改进PSO算法在物流派送中的应用
发布时间：2022-01-19 10:10
粒子群算法由于其概念简单、参数较少、容易实现等优点,常被用于求解路径规划问题,在物流派送方面有着重要的应用.但其存在局部搜索能力差、易陷入局部极值、搜索精度低等缺陷,而遗传算法是从串集开始搜索的,具有很强的全局搜索能力.本文融合遗传算法中交叉变异的思想于粒子群算法中,提出了一种改进PSO算法,利用交叉操作筛选粒子初始位置,借助变异思想来提高最优解的搜索速率.仿真结果表明,该方法能够提高标准粒子群算法的搜索能力,获得了较好的收敛速度和最优路径.
【文章来源】：湖北民族学院学报(自然科学版). 2019,37(04)
【文章页数】：4 页
【部分图文】：
算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence(a)(b)(c)
图3为某城市派送位置分布图，其横纵坐标构成一个70km×70km的矩形区域，表示该城市的派送范围，图中方点表示该城市中某个具体派送位置．通过引入相应的算法，在满足相应的条件下，使其所走路径最简高效，则值最优，效果最好．图2改进PSO算法流程图图3城市派送位置分布图Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析图4为算法收敛示意图，其中图4(a)为标准粒子群算法算法收敛示意图，图4(b)为迭代次数为100次的改进后的粒子群算法收敛示意图，图4(c)为迭代次数为200次的改进后的粒子群算法收敛示意图．(a)(b)(c)图4算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence图5为最优路径图，其中图5(a)为标准粒子群算法在地图上的最优路径，图5(b)为迭代次数为100次的改进后的粒子群算法在地图上的最优路径，图5(c)为迭代次数为200次的改进后的粒子群算法在地图上的最优路径．(a)(b)(c)图5最优路径图Fig．5Optimalpathmap由图4(a)可知当迭代次数为18次时，粒子便开始收敛，适应值为1057．05km，误差较大，可见粒子过早第4期余鹏程等:改进PSO算法在物流派送中的应用334
图3为某城市派送位置分布图，其横纵坐标构成一个70km×70km的矩形区域，表示该城市的派送范围，图中方点表示该城市中某个具体派送位置．通过引入相应的算法，在满足相应的条件下，使其所走路径最简高效，则值最优，效果最好．图2改进PSO算法流程图图3城市派送位置分布图Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析图4为算法收敛示意图，其中图4(a)为标准粒子群算法算法收敛示意图，图4(b)为迭代次数为100次的改进后的粒子群算法收敛示意图，图4(c)为迭代次数为200次的改进后的粒子群算法收敛示意图．(a)(b)(c)图4算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence图5为最优路径图，其中图5(a)为标准粒子群算法在地图上的最优路径，图5(b)为迭代次数为100次的改进后的粒子群算法在地图上的最优路径，图5(c)为迭代次数为200次的改进后的粒子群算法在地图上的最优路径．(a)(b)(c)图5最优路径图Fig．5Optimalpathmap由图4(a)可知当迭代次数为18次时，粒子便开始收敛，适应值为1057．05km，误差较大，可见粒子过早第4期余鹏程等:改进PSO算法在物流派送中的应用334
【参考文献】：
期刊论文
[1]基于GAPSO-MUSIC算法的矢量水听器的DOA估计[J]. 姚建丽,胡红萍,白艳萍,王建中,李薇. 西南民族大学学报(自然科学版). 2019(04)
[2]求解特征值互补问题的遗传算法[J]. 张美玲,韩海山. 内蒙古民族大学学报(自然科学版). 2019(03)
[3]基于自适应机制的遗传算法研究[J]. 曲志坚,张先伟,曹雁锋,刘晓红,冯晓华. 计算机应用研究. 2015(11)
[4]粒子群算法的物流配送路径优化研究[J]. 王华东,李巍. 计算机仿真. 2012(05)
[5]求解旅行商问题的混合粒子群优化算法[J]. 沈继红,王侃. 智能系统学报. 2012(02)
[6]多旅行商问题研究综述[J]. 俞庆生,林冬梅,王东. 价值工程. 2012(02)
[7]改进的粒子群算法在旅行商问题中的应用[J]. 曹平,陈盼,刘世华. 计算机工程. 2008(11)
[8]基于模拟退火算法思想的粒子群优化算法[J]. 高尚,杨静宇,吴小俊,刘同明. 计算机应用与软件. 2005(01)
[9]粒子群优化算法求解旅行商问题[J]. 黄岚,王康平,周春光,庞巍,董龙江,彭利. 吉林大学学报(理学版). 2003(04)
[10]企业如何拓展第三方物流[J]. 王佐. 物流技术与应用. 2001(03)
博士论文
