一、一种启发式遗传算法及其在最短路径求取中的应用（论文文献综述）
张钰倩[1]（2021）在《大型网上超市多品订单多仓协同分拣优化研究》文中研究说明大型网上超市作为电子商务中B2C模式的网上零售方式,日常销售上百万种商品,极大方便了人们的日常生活,满足了人们日益多样化的消费需求。新模式、新形态的购物方式带来便利的同时,其发展运营方式也存在着极大的挑战。由于库存容量的限制和各类商品的存储条件不同,网上超市在同城配置多个仓库来解决自营商品的仓储问题,由此形成了多个独立的分类仓库来进行商品的存储与分拣作业。多个仓库独立完成拆分订单的履行,导致一个订单需分多次才能送达顾客,给客户带了高扰动,给电商带来高成本。因此,以减少零散配送次数为目标的订单合并工作已成为大型网上超市面临的急迫任务。本文针对“一地多仓”模式下的网上超市多品订单拆分后多仓间的订单分拣问题,引入协同生产思想,通过综合优化订单分批与仓库到分拨中心间的运输路径,提出了大型网上超市多品订单多仓协同分拣优化方法。本文主要的研究内容有:（1）多品订单多仓协同分拣问题分析及求解原理。首先对网上超市多仓库之间的订单分拣作业流程和多仓协同分拣问题进行了分析。然后分析了影响多品订单多仓协同分拣的订单、仓库、分拨中心三大要素,阐述该问题求解的复杂性,引入协同生产思想,提出该问题求解的原理。（2）多品订单多仓协同分拣问题的优化模型。考虑订单履行在多个仓库的协同,以最小化所有订单的各拆分子包裹到达目标分拨中心的时间差为目标,以车辆装载能力限制为约束条件,建立了多品订单多仓协同分拣优化模型,并分析了该模型的求解复杂性。（3）多品订单多仓协同分拣问题的求解算法。结合问题与模型的特点,基于分层的思想,设计了包含C-W节约算法和遗传算法的两阶段启发式算法,第一阶段是采用C-W节约算法生成仓库到分拨中心的运输路径方案,第二阶段是采用遗传算法获得订单分批优化方案。（4）算例分析。基于“一地多仓”库存模式下的网上超市订单特征构造算例,进一步验证本文提出的模型与算法的有效性。本文借鉴协同生产的思想,通过对拆分订单在多仓库间的协同分拣以及运输实现单个订单的多个拆分包裹在分拨中心的合并。文中把仓库与分拨中心的车辆路径安排问题融入到订单分批问题中,设计了两阶段启发式算法进行求解,并验证了本文方法的有效性。本文的研究为“一地多仓”模式下网上超市多品订单分拣问题提供了新的求解思想和求解方法,有助于提高其订单拣选的科学性和实用性。
黄戈文[2]（2021）在《应急物流运输调度理论与方法研究》文中进行了进一步梳理近年来随着环境的恶化,各类突发事件发生日益频繁,严重危害了人民群众的生命财产安全,为了减少损失,应急救援工作显得尤为重要。而应急救援中,应急物流运输调度是应急救援的关键环节,与救援效率的高低、灾后救援的成功与否紧密相关,但目前相关的研究成果还比较少。传统的物流运输调度研究多数以总的路径长度最小为目标,而在应急物流中,为了使救援物资尽快送达各受灾点,需要考虑在车辆限制、场地限制、物资量限制、路网限制等约束条件下,最小化等待时间。综上所述,对应急物流运输调度问题（Vehicle Routing Problems for Emergency Logistics,VRPEL）进行研究具有重要研究价值和社会意义。因此,针对应急物流运输中的车辆、场地、物资量、路网等约束,建立了多种场景下的应急物流运输调度模型,并设计了相应的算法进行优化求解。本文所做的主要工作如下:（1）提出了带最小延迟的应急物流运输调度问题的改进离散灰狼优化算法。针对应急物流中物资补给和人员撤离的综合运输调度需求,基于有限车辆的情况,以最小延迟为目标,建立了带最小延迟的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with Minimum Latency,VRPELML）模型,并提出一种改进离散灰狼优化算法求解该模型。该算法在传统灰狼优化算法基础上采用带路径标识的整数编码实现灰狼空间与问题解空间的转换,建立了离散灰狼更新算子定义,提出劣势点优先邻域搜索策略来增强算法的探索能力和局部寻优能力,实现VRPELML的求解。通过对比实验,证明了改进离散灰狼优化算法的有效性。（2）提出了带容量约束的应急物流运输调度问题的文化基因灰狼优化算法。基于有限车辆数和车辆容量受限的情况,以最小延迟为目标,建立了带容量约束的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with Capacitated Constraint,VRPELCC）模型,并提出一种文化基因灰狼优化算法求解该模型。该算法是基于文化基因思想对传统灰狼优化算法针对VRPELCC的求解进行改进,提出了基于分组和重组的双向转换策略进行灰狼位置向量和车辆路径组之间的双向转换。在灰狼优化域,提出了围猎位置片段定义、灰狼遗传优化策略和自适应灰狼更新策略来提高全局搜索能力;在问题空间域,对问题解的优化提出了轮盘选择邻域搜索优化策略和基于路径创建的最优解持续优化策略,优化了算法的全局搜索能力,提高了算法的精度。通过算例分析实验证明了模型和算法的有效性,通过算法对比实验进一步证明了算法和策略的有效性。（3）提出了收货场地受限的应急物流运输调度问题的混合烟花灰狼算法。基于有限车辆数、车辆容量受限、场地受限的情况,考虑为每个受灾点设定接货点作为中心配送车辆和需求点自助车辆交接点,以最小延迟为目标,建立了收货场地受限的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with region restriction,VRPELRR）模型,并提出一种混合烟花灰狼算法求解该模型。该算法引入了 2-1交换邻域搜索策略和3-opt局部搜索策略,提高了算法的搜索能力,并提出了位置方向预估法以提高寻优速度。实验结果表明:该算法能够有效求得受灾点的配送次序和各受灾点接货点位置;所提模型的等待时间比VRPELCC模型降低了 14.19%,比CVRP模型降低了 42.11%,充分证明了模型的实用性和算法的有效性。（4）提出了路网全损的应急物流运输调度问题的混合扫描灰狼优化算法。