基于改进蚁群算法的物流运输路径研究

发布时间：2020-12-07 00:00

　　为了在复杂的交通环境中能够快速求解出物流运输的最优路径,在传统蚁群算法基础之上提出了一种基于改进蚁群算法的物流运输路径优化模型。首先,通过在传统蚁群算法中加入基于运输时间、成本、道路平均通畅程度因子的约束条件,同时改进传统信息素的更新方式,对道路上的信息素浓度进行最大最小限制,从而改变路径选择转移概率。最后,利用改进蚁群算法与CSAACO算法、ACO算法进行仿真实验,在相同实验环境条件下测试3种算法在物流运输路径的距离缩短量和时间减少量,实验数据表明,改进蚁群算法在运输距离和运输时间方面明显低于CSAACO算法和ACO算法。改进蚁群算法拥有更强的全局寻优能力,算法收敛速度更快,所需时间更少,获得的最优路径更短,提高了整个物流行业的运输效率。 

【文章来源】：计算机工程与科学. 2020年03期 第523-528页 北大核心

【文章页数】：6 页

【部分图文】：

改进ACO算法流程图

从图2可以看出,改进算法的平均寻优路径的时间比ACO算法和CSAACO算法的分别缩短258 004 s和15 000 s;当客户规模在100～200时,传统的ACO算法、CSAACO算法和本文的改进算法的任务时间方面差异不是那么明显,当随着客户规模不断增加,在执行同样规模任务的情况下,本文算法的时间远低于CSAACO和ACO的,本文算法能够弥补CSAACO算法和ACO算法的寻优时间较长的不足,具有更快的求解速度。图3 客户规模与距离缩短量的关系

图2 客户规模与时间缩短量的关系从图3可以看出,本文改进算法的求解路径距离相比ACO和CSAACO分别减少25 000 m和5 854 m。当客户任务规模为100时,本文算法与CSAACO算法相比,距离缩短了约2 650 m;改进算法与传统ACO算法相比,距离缩短了约5 000 m;而且随着规模的增加,差距在逐渐扩大,本文改进算法表现出来的优势更加明显,具有更好的路径寻优能力。

【参考文献】：
期刊论文
[1]带有随机运输时间和成本的4PL路径优化问题[J]. 黄敏,任亮,王兴伟.  系统工程学报. 2019(01)
[2]基于蚁群劳动分工的多式联运利益分配研究[J]. 贺政纲,黄娟,帅宇红.  铁道学报. 2018(11)
[3]电商退换货车辆路径问题及蚁群算法研究[J]. 张庆华,吕小丹.  计算机工程与应用. 2018(22)
[4]生鲜产品的纯电动冷藏车配送路径问题研究[J]. 冯杰,史立.  计算机工程与应用. 2019(09)
[5]基于改进蚁群算法的物流配送中多取货车辆的最优路径研究[J]. 王蕾,蔡翠,裴爱晖,肖荣娜,叶静.  公路交通科技(应用技术版). 2018(05)
[6]第四方物流多目标路径集成优化[J]. 任亮,黄敏,王洪峰,王兴伟.  复杂系统与复杂性科学. 2018(01)
[7]基于物流云平台的多式联运派单模型及求解策略[J]. 赵春雷,孟亚斌,柳建波,熊万红,乔朋.  铁道学报. 2018(01)
[8]多自动导引车路径规划的诱导蚁群粒子群算法[J]. 李军军,许波桅,杨勇生,吴华锋.  计算机集成制造系统. 2017(12)
[9]求解TSP的带混沌扰动的模拟退火蚁群算法[J]. 王迎,张立毅,费腾,周修飞.  计算机工程与设计. 2016(04)
[10]混沌扰动模拟退火蚁群算法低碳物流路径优化[J]. 张立毅,王迎,费腾,周修飞.  计算机工程与应用. 2017(01)

硕士论文
[1]基于改进蚁群算法的物流配送路径研究[D]. 赵美红.辽宁工程技术大学 2011



本文编号：2902234