基于社群特性的群智能算法研究及在物流中的应用
发布时间：2020-12-26 09:19
随着我国经济的飞速发展,物流作为现代服务业的主要支柱产业也面临着向信息化和智能化转型的机遇。高效、安全和低碳为物流资源的合理利用提出了更高的要求和挑战。在新发展趋势下,如何对具有大规模、动态和多目标等特征的复杂物流问题进行优化受到了特别关注,常规方法往往不能满足实际应用的需要。群智能算法高效和简洁的计算性能,为解决物流运作中的复杂问题提供了可行的技术手段。然而在解决复杂问题中,一般的群智能算法仍然面临着容易陷入局部最优和早熟等问题,阻碍了其在物流领域的深入应用。如果可以改善群智能算法缺陷,将会极大提升群智能算法的优化能力,拓展在物流领域的应用。论文旨在从种群拓扑网络、邻域结构和个体行为方面研究群智能算法的改进和构建,以提高智能算法在处理复杂优化问题的能力,为解决物流运作中的实际问题提供有效方法。论文主要研究工作和创新点如下:（1）从邻域构建角度,提出了聚类自适应粒子群改进算法（APSO-C）。基于对种群中个体搜索行为的分析,采用K-means方法对种群进行动态分割,从而构建多个具有不同属性的异构子簇,并采用基于环形拓扑结构进行不同簇间的信息交互。基于所形成的簇结构,构建了通过簇所处搜索...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：164 页
【学位级别】：博士
【部分图文】：
BFO算法移动过程示意
图 2-3 典型静态种群拓扑结构[119]拓扑结构新型的改进算法中都具有了动态的拓扑和调整机制。进行种群的分割。个体通过相互的融合和交互形成多学习、协作和竞争驱动，整个种群保持着持续的进化了一种基于种群竞争的新生态 PSO 算法，模型中个体同的搜索能力和竞争与协作行为。整个种群基于群到了修复。扑结构符合社会性群体的演化特征，因此更能体现出形成动态的交互合作，从而提高算法搜索能力。优化中个体行为控制实或者虚拟的群体一样，在群智能算法中个体知识和的交互和学习。但是高的收敛速度会使得种群的整
重同 CLPSO 采用线性递减策略，ωmax=0.95， APSO-C 算法中，c1=c2=2，ωmax=0.95，ωmin=感性分析测试）和聚类系数 K=5。其余算法 的推荐参数设置。在所有算法中种群规模 N=种群分布度对比分析是分析本算法思想对粒子在搜索空间的分布的了种群的多样性。为了便于粒子空间位置的图 2 维空间。对于选定的基本 PSO 算法、基于本章所提出的 APSO-C 算法在相同的初始数100。在测试中分别记录在代数Iteration=10、。鉴于结果的类似性以及篇幅的限制，选果作为分析对象。Griewank 函数存在多个局易优化，其函数图像如图 3-1 所示。
【参考文献】：
期刊论文
[1]复杂网络社区挖掘综述[J]. 刘大有,金弟,何东晓,黄晶,杨建宁,杨博. 计算机研究与发展. 2013(10)
[2]不确定环境下公铁水多式联运决策研究[J]. 张鹏鸽,张煜,刘佳伟,李文锋. 铁道运输与经济. 2013(02)
[3]群体行为的异质节点复杂网络传播[J]. 李峰,沈惠璋,李莉,刘尚亮,张聪. 数学的实践与认识. 2013(01)
[4]求解三维装箱问题的多层启发式搜索算法[J]. 张德富,彭煜,张丽丽. 计算机学报. 2012(12)
[5]复杂网络2012年度盘点[J]. 荣智海,唐明,汪小帆,吴枝喜,严钢,周涛. 电子科技大学学报. 2012(06)
[6]基于梯度粒子群算法的细菌觅食算法[J]. 麦雄发,李玲. 计算机应用研究. 2012(11)
[7]复杂网络特性对大规模多智能体协同控制的影响[J]. 徐杨,李响,常宏,王月星. 软件学报. 2012(11)
[8]基于差分进化的生物地理学优化算法[J]. 叶开文,刘三阳,高卫峰. 计算机应用. 2012(11)
[9]基于多目标萤火虫算法的可调节产品族优化设计[J]. 袁际军. 计算机集成制造系统. 2012(08)