针对路面道路不可用,采用无人机代替路面车辆配送轻质关键应急物资的应急场景,基于无人机数量受限、无人机负荷受限和无人机能耗受限的情况,考虑飞行状态和负荷对无人机能耗的影响,以最小延迟为目标,建立了路网全损的应急物流运输调度问题（Road-independent Vehicle Routing Problem for Emergency Logistics,RIVRPEL）模型,并提出一种混合扫描灰狼优化算法求解该模型。该算法采用带出发点分隔的整数编码将灰狼空间转化为RIVRPEL解空间,提出了概率选择中央位置定义,设计了相应的离散灰狼更新算子;针对问题的多重约束,算法提出了扫描法初始解生成策略提高算法稳定性,提出了采用部分反转算子的灰狼搜寻策略和带有方位角的2-opt局部搜索策略来提高全局搜索能力和局部搜索能力。实验结果表明,混合扫描灰狼优化算法能有效求解RIVRPEL模型;求解RIVRPEL模型得到的结果比能耗约束CVRP模型降低了 26.49%,证明了模型和算法具有较好的实用性。。（5）提出了带二次分配的应急物流运输调度问题的混合灰狼优化算法。基于有限车辆数、车辆容量受限、物资量有限的情况,在提出时间满意度、物资满意度和综合满意度定义的基础上,建立了最大时间满意度车辆路径问题（Capacitated Vehicle Routing Problem with Maximum Time Satisfaction,CVRP-MTS）模型和最小加权满意度标准差应急物资分配（Emergency Material Distribution Problem with Minimum Weighted Standard Deviation of Satisfactions,EMDP-MWSDS）模型,并提出一种两阶段应急物流运输与物资二次分配策略求解该模型。第一阶段针对CVRP-MTS模型设计了一种混合灰狼优化算法进行求解,该算法采用了最优分割过程分组解码策略,并采用了混沌搜索策略、2-opt局部搜索策略和1-1交换邻域搜索策略提高算法的搜索能力;第二阶段针对EMDP-MWSDS设计了混沌灰狼优化算法求解。实验结果表明:两阶段应急物流运输与物资二次分配策略得到了较高的时间满意度和较好的物资分配结果,证明了所提模型和算法的有效性,较好地平衡了灾民的心理诉求和物资利用效能。（6）提出了多目标应急物流运输调度问题的动态灰狼优化算法。基于有限车辆数、车辆容量受限和车辆运行时长受限的情况,考虑车辆在需求点卸货时间的影响,以最小延迟以及最小车辆运行时长超额成本作为优化目标,建立了多目标应急物流运输调度问题（Multi-Objective Vehicle Routing Problem for Emergency Logistics,MOVRPEL）模型,并提出一种动态灰狼优化算法求解该模型。该算法是对灰狼优化算法针对多目标问题求解进行改进,采用等分随机键与ROV规则结合的方法进行解码,提出了动态非支配解集更新策略,建立非支配解集的暂存机制和基于动态非支配解集的头狼产生机制,提出了针对MOVRPEL的多目标改进2-opt局部搜索策略以提交算法收敛速度,有效对MOVRPEL进行求解。通过实验证明了所提出的动态灰狼优化算法能够有效求解MOVRPEL。最后,对全文进行了总结和展望。
马铭阳[3]（2021）在《柔性作业车间加工机器与配送AGV双资源集成调度问题》文中认为随着制造业向自动化、智能化的转型发展,配送AGV被广泛应用于柔性作业车间场景,以实现物料按需供应的精益性和上线配送的高效率。为此,含有配送AGV的柔性作业车间调度问题更代表了智能车间、数字化工厂的真实情景,柔性作业车间的加工机器与配送AGV双资源集成调度问题,对于揭示和发现数字化工厂背景下柔性作业车间调度的新模型和新方法,具有显然的研究价值和现实意义。含有配送AGV的柔性作业车间调度问题,首先,需要解决经典柔性作业车间的加工零件及加工机器的协调调度问题,还需考虑AGV的分派策略及AGV路径规划等对柔性作业车间调度的影响;其次,经典的柔性作业车间调度模型求解属于NP难,配送AGV相关主要决策增加了更多的约束条件,二者加剧了含有配送AGV的柔性作业车间调度问题建模复杂性和求解难度。论文在同类研究文献综述的基础上,梳理了含有配送AGV的柔性作业车间调度理论基础,研究了区别于经典的柔性作业车间调度问题,配送AGV在柔性作业车间场景的主要决策包括:AGV的驻留模式选择、AGV的分派策略选择、AGV的冲突调节策略选择以及AGV路径规划决策。论文考虑了AGV无冲突路径规划和AGV分派策略差异,以最大完工时间最小化为目标函数,分别建立了AGV随行分派策略和分布共享分派策略下的柔性作业车间加工机器及配送AGV双资源集成调度模型,使建模过程更贴近智能化柔性作业车间的实际情况。进而,基于直角坐标系的栅格地图,构建了含有配送AGV的柔性作业车间工作场景;提出了融合A*算法的自适应遗传算法,求解所构建的集成调度模型,即首先给出了工序、加工机器、配送AGV的三层编码图,构建了融合A*算法的自适应遗传算法的逻辑框架;进而,应用A*算法获得多AGV无冲突路径方案,最终给出不同分派策略下的调度甘特图。模型参数敏感性分析表明,不同的配送规模、不同AGV分派策略下,所建立的模型均有效。算法性能分析表明,改进的融合A*算法的自适应遗传算法在解的质量、收敛性和均匀性方面,均比遗传算法和差分进化算法表现良好。
