蟻群優(yōu)化算法論文關(guān)于蟻群優(yōu)化算法在物流車輛調(diào)度系統(tǒng)中的應(yīng)用論文范文參考資料VIP

蟻群優(yōu)化算法論文關(guān)于蟻群優(yōu)化算法在物流車輛調(diào)度系統(tǒng)中的應(yīng)用論文范文參考資料 摘 要：根據(jù)對(duì)蟻群算法進(jìn)行的深入研究，指出了蟻群算法在解決大型非線性系統(tǒng)優(yōu)化理由時(shí)的優(yōu)越性。通過仔細(xì)分析遺傳算法和粒子群算法在解決物流車輛調(diào)度系統(tǒng)理由的不足之處，基于蟻群算法的優(yōu)點(diǎn)，并根據(jù)物流車輛調(diào)度系統(tǒng)自身的特點(diǎn)，對(duì)基本蟻群算法進(jìn)行適當(dāng)?shù)母纳疲o出算法框架。并且以線性規(guī)劃理論為基礎(chǔ)，建立物流車輛系統(tǒng)的數(shù)學(xué)模型，給出調(diào)度目標(biāo)與約束條件，用改善后的蟻群算法求解物流車輛調(diào)度系統(tǒng)的理由，求得最優(yōu)解，根據(jù)最優(yōu)解和調(diào)度準(zhǔn)則進(jìn)行實(shí)時(shí)調(diào)度。使用Java語(yǔ)言編寫模擬程序?qū)Ρ然诟纳屏Ｗ尤核惴ê透纳葡伻核惴ǖ恼{(diào)度程序。通過對(duì)比證明了所提出的改善蟻群算法解決物流車輛調(diào)度優(yōu)化理由的正確性和有效性。 關(guān)鍵詞：物流；蟻群優(yōu)化算法；車輛調(diào)度；最佳路徑；仿真驗(yàn)證 0 引言 蟻群優(yōu)化（Ant Colony Optimization， ACO）算法是一種模擬進(jìn)化算法1，由于具有強(qiáng)魯棒性、并行性、易于與其他算法融合、全局優(yōu)化等多個(gè)優(yōu)點(diǎn)，已成為了解決復(fù)雜組合優(yōu)化理由的強(qiáng)有力的工具2。本文對(duì)傳統(tǒng)的優(yōu)化調(diào)度策略以及現(xiàn)已應(yīng)用在調(diào)度系統(tǒng)上的智能優(yōu)化算法進(jìn)行深入研究，針對(duì)它們?cè)趹?yīng)用中的缺點(diǎn)對(duì)基本蟻群算法3進(jìn)行改善，建立適當(dāng)?shù)奈锪鬈囕v調(diào)度系統(tǒng)數(shù)學(xué)模型，用改善的蟻群算法對(duì)調(diào)度系統(tǒng)進(jìn)行優(yōu)化，最后進(jìn)行系統(tǒng)仿真，證明蟻群算法應(yīng)用到貨車調(diào)度系統(tǒng)中是合理實(shí)用的。應(yīng)用目標(biāo)是提高車輛利用率，使資源利用達(dá)到最大化，并降低運(yùn)輸成本。 全球定位系統(tǒng)（Global Positioning System， GPS）技術(shù)能夠?qū)囕v進(jìn)行實(shí)時(shí)跟蹤，使車輛準(zhǔn)確地找到裝載點(diǎn)和卸載點(diǎn)的具體位置；GPS還可以對(duì)歷史數(shù)據(jù)進(jìn)行記錄，指導(dǎo)實(shí)施調(diào)度，通過移動(dòng)終端，把計(jì)算機(jī)決策運(yùn)算所需要的數(shù)據(jù)通過無線電傳到調(diào)度中心，從而進(jìn)行實(shí)時(shí)動(dòng)態(tài)的優(yōu)化調(diào)度。