蚁群算法的改进与应用
这是一篇关于蚁群算法,遗传算法,模拟退火,禁忌搜索,组播路由,优化的论文, 主要内容为人们从仿生学的机理中受到启发,提出许多解决复杂优化问题的新方法,统称为元启发(metahueristic)算法,如遗传算法、进化策略、模拟退火、蚁群算法、禁忌搜索(tabu search)算法等,并成功地应用于实际问题,蚁群算法(ant colony algorithm,简称ACA)是最近几年才提出来的一种新型的模拟进化算法,它是由意大利学者M.Dorigo,V.Mahiezzo,A.Colorni等人受到人们对自然界中真实蚁群集体行为的研究成果的启发而首先提出来的。他们充分利用蚁群搜索食物的过程与旅行商问题(TSP)之间的相似性,通过人工模拟蚂蚁搜索食物的过程中个体之间的信息交流与相互协作最终找到从蚁群到食物源的最短路径的原理解决了TSP问题,取得了很好的结果。随后,蚁群算法被用来求解job-shop调度问题、指派问题、序列求序(sequential ordering)等NP完全问题,显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面的优越性,证明它是一种具有广阔发展前景的好方法。 但是,蚁群算法仍然存在一些缺陷:如在性能方面,算法的收敛速度和所得解的多样性、稳定性等性能间存在矛盾:这是因为蚁群中多个个体的运动是随机的,虽然通过信息的交流能够向着最优路径进化,但是当群体规模较大时,很难在较短时间内从复杂无章的路径中找出一条较好的路径,如果一味加快收敛速度则很可能导致蚂蚁的搜索陷入局部最优造成早熟、停滞现象。应用范围方面,蚁群算法的应用尚且局限在较小的范围中,难以处理连续空间的优化问题:由于每个蚂蚁在每个阶段所作的选择总是有限的,它要求离散的解空间,因而它对组合优化等离散优化问题很适用,而对线性和非线性规划等连续空间的优化问题的求解不能直接应用。 本文首先详细介绍了基本蚁群算法并综述了当前国内外蚁群算法的研究现状;分析了蚁群算法中蚂蚁搜索过程的本质,针对上述蚁群算法存在的问题,在第四章提出了平衡蚁群算法收敛速度解的性能之间矛盾,提高其性能的四种改进蚁群算法,并总结当前研究工作,分析相关问题,给出了我们在该方面工作的进一步研究思路。 第一种算法是基于分布均匀度的自适应蚁群算法,根据优化过程中蚂蚁的分布均匀度,动态地调整下一次迭代过程中蚂蚁分布的大致范围,同时根据不同蚂蚁选择的各条路径构成解的好坏程度有差别的自适应更新相应路径上的信息量。第二种算法模拟蚂蚁感觉和知觉行为,将蚂蚁的搜索过程分为三个阶段,在不同阶段有差别的采取不同的优化机制,成功地避免蚂蚁完全受信息量影响的“道听途说”而造成的干 扬州大学石贞{一学位论文 扰和自日选路,第三种算法是改进的增强型蚁群算法,通过增强全局(或局部)最优解 和全局(或局部次优解的路径上的信息量浓度以及对它们进行交叉和变异操作的遗 传优化方法来改进增强型蚁群算法.第四种算法在算法中引入免疫遗传学 (i mmunogenetics)及免疫系统中的浓度控制机制,调节蚂蚁遍历过程中的信息量分布, 弓!用小生境技术(n iche),将蚁群分化为若干小子群独立进化.实验证明这四种算法平 衡了收敛速度与解的多样性之间的矛后,有效避免了早熟和停滞现象. 在研究过程中,我们发现基本蚁群算法的一个不可忽视的应用缺陷是不太适合 求解连续性优化问题,为此在第五章,我们还提出一种用蚁群算法求解连续空间优化 问题的方法,将解空间划分成若干子域,在蚁群算法的每一次迭代中,首先根据信息量 求出解所在的子域,然后在该子域内已有的解中确定解的具体的值.实践证明,这种方 、法可推广应用到其他连续空间的优化问题之中,突破了基本蚁群算法的应用局限,为 将该算法应用于连续性优化问题提出了新的途径, 另外,我们还把蚁群算法应用于o一1背包问题,武器一目标分配问题、Flow一shoP 问题以及Qos路由问题,都获得了比较好的应用,取得了较好的效果.特别是在解决 Qos成组多播路由问题的改进蚁群算法中,不但简化了算法中参数的选取过程,还避 免了将各个度量参数的简单归一,算法能充分保证实际网络Qos需求. 在本文中,我们提出求解TSP问题的四种提高蚁群算法性能的改进算法,给出该 方面工作的进一步研究思路;同时改进基本蚁群算法结构,使其适应于求解连续优化 问题;研究其优化本质,将其应用于除TSP问题外的五种不同应用问题,大量应用实例 的实验结果证明,这些改进的蚁群算法不但加速了蚁群算法的收敛速度,提高了优化 所得解的质量,而且扩大了蚁群算法的应用范围.