罗薛嵘[4]（2021）在《多品种小批量模式下的成组调度研究》文中进行了进一步梳理随着工业化进程的加速,传统制造业的大批量生产模式已经无法满足现在市场的需求。现在更多的产品是由客户定制化生产,这使得生产特征逐渐转变为多品种、小批量,也导致了加工过程中频繁的作业转换,降低生产效率和设备利用率。因此,针对车间越来越多的作业转换问题,开展对多品种小批量模式下成组调度的研究是很有必要的。本论文受四川省重大科技专项项目“电子产品复杂精密件数字化车间关键技术研究及应用示范”（立项编号2020ZDZX0025）资助,以多品种小批量模式下的生产车间为研究对象,优化其生产时的调度方案,主要研究内容分为以下几个部分:首先,针对以往工件成组只考虑工件的一种工艺路径的问题,对多工艺路径下的工件成组方法进行模型建立,选取工艺相似性为分类原则,以工件平均相似度为目标,采用改进编码方式的遗传算法求解,并进行算法有效性分析,运用多种电子产品的工艺路径实例验证。其次,以最小化最大完工时间为目标建立单机成组调度模型,设计排序依赖作业转换时间-最短加工时间优先-改进蚁群算法求解,其中主要是以作业转换时间最少的工件优先以及最短加工时间优先的规则生成初始解,采用改进蚁群算法进行寻优。并采用田口设计方法对改进蚁群算法的参数进行优化,通过仿真验证了算法有效性,同时针对某电子产品生产中某工序的加工工件进行单机成组调度实例验证。最后,由于每台设备的加工速度不同,使其加工时间和调整时间也不同,根据排序依赖作业转换时间,先分配各工件组对应的设备,再对各工件组排序进行优化。对此,以最小化最大完工时间为目标建立并行多机成组调度模型,设计排序依赖作业转换时间-最短加工时间优先-遗传模拟退火算法求解,以作业转换时间最少的工件优先以及最短加工时间优先的规则生成初始解,采用遗传模拟退火算法进行寻优。并采用田口设计方法对遗传模拟退火算法的参数进行优化,根据最优的参数组合进行算法有效性验证和实例分析,证明该并行多机成组调度模型和算法的有效性。本文为多品种小批量模式下制造企业的车间调度提供了一些基本的研究思路,为有效改善频繁的作业转换和提高调度算法性能提供了方法支持。
刘保菊[5]（2021）在《智能电网通信网中业务驱动的高可靠路由算法研究》文中研究说明智能电网是将信息通信、传感测量等多种技术与物理电网高度融合的新型电网。智能电网通信网主要负责电能生产过程中的测量、调节、控制、保护、调度等信息的可靠传输。在智能电网通信网中,调度中心站结合所采集的物理电网状态信息与所辖厂、站节点定期信息交互并,并将综合分析后的决策信息下发至各通信子站或终端站点,从而实现电网智能化管理与调度。智能电网通信网承载的典型电力业务包括继电保护、安稳控制、系统保护、调度自动化、变电站视频监控以及随着新应用兴起和增值服务出现而衍生的新型电力业务,这些业务具有异构性强、QoS需求差异大及行业特色明显等特点。端到端电力业务的可靠传输是确保通信网络对智能电网调度、保护及控制的关键。结合网络运行实际、多维参数约束及网络资源使用情况,本文从业务角度研究高可靠路由算法设计对优化网络资源配置、提升全局网络资源利用率、实现网络负载及风险均衡对确保智能电网稳定运行具有重要意义。在智能电网通信网中,高可靠路由算法的研究已引起学术界和产业界广泛关注,但由于智能电网通信网结构及承载业务的特殊性,仍存在以下问题需要解决:大多数路由算法没有考虑因业务汇聚而造成的局部网络风险扩大问题;针对关键电力业务,缺乏将网络特点与业务性能相结合的双路由规划算法;进行业务恢复时的路由重构模型目标函数与约束条件设定相对简单,对智能电网通信网适用性有限。针对以上问题,本文结合不同业务类型及智能电网通信网络特点,开展基于风险感知和QoS保障的业务双路由规划算法、基于链路带宽可用性的业务路由恢复算法、基于生存性的业务路由恢复算法、基于拥塞缓解的业务路由优化及资源分配算法等四个方面的研究,主要内容如下:（1）针对智能电网通信网中现有双路由算法对业务汇聚性和QoS指标考虑不足的问题,提出了基于风险感知和QoS保障的系统保护类业务双路由规划算法。该算法综合考虑节点风险、链路风险、整体网络风险均衡及业务端到端通信时延等因素,构建以最小化业务通信时延及网络风险均衡为目标的多目标优化模型,并采用带精英策略的快速非支配排序遗传算法求解。仿真结果表明所提出的双路由规划算法能满足业务通信指标需求,同时与联合网络负载与风险均衡的路由算法相比,业务主路由规划方案中网络整体风险均衡值降低约29.83%,而备用路由规划方案中整体风险均衡值则降低了 57.48%。（2）针对智能电网通信网小规模网络故障后,现有重路由算法忽略不同电力业务差异性及网络负载不均衡问题,提出了基于链路带宽可用性的业务路由恢复算法。在该算法中,先进行业务等级划分,同时结合电网站点等级差和链路带宽可用性等因素,将重路由后网络负载均衡问题构建为以链路带宽可用性最大为目标的整数规划问题,并在k最短路径算法基础上设计启发式算法以获取高效可行解。仿真验证表明该算法在单链路、双链路两种故障场景下均能有效实现差异化电力业务恢复,同时与基于平均链路利用率的负载均衡算法相比,其平均负载标准差分别降低了2.26%、3%。（3）针对自然灾害引发的智能电网通信网区域故障导致多业务传输中断,现有路由恢复算法忽略电力业务性能指标及持续灾害影响的问题,提出了基于生存性的业务路由恢复算法。该算法在业务优先级分类基础上,结合地震灾害发生特点,建立节点、链路及路由生存性模型。为提高算法运行效率,满足业务恢复要求,利用深度强化学习的强表征和强决策能力,将深度优先算法与改进抽样机制的深度强化学习算法相结合,以获取最优路由组合并实现整体业务快速恢复。仿真验证表明所提出算法与基于优先级抽样的强化学习方法相比具有更好收敛性;在满足业务通信时延前提下,与基于贪婪近似技术的最小时延路由算法相比路由生存性提升了 47%。（4）针对电力业务在主备路由切换过程中,因备用路径上频谱资源相对紧缺容易造成业务阻塞率高及网络负载不均衡问题,提出了基于拥塞缓解的业务路由及频谱资源分配算法。该算法结合业务需求、网络拓扑特点及网络资源在时间、频谱域上的状态等多种因素影响,构建以最小化业务阻塞率和时间、频谱连通度为目标的整数线性规划模型,并提出基于弹性时间调度的拥塞缓解机制,以解决资源紧张时业务阻塞率高的问题。为降低算法运行时间,设计启发式算法进行求解。仿真结果表明与典型的路由及资源分配方案相比,所提算法业务阻塞率降低了 38.09%,负载公平性指数则提升了 54.89%。
