基于混合粒子群算法的车辆路径优化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法．该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点．避免了基本粒子群算法易陷入局部最优的缺点,提高了求解速度。该算法用于解决车辆路径问题。通过实验表明了这种算法具有较好的性能。     

基于混合粒子发群算法的车辆路径化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点,避免了基本粒子群算法易陷入局部最优的缺点.提高了求解速度.该算法用于解决车辆路径问题.通过实验表明了这种算法具有较好的性能.     

基于量子粒子群算法的连杆机构的优化设计

粒子群算法是一种基于鸟群的智能优化方法,量子粒子群算法是对粒子群算法进行改进的算法,运算规则简单,收敛速度快,变量少,易于编程实现。对于多目标、多约束条件的四连杆机构优化设计,本文提出了一种基于量子粒子群算法求解的设计方法。经过仿真实践,能够有效求解,是求解四连杆机构优化问题的一个较好方案。     

基于量子粒子群算法求解供应链集成计划问题

随着全球化竞争的加剧和客户要求的不断提高、传统的生产管理方式使企业无法应对激烈竞争的挑战。量子粒子群算法是将量子计算理论和基本粒子群算法相结合的一种崭新的优化算法。将量子粒子群算法用于求解生产、采购集成决策问题。仿真结果证明了量子粒子群算法在供应链集成决策问题上的可行性、有效性和优越性。     

SDN供需流的两阶段及其优化分析——基于木地板生产企业的视角

在传统企业向供需网企业转变过程中,作为SDN的一个供需流,其核心集中在对车间生产调度及物流配送的优化上。针对这两个问题,基于木地板生产企业的现状,本文引入了量子粒子群与模拟退火相结合的混合算法,以及一种求解物流系统的整合优化模型与求解的启发式算法分别对其进行研究,具有一定的实用价值。     

基于Qpso算法的应急资源调度应用研究

以连续性消耗应急过程为背景,运用量子行为粒子群算法求解多目标的应急资源调度数学模型。考虑施救成本费用和因施救不及时造成损失的构造模型的目标函数。针对该模型的特点,设计量子粒子群算法求解方法和步骤,用数值算例验证了所建立模型的合理性及量子粒子群算法的可行性和有效性。     

基于量子微粒群算法的车辆路径问题研究

提出一种基于量子行为的微粒群智能优化算法。使用量子角表示量子比特的状态,并引入微粒群算法中,对量子群中的各量子角进行自适应动态调整．设计一种新的编码方式,用于求解车辆路径问题,通过计算表明,该算法是解决车辆路径问题的有效方法。     

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QPSO算法的卷烟配送优化策略

针对卷烟配送点多、路线复杂的特点,提出采用量子粒子群算法(QPSO)制定最优配送策略,解决卷烟配送过程中的组合NP难题.以配送路径最短且配送量均衡为优化目标,建立卷烟配送问题的通用数学模型;在对比分析QPSO和粒子群算法原理的基础上,构建卷烟配送的QPSO求解模型,以实现车辆编号和配送次序同步寻优.实例计算表明,QPSO优化的卷烟配送策略能够使配送量均衡、配送行程最短、配送成本最低,可有效解决多目标非线性的卷烟配送问题.     

基于QPSO算法的卷烟配送优化策略

针对卷烟配送点多、路线复杂的特点，提出采用量子粒子群算法（QPSO）制定最优配送策略，解决卷烟配送过程中的组合NP难题。以配送路径最短且配送量均衡为优化目标，建立卷烟配送问题的通用数学模型；在对比分析QPSO和粒子群算法原理的基础上，构建卷烟配送的QPSO求解模型，以实现车辆编号和配送次序同步寻优。实例计算表明，QPSO优化的卷烟配送策略能够使配送量均衡、配送行程最短、配送成本最低，可有效解决多目标非线性的卷烟配送问题。     

基于混合微粒群优化算法的配送中心选址问题求解

将微粒群优化算法和模拟退火算法结合．针对配送中心选址问题．构造了微粒表达方法。提出了此问题的一种混合微粒群优化算法。通过整数规范化。微粒群能在整数空间内对问题进行优化求解。该算法能克服基本微粒群优化算法精度较低，易发散的缺点，有较高的搜索效率。经过实验仿真，与基本微粒群优化算法、遗传算法进行比较．证明了该算法的有效性。     

粒子群优化算法求解多选择背包问题

多选择背包问题是典型的NP难题,建立了多选择背包问题的数学模型,设计了一种粒子群优化算法对其进行求解。通过对其它文献中实例的仿真试验和结果对比,表明了算法对求解多选择背包问题的可行性和有效性。     

基于微粒群算法的配送中心选址研究

作为挖掘现代企业利润源泉的突破口,配送在物流活动中占有举足轻重的地位。多网点配送中心选址是后续物流活动开展的首要条件,对于该问题的研究具有现实意义。由于微粒群算法的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题中能够较好地体现其优越性。结合运筹学中的运输规划的思想,对复杂的数学模型进行了简化,并针对问题的特点构造了求解编码机制。根据文献资料,将其中的仿真数据进行了整合,使得数据具有一定的现实意义,并用微粒群算法进行求解,得到了较好的效果。     

三种常见现代优化算法的比较

现代最优化算法比较常见的有遗传算法、蚁群算法、粒子群算法、鱼群算法和模拟退火算法。这些算法主要是解决优化问题中的难解问题。文章主要是对遗传算法、粒子群算法和模拟退火算法三个算法的优化性能进行比较。首先介绍了三个算法的基本思想,以此可以了解三种算法有着自身的特点和优势,而后用这三种算法对典型函数进行计算,并对优化结果比较分析,提出了今后研究的方向。     

粒子群优化算法在Web内容挖掘中的应用与研究

随着计算机技术在各领域的广泛应用,互联网的迅猛发展使得各类信息以指数级增长,本文主要研究粒子群优化算法在Web数据挖掘中的应用,介绍了粒子群优化算法进行Web数据挖掘的基本原理,分析了其特点。简述了粒子群Web数据挖掘优化算法的原理、特点、参数设置与应用等,重点分析了粒子群优化算法中的惯性权值,加速因子的设置对算法基本性能的影响,给出了算法中的经验参数设置。     

自适应粒子群优化算法在混沌系统参数估计中的应用

惯性权重w的变化会影响粒子群优化算法的搜索能力,本文针对基本粒子群算法不能适应复杂的非线性优化搜索过程的问题,在其基础上提出了一种动态改变惯性权的自适应粒子群算法。该自适应算法引入了h来衡量算法的进化速度,引入s来衡量算法的粒子聚集度,并将其作为函数w的变量,使w与算法的运行状态相关,从而使算法具有动态自适应性。最后,本文引入了两个经典的测试函数对该PSO算法进行测试,结果表明该算法明显优于基本PSO算法。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。