JIT环境下多工序订单生产排序模型及改进蚁群算法应用研究

订单排序问题是一类典型的组合优化问题,采用改进蚁群算法对一种具有多生产工序和JIT交货的订单模型进行建模求解,给出了详细的算法步骤,通过仿真计算和结果分析,与模拟退火算法和基本蚁群算法进行对比,证明了本算法的有效性。     

混合蚁群算法求解物流配送车辆路径优化问题研究

文中在分析VRP与旅行商问题（TSP）区别的基础上,构造了求解VRP的混合蚁群算法。将蚁群系统（ACS）算法同节约量和局部搜索策略2-opt法相结合来改进基本蚁群算法。仿真实验结果表明混合蚁群算法性能优良,能够有效地求解VRP问题。     

基于遗传-蚁群混合算法求解旅行商问题

作为物流领域中的典型问题,旅行商问题的求解具有十分重要的理论和现实意义.在它的传统求解方法中,遗传算法和蚁群算法被广泛采用,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷.本文采用遗传-蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,对旅行商问题求解,并进行了实例仿真.仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率.     

蚁群遗传混合算法在求解旅行商问题上的应用

针对在求解旅行商问题时,蚁群算法易陷入局部最优,而遗传算法收敛速度慢等问题,将蚁群与遗传算法相结合:把蚁群算法每次迭代的结果作为遗传算法的初始种群,并且用遗传算法寻优结果更新蚁群算法的信息素。在用遗传算法处理问题的阶段,引入了两种新的交叉算子,并且提出混合交叉算子的新思想,算法的后期使用贪心搜索和2-opt局部优化算法,成功的避免了算法过早陷入局部最优解的问题,加快了算法的收敛速度。通过仿真,本算法与其他算法进行对比,寻优路径长度明显降低,在求解效率和求解质量上都有更好的效果。     

单亲遗传算法在TSP问题中的应用

基于单亲遗传算法的思想,编写了求解TSP问题的程序,给出了数值算例,并与遗传算法及蚁群算法在TSP问题的求解效率上进行了比较。结果表明,单亲遗传算法是求解TSP等组合优化问题的非常有效的算法。     

智能优化算法求解车辆路径问题的对比分析

利用智能优化算法解决车辆路径问题(VRP)是组合优化领域的一个研究热点。论文介绍了蚁群算法，粒子群算法和模拟退火算法的算法原理和求解流程，选用了Solomon数据集的三种不同客户规模，通过利用python编制程序对三种智能优化算法的求解性能进行了测试。研究表明粒子群算法对各规模CVRP问题求解的效果均不尽人意；模拟退火算法在中小规模时算法求得最优解能力更好，蚁群算法求解大、中、小规模CVRP问题的综合评价最高。研究结果对于带容积限制的车辆路径问题的算法选择具有一定的参考价值。     

基于蚁群算法的车间生产调度模型的研究与应用

针对面向订单的车间生产调度问题的局限性,结合实际生产情况,建立了订单车间生产调度管理系统,并对调度算法模型进行了深入研究,提出了一种综合运用理想点求模与蚁群算法的订单多目标优化调度方法。以最小化设备资源利用总时间、最小化产品延迟交货总时间为目标,利用蚁群算法对企业生产能力范围内的订单进行多目标优化调度,调度报表为企业实际生产提供指导。该系统和方法在某重型机械集团公司进行应用,体现了减少劳动力投入、缩短生产周期的效果。     

基于信息熵的改进蚁群算法及其应用

基本蚁群算法存在着计算复杂、易陷入局部最优等缺陷，本文提出了一种基于信息熵的改进蚁群算法，采用由信息熵控制的路径选择及随机扰动策略实现了算法的自适应调节，克服了基本蚁群算法的不足。本文将蚁群算法改进后引入房地产开发项目投资组合优化中，以各项目间的均值熵代替TSP中的各城市距离，计算实例表明，该方法具有较好的收敛性、稳定性和鲁棒性，其不失为求解组合优化问题的一种较好的方法。     

改进的蚁群算法在物流配送路径问题中的实现

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略。以及蚁群算法在TSP问题中的应用,在分析TSP与车辆路径问题（VRP）的异同后,给出用于求解车辆路径问题（VRP）的蚁群算法,并针对蚁群算法在求解过程容易出现过旱收敛问题,提出了几种改进算法的措施。最后通过powerbuilder的仿真实现结果表明,这种算法对VRP问题有较好的求解效果。     