王珊珊[6]（2021）在《电子元器件仓库的物料输送路径算法研究》文中提出随着工业4.0的到来,电子产品生产企业成为经济发展的重要组成部分,企业规模逐渐扩大,生产需求也随之提高。目前路径规划的效果还不够快速和精准,无法完全适应环境变化。蚁群算法以其较强的鲁棒性和优秀的寻路能力在AGV（自动引导车,Automated Guided Vehicle）路径规划问题上有广泛的应用前景。然而在实际设计过程中,基本蚁群算法非常容易陷入局部最优解,并且收敛速度缓慢。因此本文针对应用蚁群算法进行AGV路径规划问题展开讨论,通过改进的蚁群算法优化路径搜索结果。主要工作包括:首先介绍AGV及其路径规划技术的发展情况;通过分析各种算法的优缺点及本文研究对象和适用空间,最终采用蚁群算法解决AGV路径规划问题。利用栅格法建立环境模型;对基本蚁群算法进行仿真实验,验证蚁群算法在AGV路径规划问题上的适应性并分析其在路径规划上存在的问题,以及蚁群算法在AGV路径规划问题上的发展情况和改进思路。其次在蚁群系统的研究基础上,对蚁群算法的状态转移概率计算进行了改进;提出了采用不均匀初始信息素的方式;在蚁群算法的迭代过程中引入了免疫遗传算法的概念。在个体评价函数中加入转弯项和节点障碍项,使综合评价好的路径更符合预期。改进了交叉、变异和免疫算子计算逻辑使其能够更好的与蚁群算法结合共同解决路径规划问题;给出基于改进蚁群算法的AGV路径规划问题的实现步骤并进行仿真验证。最后将改进的蚁群算法与滚动窗口相结合,研究AGV的动态路径规划问题,介绍动态碰撞情况及其避免策略;分析了改进蚁群算法的参数范围;给出AGV动态规划步骤并进行仿真验证。通过实验证实了该改进算法能够克服收敛速度慢且易陷入局部最优的缺点,且随着环境复杂度的提升仍具有较强的鲁棒性。
杜芋颖[7]（2020）在《基于启发式算法的物流配送路径设计与实现》文中研究表明伴随着国内电子商务、邮政快递行业的快速发展,网络购物以及异地采购等需求飞速增长,邮政快递企业业务量与日俱增,人们对于物流配送各方面的要求也更高。目前我国现阶段物流运输成本较高,而且现在对运输货物的时效性要求也较高,如何更好的提高货物的配送效率,降低物流运输成本是现在急切要处理的问题。因此,本文将启发式算法应用到物流配送路径优化的系统设计中。在对物流配送路径问题研究的基础之上,结合物流配送路径中有道路拥堵的情况,本文构建了一个物流配送路径优化模型,该模型的目标函数包括基本运输成本、拥堵损耗成本以及惩罚成本,并且以总成本最小为物流配送路径的优化目标。采用这个模型能够达到降低配送过程的总成本、提高物流车辆配送效率以及提升客户满意度。为了更好的求解物流配送路径模型,本文提出了基于粒子群和人工蜂群混合算法,对于算法的改进包括再生新粒子机制和改进玻尔兹曼选择。在验证改进算法的有效性基础之上,利用所提出的改进算法对物流配送路径优化模型进行求解对比分析,结果显示能够降低物流配送中的总成本,有效的提升物流配送的效率,从而提高邮政快递企业的收益。本文设计并实现了物流配送路径优化系统,并对该系统的主要功能进行了测试。测试结果表明了物流配送路径系统能够满足实际物流配送中的路径优化需求,降低物流配送中的总成本,具有较强的实际应用价值。
尤润川[8]（2020）在《基于静电势场蚁群算法的移动机器人路径规划研究》文中指出随着科学技术的发展以及时代的进步,移动机器人不仅在工业领域得到广泛的应用,在人们的日常生活中也扮演着各种重要的角色。路径规划作为移动机器人导航任务中的重要一环引起了众多学者的关注。蚁群算法由于本身的并行性更加利于分布式计算,并且具有较高的鲁棒性,含有启发式的结构特点使其易与其他方法结合。这些优势使其在解决复杂环境下的路径规划有一定的优越性。但蚁群算法在寻优过程中仍有搜索效率低、搜索停滞、易陷入局部最优解等问题。针对以上问题本文结合静电势场法提出了改进的蚁群算法。具体内容如下:1.在分析典型经典蚁群算法原理基础上,借助旅行商问题对三种信息素更新模型进行仿真分析,确定在路径规划问题中使用蚁周模型,讨论了带精英策略的改进蚁群算法等三种典型改进算法及其信息素更新方式。2.介绍了路径规划中的几种环境建模方法,对比了不同建模方法的特点,确定使用栅格图法建模;分析了蚁群算法在路径规划中的实现以及优缺点;重点通过仿真分析了种群数量、启发式影响因子和信息素影响因子等参数对算法性能的影响;仿真对比了遗传算法与蚁群算法用于路径规划的特点。3.介绍了静电势场法原理,并仿真对比了静电势场法与人工势场法的特点;针对蚁群算法在寻优过程中搜索效率低的问题,将静电势场法的代价函数引入蚁群算法启发式中,使得算法在复杂环境下的搜索能力更强;在蚁群算法的搜索过程中引入回退机制,减少死亡蚂蚁的出现以及无效路径的生成,增加了蚂蚁的容错性,提升了算法的效率;为了减少前期的局部最优解会导致信息素累积到一些边上使得算法过早停滞的情况,本文将信息素挥发因子动态化,使其随着迭代次数的增加自适应减小,达到前期偏向于搜索,后期偏向于收敛的目的;每代蚂蚁探索结束后,由于寻路具有一定的随机性,所形成的路径会出现锯齿和绕弯的情况,这些劣质路径会导致局部最优解以及收敛缓慢的问题,本文提出一种对每代路径的几何优化方法,对优化后的路径再进行信息素更新,大大提高了算法的收敛速度,减小了路径长度。最后利用MATLAB软件进行多次仿真,对比了改进前后的算法的试验结果,验证了优化后算法的有效性与优越性。
邹朋[9]（2020）在《基于WOA的多模态优化方法及在TSP问题中的应用研究》文中研究表明现实世界中,计算机、生物、化工、航天等诸多领域中的很多问题都属于多模态优化或者旅行商问题,例如模糊系统的参数设计和风险投资等都可以转化为多模态函数求解极值问题,车辆运输路线规划和受灾人群疏散路线设计等都是建立在旅行商问题模型之上的。研究如何高效快速地处理好多模态优化问题和旅行商问题,可以为实际生活中的相关问题提供良好的解决方案,具有重要的研究价值和实用意义。自然启发式算法由于操作简单且只需要相应的启发式信息来指导搜索方向,已经成为处理这两种问题的主流方法。鲸鱼优化算法作为一种新兴的自然启发式算法,已经被证实在处理优化问题上具有强大的性能。因此,在本文中,采用鲸鱼优化算法作为处理这两个问题的优化方法。本文针对上面提到的两个问题,分别提出用于处理多模态优化问题的多模态鲸鱼优化算法和用于求解旅行商问题的离散鲸鱼优化算法。为了能处理多模态问题,引入两种聚类算法作为小生境方法,并改造经典鲸鱼优化算法以适应多模态优化问题,还引入基于高斯采样的局部搜索策略来改善解的质量。为了处理旅行商问题,本文重新设计经典鲸鱼优化算法的包围猎物,泡泡网攻击和随机搜寻猎物三个算法部分,并用2-opt局部搜索算法对部分解进行优化处理,改善解的精度,使之更接近最优解。最后,分别用实验证明多模态鲸鱼优化算法在多模态优化问题上以及离散鲸鱼优化算法在旅行商问题上的有效性。此外,把多模态鲸鱼优化算法和两种先进的多模态优化算法进行比较,验证多模态鲸鱼优化算法的优越性和竞争力。把离散鲸鱼优化算法和三种处理旅行商问题的优化算法进行比较,证明离散鲸鱼优化算法在旅行商问题上的先进性和稳定性。
