基于Spark的改进蚁群算法对带时间窗车辆路径问题的求解

发布时间：2021-02-16 19:48

　　为应对大数据时代对带时间窗车辆路径问题（VRPTW）的实时求解要求,提出基于Spark平台的改进蚁群算法.在算法层面,利用改进的状态转移规则和轮盘赌选择机制构建初始解,结合k-opt邻域搜索进行路径构建优化,改进最大最小蚁群算法中的信息素更新策略;在实现层面,利用Spark提供的API对蚁群RDD进行操作,实现蚁群分布式并行求解.在标准算例Solomon benchmark和Gehring&Homberger benchmark的实验结果表明,该算法在大规模问题的求解精度和速度上有明显提升. 

【文章来源】：计算机系统应用. 2019,28(07)

【文章页数】：8 页

【参考文献】：
期刊论文
[1]基于Spark的蚁群算法在物流配送路径优化问题中的应用研究[J]. 郭宝恩.  信息与电脑(理论版). 2018(03)
[2]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)
[3]基于Spark的蚁群优化算法[J]. 王诏远,王宏杰,邢焕来,李天瑞.  计算机应用. 2015(10)
[4]基于改进蚁群算法的车辆路径优化问题研究[J]. 陈迎欣.  计算机应用研究. 2012(06)
[5]改进的蚁群算法求解带时间窗的车辆路径问题[J]. 李琳,刘士新,唐加福.  控制与决策. 2010(09)
[6]一种自适应蚁群算法及其仿真研究[J]. 王颖,谢剑英.  系统仿真学报. 2002(01)

博士论文
[1]求解车辆路径问题的蚁群优化算法研究及应用[D]. 葛斌.合肥工业大学 2016

硕士论文
[1]改进的Lin-Kernighan局部搜索算法和杂交算法在旅行商问题中的应用[D]. 吴越钟.中国科学技术大学 2016
[2]带时间窗车辆路径问题的蚁群算法改进[D]. 董攀.长沙理工大学 2014
[3]大规模多配送中心车辆路径问题研究[D]. 崔文.山东大学 2012
[4]带有时间窗的车辆路径问题的混合蚁群算法研究[D]. 丁秋雷.大连理工大学 2006



本文编号：3036847