群蚁算法翻译毕设论文.docVIP

离散优化 求解工业布局问题的蚁群算法 Y. Hani *, L. Amodeo, F. Yalaoui, H. Chen ISTIT-OSI, (CNRS 2732) Universite′ de Technologie de Troyes, 12 rue Marie Curie BP2060, 10010 Troyes cedex, France Received 26 August 2005; accepted 6 October 2006 Available online 12 January 2007 摘要 本文提出了一个与局部搜索相结合的被用于布局问题中的混合蚁群优化算法--ACO_GLS。ACO_GLS被适用于工业中的情况，其被法国的铁路系统设施（SNCF）用在列车的维修中。结果表明，与实际布局相比，这种实现有近20%的改善。由于问题建模为一个二次分配问题LEM（QAP），我们将我们的方法与一些可以解决此问题的最佳启发式方法做了比较。实验结果表明，在小型实例中，ACO_GLS算法表现更好，而对于大型实例，其计算结果依旧令人满意。 关键词布局问题二次分配问题蚁群优化 1.介绍 设施布局问题（FLP）是一个发现机器的很好的配置，在一个给定的设备以优化生产流程的同时最小化总成本的设备或其他资源。它对制造系统的性能具有重要意义。设施布局问题如厂房组织的应用，新的生产建设单位，或设备分配。一个完整的布局描述的问题可以找到布局问题是众所周知的NP-难，然而，只有少数工业布局在文献中被。应用遗传算法，希克斯（2006）在一个制造单元实际问题， Lee等人（2005）提出了一种解决多楼层设施布局问题，包括墙壁和通道的内部结构的遗传算法。（2004）提出了一个时尚产业。大部分是基于二次分配问题（QAP）。Montreuil and Laforge，1990；montreuilet 等人，1993；Meller，1999）和图论模型（Caccetta and Kusumah, 2001）。很多解决布局问题如遗传算法Tavakkoli-Monghaddain and Shayan，1998；Lee等人, 2005），Chiang and Chiang, 1998），模拟退火（Baykasog lu 等人, 2001; Chwif 等人 1998; Mir and Imaam, 2001）和蚁群算法（Solimanpur 等人, 2004; Sol-imanpur等人 2005）。其他方法结合遗传算法与模拟退火，由Armour等人开发工艺（1964）。为了到一个最小计算时间的全局最优解，metaheu-risticsLin，1965）局部搜索方法。另一种方法被称为引导本地搜索（GLS）Voudouris,1997）选取一个本地搜索和许可前逃离局部极小值，从而保证全局收敛性GLS系统已成功应用于旅行商问题Voudouris,1999）和QAP问题（米尔斯等，2003）。 蚁群优化（ACO）是一种广泛用于二次分配问题的方法。应用是由Mani-ezzo等人提出的（1994）Stutzle and Hoos（2000）研究提出的最大-最小蚁群系统算法（MMAS），只允许最佳解决方案添加Pheromo信息素，跟踪更新过程中的一条。这个绑定被用于跟踪水平，以避免过早地搜索收敛。Gambardella等人（1997）提出了一种混合蚁群算法求解QAP has-qap。它们的方法的独创性在于信息素的追踪是不用于构建解决方案，而是在本地搜索中不断修改和完善。 它们提出的大多数算法对于小实例都是有效的。然而，随着问题规模的增大（即资源），它们的表现越来越差。solimanpur等人（2004）提出了一个蚁群优化算法，用于解决单元间布局问题，如QAP。它们提出了一种基于每个任务的部分贡献度计算的下限用于maniezzo（1999）的技术。由于问题的复杂性，它被限制在30个部门内。在一个之前的研究中，antabu（泰尔比先前的研究，et al.，2001）利用蚁群算法和禁忌搜索程序，已将其成功地应用于QAP为大实例的情况（即256资源）。 本文提出了一种为一个QAP方法求解一个设施规划布局问题建模。它是基于一个GLS程序，摆脱局部极小蚁群优化方法。该方法首先被应用到一个特定的工业问题中，然后，在数量很少的情况，以及从公共库QAPLIB实例的性能下（Burkard等人，1991），我们的测试结果与Solimanpur（2004），Gambardella（1997）和泰尔比等人（2001）相比，基本一致。 本文的其余四个部分是：第二部分描述的设施布局问题和工业实例建模，如QAP。第三部分提出了蚂蚁算法，和引导本地搜索程序求解QAP等问题。第四、五部分展示