雷兆发[10]（2020）在《Fishbone型仓储布局的订单分批及拣选路径研究》文中认为作为仓储作业运作层,订单分批和拣选路径优化问题历来是仓储优化领域的研究重点,良好的订单分批方案与高效的规划拣选路径能够显着提高仓库运作效率,降低运营成本。截至目前,有关于订单分批、拣选路径优化方面的研究绝大多数是基于传统布局,鲜有涉及非传统布局。本文着眼于Fishbone型非传统仓储布局,研究订单分批与拣选路径问题,考虑拣选设备载货量有限这一现实约束,以完成所有订单拣选任务耗费的总拣选距离为目标函数,建立了订单分批数学模型,根据Fishbone型布局特征提出了非传统布局S型路径策略,设备进行作业拣选时采用非传统布局S型策略,然后设计了一种遗传算法用于求解订单分批问题,详细阐述了编码与解码、适应度函数、选择算子、交叉算子、变异算子等方面的设计思想及过程;根据是否考虑拣选设备载货量有限将拣选路径问题分为一单一车和一单多车两种情况,分别建立数学优化模型,结合Fishbone型仓储布局几何特征,提出了 Fishbone型布局中两两货位间的距离计算公式并构建了非传统布局货位距离矩阵,随后设计了一种蚁群算法分别求解一单一车、一单多车情况下的拣选路径问题,由于一单一车是一单多车在拣选设备装载能力无限假设下的特殊情况,仅针对一单多车情况详细列出了蚁群算法求解步骤。基于MATLAB开展大量算例仿真实验以验证目标算法的有效性。对于订单分批算例,选取按单拣选策略、先到先分批策略作为遗传算法的对比方法,实验结果表明遗传算法在保证结果最优的同时还具备一定的鲁棒性;对于拣选路径算例,选取非传统布局S型策略、遗传算法作为蚁群算法的对比方法,通过分析算法进化曲线和实验数据得出蚁群算法在寻优能力和收敛性能上表现出色,有效缩短了拣选距离。
二、一种启发式遗传算法及其在最短路径求取中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种启发式遗传算法及其在最短路径求取中的应用（论文提纲范文）
（1）大型网上超市多品订单多仓协同分拣优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多品订单履行方法研究现状 |
| 1.2.2 订单分批问题研究现状 |
| 1.2.3 协同生产研究现状 |
| 1.2.4 相关研究总结 |
| 1.3 本文的主要研究内容 |
| 第2章 相关理论分析 |
| 2.1 订单分批方法 |
| 2.2 订单拣选与配送路径联合优化研究 |
| 2.3 协同生产理论 |
| 2.3.1 协同生产概述 |
| 2.3.2 协同生产应用 |
| 2.4 求解算法介绍 |
| 2.4.1 订单分批问题求解算法 |
| 2.4.2 C-W节约算法 |
| 2.4.3 遗传算法 |
| 2.5 本章小结 |
| 第3章 多品订单多仓协同分拣问题分析及求解原理 |
| 3.1 多仓库之间的订单分拣作业流程分析 |
| 3.2 多品订单多仓协同分拣问题分析 |
| 3.2.1 网上超市仓库布局模式 |
| 3.2.2 多品订单多仓协同分拣方式 |
| 3.3 问题复杂性分析 |
| 3.3.1 多品订单多仓协同分拣问题影响因素分析 |
| 3.3.2 问题求解复杂性分析 |
| 3.4 问题求解原理 |
| 3.5 本章小结 |
| 第4章 多品订单多仓协同分拣优化模型 |
| 4.1 问题描述与模型假设 |
| 4.1.1 问题描述 |
| 4.1.2 模型建立的思路 |
| 4.2 多品订单多仓协同分拣优化模型构建 |
| 4.3 模型求解复杂性分析 |
| 4.4 本章小结 |
| 第5章 多品订单多仓协同分拣问题求解算法 |
| 5.1 算法求解思路与流程 |
| 5.2 两阶段启发式求解算法 |
| 5.2.1 基于C-W节约算法的车辆路径方案生成 |
| 5.2.2 基于遗传算法的订单分批优化 |
| 5.3 本章小结 |
| 第6章 算例分析 |
| 6.1 算例说明 |
| 6.2 算例结果 |
| 6.3 灵敏度分析 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）应急物流运输调度理论与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题研究背景及研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 应急物流运输调度研究现状 |
| 1.2.2 物流运输调度算法研究现状 |
| 1.3 本文研究内容及组织 |
| 第二章 带最小延迟的应急物流运输调度问题 |
| 2.1 问题描述及数学模型 |
| 2.1.1 问题描述 |
| 2.1.2 数学模型 |
| 2.2 改进离散灰狼优化算法设计 |
| 2.2.1 编解码策略 |
| 2.2.2 离散灰狼优化算法 |
| 2.2.3 劣势点优先邻域搜索策略 |
| 2.2.4 适应度函数 |
| 2.2.5 算法步骤 |
| 2.3 实验与分析 |
| 2.3.1 实验环境和算法参数设置 |
| 2.3.2 实验结果与分析 |
| 2.4 本章小结 |
| 第三章 带容量约束的应急物流运输调度问题 |
| 3.1 问题描述及数学模型 |
| 3.2 文化基因灰狼优化算法设计 |
| 3.2.1 灰狼优化域 |
| 3.2.2 问题空间域策略 |
| 3.2.3 基于分组和重组的双向转换策略 |
| 3.2.4 适应度函数 |
| 3.2.5 算法步骤 |
| 3.3 实验与分析 |