无人微仓调度系统的设计与实现
这是一篇关于无人微仓,调度系统,FJSP,启发式搜索,禁忌搜索,SimPY框架的论文, 主要内容为传统零售业在线上线下融合的进程中,享受到互联网的红利获得大量订单的同时,也逐渐暴露出了很多需要处理的难题,商家在拣货环节的质量、效率和成本问题首当其冲。基于此,美团无人微仓提出了数字化、智能化、自动化的微型前置仓模式,通过智能化调度系统和自动化设备完成自动接单、分拣、集单、打包和交接全流程的仓内软硬件一体解决方案。拣货效率和拣货质量自然是决定无人微仓竞争力的关键衡量指标。而调度系统正是决定无人微仓拣货效率的关键模块,它通过智能化的调度算法以最优的调度策略调配各硬件协同工作,最终高效完成拣货履约。本论文设计并实现了无人微仓的调度系统,它主要包括调度大脑,仿真平台,硬件管理器三个功能模块。调度大脑作为一个算法JAR包嵌入在调度系统中进行实时的动态计算,它将无人仓调度问题建模成了一个FJSP(Flexible Job Shop Problem)柔性作业车间调度问题,采用一种基于最小硬件负荷初始化的启发式搜索算法进行求解,决定各硬件设备拣货过程的执行步骤以及先后顺序;仿真平台是基于SimPY框架开发的虚拟平台,它通过模拟线上订单、仓内库存、以及实际场地硬件设备配置,来减少验证调度算法正确性的时间以及真实硬件落地成本;硬件控制器主要与第三方厂商的设备管理服务进行通信交互,调度自动化硬件设备进行拣货,运输,交接等硬件操作指令。通过这三个模块的相互配合,来实现无人微仓内的高效分拣。调度系统主要是基于XFrame Thrift模版,采用XFrame Thrift+Spring Boot+i Batis的方式,使用Java开发实现各模块thrift接口,使用netty实现硬件长连和硬件命令下发,存储层使用My SQL及其从库存储上述三个模块的相关数据。系统通过thrift Sever和TCP长连接服务与第三方硬件厂商进行通信,控制硬件设备执行相应的指令动作。目前,无人微仓调度系统已正式上线,极大提升了无人微仓的拣货效率。
广义粒子群优化算法及其在作业车间调度中的应用研究
这是一篇关于粒子群优化,广义粒子群优化,作业车间调度,柔性作业车间调度,遗传算法,禁忌搜索的论文, 主要内容为粒子群优化算法是基于群体智能理论的优化算法,该算法利用生物群体内个体的合作与竞争等复杂行为产生群体智能,并为优化问题提供高效的解决方法。本文首先介绍了基本的粒子群优化算法,归纳了其发展过程中的各种改进,并总结了粒子群优化算法的基本应用。其次,分析了基本粒子群优化算法的优化机理,忽略传统的速度-位移更新算子,提出了广义粒子群优化模型。 接着,按照广义粒子群优化模型,构造出了适合作业车间调度问题求解的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,动态调整迭代过程中的交叉概率以及禁忌搜索的最大步长。基于标准测试问题的实验结果表明本算法可有效地解决作业车间调度问题。 随后,在解决作业车间调度问题的基础上,将广义粒子群优化模型应用于更加复杂的柔性作业车间调度问题的求解。针对柔性作业车间调度问题的特点,设计适合问题本身的粒子编码方法以及禁忌搜索策略,按照广义粒子群优化模型,构造出解决柔性作业车间调度问题的广义粒子群优化算法。基于标准测试问题的实验结果表明本算法可以有效地解决柔性作业车间调度问题,这也进一步证明了广义粒子群优化模型的合理性。 然后,按照本文算法开发了两个调度原型系统GPSO2JSP和GPSO2FJSP。其中,GPSO2JSP利用广义粒子群优化算法来解决作业车间调度问题,GPSO2FJSP利用广义粒子群优化算法来解决柔性作业车间调度问题。 最后,对全文进行了总结,并对粒子群优化的研究方向进行了展望。
混合算法求解作业车间调度问题研究