[10]复杂网络上的演化博弈研究[J]. 杨涵新,汪秉宏. 上海理工大学学报. 2012(02)
博士论文
[1]群智能算法的改进及其在相关领域中的应用[D]. 张毅.吉林大学 2009
[2]粒子群算法的动态拓朴结构研究[D]. 王雪飞.西南大学 2008
[3]基于计算智能的若干优化问题研究[D]. 葛宏伟.吉林大学 2006
[4]集装箱船全航线配载智能优化研究[D]. 张维英.大连理工大学 2006
本文编号：2939433
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：164 页
【学位级别】：博士
【部分图文】：
BFO算法移动过程示意
图 2-3 典型静态种群拓扑结构[119]拓扑结构新型的改进算法中都具有了动态的拓扑和调整机制。进行种群的分割。个体通过相互的融合和交互形成多学习、协作和竞争驱动，整个种群保持着持续的进化了一种基于种群竞争的新生态 PSO 算法，模型中个体同的搜索能力和竞争与协作行为。整个种群基于群到了修复。扑结构符合社会性群体的演化特征，因此更能体现出形成动态的交互合作，从而提高算法搜索能力。优化中个体行为控制实或者虚拟的群体一样，在群智能算法中个体知识和的交互和学习。但是高的收敛速度会使得种群的整
重同 CLPSO 采用线性递减策略，ωmax=0.95， APSO-C 算法中，c1=c2=2，ωmax=0.95，ωmin=感性分析测试）和聚类系数 K=5。其余算法 的推荐参数设置。在所有算法中种群规模 N=种群分布度对比分析是分析本算法思想对粒子在搜索空间的分布的了种群的多样性。为了便于粒子空间位置的图 2 维空间。对于选定的基本 PSO 算法、基于本章所提出的 APSO-C 算法在相同的初始数100。在测试中分别记录在代数Iteration=10、。鉴于结果的类似性以及篇幅的限制，选果作为分析对象。Griewank 函数存在多个局易优化，其函数图像如图 3-1 所示。
【参考文献】：
期刊论文
[1]复杂网络社区挖掘综述[J]. 刘大有,金弟,何东晓,黄晶,杨建宁,杨博. 计算机研究与发展. 2013(10)
[2]不确定环境下公铁水多式联运决策研究[J]. 张鹏鸽,张煜,刘佳伟,李文锋. 铁道运输与经济. 2013(02)
[3]群体行为的异质节点复杂网络传播[J]. 李峰,沈惠璋,李莉,刘尚亮,张聪. 数学的实践与认识. 2013(01)
[4]求解三维装箱问题的多层启发式搜索算法[J]. 张德富,彭煜,张丽丽. 计算机学报. 2012(12)
[5]复杂网络2012年度盘点[J]. 荣智海,唐明,汪小帆,吴枝喜,严钢,周涛. 电子科技大学学报. 2012(06)
[6]基于梯度粒子群算法的细菌觅食算法[J]. 麦雄发,李玲. 计算机应用研究. 2012(11)
[7]复杂网络特性对大规模多智能体协同控制的影响[J]. 徐杨,李响,常宏,王月星. 软件学报. 2012(11)
[8]基于差分进化的生物地理学优化算法[J]. 叶开文,刘三阳,高卫峰. 计算机应用. 2012(11)
[9]基于多目标萤火虫算法的可调节产品族优化设计[J]. 袁际军. 计算机集成制造系统. 2012(08)
[10]复杂网络上的演化博弈研究[J]. 杨涵新,汪秉宏. 上海理工大学学报. 2012(02)
博士论文
[1]群智能算法的改进及其在相关领域中的应用[D]. 张毅.吉林大学 2009
[2]粒子群算法的动态拓朴结构研究[D]. 王雪飞.西南大学 2008
[3]基于计算智能的若干优化问题研究[D]. 葛宏伟.吉林大学 2006
[4]集装箱船全航线配载智能优化研究[D]. 张维英.大连理工大学 2006
本文编号：2939433
本文链接：https://www.wllwen.com/jingjifazhanlunwen/2939433.html