| 3.3.1 实验环境和算法参数设置 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 收货场地受限的应急物流运输调度问题 |
| 4.1 问题描述及数学模型 |
| 4.1.1 问题描述 |
| 4.1.2 数学模型 |
| 4.2 算法设计 |
| 4.2.1 应急中心车辆路径序列优化 |
| 4.2.2 接货点位置优化 |
| 4.2.3 适应度函数 |
| 4.2.4 算法步骤 |
| 4.3 实验与分析 |
| 4.3.1 实验环境及算例 |
| 4.3.2 参数实验与分析 |
| 4.3.3 模型对比实验与分析 |
| 4.4 本章小结 |
| 第五章 路网全损的应急物流运输调度问题 |
| 5.1 问题描述和数学模型 |
| 5.1.1 问题描述 |
| 5.1.2 数学模型 |
| 5.2 混合扫描灰狼优化算法设计 |
| 5.2.1 扫描法初始解生成策略 |
| 5.2.2 编解码策略 |
| 5.2.3 概率选择中央位置定义 |
| 5.2.4 灰狼更新操作 |
| 5.2.5 灰狼搜寻策略 |
| 5.2.6 适应度函数 |
| 5.2.7 带方位角2-opt局部搜索策略 |
| 5.2.8 算法步骤 |
| 5.3 实验与分析 |
| 5.3.1 实验算例与实验环境 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 带二次分配的应急物流运输调度问题 |
| 6.1 问题描述和数学模型 |
| 6.1.1 问题描述 |
| 6.1.2 最大时间满意度车辆路径问题模型 |
| 6.1.3 应急物资分配模型 |
| 6.2 算法设计 |
| 6.2.1 灰狼更新操作 |
| 6.2.2 最大时间满意度车辆路径问题模型求解算法 |
| 6.2.3 应急物资分配模型求解算法 |
| 6.3 实验与分析 |
| 6.3.1 实验环境及算例 |
| 6.3.2 实验结果与分析 |
| 6.4 本章小结 |
| 第七章 多目标应急物流运输调度问题 |
| 7.1 问题描述和数学模型 |
| 7.2 动态灰狼优化算法设计 |
| 7.2.1 编码方式与解码策略 |
| 7.2.2 灰狼个体多目标评价机制 |
| 7.2.3 动态非支配解集更新策略 |
| 7.2.4 灰狼更新操作 |
| 7.2.5 适应度函数 |
| 7.2.6 多目标改进局部搜索策略 |
| 7.2.7 算法步骤 |
| 7.3 实验与分析 |
| 7.3.1 实验环境和算法参数设置 |
| 7.3.2 实验结果与分析 |
| 7.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（3）柔性作业车间加工机器与配送AGV双资源集成调度问题（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状及分析 |
| 1.3.1 FJSSP研究现状 |
| 1.3.2 含有配送AGV的FJSSP研究现状 |
| 1.4 研究内容及技术路线 |
| 第2章 含有AGV的柔性作业车间调度理论基础 |
| 2.1 经典柔性作业车间调度问题 |
| 2.2 含AGV的柔性作业车间调度问题 |
| 2.2.1 AGV系统的构成 |
| 2.2.2 AGV在柔性作业车间场景内的主要决策 |
| 2.2.3 AGV在柔性作业车间场景内的作业流程 |
| 2.3 柔性作业车间调度问题的求解算法 |
| 2.3.1 柔性作业车间调度问题的常用求解算法 |
| 2.3.2 自适应遗传算法 |
| 2.4 本章小结 |
| 第3章 不同分派策略下的柔性作业车间双资源集成调度模型构建 |
| 3.1 问题描述 |
| 3.2 AGV随行分派策略下的双资源调度模型 |
| 3.3 AGV分布共享分派策略下的双资源调度模型 |
| 3.4 本章小结 |
| 第4章 柔性作业车间双资源集成调度模型的算法设计 |
| 4.1 AGV实际工作环境模型建立 |
| 4.2 算法逻辑框架的设计思路 |
| 4.3 自适应遗传算法设计 |
| 4.3.1 特征系数设计 |
| 4.3.2 遗传操作概率算子设计 |
| 4.4 融合A~*算法的自适应遗传算法流程与实现 |
| 4.4.1 编码方式设计 |
| 4.4.2 种群初始化策略 |
| 4.4.3 适应度函数与选择操作设计 |
| 4.4.4 交叉操作 |
| 4.4.5 变异操作 |
| 4.4.6 解码 |
| 4.5 本章小结 |
| 第5章 模型及算法有效性分析 |
| 5.1 实验环境描述与算法参数确定 |
| 5.1.1 实验环境描述 |
| 5.1.2 基于正交实验的融合A~*算法的自适应遗传算法参数确定 |
| 5.2 集成调度模型及算法有效性验证 |
| 5.2.1 集成调度模型有效性验证 |
| 5.2.2 算法有效性验证 |
| 5.3 模型参数敏感性分析 |
| 5.4 不同AGV分派策略对调度模型的影响分析 |
| 5.5 融合A~*算法的自适应遗传算法的性能分析 |
| 5.5.1 算法求解质量对比 |
| 5.5.2 算法收敛性验证 |
| 5.5.3 算法均匀性分析 |
| 第6章 总结与展望 |
| 6.1 成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 导师及作者简介 |
| 致谢 |
（4）多品种小批量模式下的成组调度研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 成组技术研究现状 |
| 1.2.2 成组调度研究现状 |
| 1.3 本文研究目标与研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 多工艺路径下的工件成组方法研究 |
| 2.1 划分成组原则确定 |
| 2.2 多种工艺路径介绍 |
| 2.3 工件相似性度量 |
| 2.3.1 工件相似矩阵构建 |
| 2.3.2 工件相似矩阵求解 |
| 2.3.3 工件相似度指标确定 |
| 2.4 改进遗传算法求解多工艺路径下工件成组 |