这是一篇关于调度问题,分布估计,帝国竞争,禁忌搜索,混合优化的论文, 主要内容为作业车间调度问题是最棘手、最经典的组合优化问题之一。采用高效的优化作业车间调度技术,有助于对物流、工业生产等方面产生的突发事件做出快速、科学的反应,可以有效的提高生产率,降低企业成本,从而提高市场竞争力。求解作业车间调度问题的方法主要有两类:精确方法和近似方法。精确方法能求得问题的理论最优解,但只适合求解小型规模的调度问题。对于大型规模的调度问题,近似方法是更好的选择。当前,近似方法中的元启发式算法是研究的重点,如分布估计算法、禁忌搜索算法、帝国主义竞争算法等,为快速求解作业车间调度问题提供新的思路和手段。最近的研究显示单一算法难以求解复杂的作业车间调度问题,混合算法具备更强大的搜索能力。本文将基于分布估计算法、禁忌搜索算法、帝国主义竞争算法研究混合算法求解作业车间调度问题,主要工作如下:(1)基于工序编码保证解的可行性,设计新型最优解遗传策略,采用分布估计算法中单变量边缘分布算法构建概率模型,有效求解作业车间调度问题。(2)为提高帝国主义竞争算法求解作业车间调度问题的能力,将遗传算法中的交叉、变异操作嵌入算法中的同化操作,促进了种群的学习能力和多样性。(3)为提高禁忌搜索算法的局部搜索能力,设计了新型混合邻域结构、双重移动策略、块禁忌策略、选择策略、跳坑及调整策略。本文通过整合分布估计算法和禁忌搜索算法、帝国主义竞争算法和禁忌搜索算法的优势,提出禁忌分布估计算法和混合帝国主义竞争算法两种新型混合算法,使混合算法在全局优化和局部优化之间达到合理的平衡,弥补了分布估计算法和帝国主义竞争算法局部搜索能力的不足。通过对经典的Benchmark调度问题进行仿真测试,并与近年著名混合算法进行比较分析,验证了所提两种混合算法求解作业车间调度问题的有效性和稳定性。
服裝制造中的车间调度问题算法研究及实现
这是一篇关于服装制造,车间调度问题,遗传算法,禁忌搜索的论文, 主要内容为车间调度问题(Job Scheduling Problem,JSP)是一类特定资源约束下的组合优化问题,目前无最优解精确算法,人们为得到此类问题的最优解付出了大量努力。服装生产流水线上的调度编排问题符合JSP的相关要求,可以使用JSP的求解模型进行求解。当下服装生产流水线上的调度主要依靠工人的生产经验,不仅耗时费力,而且得到的调度结果一般有很大的优化空间。为了提高生产效率、降低服装行业的用人要求、缩短交货周期,本文提出使用改进的遗传算法和改进的禁忌搜索算法求解服装生产流水线上的调度问题。本文主要做了以下工作:(1)对服装生产缝制流水线上的调度安排过程进行了研究,指出调度安排过程中各站位间的生产节拍不平衡问题来源于工序、设备的不可分,提出确定生产节拍上限的方法,并对缝制流水线上的调度问题归属的JSP类型做了说明。(2)使用改进的遗传算法完成服装缝制流水上工件的调度安排过程,改进的策略为使用主动变异,并以服装生产过程中的相关案例作为算例,进行仿真实验,仿真实验结果表明改进的遗传算法可以有效的提升生产效率9%左右。(3)针对服装生产过程中机器具有柔性这一特性,提出一种改进的禁忌搜索算法,改进策略为使用双重邻域结构完成禁忌搜索过程。以服装生产过程中的相关案例作为算例,进行仿真实验,对实验结果进行分析,并与改进的遗传算法求解结果比较,结果显示,使用改进的禁忌搜索算法在求解结果的性能上与改进的遗传算法相当,但改进的禁忌搜索算法耗费的时间更短。(4)将算法应用于服装生产行业使用的制造执行系统,设计实现了生产调度功能模块。
蚁群算法的改进与应用
