基于蚁群算法的多单元物料路径协同布置

为保证车间多单元系统布置的物料流路径总成本最小,考虑单元系统物料输入输出I/O点和多单元物料路径布置对总成本的影响,在对I/O点进行定位的基础上,着重对多个单元物料流路径布置进行协同研究,并根据不同情况建立了上下迂回布置的具体优化数学模型--模型A和模型B。设计了一种基于蚁群优化算法(Ant Colony Optimization,ACO)的车间多单元物料流路径优化布置方法,该算法首先通过蚂蚁构建可行解,然后采用局部与全局信息素更新相结合的信息素更新策略,并通过最优改进2-选择局部搜索方法对构建的可行解进行优化,提高了全局最优解的质量。最后通过求解车间多单元系统布置实例,验证模型和算法的有效性。     

随机需求下连锁零售企业的LIRP问题集成优化

在一个二级物流配送系统中，针对多个备选点、多个需求点的LIRP问题，以连锁零售企业H公司为例，考虑到门店分散和需求随机性的影响，建立随机需求下以总成本最小为目标的双层规划模型，通过上层规划（F）和下层规划（U）之间的关联和约束，将选址、库存和车辆路径三者进行了有效集成。通过MATLAB软件编程，第Ⅰ阶段运用免疫遗传算法和蚁群算法实现对双层规划模型的求解，第Ⅱ阶段对第Ⅰ阶段产生的初始解进行优化，以得出全局最优解，并对优化效果进行了分析。     

基于改进初始信息素和公共路径的蚁群算法

针对基本蚁群算法收敛速度慢、容易陷入局部最优等问题,提出了一种基于对初始信息素的分布进行优化以及加强对较优解的公共路径进行利用的改进蚁群算法。改进后的算法加强了蚂蚁从其所在城市到下一步最大可选城市之间的路径上的初始信息素浓度,增强了算法对较长子路径的探索能力。对较优解的公共路径的利用则提高了改进算法的收敛速度和搜索精度。通过求解不同规模TSP(旅行商问题)并与ACS(蚁群系统)算法的对比,证明了改进蚁群算法的有效性。     

改进蚁群算法在低碳冷链物流路径优化中的应用

根据冷链物流配送基础理论,将碳排放成本融入路径优化问题中,建立以总成本最小为优化目标的冷链物流路径优化数学模型。在传统蚁群算法的基础上,对初始信息素浓度、信息素更新策略及转移规则进行改进,并通过对比参数不同取值下的结果来确定合理参数。以某冷链物流企业为例,通过MATLAB软件进行仿真实验,验证模型和算法的有效性。     

基于改进蚁群算法的AGV路径研究

针对传统蚁群算法在复杂仓储环境中路径规划时不具备自主避障并且陷入局部最优解从而得不到最优路径的问题进行研究。文章通过构造MAKLINK无向网络图和优化蚁群算法中的启发函数,引入动态光滑因子和全局信息因子,达到控制AGV路径的长度和光滑程度,并构造避障因子使AGV路径在达到全局最优路径的同时拥有避开障碍的能力。通过研究,提出的改进算法可以实现自主避障,并且在最大迭代次数、路径距离和光滑程度方面优于传统蚁群算法。     

基于公交车开展物流配送的车辆路径优化问题

本文主要研究基于公交车开展物流配送的车辆路径优化问题，通过一种新型的城市物流配送模式来缓解城市拥堵、减少物流配送总成本。该配送模式分为公交车配送和配送车辆配送两层，利用公交车的剩余容量来减少运输成本。同时建立了总成本最小为目标的优化模型，并使用改进的遗传算法对模型进行求解。本文在遗传算法生成种群的过程中，采用模拟退火算法进行优化拓展解的空间，提高改进算法的全局和局部空间搜索能力。最后经实例验证，改进的遗传算法能够找到更短的行驶路线，验证了算法的有效性。     

基于蚁群算法的物流配送避障路径规划方法

针对物流配送路径规划问题,以可视图法所建的求解环境为基础,利用蚁群优化算法,提出了一种在障碍物环境下求任意两点间的最短路径方法,算法采用了优势个体指导机制,保证了最优解的搜索能力和解的全局收敛性。实验结果证明,该算法收敛快,可靠性高。与传统算法相比,该算法具有全局最优解方面的高效性,明显提高了路径搜索效率。     

结合局部优化的蚁群优化算法的研究与实现

蚁群算法是一种成功的启发式算法,但在解决TSP问题时存在着收敛速度慢和易陷入局部最优解的问题。本文针对这两个问题,提出了定期交流和模范带头学习模型,前者是在蚂蚁每走过一定城市后,进行学习交流,选出所走路径相对较短的蚂蚁进行信息素影响,从而加快总体的收敛速度;后者是当所有蚂蚁都旅行一圈后,选出最优秀的蚂蚁,在其走过的路径上释放大量信息素,对下一周期蚂蚁的旅行进行引导,避免陷入局部最优解。实验结果表明新算法在求解质量上比传统蚁群算法有了明显提高。本文也通过实验分析了蚂蚁数量等参数对算法性能的影响。     

基于演化蚁群算法的多目标物流网络优化

物流网络优化中普遍存在着多目标优化的问题.传统的多目标优化算法容易陷入局部最优,采用了多种群相关的蚁群算法求解多目标物流网络优化问题,两个种群分别针对总运费最小和最大单程距离最小两个优化目标,考虑蚁群算法的收敛速度,采用遗传算法对蚁群算法的多个初始参数进行优化选择.实验结果证明,该模型算法可以有效迅速地求得最佳路径,为决策者提供多个可选择的优化方案,避免局部最优解.     

多点配送中心选址及求解蚁群算法

将多点配送中心选址问题(multi-distribution center location problem,MDLP)映射为扩展K-TSP过程并设计了改进的蚁群算法。为提高算法的求解性能,在蚂蚁的选择规则里加入了代价引导函数,使用2-opt策略优化可行解并优化了信息素的更新方式。仿真算例及算法对比表明,模型和算法可以有效地表达和求解MDLP。