| 2.4.1 目标函数设置 |
| 2.4.2 编码设计 |
| 2.4.3 种群初始化 |
| 2.4.4 适应度函数设计 |
| 2.4.5 选择操作 |
| 2.4.6 交叉操作 |
| 2.4.7 变异操作 |
| 2.4.8 改进遗传算法流程 |
| 2.5 实验验证 |
| 2.5.1 数据获取 |
| 2.5.2 算法有效性验证 |
| 2.5.3 结果计算 |
| 2.6 本章小结 |
| 第三章 单机成组调度模型构建和算法设计 |
| 3.1 传统车间调度问题描述 |
| 3.1.1 传统车间调度问题的分类与特点 |
| 3.1.2 传统车间调度问题的研究方法 |
| 3.2 单机成组调度问题描述 |
| 3.3 单机成组调度模型构建 |
| 3.4 单机成组调度算法设计 |
| 3.4.1 蚁群算法的改进 |
| 3.4.2 SDST-SPT-IACO求解单机成组调度 |
| 3.5 实验验证 |
| 3.5.1 算法有效性验证 |
| 3.5.2 实例分析 |
| 3.6 本章小结 |
| 第四章 并行多机成组调度模型构建和算法设计 |
| 4.1 并行多机成组调度问题描述 |
| 4.2 并行多机成组调度问题模型构建 |
| 4.3 并行多机成组调度算法设计 |
| 4.3.1 编码设计 |
| 4.3.2 适应度函数设计 |
| 4.3.3 选择操作 |
| 4.3.4 交叉操作 |
| 4.3.5 变异操作 |
| 4.3.6 模拟退火算法部分设计 |
| 4.3.7 遗传模拟退火算法流程 |
| 4.4 实验验证 |
| 4.4.1 算法有效性验证 |
| 4.4.2 实例分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）智能电网通信网中业务驱动的高可靠路由算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容和创新点 |
| 1.2.1 研究内容 |
| 1.2.2 创新点 |
| 1.3 博士期间主要工作 |
| 1.4 论文组织结构 |
| 第二章 智能电网通信网中业务驱动的高可靠路由算法综述 |
| 2.1 概述 |
| 2.2 智能电网通信网 |
| 2.2.1 智能电网通信网网络架构 |
| 2.2.2 智能电网骨干通信网架构 |
| 2.2.3 智能电网骨干通信网传输技术 |
| 2.2.4 智能电网通信网业务 |
| 2.2.5 智能电网通信网协同控制网络架构 |
| 2.3 研究现状 |
| 2.3.1 智能电网通信网中预置双路由算法研究现状 |
| 2.3.2 智能电网通信网中动态路由恢复算法研究现状 |
| 2.4 存在的问题 |
| 2.5 本章小结 |
| 第三章 基于风险感知和QoS保障的业务双路由规划方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.2.1 问题描述 |
| 3.2.2 系统建模 |
| 3.3 双路由规划求解算法 |
| 3.3.1 算法框架 |
| 3.3.2 算法设计 |
| 3.4 实验分析 |
| 3.4.1 仿真参数设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于链路带宽可用性的业务路由恢复算法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.2.1 问题描述 |
| 4.2.2 系统建模 |
| 4.3 算法设计 |
| 4.3.1 算法步骤 |
| 4.3.2 算法描述 |
| 4.3.3 复杂度分析 |
| 4.4 实验分析 |
| 4.4.1 仿真参数设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于生存性的业务路由恢复算法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.2.1 问题描述 |
| 5.2.2 系统建模 |
| 5.3 算法设计 |
| 5.3.1 模型分析及求解 |
| 5.3.2 深度强化学习框架 |
| 5.3.3 深度强化学习框架下的业务恢复机制 |
| 5.3.4 基于优先缓存的DQN算法 |
| 5.4 实验分析 |
| 5.4.1 仿真参数设置 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第六章 基于拥塞缓解的业务路由优化及资源分配算法 |
| 6.1 引言 |
| 6.2 问题分析 |
| 6.2.1 问题描述 |
| 6.2.2 系统建模 |
| 6.3 算法设计 |
| 6.3.1 基于路由满意度的业务路由算法 |
| 6.3.2 基于链路时频连续度的频谱资源分配算法 |
| 6.3.3 算法时间复杂度分析 |
| 6.4 实验分析 |
| 6.4.1 仿真参数设置 |
| 6.4.2 实验结果分析 |
| 6.5 本章小结 |
| 第七章 结束语 |
| 7.1 论文总结 |
| 7.2 未来的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
（6）电子元器件仓库的物料输送路径算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 电子工厂物料输送的发展现状 |
| 1.3 路径规划算法的研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 物料输送路径规划问题的研究 |
| 2.1 路径规划的一般步骤 |
| 2.2 环境建模 |
| 2.3 基本蚁群算法的路径规划 |
| 2.3.1 蚁群算法基本理论 |
| 2.3.2 算法流程及实现过程 |
| 2.3.3 仿真与结果分析 |
| 2.4 基本算法存在问题及成因 |
| 2.5 蚁群算法在路径问题上的研究 |
| 2.6 本章小结 |
| 第3章 改进蚁群算法的全局路径规划 |
| 3.1 改进思路 |