这是一篇关于蚁群算法,遗传算法,模拟退火,禁忌搜索,组播路由,优化的论文, 主要内容为人们从仿生学的机理中受到启发,提出许多解决复杂优化问题的新方法,统称为元启发(metahueristic)算法,如遗传算法、进化策略、模拟退火、蚁群算法、禁忌搜索(tabu search)算法等,并成功地应用于实际问题,蚁群算法(ant colony algorithm,简称ACA)是最近几年才提出来的一种新型的模拟进化算法,它是由意大利学者M.Dorigo,V.Mahiezzo,A.Colorni等人受到人们对自然界中真实蚁群集体行为的研究成果的启发而首先提出来的。他们充分利用蚁群搜索食物的过程与旅行商问题(TSP)之间的相似性,通过人工模拟蚂蚁搜索食物的过程中个体之间的信息交流与相互协作最终找到从蚁群到食物源的最短路径的原理解决了TSP问题,取得了很好的结果。随后,蚁群算法被用来求解job-shop调度问题、指派问题、序列求序(sequential ordering)等NP完全问题,显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面的优越性,证明它是一种具有广阔发展前景的好方法。 但是,蚁群算法仍然存在一些缺陷:如在性能方面,算法的收敛速度和所得解的多样性、稳定性等性能间存在矛盾:这是因为蚁群中多个个体的运动是随机的,虽然通过信息的交流能够向着最优路径进化,但是当群体规模较大时,很难在较短时间内从复杂无章的路径中找出一条较好的路径,如果一味加快收敛速度则很可能导致蚂蚁的搜索陷入局部最优造成早熟、停滞现象。应用范围方面,蚁群算法的应用尚且局限在较小的范围中,难以处理连续空间的优化问题:由于每个蚂蚁在每个阶段所作的选择总是有限的,它要求离散的解空间,因而它对组合优化等离散优化问题很适用,而对线性和非线性规划等连续空间的优化问题的求解不能直接应用。 本文首先详细介绍了基本蚁群算法并综述了当前国内外蚁群算法的研究现状;分析了蚁群算法中蚂蚁搜索过程的本质,针对上述蚁群算法存在的问题,在第四章提出了平衡蚁群算法收敛速度解的性能之间矛盾,提高其性能的四种改进蚁群算法,并总结当前研究工作,分析相关问题,给出了我们在该方面工作的进一步研究思路。 第一种算法是基于分布均匀度的自适应蚁群算法,根据优化过程中蚂蚁的分布均匀度,动态地调整下一次迭代过程中蚂蚁分布的大致范围,同时根据不同蚂蚁选择的各条路径构成解的好坏程度有差别的自适应更新相应路径上的信息量。第二种算法模拟蚂蚁感觉和知觉行为,将蚂蚁的搜索过程分为三个阶段,在不同阶段有差别的采取不同的优化机制,成功地避免蚂蚁完全受信息量影响的“道听途说”而造成的干 扬州大学石贞{一学位论文 扰和自日选路,第三种算法是改进的增强型蚁群算法,通过增强全局(或局部)最优解 和全局(或局部次优解的路径上的信息量浓度以及对它们进行交叉和变异操作的遗 传优化方法来改进增强型蚁群算法.第四种算法在算法中引入免疫遗传学 (i mmunogenetics)及免疫系统中的浓度控制机制,调节蚂蚁遍历过程中的信息量分布, 弓!用小生境技术(n iche),将蚁群分化为若干小子群独立进化.实验证明这四种算法平 衡了收敛速度与解的多样性之间的矛后,有效避免了早熟和停滞现象. 在研究过程中,我们发现基本蚁群算法的一个不可忽视的应用缺陷是不太适合 求解连续性优化问题,为此在第五章,我们还提出一种用蚁群算法求解连续空间优化 问题的方法,将解空间划分成若干子域,在蚁群算法的每一次迭代中,首先根据信息量 求出解所在的子域,然后在该子域内已有的解中确定解的具体的值.实践证明,这种方 、法可推广应用到其他连续空间的优化问题之中,突破了基本蚁群算法的应用局限,为 将该算法应用于连续性优化问题提出了新的途径, 另外,我们还把蚁群算法应用于o一1背包问题,武器一目标分配问题、Flow一shoP 问题以及Qos路由问题,都获得了比较好的应用,取得了较好的效果.特别是在解决 Qos成组多播路由问题的改进蚁群算法中,不但简化了算法中参数的选取过程,还避 免了将各个度量参数的简单归一,算法能充分保证实际网络Qos需求. 在本文中,我们提出求解TSP问题的四种提高蚁群算法性能的改进算法,给出该 方面工作的进一步研究思路;同时改进基本蚁群算法结构,使其适应于求解连续优化 问题;研究其优化本质,将其应用于除TSP问题外的五种不同应用问题,大量应用实例 的实验结果证明,这些改进的蚁群算法不但加速了蚁群算法的收敛速度,提高了优化 所得解的质量,而且扩大了蚁群算法的应用范围.
