基于电子地图的改进蚁群算法及其车辆路径寻优

发布时间：2020-12-29 19:39

　　路径优化研究中以目标节点的线性距离之和最短作为最优路径的求解结果难以运用于实际.文中提出了结合电子地图API的改进蚁群算法,首先得到各个节点之间的实际道路导航距离,然后对基本蚁群算法进行改进.在节点选择策略上采用了轮盘选择策略;在算法的不同时期对信息素挥发系数ρ进行调整;计算目标节点距离时去掉节点间直线距离,而采用从电子地图获取的实际导航距离;最后获取电子地图数据,用于改进后的蚁群算法,进行最优路径求解.实验结果分析表明,算法改进前后求得的直线最短路程分别为64.526、62.598 km,验证了改进后算法的有效性,实际道路导航最短路程为89.378 km,说明文中提出的最优路径求解方式更切合实际,实用性更高. 

【文章来源】：江苏科技大学学报(自然科学版). 2020年01期

【文章页数】：7 页

【部分图文】：

蚂蚁简略寻迹

物流配送的具体流程如下:首先,确定车辆数以及客户点信息;随后,计算车辆下一时刻对每条路径的选择概率,从而确定下一个即将访问的客户点,并根据规则对前文中的ρ值进行改进,满足条件后返回,依次遍历每辆车;最后,根据每辆车的最优选择结果得出最合适的配送方案.流程图如图3.4 实验结果与分析

在算法收敛性方面,文中的最优解在迭代40次以上基本上已经趋于稳定,迭代过程中平均路径长度和最短路径长度如图4.最后,在实验中根据传统蚁群算法和文中改进的蚁群算法,同样在迭代200次的基础上,以及在相同约束条件下,对比直线最短路程、平均路程和最大路程,如表4.可知文中改进算法相比于未改进之前增强了算法的正反馈机制,避免了算法停滞现象,对路径规划问题具有较好的适应性和实用性.

【参考文献】：
期刊论文
[1]考虑供应不足的应急物流车辆路径优化模型及算法[J]. 程碧荣,赵晓波,秦进.  计算机应用研究. 2016(06)
[2]基于改进蚁群算法物流配送路径优化的研究[J]. 张勇.  控制工程. 2015(02)
[3]基于改进蚁群算法的物流网络[J]. 杨平乐,崔晓燕,刘树森.  江苏科技大学学报(自然科学版). 2014(02)
[4]基于挥发系数的自适应蚁群算法[J]. 吴小菁.  福建金融管理干部学院学报. 2010(01)
[5]餐饮物流配送路线的优化研究[J]. 屠一琳,霍佳震.  重庆交通大学学报(自然科学版). 2009(05)
[6]基于改进蚁群算法的物流配送路径优化[J]. 张维泽,林剑波,吴洪森,童若锋,董金祥.  浙江大学学报(工学版). 2008(04)
[7]蚁群算法理论及应用研究的进展[J]. 段海滨,王道波,朱家强,黄向华.  控制与决策. 2004(12)

硕士论文
[1]基于蚁群算法的智慧旅游路线规划研究[D]. 牛悦诚.南京邮电大学 2017
[2]基于改进混合蚁群算法的物流配送路径优化研究[D]. 李茹.山西大学 2017
[3]基于蚂蚁算法在管理优化方面的研究[D]. 赵胜敏.天津大学 2006



本文编号：2946189