基于改进遗传算法的航空运输路径优化问题研究

发布时间：2021-02-03 04:45

　　针对航空物流领域对路径进行精确计算以降低配送成本的需求,文中对路径的优化方法进行了研究。通过建模分析,将该问题被抽象为数学中的枢纽位置问题（HLP）,然后使用遗传算法进行求解。为了解决大规模的复杂HLP,文中对传统的遗传算法进行了改进,将单一种群的遗传算法扩展成双种群模式。通过为两个种群设置不同的进化参数,从而保证最终胜出的个体具备更优秀的搜索能力。此外,为防止遗传个体在搜索时陷入局部最优解,还引入了模拟退火算法中Metropolis准则。为了衡量改进后的算法性能（I-SGA）,文中基于航空公司的实际航线和15个大中城市机场的实际规模等相关数据进行了仿真测试。仿真结果表明,I-SGA的目标函数最优收敛值为1.234 e+12,平均收敛值为1.100 e+12;而SGA的最优收敛值为1.201 e+12,平均收敛值为1.021 e+12,所提算法的效果和效率均有明显的提升。 

【文章来源】：电子设计工程. 2020,28(15)

【文章页数】：5 页

【部分图文】：

标准遗传算法处理流程图

在自然界的生物遗传中，会出现基因重组现象。SGA中通过交叉操作来模拟该现象，交叉操作可以提升遗传算法的搜索能力。交叉包括：单点交叉、双点交叉和多点交叉，而本文使用单点交叉操作。操作方法，如图2所示。3）变异

传统的遗传算法通常是基于单个种群的选择、遗传和变异，虽然该方法在优化问题上有广泛的应用。但对于航空运输路径这种复杂问题[17]，其搜索空间有限，容易在优化时陷入局部最优解。因此，本文将单个种群扩展为多种群，并将传统的遗传算法进行改进（I-SGA）。其基本流程，如图3所示。将单种群划分为双种群后，在不同种群的选择时，在FS1和FS2上产生不同的随机数，但每次迭代均保证FS1产生的随机数大于FS2；在单点交叉时，种群1的交叉位数大于种群2的交叉位数；在变异时，种群1的变异概率Pm1大于种群2的变异概率Pm2。

【参考文献】：
期刊论文
[1]改进遗传模拟退火算法优化BP算法研究[J]. 郭彩杏,郭晓金,柏林江.  小型微型计算机系统. 2019(10)
[2]模拟退化算法在飞机巡航路径问题中的应用[J]. 刘燕,任航永,张健.  光电技术应用. 2019(04)
[3]结合遗传算法的Apriori算法改进[J]. 文武,郭有庆.  计算机工程与设计. 2019(07)
[4]基于多目标约束遗传算法的SDN路径增强算法[J]. 周睿,何利文,唐澄澄,侯小宇,陆钱春.  计算机技术与发展. 2019(07)
[5]基于量子遗传算法优化粗糙-Petri网的电网故障诊断[J]. 田海霖,洪良,王艺翔,王晓华.  西安工程大学学报. 2018(06)
[6]基于多种群遗传算法的多AGV调度[J]. 孟冲,任彧.  电子科技. 2018(11)
[7]基于混合遗传算法的物流配送路径优化研究[J]. 杨柳.  电子设计工程. 2018(17)
[8]基于混合遗传算法的有效路径求解[J]. 刘兰芬,杨信丰.  计算机工程与应用. 2019(11)
[9]基于多约束条件的改进遗传算法路径规划[J]. 贺盼博,邬春学.  软件导刊. 2018(07)
[10]改进遗传模拟退火算法在TSP优化中的应用[J]. 何庆,吴意乐,徐同伟.  控制与决策. 2018(02)

硕士论文
[1]南昌临空经济区航空物流业发展路径研究[D]. 柳语.南昌航空大学 2017
[2]湍流模式理论的机器学习研究[D]. 米俊亦.哈尔滨工业大学 2017
[3]基于遗传模拟退火算法的航班着陆调度问题[D]. 崔雪源.华中师范大学 2015



本文编号：3015921