面向快递终端的物流配送服务系统设计与实现
这是一篇关于快递终端配送,动态调度,变长滚动时域,禁忌搜索的论文, 主要内容为随着网络购物的兴起与电子商务的持续扩大,快递业得到了极大的促进和高速的发展。快递终端配送作为快递服务的开始与结束环节,其服务质量是影响快递业发展的主要因素。但我国快递企业终端配送普遍存在信息利用率低、可控性差、灵活性低的问题,这也造成了客户动态需求响应能力差的现象。电商促销造成的快件积压、延迟配送等情况更是暴漏了快递终端配送的短板。快递终端配送优化问题已成为快递企业亟待解决的问题。本文通过利用移动互联网与传统PC互联网技术,设计实现了快递终端物流配送服务系统,旨在通过提高终端配送信息利用率的方式达到终端配送的可控性与灵活性。本文基于快递终端配送环节的实际需求,对快递终端配送服务系统进行了设计与实现,为此本文主要包括以下几方面工作:(1)通过对快递终端配送环节分析,明确目标用户需求,并结合用户特点制定系统功能。为客户提供移动App与Web门户网站两种快递服务获取方式,实现发件、快件跟踪查询及时间窗实时更改功能。为物流服务提供商提供管理监控平台,实现快递服务信息发布、终端配送任务分配及快递员配送任务动态调度功能,并为快递员提供移动终端App,从而实现快递终端配送的高可控性。(2)针对快递员配送任务动态调度问题进行研究。构建配送任务动态调度问题的数学模型,并基于变长滚动时域策略与禁忌搜索算法对动态调度进行实现。最后通过TSP Lib经典数据集与百度地图API模拟数据集进行用例分析,验证算法的可用性。(3)分模块对快递终端配送服务系统进行详细设计与实现。采用Android系统为移动应用开发平台,对客户手机端与快递员手机端进行详细设计与功能实现。采用Spring+Jersey+Kendo UI为客户Web门户网站开发框架,对客户Web端进行设计与实现,并通过Jersey发布Restful Web Service为客户手机端提供服务器端服务。采用Spring+Jersey+Ext Js作为管理监控网站开发框架,对管理监控端进行设计与实现,并通过Jersey发布Restful Web Service为快递员手机端提供服务器端服务。(4)采用白盒测试与黑盒测试两种方式对系统进行功能验证。利用Spring测试组件对系统服务器端进行白盒测试。
基于智能优化算法的非集输井群生产拉运调度优化
这是一篇关于非集输井群,实际应用,遗传算法,禁忌搜索,调度软件的论文, 主要内容为针对油田上的非集输井群生产拉运调度问题,已经建立了基于离散时间的非集输井群生产拉运调度优化模型。基于离散时间的非集输井群生产拉运调度优化模型由于其模型本身的复杂性,使得模型在求解大规模非集输井群长周期生产调度问题时会出现模型中变量数量庞大,求解困难甚至无法在可接受的求解时间内求得一个可行解的情况,严重制约了模型在现场实际中的应用。本文为解决上述问题,开展了基于智能优化算法的非集输井群生产拉运调度优化模型研究,并开发设计了相应的软件,本文的研究结果对该模型在油田现场的实际应用具有重要意义。本文的研究所形成的主要成果如下:(1)本研究回顾了基于离散时间的非集输井群生产拉运调度优化模型,设置了从小到大不同规模和调度周期的测试算例,使用精确算法对其进行求解计算,结果发现在小规模短周期调度规模下,精确算法可以在可接受的求解时间内给出一个可行解甚至最优解,但随着调度规模的增加模型求解变得异常困难,精确算法无法在合理的时间内求出一个可行解,严重限制了模型在现场的应用。(2)针对精确算法求解困难或者无法求解的情况,结合已建立的非集输井群生产拉运调度优化模型,本文设计了一种多层编码的遗传算法,设计的遗传算法针对大规模非集输井群生产拉运调度问题可以快速的求解得到一个可行的调度方案,算法设计取得了初步成果。(3)根据模型的特点,本文设计了一种禁忌搜索算法。设计的禁忌搜索算法在提高求解效率和减小油罐车行驶路径上进一步优化,算法可以更快速的求解非集输井群生产拉运调度优化模型,求解稳定性更高,算法不易陷入局部最优。相比于遗传算法,在求解大规模长周期调度时,可以在更短的时间内求得一个更好的解。(4)在大规模案例分析部分,本文使用200口井的大规模低产井案例对比了遗传算法和禁忌搜索算法的优劣性,验证了设计的禁忌搜索算法优于遗传算法。在大规模低产井的基础上改变了不同的调度条件,测试了禁忌搜索算法的适应性和灵敏度并在案例结果部分给出了具体得案例分析和推荐的调度方案。(5)本文对非集输井群生产拉运调度优化问题的研究成果进行了集成,开发设计了相应的软件,实现了模型的实际应用。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设导航 ,原文地址:https://m.bishedaima.com/lunwen/48308.html