但是傳統(tǒng)的優(yōu)化調(diào)度策略都是靜態(tài)的調(diào)度策略，隨著理由規(guī)模和搜索空間的增大，計(jì)算的時(shí)間復(fù)雜度過大，用智能優(yōu)化算法實(shí)現(xiàn)優(yōu)化調(diào)度便成為了研究的熱點(diǎn)。 1 蟻群算法 以蟻群算法求解旅行商理由（Travelling Salesman Problem， TSP）為例，蟻群算法的應(yīng)用實(shí)現(xiàn)過程描述如下： 2 蟻群算法改善 2.1 擁擠擾動(dòng)策略 蟻群算法最主要有易于陷入局部最優(yōu)解以及收斂速度慢這兩個(gè)缺點(diǎn)。蟻群算法尋優(yōu)過程可以分為兩個(gè)階段，即：第一階段主要是為了增加解空間的多樣性，避開算法過早收斂造成算法陷入局部最優(yōu)而不能得到全局最優(yōu)解；第二階段主要是為了加快算法收斂速度。本文分別對(duì)這兩個(gè)階段進(jìn)行改善。在第一次循環(huán)時(shí)，由于每條路徑上具有相同的信息素濃度，螞蟻隨機(jī)選擇下一步要路過的節(jié)點(diǎn)，這會(huì)導(dǎo)致螞蟻選擇的路徑不一定是最優(yōu)路徑，并且這些路徑上的信息素的量會(huì)由于正反饋?zhàn)饔枚粩嘣黾樱瑢?dǎo)致算法很快會(huì)收斂到這些路徑上，而使算法陷入局部最優(yōu)。針對(duì)第一階段提出擁擠擾動(dòng)策略，該策略能擴(kuò)大了算法的搜索空間，避開算法過早收斂。 引入擁擠因子CRi j表示路徑（i， j）的擁擠程度，其計(jì)算公式為： 式中表示擁擠系數(shù)。加入擁擠擾動(dòng)策略之后，算法得到了合理的改善，可以限制初始時(shí)某些路徑的信息素濃度過大，使算法可以選擇更多的路徑，螞蟻在面對(duì)不擁擠的路徑時(shí)可以按照基本蟻群算法中的路徑選擇策略選擇路徑，而在面對(duì)擁擠路徑時(shí)，只按照能見度進(jìn)行路徑選擇。通過對(duì)蟻群算法進(jìn)行如此改善，不僅有效擴(kuò)大了算法的搜索范圍，拓展了解空間，還可以避開得到誤差解以及避開算法過早收斂。擁擠擾動(dòng)策略只用于第一階段的尋優(yōu)過程，第一階段設(shè)置為算法的前g次循環(huán)，其中g(shù)NCmax。 2.2 最優(yōu)路徑策略 最優(yōu)路徑策略相當(dāng)于一個(gè)動(dòng)態(tài)的、確定性的最短路徑策略理由，即一個(gè)動(dòng)態(tài)的路徑規(guī)劃算法。當(dāng)設(shè)定了一個(gè)起點(diǎn)以及一個(gè)相應(yīng)的終點(diǎn)時(shí)，最優(yōu)路徑策略將幫助我們計(jì)算出一條距離相對(duì)最短的而且最優(yōu)的路徑。這可以通過算法第一尋優(yōu)階段得到m（螞蟻數(shù)目）條路徑，然后在第二階段運(yùn)用最優(yōu)路徑策略來縮小解空間并提高解質(zhì)量，提高算法的收斂速度。具體改善過程如下： 依據(jù)理由規(guī)模設(shè)置一個(gè)長(zhǎng)度為len的列表L，把得到的m條路徑中信息素含量最大的len條路徑按信息素含量由多到少存到L中，第一個(gè)位置存放的是信息素含量最大的路徑，其他路徑依次進(jìn)行排列。對(duì)信息素重新初始化，即只對(duì)L中的路徑的信息素進(jìn)行初始化，其他路徑的信息素含量清零。