蚁群优化算法在物流车辆调度系统中应用.docVIP

蚁群优化算法在物流车辆调度系统中应用 　　摘 要：根据对蚁群算法进行的深入研究，指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处，基于蚁群算法的优点，并根据物流车辆调度系统自身的特点，对基本蚁群算法进行适当的改进，给出算法框架。并且以线性规划理论为基础，建立物流车辆系统的数学模型，给出调度目标与约束条件，用改进后的蚁群算法求解物流车辆调度系统的问题，求得最优解，根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性。 　　关键词：物流；蚁群优化算法；车辆调度；最佳路径；仿真验证 　　0 引言 　　蚁群优化（Ant Colony Optimization， ACO）算法是一种模拟进化算法[1]，由于具有强鲁棒性、并行性、易于与其他算法融合、全局优化等多个优点，已成为了解决复杂组合优化问题的强有力的工具[2]。本文对传统的优化调度方法以及现已应用在调度系统上的智能优化算法进行深入研究，针对它们在应用中的缺点对基本蚁群算法[3]进行改进，建立适当的物流车辆调度系统数学模型，用改进的蚁群算法对调度系统进行优化，最后进行系统仿真，证明蚁群算法应用到货车调度系统中是合理实用的。应用目标是提高车辆利用率，使资源利用达到最大化，并降低运输成本。 　　全球定位系统（Global Positioning System， GPS）技术能够对车辆进行实时跟踪，使车辆准确地找到装载点和卸载点的具体位置；GPS还可以对历史数据进行记录，指导实施调度，通过移动终端，把计算机决策运算所需要的数据通过无线电传到调度中心，从而进行实时动态的优化调度。但是传统的优化调度方法都是静态的调度方法，随着问题规模和搜索空间的增大，计算的时间复杂度过大，用智能优化算法实现优化调度便成为了研究的热点。 　　1 蚁群算法 　　以蚁群算法求解旅行商问题（Travelling Salesman Problem， TSP）为例，蚁群算法的应用实现过程描述如下： 　　2 蚁群算法改进 　　2.1 拥挤扰动策略 　　蚁群算法最主要有易于陷入局部最优解以及收敛速度慢这两个缺点。蚁群算法寻优过程可以分为两个阶段，即：第一阶段主要是为了增加解空间的多样性，避免算法过早收敛造成算法陷入局部最优而不能得到全局最优解；第二阶段主要是为了加快算法收敛速度。本文分别对这两个阶段进行改进。在第一次循环时，由于每条路径上具有相同的信息素浓度，蚂蚁随机选择下一步要路过的节点，这会导致蚂蚁选择的路径不一定是最优路径，并且这些路径上的信息素的量会由于正反馈作用而不断增加，导致算法很快会收敛到这些路径上，而使算法陷入局部最优。针对第一阶段提出拥挤扰动策略，该策略能扩大了算法的搜索空间，避免算法过早收敛。 　　引入拥挤因子CRi j表示路径（i， j）的拥挤程度，其计算公式为： 　　式中σ表示拥挤系数。加入拥挤扰动策略之后，算法得到了合理的改进，可以限制初始时某些路径的信息素浓度过大，使算法可以选择更多的路径，蚂蚁在面对不拥挤的路径时可以按照基本蚁群算法中的路径选择策略选择路径，而在面对拥挤路径时，只按照能见度进行路径选择。通过对蚁群算法进行如此改进，不仅有效扩大了算法的搜索范围，拓展了解空间，还可以避免得到误差解以及避免算法过早收敛。拥挤扰动策略只用于第一阶段的寻优过程，第一阶段设置为算法的前g次循环，其中gNCmax。 　　2.2 最优路径策略 　　最优路径策略相当于一个动态的、确定性的最短路径策略问题，即一个动态的路径规划算法。当设定了一个起点以及一个相应的终点时，最优路径策略将帮助我们计算出一条距离相对最短的而且最优的路径。这可以通过算法第一寻优阶段得到m（蚂蚁数目）条路径，然后在第二阶段运用最优路径策略来缩小解空间并提高解质量，提高算法的收敛速度。具体改进过程如下： 　　依据问题规模设置一个长度为len的列表L，把得到的m条路径中信息素含量最大的len条路径按信息素含量由多到少存到L中，第一个位置存放的是信息素含量最大的路径，其他路径依次进行排列。对信息素重新初始化，即只对L中的路径的信息素进行初始化，其他路径的信息素含量清零。采用全局更新策略，在给定的时间段T，计时结束就自动进行下一次循环，每过时间T，对信息素进行一次更新，改进的更新公式如下： 　　其中fk表示蚂蚁k在本次循环中的总的运输费用。然后增大转移概率中参数α的取值，让信息素的相对重要程度增加。在每一次算法迭代循环中，计算每条路径的信息素总含量并进行比较，依据信息素含量由大到小的顺序将最优的len条路径存放到L中