求解不确定环境下两类物流规划问题的进化算法研究

发布时间：2024-02-03 11:41

　　物流规划由于在现实世界的大量应用一直受到广泛关注。现实世界的物流规划问题中存在着许多动态、随机的变化,因此不确定环境下的物流规划问题成为了物流领域的研究热点。进化算法能有效解决许多物流规划问题,因而研究者提出了许多进化算法来解决不确定环境下的物流规划问题。然而,这些进化算法在应对一些不确定环境下物流规划问题时的性能、效率方面仍存在不足。为此,本文针对性地提出了多种有效的新型进化算法来求解两类典型的不确定环境下的物流规划问题,分别为不确定道路网络下的避难所选址问题(USLP:shelter location problem under uncertainty of road networks)和有动态客户请求的动态车辆路径问题(DVRP:dynamic vehicle routing problem)。本文的主要工作由以下四个部分组成:(1)本文提出了基于聚类的代理辅助多目标进化算法AR-MOEA+SA求解USLP。在使用进化算法优化USLP时,个体评价需要计算的疏散距离具有高昂的计算成本,因此本文在AR-MOEA+SA中提出了基于聚类的代理建模方法来近似计算个体评价时需要计算的疏散距离...

【文章页数】：127 页

【学位级别】：博士

【部分图文】：

图3.1基于聚类的代理建模方法

第三章求解不确定道路网下的避难所选址问题16图3.1展示了基于聚类策略的一个例子，其中在图3.1(a)中有6个候选避难所和9个需要分配的居民区。图3.1基于聚类的代理建模方法如图3.1(b)所示，假设种群中有一个个体<3,5,4,2,3,2,2,4,5>表示9个居民区在未损坏场景....

图3.2基于聚类的代理模型建立如算法3.2所示，代理在进化算法的每代都将得到更新

第三章求解不确定道路网下的避难所选址问题18理模型。算法3.2显示了本文所提出的代理模型的管理步骤。算法3.1基于聚类的转化策略Converting(sp,G,D,W)输入：sp（一个个体），G（避难所分组），D（未损坏场景下居民区和避难所之间的距离矩阵），W（每个居民区人口）输....

图3.3AR-MOEA+SA在最大隐层节点数、最大训练数据量和K-means中K的取值不同时在

第三章求解不确定道路网下的避难所选址问题24(c)图3.3AR-MOEA+SA在最大隐层节点数、最大训练数据量和K-means中K的取值不同时在测试用例A上的性能在实验中，所有算法都使用相同的约束处理机制，具体见本文3.2部分。除了BD外，每个算法都独立运行20次。而BD由于是确....

图3.4AR-MOEA和AR-MOEA+SA2000次函数评价后在测试用例A、B、C和实际案例上的

安徽大学博士学位论文27(a)(b)(c)(d)图3.4AR-MOEA和AR-MOEA+SA2000次函数评价后在测试用例A、B、C和实际案例上的IGD值收敛过程图3.5AR-MOEA+SA中代理在测试用例A、B、C和实际案例上的预测精度3.3.3.AR-MOEA+SA的有效性表....

本文编号：3894124