基于仿生智能算法的车辆路径优化研究与实现
发布时间：2021-10-16 19:36
近年来随着社会智能交通的兴起,电子商务的不断发展,中国现代物流业进入了高速发展时期,现代物流行业优化中的关键一环是运输环节的优化。运输环节的优化问题属于车辆路径问题（VRP）,而VRP属于NP难的组合优化问题。研究人员从生物进化的机理中得到启发,将蚁群算法、遗传算法等仿生智能算法应用于解决车辆路径问题。本文源于深圳本地一家物流企业的前瞻性研究,通过对标准车辆路径问题增加约束条件,建立起了两种扩展的车辆路径优化模型:带容量约束的车辆路径问题（CVRP）和多目标优化的车辆路径问题（MOVRP）,具体工作如下:（1）为了解决带容量约束的车辆路径优化问题,本文在基本蚁群算法的基础,定义了间接期望启发式并将其引入到路径选择概率中,采用了全局与局部更新相结合的方式进行蚁群算法的信息素更新,同时加入局部搜索算法2-opt优化每一次迭代的最优解,提出了一种改进混合蚁群算法,并在Eil51和Lin105两个公开数据集上验证了算法的有效性;（2）基于改进混合蚁群算法,本文在研究分析带容量约束的车辆路径优化问题的基础,结合该单目标优化问题的特点,建立了带有容量约束的车辆路径问题的数学模型,设计了带容量约束的...
【文章来源】：深圳大学广东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
论文研究技术路线图
基于仿生智能算法的车辆路径优化研究与实现11(,+1)=∑(,+1)=1(2-3)式中ρ为信息素的挥发系统，τijk(t,t+1)表示蚂蚁k在(t,t+1)时刻向边(i,j)释放的信息素量，τij(t,t+1)表示边(i,j)在本次循环中应该更新的信息素总和。基本蚁群算法的流程图如图2.2所示。图2.2蚁群算法的流程图M.Dorigo提出了三种不同边信息素更新的方式如下：(,+1)={,(,)∈0,否则(2-4)(,+1)={,(,)∈0,否则(2-5)
基于仿生智能算法的车辆路径优化研究与实现12(,+1)={,(,)∈0,否则(2-6)其中，常数Q表示信息素量，Q值一般通过大量的实验得到取值范围，在不同的算法参数情况下可能会不同。lk表示蚂蚁k走过的边。式2-5和式2-4、式2-6的区别在于式2-5使用全局信息作为模拟信息，相比其他两个方案的局部信息来更好。而且从大量的文献来看，式2-5代表的方案的确好于另外两者，所以一般的实验选择式2-5代表方案作为信息素更新方案。2.2.2蚁群算法的特点蚁群算法的主要特点包括：（1）蚁群算法天生具有并行特点，这是该算法较其他算法的优势。如图2.3所示，它的搜索不是从起点开始，而是从多个点同时开始。（2）采用分布式计算，没有中央控制；分布式并行模式将采用整个算法的运行效率和响应性，并大大改善。（3）基于群体智能的算法，个体之间通过相互协作和互相交流完成复杂有序的群体行为。（4）内部具有概率运行机制，概率带来算法的不确定性对组合优化问题具有更大可能得到最优解。图2.3蚁群系统并行示意图2.2.3几种典型改进的蚁群算法
【参考文献】：
期刊论文
[1]基于改进蚁群优化算法的服务组合与优化方法[J]. 沈记全,罗常委,侯占伟,刘志中. 计算机工程. 2018(12)
[2]基于人工免疫系统算法的建材企业车辆路径问题优化[J]. 季晓红. 中国管理信息化. 2017(15)
[3]基于高维多目标优化的多车场车辆路径问题[J]. 毕志升,郑炯彬,蔡桂艳. 计算机与数字工程. 2017(07)
[4]带软时间窗的需求依订单拆分车辆路径问题及其禁忌搜索算法[J]. 符卓,刘文,邱萌. 中国管理科学. 2017(05)
[5]带时间窗车辆路径问题的分布式多agent蚁群算法[J]. 金淳,张雨,王聪. 计算机应用研究. 2018(03)
[6]求解带硬时间窗的多目标车辆路径问题的多种混合蝙蝠算法[J]. 殷亚,张惠珍. 计算机应用研究. 2017(12)
[7]考虑运载能力与行程约束的绿色车辆路径问题[J]. 董誉文,仉帅. 工业工程与管理. 2017(01)
[8]一种动态搜索策略的蚁群算法及其在机器人路径规划中的应用[J]. 游晓明,刘升,吕金秋. 控制与决策. 2017(03)
[9]遗传-蚁群算法的配电网状态估计[J]. 张纯,王立斌. 现代电子技术. 2016(19)
