蚁群算法的改进及其在港口煤炭卸车调度中的应用

论文摘要

蚁群算法是一种新兴的仿生优化算法。它采用了正反馈并行机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点。在解决许多组合优化问题方面,蚁群算法展现出优异的性能和巨大的发展潜力,逐渐成为国内外研究的热点。但搜索时间长、易于陷入局部最优解又成为其解决大规模复杂的实际调度问题的障碍。针对这些缺陷,本文提出分工合作的排序加权蚁群算法,并将其应用到港口煤炭卸车调度的实际生产优化中。首先,详细分析了基本蚁群算法的缺陷和不足,结合真实蚁群信息系统的工作方式,提出分工合作的排序加权蚁群算法。该算法采用分工合作的方式,设置不同的信息素调控机制,在信息素初始化和状态转移概率选取以及信息素更新机制中分别加入权值,并对信息素上限加以限制。其次,结合均匀设计思想对提出的改进算法的参数进行合理的设置,通过仿真验证了参数设置的合理性。随后以旅行商问题为例对分工合作的排序加权蚁群算法进行仿真实验,证明了此优化算法不但提高了搜索精度和速度,而且在一定程度上避免了早熟现象。最后,将提出的蚁群优化算法结合G&T算法应用到港口煤炭卸车调度的实际问题中。经过实际调研,深入分析港口煤炭卸车调度中存在的问题,建立合理的数学调度模型,运用蚁群算法解决组合优化问题和Job-shop调度问题的思想求解煤炭卸车调度的优化问题,设计调度算法。通过实例仿真,证明了蚁群优化算法求解港口煤炭卸车作业调度问题的能力优于现有实际生产中的调度方法。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景
• 1.2 蚁群算法的研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 研究意义
• 1.4 课题的主要工作
• 1.5 论文的结构安排
• 第2章 蚁群算法
• 2.1 引言
• 2.2 蚁群算法的基本概念
• 2.2.1 蚁群算法概述
• 2.2.2 人工蚁群算法原理
• 2.3 基本蚁群算法模型及描述
• 2.3.1 基本蚁群算法模型
• 2.3.2 基本蚁群算法描述
• 2.4 最大最小蚁群算法
• 2.5 本章小结
• 第3章 分工合作的排序加权蚁群算法
• 3.1 引言
• 3.2 分工合作的排序加权蚁群算法思想
• 3.2.1 现有蚁群算法的缺陷
• 3.2.2 分工合作的排序加权蚁群算法的基本思想
• 3.3 分工合作的排序加权蚁群算法设计
• 3.4 分工合作的排序加权蚁群算法验证
• 3.4.1 分工合作的排序加权蚁群算法的参数设置
• 3.4.2 实验环境设置
• 3.4.3 实验数据设置
• 3.4.4 实验结果分析
• 3.5 本章小结
• 第4章 基于改进蚁群算法的港口煤炭卸车调度
• 4.1 引言
• 4.2 作业车间调度问题的基本概念及描述
• 4.2.1 作业车间调度问题的基本概念
• 4.2.2 车间作业调度问题描述
• 4.3 港口煤炭卸车调度问题描述
• 4.3.1 港口煤炭卸车调度网络体系
• 4.3.2 港口煤炭卸车调度模型
• 4.3.3 港口煤炭卸车调度和一般作业车间调度的联系和区别
• 4.4 分工合作的排序加权蚁群算法求解港口煤炭卸车调度
• 4.4.1 分工合作的排序加权蚁群算法求解思想
• 4.4.2 侦察蚁局部搜索策略
• 4.4.3 搜索蚁全局搜索策略
• 4.5 实例验证
• 4.5.1 实验环境设置
• 4.5.2 实验数据设置
• 4.5.3 实验结果分析
• 4.6 本章小结
• 结论
• 参考文献
• 致谢
• 作者简介