辆路径优化迭代局部搜索算法

针对物流配送中的带有容量约束的车辆路径优化问题,提出了一个基于多邻域的迭代局部搜索算法HILS.首先用简单插入法构造可行解,然后从该初始解出发,在多邻域内进行局部优化.当陷入局部最优解后,根据解的接受准则,选择某个解,并对该解进行扰动,然后从扰动后的解出发重新进行局部优化.为提高搜索效率,局部优化过程只在限定邻域内进行.在国际通用的14个benchmark问题上进行仿真实验,结果验证了本文算法HILS的有效性和稳定性,与文献中的其他几种算法的比较结果表明,算法HILS的总体性能更优.