论文摘要
物流系统是一个网络系统,既包括由物流线路与物流结点组成的实体网络,又包括由计算机和通信系统组成的虚拟网络。网络在各种实际背景问题中以各种各样的形式存在,网络的优化广泛用于解决不同领域中的各种问题,如生产、分配、项目计划、资源管理等。随着优化对象的日益复杂化及不确定性,传统的基于确定性的优化算法遇到了极大的困难。于是人们从生物进化及仿生学中受到启发,提出许多启发式的智能优化方法,如模拟退火算法、遗传算法、禁忌搜索算法、神经网络算法以及蚁群算法等,它们为解决许多复杂优化问题（NP-困难问题）提供了崭新的途径。蚁群算法作为一种新兴仿生优化算法,因其具有分布式计算、自组织、正反馈等特性而得到了广泛应用。但搜索时间长、易陷入局部最优解是蚁群算法突出的缺点。针对该问题,提出将信息素初始值设为零,以增强算法初始搜索的随机性,扩大算法的搜索空间,从而提高算法的全局寻优能力。对于搜索时间长以及停滞在次优解的问题,通过与2-opt法相融合,从而缩短搜索时间,加快对最优解的收敛速度。通过对大量TSP Benchmark问题的仿真实验,验证了信息素初值为零的蚁群算法与2-opt法相融合的有效性,对于中小规模的TSP很容易得到最优解,特别是Eil51和Tsp225问题均找到了比TSPLIB提供的参考解更优的解。物流系统中的运输及货物配送问题是目前蚁群算法应用研究的热点,运输问题是一类特殊的线性规划问题,通过将该类问题转化为蚁群网络,利用自适应蚁群算法求解,可得到多种最优方案,与传统的最小元素法和伏格尔相比,具有更好的寻优能力,特别当规模较大时,用自适应蚁群算法解决运输问题更为有效。货物配送问题也称之为车辆路径问题（VRP）,在求解VRP时,有可能得不到一个可行解。针对该问题,借鉴K-TSP的求解方法,优先构造可行解,在所有蚂蚁完成各自可行解之后,对较优解路径上的信息素进行加强,最终得到问题的最优解或较优解,通过对有关算例的仿真实验,结果表明:可行解优先的蚁群算法在求解VRP时,缩短了搜索时间,简化了求解过程,解决了无可行解的问题。