有时间窗的车辆路径问题改进蚁群算法研究

针对目前蚁群算法在求解有时间窗的车辆路径问题上较少对蚁群算法本身进行优化的问题,提出了一种改进蚁群算法,通过改进状态转移概率和信息素更新规则,以及使用改进的精英蚂蚁策略,改善蚁群算法搜索能力。通过对Solomon标准数据集的实验,结果表明改进的蚁群算法在求解有时间窗车辆路径问题上是有效的。     

物流配送中心车辆优化安排的研究

针对物流配送中心如何根据货物运单来调度运输车辆的问题,在研究了各种货物配装优化模型的基础上,建立了车辆安排的多目标优化模型。然后,利用线性加权法和主要目标法将多目标优化问题转化为单目标优化问题,采用精确算法思想进行模型求解。最后,编程实现了车辆优化安排功能,将该功能应用到了物流配送中心管理系统中,通过实例验证了该模型的优越性和实用性。     

基于混合优化算法的带时间窗的车辆调度问题求解研究

论文建立了带时间窗的车辆调度问题的数学模型，并针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造了求解车辆调度问题的混合优化算法，并进行了实验计算。计算结果表明，用这种混合优化算法求解车辆调度问题，可以在一定程度上用模拟退火算法突跳性克服遗传算法在局部搜索能力方面的不足，从而得到质量较高的解。     

具有模糊加工时间的偏柔性作业车间调度问题研究

研究了以最小化制造跨度为目标的,具有模糊加工时间的偏柔性作业车间调度问题。针对该问题,采用三角模糊数来表征时间参数;并采用预处理算法,将偏柔性作业车间调度问题转化为更容易处理的完全柔性作业车间调度问题,给出了基于粒子群优化的调度模型;最后通过实例验证了模型的有效性。     

Bi-objective decision support system for routing and scheduling of hazardous materials

This paper presents a Pareto-based bi-objective optimization of hazardous materials vehicle routing and scheduling problem with time windows and shows its application to a realistic hazardous material logistics instance. A meta-heuristic solution algorithm is also proposed, which returns a set of routing solutions that approximate the frontier of the Pareto optimal solutions based on total scheduled travel time and total risk of whole transportation process. It works in a single-step fashion simultaneously constructing the vehicle route and selecting the optimal paths connecting the routed locations from a set of non-dominated paths obtained in terms of travel time and risk value.     

配送中心车辆调度模型及遗传算法设计

针对物流配送中心车辆调度问题,采用混合整数规划方法进行建模。对实际问题进行研兖分析后,基于所研究问题的特点,提出基于遗传算法的求解方法。通过数值实验对算法不同参数组合进行分析、比较,获得最佳参数组合．建立了有效的求解该问题的遗传算法。并通过对实际问题的数值仿真试验．验证了算法的有效性。     

一种解决配送规划问题的改进节约算法

车辆优化调度问题（VSP）是物流配送中广泛存在的一类问题，VSP问题属于NP一困难问题。在描述了简单VSP模型的基础上，对启发式算法中的C-W节约算法进行改进，将AK算法的思想运用其中，使计算结果的优化程度明显提高。     

基于安全性目标的机位分配模型及算法

以分配在同一机位的相邻两架飞机产生的冲突概率最小为优化目标，并建立了整数规划模型，利用现代优化算法-遗传算法对该问题进行求解。该算法在计算时问、并行性和结果优化程度上都有一定的优势     

订单生产经济批量问题研究

通过引入分批算法 ,解决了企业进行多品种生产过程中所面对的调度和优化问题。本算法由两步构成 :第一步采用遗传算法进行合理地分批 ;第二步通过规划模型求得分批基础上的最优调度。     

基于遗传算法的自动化立体仓库的货位优化分配

文章针对自动化立体仓库的库区和货位的分配策略问题进行了讨论,提出立体仓库的库区优化数学模型：在库区优化基础上,进一步提出货位优化数学模型．将Pareto最优解的概念与遗传算法相结合,提出了一种改进的解决多目标优化问题的Pareto遗传算法解决货位优化问题．给出了仿真实验及分析,结果表明采用改进遗传算法优化策略可以有效地解决自动化立体仓库的货位优化分配问题。