• 爱情文章
  • 亲情文章
  • 友情文章
  • 生活随笔
  • 校园文章
  • 经典文章
  • 人生哲理
  • 励志文章
  • 搞笑文章
  • 心情日记
  • 公文文档
  • 英语文章
  • 当前位置: 星星阅读网 > 友情文章 > 正文

    [基于蚁群优化的粮食物流调度算法研究]蚁群优化算法

    时间:2019-01-03 06:33:32 来源:星星阅读网 本文已影响 星星阅读网手机站

      [摘要] 粮食物流调度是一个组合优化问题。用蚁群共同测试不同的组合,并选择一个优化的解决方案,采用该方案能使粮食运输成本降低。研究及实验结果表明蚁群算法在粮食物流调度中具有良好的性能。
      [关键词] 蚁群 粮食物流 调度 优化
      
      一、粮食物流调度路线安排模型
      根据粮食物流约束条件,可以表示如下:
      记G=(V,E)为赋权图;E为边集,各粮库间的(距离)权值为dij。
      V-粮库集合V={i},i=1, …,n, 且i=0指初始粮库;M-散粮车辆集合,M={k},k=1, …,m,(散粮车辆数) ;qi-粮库i的粮食需求量,; dij-粮库i到粮库j的距离;散粮车辆的载重量,。
      
      二、基于蚁群的粮食物流调度算法
      1.基本的蚁群系统模型。为模拟蚁群系统的寻径方法,我们定义如下参数:m:蚁群中蚂蚁的数量;:路径(i,j)的能见度;:t时刻在路径ij上的信息量;:蚂蚁k在本次循环中留在路径ij上的信息量;:蚂蚁k在t时刻由位置i转移到位置j的概率;α:轨迹的相对重要性(α≥0);β:能见度的相对重要性(β≥0);:信息素的持久性(0≤<1),1-表示信息素的衰减度。初始时刻,设所有路径上的信息素都相等,(0)=C(C是一个常数)。蚂蚁k(k=1,2,…,m)在运动过程中,根据各条路径上的信息素的大小以一定的概率决定转移方向,表示为:
      
      2.算法的改进。遗传算法(GA)与蚂蚁算法(ant algorithm,AA)融合的算法称为GAAA算法。我们直接把这种算法改进应用到粮食物流调度上来。我们对信息素的处置设置及信息素更新做以下处理:
      (1)信息素的初值设置是把各路径信息素初值设为最大值max,这里通过遗传算法得到了一定的路径信息素,所以把信息素的初值设置为。其中是一个根据求解问题规模给定一个信息素常数,相当于MASS算法中的,是遗传算法求解结果转换的信息素值。
      (2)信息素更新模型。采用一周模型进行信息素更新,即一周中只有最短路径的蚂蚁才进行信息素修改增加,而所有路径的轨迹更新方程采用:
      
      这样对本次蚂蚁所走过的路径上信息素进行更新,使得不可行解不能进入解空间,可以加快算法的收敛速度。
      三、粮食物流实例分析
      问题描述:某一个初始粮库要向10个粮库运输粮食,有22辆散粮运输车,6吨的4辆;8吨的4辆;10吨的13辆和20吨的1辆。表1是各个粮库之间的距离和各个粮库的粮食运输量。要求合理安排车辆的行驶路线,使总运输里程最小。
      运用本文提供的蚁群算法对上述问题进行求解,以matlab7.0为工具,在P-4 PC机运算,初始参数设置为:
      得最终的粮食物流优化路径为 :使用三种散粮车辆,10吨一辆,8吨一辆,6吨一辆。10吨散粮车的路径是: 初始粮库,粮库1,粮库2,粮库3,粮库9,回路行程220公里,载粮食运距947.6吨公里。 8吨散粮车的路径是: 初始粮库,粮库5,粮库7,粮库8,初始粮库,回路行程145公里,载粮食运距193.9吨公里。 6吨散粮车的路径是: 初始粮库,粮库4,粮库6,粮库10,初始粮库,回路行程148公里,载粮食运距493.9吨公里。 总行驶513公里,载粮食运距1832.8吨公里。
      四、结论
      通过Matlab编制的程序对粮食物流调度的散粮车辆进行优化,可以看出:蚁群算法是成功的,在粮食物流的散粮车辆上的应用是可行的,并取得了比较理想的效果。这将为粮食企业在散粮车辆路线安排,车辆调度都将起到好的优化效果,为粮食企业快速决策,迅速对粮食做出反应提供了一定的参考价值。
      注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

    • 爱情文章
    • 亲情文章
    • 友情文章
    • 随笔
    • 校园
    • 哲理
    • 励志文章