求解0-1背包问题的人工蜂群算法

提出了一种用于求解0-1背包问题的人工蜂群算法,详细阐述了该算法求解背包问题的具体操作过程。算法主要使用了两个思想策略:启发式贪婪算法和人工蜂群算法。通过对其它文献中仿真实例的计算和结果对比,表明该算法对求解0-1背包问题的有效性,这对人工蜂群算法解决其它离散问题会有很大帮助。     

求解旅行商问题的人工蜂群算法

采用人工蜂群算法对旅行商问题进行求解,给出了人工蜂群算法求解该问题的具体方案,对不同的旅行商问题算例进行了仿真实验。结果表明,算法可以有效、快速地找到较小规模问题的最优解。     

RSB-CWS算法解决CVRP问题

RSB-CWS算法结合了蒙特卡洛模拟和CWS节省算法,利用蒙特卡洛模拟对CWS算法节省列表中顾客对间的边进行模拟,模拟过程中采用基于类几何分布的直接抽样方法进行路径采样。对模拟得到的边序列应用CWS算法,所得解的质量能达到或者优于当前最优解.与其他CVRP问题算法相比具有高效、高质量的特点,且可以解决规模较大的CVRP问题。     

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。     

人工蜂群算法在暴雨强度公式参数优化中的应用

暴雨强度公式作为计算雨水排水设计流量的根本依据,会对排水工程的投资预算以及可靠性产生直接的影响。因此,编制各地的暴雨强度公式具有重要的现实意义。将人工蜂群算法应用于暴雨强度公式参数的优化,并将其计算结果与遗传算法的计算结果进行了比较。试验结果表明:人工蜂群算法可以成功用于暴雨强度公式的参数优化,相对于遗传算法,人工蜂群算法有效地克服了早熟收敛,更容易收敛到全局最优解。     

现代物流中车辆路径问题的研究

本文阐述了车辆路径问题(VRP)的几种典型的模型和常见算法，分析了这些算法用于计算车辆路径问题的优缺点，并指出了VRP的研究范围还需向范围更广的供应链方向扩展。     

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.     

蜂群算法在作业车间调度问题中的应用

运用一种新型的启发式算法一蜂群算法对作业车间调度问题进行求解,并通过经典的实例对该算法进行检验,结果表明,蜂群算法求解作业车间调度问题是有效的,同时发现蜂群算法在搜索过程中能自组织进行变换角色,具有很强的自组织、自适应以及鲁棒性强等特点.     

蜂群算法在作业车间调度问题中的应用

运用一种新型的启发式算法—蜂群算法对作业车间调度问题进行求解,并通过经典的实例对该算法进行检验,结果表明,蜂群算法求解作业车间调度问题是有效的,同时发现蜂群算法在搜索过程中能自组织进行变换角色,具有很强的自组织、自适应以及鲁棒性强等特点。     

区域物流中VRPTWSDP问题的混合遗传算法

研究了区域物流中带时间窗约束的具有同时集送货需求的车辆路径问题（VRPTWSDP）,给出了VRPTWSDP的混合整数规划模型,设计了求解VRPTWSDP的混合遗传算法（HybridGA,HGA）。算法以最优划分方法计算适应值,邻域搜索法作为变异算子,设计了新颖的交叉算子和群体更新策略,定义了群体多样性结构和变异概率的变化规律。对典型VRPTWSDP实例进行测试的结果表明：HGA算法能较快地获得小规模问题的最优解,并能有效地求解大规模的问题。     

一种求解装箱问题的混合算法

针对一维装箱问题,在考虑遗传算法早熟收敛问题和禁忌搜索算法自适应优点的基础上,将遗传算法和禁忌搜索法结合起来,提出了基于遗传和禁忌搜索的装箱优化算法,与简单遗传算法相比,该算法具有更好的收敛性能。最后通过实例验证了算法的有效性。     

基于人工蜂群算法的柔性工艺规划方法研究

以产品加工任务的完工时间为优化目标,建立了柔性工艺规划问题的数学模型。针对零件的加工工艺柔性、特征次序柔性及加工机器柔性,结合人工蜂群算法,提出了一种序列编码方式,该编码方式保证了后续产生的新解为满足工艺柔性约束的可行解。设计了局部搜索变异操作策略与全局搜索交叉操作策略,进行种群的更新,之后给出了人工蜂群算法求解柔性工艺规划问题总流程。最后,通过实例对提出的人工蜂群算法进行了测试,测试结果表明,与其他算法求解工艺规划问题相比,人工蜂群算法具备更好的稳定性和更高的求解效率。     

Dijkstra算法在求解物流运输最短路径中的应用

运输是物流过程的主要职能之一,也是物流过程各项业务的中心活动。首先介绍了运输在物流中的重要性。接着,进一步阐述了Dijkstra基本思路以及在选择运输最短路径中的应用,以实现物流运输路径最短,运费最低,最大限度的节约物流成本,提高产品的竞争力。     

煤炭物流网络分类问题研究

通过分析煤炭物流现状,提出研究煤炭物流网络分类的必要性.在此基础上,讨论影响煤炭物流网络分类的因素并探讨煤炭物流网络的分类方法,最后对山西省煤炭物流网络进行初步分类.     

基于改进蚁群算法的考虑车辆行程约束的逆向物流车辆路径问题研究

以考虑车辆行程约束的逆向物流车辆路径问题为研究对象,建立了逆向物流车辆路径的规划模型,在蚁群算法的基础上更新了信息素,构造了车辆负载使用率启发式因子并根据剩余客户的需要设定车辆的出仓载货量。最后结合实例说明,改进后的蚁群算法能够有效地提高车辆负载率,缩短车辆总行程,对解决实际物流问题有一定参考价值。     

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。     

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。     

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。     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

煤炭物流管理中存在的问题及对策研究

近年来,随着经济的快速发展,煤炭物流管理也发生了很多变化。煤炭是我国能源重中之重,影响着我国经济的发展。文章根据工作实际,对当前煤炭物流的特点及存在的问题进行了分析,并提出了对策,以供同行交流与参考。