[1]粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006
硕士论文
[1]粒子群遗传混合算法及其在函数优化上的应用[D]. 倪全贵.华南理工大学 2014
本文编号：3596663
【文章来源】：湖北民族学院学报(自然科学版). 2019,37(04)
【文章页数】：4 页
【部分图文】：
算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence(a)(b)(c)
图3为某城市派送位置分布图，其横纵坐标构成一个70km×70km的矩形区域，表示该城市的派送范围，图中方点表示该城市中某个具体派送位置．通过引入相应的算法，在满足相应的条件下，使其所走路径最简高效，则值最优，效果最好．图2改进PSO算法流程图图3城市派送位置分布图Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析图4为算法收敛示意图，其中图4(a)为标准粒子群算法算法收敛示意图，图4(b)为迭代次数为100次的改进后的粒子群算法收敛示意图，图4(c)为迭代次数为200次的改进后的粒子群算法收敛示意图．(a)(b)(c)图4算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence图5为最优路径图，其中图5(a)为标准粒子群算法在地图上的最优路径，图5(b)为迭代次数为100次的改进后的粒子群算法在地图上的最优路径，图5(c)为迭代次数为200次的改进后的粒子群算法在地图上的最优路径．(a)(b)(c)图5最优路径图Fig．5Optimalpathmap由图4(a)可知当迭代次数为18次时，粒子便开始收敛，适应值为1057．05km，误差较大，可见粒子过早第4期余鹏程等:改进PSO算法在物流派送中的应用334
图3为某城市派送位置分布图，其横纵坐标构成一个70km×70km的矩形区域，表示该城市的派送范围，图中方点表示该城市中某个具体派送位置．通过引入相应的算法，在满足相应的条件下，使其所走路径最简高效，则值最优，效果最好．图2改进PSO算法流程图图3城市派送位置分布图Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析图4为算法收敛示意图，其中图4(a)为标准粒子群算法算法收敛示意图，图4(b)为迭代次数为100次的改进后的粒子群算法收敛示意图，图4(c)为迭代次数为200次的改进后的粒子群算法收敛示意图．(a)(b)(c)图4算法收敛示意图Fig．4Schematicdiagramofalgorithmconvergence图5为最优路径图，其中图5(a)为标准粒子群算法在地图上的最优路径，图5(b)为迭代次数为100次的改进后的粒子群算法在地图上的最优路径，图5(c)为迭代次数为200次的改进后的粒子群算法在地图上的最优路径．(a)(b)(c)图5最优路径图Fig．5Optimalpathmap由图4(a)可知当迭代次数为18次时，粒子便开始收敛，适应值为1057．05km，误差较大，可见粒子过早第4期余鹏程等:改进PSO算法在物流派送中的应用334
【参考文献】：
期刊论文
[1]基于GAPSO-MUSIC算法的矢量水听器的DOA估计[J]. 姚建丽,胡红萍,白艳萍,王建中,李薇. 西南民族大学学报(自然科学版). 2019(04)
[2]求解特征值互补问题的遗传算法[J]. 张美玲,韩海山. 内蒙古民族大学学报(自然科学版). 2019(03)
[3]基于自适应机制的遗传算法研究[J]. 曲志坚,张先伟,曹雁锋,刘晓红,冯晓华. 计算机应用研究. 2015(11)
[4]粒子群算法的物流配送路径优化研究[J]. 王华东,李巍. 计算机仿真. 2012(05)
[5]求解旅行商问题的混合粒子群优化算法[J]. 沈继红,王侃. 智能系统学报. 2012(02)
[6]多旅行商问题研究综述[J]. 俞庆生,林冬梅,王东. 价值工程. 2012(02)
[7]改进的粒子群算法在旅行商问题中的应用[J]. 曹平,陈盼,刘世华. 计算机工程. 2008(11)
[8]基于模拟退火算法思想的粒子群优化算法[J]. 高尚,杨静宇,吴小俊,刘同明. 计算机应用与软件. 2005(01)
[9]粒子群优化算法求解旅行商问题[J]. 黄岚,王康平,周春光,庞巍,董龙江,彭利. 吉林大学学报(理学版). 2003(04)
[10]企业如何拓展第三方物流[J]. 王佐. 物流技术与应用. 2001(03)
博士论文
[1]粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006
硕士论文
[1]粒子群遗传混合算法及其在函数优化上的应用[D]. 倪全贵.华南理工大学 2014
本文编号：3596663
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3596663.html