采用全局更新策略，在給定的時(shí)間段T，計(jì)時(shí)結(jié)束就自動(dòng)進(jìn)行下一次循環(huán)，每過時(shí)間T，對(duì)信息素進(jìn)行一次更新，改善的更新公式如下： 該改善策略不但可以提高蟻群算法的收斂速度，還可以提高蟻群算法的尋找最優(yōu)解的成功率，只要在尋優(yōu)第二階段中，有螞蟻在任意一次循環(huán)中找到全局最優(yōu)解，那么該算法就可以在最優(yōu)路徑策略的幫助下找到全局最優(yōu)解。 2.3 改善后的蟻群算法 通過對(duì)基本蟻群算法采用擁擠擾動(dòng)策略、最優(yōu)路徑策略5-6進(jìn)行算法改善，改善后的蟻群算法流程比基本蟻群算法復(fù)雜，以求解TSP為例對(duì)改善蟻群算法的流程描述如下： 1） 算法初始化。用n表示城市數(shù)目（理由規(guī)模），并將n個(gè)城市存于集合C，循環(huán)次數(shù)與最大循環(huán)次數(shù)分別用NC和NCmax表示，用m表示螞蟻總數(shù)，設(shè)前g次循環(huán)為算法第一階段，在算法初始執(zhí)行時(shí)，時(shí)間t=0，NC=0，所有路徑的信息素濃度i j（t）=const，const為常數(shù)，i j（0）=0，將m只螞蟻隨機(jī)置于n個(gè)城市上。2） 增加循環(huán)次數(shù)，即NC=NC+1。 3） 增加螞蟻數(shù)目，即k=k+1，初始化螞蟻禁忌表tabuk。 4） 如果NC=g，計(jì)算所得到m條路徑的信息素濃度，并取濃度最大的len條按濃度由大到小的順序存入列表L，清空所有路徑的信息素含量，只對(duì)L中的路徑的信息素進(jìn)行重新初始化，轉(zhuǎn)到2）。 5）如果NC 7）如果該螞蟻的禁忌表中的元素個(gè)數(shù)小于n，則轉(zhuǎn)到4）。 8）若k 9）若NCg，計(jì)算每條路徑的信息素總含量并進(jìn)行比較，依據(jù)信息素含量由大到小的順序?qū)⒆顑?yōu)的len條路徑存放到L中。 10）對(duì)所有路徑上的信息素濃度進(jìn)行更新。 11）如果NC 12） 對(duì)列表L中的所有路徑進(jìn)行路徑長(zhǎng)度進(jìn)行計(jì)算，求得最優(yōu)解。 2.4 與基本蟻群算法的比較 本文采用求解TSP的測(cè)試庫(kù)TSPLIB中的Eil51、 Oliver30、Kroal100、Ts2257作為算法的算例，通過Matlab語(yǔ)言進(jìn)行算法的編程測(cè)試，對(duì)基本蟻群算法與改善蟻群算法進(jìn)行比較。為了得出科學(xué)合理的比較結(jié)果，改善蟻群算法與基本蟻群算法在計(jì)算算例時(shí)給出相同的參數(shù)設(shè)定，即=1，=2，=0.5，Q=150，、為信息素和啟發(fā)因子的重要性，為路徑上信息素的揮發(fā)系數(shù)，Q為螞蟻在路徑上釋放信息素的增量，改善蟻群算法與基本蟻群算法對(duì)每一個(gè)算例都計(jì)算10次，并且每次迭代次數(shù)為1000。實(shí)驗(yàn)結(jié)果如表1所示。 通過表1可以看出，改善后的蟻群算法不論是在收斂速度上還是在尋優(yōu)能力上都優(yōu)于基本蟻群算法，并且隨著理由規(guī)模的增大，這種優(yōu)勢(shì)越來越明顯。在實(shí)驗(yàn)過程中還發(fā)現(xiàn)通過擁擠擾動(dòng)策略擴(kuò)大了解空間，解決了基本蟻群算法過早陷入局部最優(yōu)解的