基于自适应蚁群算法的车辆路径问题研究（行业资料）.doc

基于自适应蚁群算法的车辆路径问题研究（行业资料） 文档信息 ： 文档作为关于“行业资料”中“毕业资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文9133字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o "1-9" \h \z \u 目录 1 正文 1 文1：基于自适应蚁群算法的车辆路径问题研究 2 一、引言 2 二、问题描述 3 三、自适应的蚁群算法 3 1.自适应转移规则 3 2.自适应信息素更新策略 4 四、实例研究 5 五、结论 5 文2：基于SOLIDWORKSVisualize的车辆渲染 6 一、引言 6 二、渲染流程 6 参考文摘引言： 14 原创性声明（模板） 15 文章致谢（模板） 15 正文 基于自适应蚁群算法的车辆路径问题研究（行业资料） 文1：基于自适应蚁群算法的车辆路径问题研究 一、引言 车辆路径问题（VRP）是物流研究领域中一个具有十分重要理论和现实意义的问题，该问题可以描述为一个需求点位置已知的物流服务网络的车辆配送问题，其目标就是寻找最小费用的车辆配送路线。车辆路径问题是一个著名的NP 完全问题，只有当其规模较小时，才能求得其精确解。近年来，大量的研究结果显示，启发式算法在求解大规模车辆路径问题时是一种有效的途径。 蚁群算法（ACO)是由意大利学者Dorigo等人在20世纪90年代初首先提出来的，它是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络等以后的又一种应用于组合优化问题的启发式搜索算法。比较有代表性的研究有，等人使用蚁群算法解决TSP问题，然后进一步把它们的方法扩展到了解决不均衡的TSP、QAP和job-shop调度问题中；为了克服在Ant-Q中可能出现的停滞现象，Stützle，T.等人提出了MAX-MIN蚁群算法，称作MMAS，该算法为了避免算法过早收敛非全局最优解，将各路经的信息素浓度限制在[τmin，τmax]之间，各路径初始信息素初值设为最大值τmax，并且一次循环后只增加路径最短的蚂蚁经过路径的信息素；吴庆洪等人提出了具有变异特征的蚁群算法，在基本蚁群算法中引入变异机制，充分利用了2-交换法简洁高效的特点；姚宝珍[4]提出了一种自适应的蚁群算法，该算法可以根据搜索的阶段调整参数;陈等人提出了一种基于分布均匀度的自适应蚁群算法，该算法根据优化过程中解的分布均匀度，自适应地调整路径选择概率的确定策略和信息量更新策略。蚁群算法作为一种新的启发式算法已经成功地应用到了许多领域，在车辆路径问题也有很多学者进行了大量的研究，主要有文献等。本文采用了一种自适应的蚁群算法（AACO）来求解车辆路径问题，并通过一个实例对该算法进行了检验。 二、问题描述 一个典型车辆路径问题可以描述为：设配送中心有M辆车，需要对N个顾客进行服务，每个客户的需求量为qi(i=1，2，…，N)，每辆车的最大载重量为V。设结点集合为C(c0，c1，c2，…，cN)，其中c0代表配送中心，而其它的N点代表N个顾客；fij表示客户i到客户j的阻抗或成本，其可以表示时间、行驶里程或其它费用等，定义变量如下： 三、自适应的蚁群算法 1.自适应转移规则 蚂蚁运动过程中会优先选择含“信息素”浓度较大的路径。但是蚁群在搜索过程中，为了使蚁群算法能够得到全局最优解就必须在搜索过程中保持很强的随机性，而蚁群算法的收敛又要求一定的确定性，转移规则必须解决的就是寻找二者的平衡点。转移规则决定了算法的执行效率，当源问题确定后，信息素强度（信息素更新策略中确定）和期望度（根据源问题相关的贪婪式算法得到）也基本确定，因此如何确定两个启发式因子（α和β）则非常重要。通常两个参数是通过仿真来确定，大多数研究中采用的是固定值，这样就忽略了蚁群在进化过程中，信息素和期望度的相对重要程度。比如在进化的最初，系统还没有信息素存在，这时，对于蚂蚁的运动来说，期望信息更加重要，也就是说，确定性信息占主导地位；而随着信息素更新，蚂蚁的运动将逐渐重视路径中的信息素强度，也就是蚁群在系统中的累积信息。基于此，我们设计了一种自适应的转移规则，对于第i点的第k只蚂蚁来说，它选择下一点j的概率如下： 这里τij是 (i，j)边信息素的强度；ηij是(i，j)边的能见度；α和β分别是信息启发式因子和能见度启发式因子。α的大小反映了蚁群在路径搜索中随机性因素作用的强度，β的大小则反映了蚁群在路径搜索中确定性因素作用的强度；tabuk是禁忌集合（在TSP问题中已经经过的点就被认为是不可行点）；t是进化代数；T是预设的最大进化代数，这里设T=400；[ ]是取整符号。 2.自适应信息素更新策略 信息素为蚂蚁之间提供了间