[10]改进节约法下的物流配送路径优化问题[J]. 邰晓红,李璐. 辽宁工程技术大学学报(自然科学版). 2016(06)
硕士论文
[1]基于精英策略的混合粒子蚁群算法改进[D]. 高博.燕山大学 2011
[2]基于遗传算法的连锁企业配送多目标VRP研究[D]. 金硕.东北大学 2011
[3]遗传多目标优化算法的研究[D]. 袁形形.中国地质大学（北京） 2010
[4]基于遗传算法的多车场车辆路径问题研究[D]. 邓欣.重庆大学 2007
本文编号：3440383
【文章来源】：深圳大学广东省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
论文研究技术路线图
基于仿生智能算法的车辆路径优化研究与实现11(,+1)=∑(,+1)=1(2-3)式中ρ为信息素的挥发系统，τijk(t,t+1)表示蚂蚁k在(t,t+1)时刻向边(i,j)释放的信息素量，τij(t,t+1)表示边(i,j)在本次循环中应该更新的信息素总和。基本蚁群算法的流程图如图2.2所示。图2.2蚁群算法的流程图M.Dorigo提出了三种不同边信息素更新的方式如下：(,+1)={,(,)∈0,否则(2-4)(,+1)={,(,)∈0,否则(2-5)
基于仿生智能算法的车辆路径优化研究与实现12(,+1)={,(,)∈0,否则(2-6)其中，常数Q表示信息素量，Q值一般通过大量的实验得到取值范围，在不同的算法参数情况下可能会不同。lk表示蚂蚁k走过的边。式2-5和式2-4、式2-6的区别在于式2-5使用全局信息作为模拟信息，相比其他两个方案的局部信息来更好。而且从大量的文献来看，式2-5代表的方案的确好于另外两者，所以一般的实验选择式2-5代表方案作为信息素更新方案。2.2.2蚁群算法的特点蚁群算法的主要特点包括：（1）蚁群算法天生具有并行特点，这是该算法较其他算法的优势。如图2.3所示，它的搜索不是从起点开始，而是从多个点同时开始。（2）采用分布式计算，没有中央控制；分布式并行模式将采用整个算法的运行效率和响应性，并大大改善。（3）基于群体智能的算法，个体之间通过相互协作和互相交流完成复杂有序的群体行为。（4）内部具有概率运行机制，概率带来算法的不确定性对组合优化问题具有更大可能得到最优解。图2.3蚁群系统并行示意图2.2.3几种典型改进的蚁群算法
【参考文献】：
期刊论文
[1]基于改进蚁群优化算法的服务组合与优化方法[J]. 沈记全,罗常委,侯占伟,刘志中. 计算机工程. 2018(12)
[2]基于人工免疫系统算法的建材企业车辆路径问题优化[J]. 季晓红. 中国管理信息化. 2017(15)
[3]基于高维多目标优化的多车场车辆路径问题[J]. 毕志升,郑炯彬,蔡桂艳. 计算机与数字工程. 2017(07)
[4]带软时间窗的需求依订单拆分车辆路径问题及其禁忌搜索算法[J]. 符卓,刘文,邱萌. 中国管理科学. 2017(05)
[5]带时间窗车辆路径问题的分布式多agent蚁群算法[J]. 金淳,张雨,王聪. 计算机应用研究. 2018(03)
[6]求解带硬时间窗的多目标车辆路径问题的多种混合蝙蝠算法[J]. 殷亚,张惠珍. 计算机应用研究. 2017(12)
[7]考虑运载能力与行程约束的绿色车辆路径问题[J]. 董誉文,仉帅. 工业工程与管理. 2017(01)
[8]一种动态搜索策略的蚁群算法及其在机器人路径规划中的应用[J]. 游晓明,刘升,吕金秋. 控制与决策. 2017(03)
[9]遗传-蚁群算法的配电网状态估计[J]. 张纯,王立斌. 现代电子技术. 2016(19)
[10]改进节约法下的物流配送路径优化问题[J]. 邰晓红,李璐. 辽宁工程技术大学学报(自然科学版). 2016(06)
硕士论文
[1]基于精英策略的混合粒子蚁群算法改进[D]. 高博.燕山大学 2011
[2]基于遗传算法的连锁企业配送多目标VRP研究[D]. 金硕.东北大学 2011
[3]遗传多目标优化算法的研究[D]. 袁形形.中国地质大学（北京） 2010
[4]基于遗传算法的多车场车辆路径问题研究[D]. 邓欣.重庆大学 2007
本文编号：3440383
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3440383.html