| 3.2 改进的混合蚁群算法路径规划 |
| 3.2.1 信息素更新机制 |
| 3.2.2 状态转移概率 |
| 3.2.3 路径个体编码 |
| 3.2.4 种群初始化 |
| 3.2.5 路径个体评价函数 |
| 3.2.6 遗传算子 |
| 3.2.7 免疫算子 |
| 3.3 算法流程及实现过程 |
| 3.4 静态仿真与结果分析 |
| 3.4.1 实验1:算法结构改进验证 |
| 3.4.2 实验2:算法融合改进验证 |
| 3.4.3 实验3:20×20 仓储障碍 |
| 3.4.4 实验4:30×30 仓储障碍 |
| 3.4.5 实验结果分析 |
| 3.5 参数设置对算法性能的影响 |
| 3.6 对比实验 |
| 3.7 本章小结 |
| 第4章 改进蚁群算法的动态路径规划 |
| 4.1 在线冲突类型 |
| 4.2 路径动态冲突检测与处理 |
| 4.2.1 冲突检测 |
| 4.2.2 冲突消解策略 |
| 4.2.3 动态路径规划策略 |
| 4.3 机器人运动问题描述 |
| 4.4 算法流程及实现过程 |
| 4.5 动态仿真与结果分析 |
| 4.6 实物综合实验 |
| 4.6.1 实验背景及过程 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术成果 |
| 致谢 |
（7）基于启发式算法的物流配送路径设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 课题来源 |
| 1.4 研究框架及组织结构 |
| 第二章 相关技术研究 |
| 2.1 相关基础知识 |
| 2.1.1 物流配送路径概述 |
| 2.1.2 启发式算法概述 |
| 2.2 物流配送路径研究现状 |
| 2.3 物流配送路径问题的算法研究现状 |
| 2.3.1 精确算法在物流配送路径中的研究现状 |
| 2.3.2 启发式算法在物流配送路径中的研究现状 |
| 2.4 本章小结 |
| 第三章 物流配送优化路径系统总体设计 |
| 3.1 系统设计目标 |
| 3.1.1 系统功能需求 |
| 3.1.2 系统性能需求 |
| 3.2 系统总体架构设计 |
| 3.3 系统功能设计 |
| 3.4 本章小结 |
| 第四章 成本最小化物流配送路径优化模型 |
| 4.1 物流配送路径优化分析 |
| 4.2 成本最小化物流配送路径优化问题 |
| 4.2.1 成本最小化物流配送路径问题描述 |
| 4.2.2 成本最小化物流配送路径优化目标 |
| 4.3 成本最小化物流配送路径优化模型 |
| 4.3.1 模型假设 |
| 4.3.2 模型参数 |
| 4.3.3 模型设计 |
| 4.4 本章小结 |
| 第五章 基于粒子群和人工蜂群混合算法的物流配送路径优化 |
| 5.1 启发式算法分析 |
| 5.1.1 粒子群和人工蜂群算法的优势 |
| 5.1.2 粒子群和人工蜂群算法的问题分析 |
| 5.2 基于粒子群和人工蜂群混合算法设计 |
| 5.2.1 再生新粒子机制 |
| 5.2.2 改进玻尔兹曼选择 |
| 5.2.3 基于粒子群和人工蜂群混合算法流程 |
| 5.3 基于粒子群和人工蜂群混合算法性能分析 |
| 5.3.1 仿真环境 |
| 5.3.2 改进前后算法性能分析 |
| 5.4 基于粒子群和人工蜂群混合算法的物流配送路径优化性能分析 |
| 5.4.1 实验数据集 |
| 5.4.2 参数设定 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第六章 物流配送路径优化系统实现与测试 |
| 6.1 系统开发环境 |
| 6.2 物流配送路径优化系统实现 |
| 6.2.1 信息输入模块 |
| 6.2.2 路径优化模块 |
| 6.2.3 状态显示模块 |
| 6.3 物流配送路径优化系统功能测试 |
| 6.3.1 输入区 |
| 6.3.2 优化路径显示区和状态区 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）基于静电势场蚁群算法的移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题的背景及意义 |
| 1.2 移动机器人路径规划研究现状 |
| 1.2.1 传统的路径规划方法 |
| 1.2.2 智能优化算法 |
| 1.3 本文的主要研究及结构安排 |
| 第2章 经典蚁群算法原理及分析 |
| 2.1 蚁群算法基本原理 |
| 2.1.1 双桥实验 |
| 2.1.2 蚁群算法数学模型 |
| 2.1.3 旅行商问题 |
| 2.1.4 三种信息素更新模型仿真分析 |
| 2.2 蚁群算法的几种典型改进方法 |
| 2.2.1 带精英策略的蚂蚁系统 |
| 2.2.2 最大最小蚂蚁系统 |
| 2.2.3 基于蚂蚁排名的蚂蚁系统 |
| 2.3 本章小结 |
| 第3章 蚁群算法在路径规划中的实现以及参数分析 |
| 3.1 环境建模 |
| 3.1.1 可视图法 |
| 3.1.2 拓扑图法 |
| 3.1.3 Voronoi图法 |
| 3.1.4 栅格地图法 |
| 3.2 蚁群算法在路径规划中的实现 |
| 3.2.1 栅格地图法环境建模 |
| 3.2.2 机器人移动规则与路径表示 |
| 3.2.3 基本蚁群算法用于路径规划步骤 |
| 3.3 蚁群算法仿真实验与参数分析 |
| 3.3.1 蚂蚁种群数量对算法性能的影响 |
| 3.3.2 信息素影响因子对算法性能的影响 |
| 3.3.3 启发式影响因子对算法性能的影响 |
| 3.3.4 信息素挥发率对算法性能的影响 |
| 3.3.5 信息素增强系数对算法性能的影响 |
| 3.4 蚁群算法与遗传算法用于路径规划仿真对比 |
| 3.5 蚁群算法用于路径规划优缺点分析 |
| 3.5.1 蚁群算法用于路径规划优势 |
| 3.5.2 蚁群算法用于路径规划劣势 |
| 3.6 本章小结 |
| 第4章 基于静电势场法改进的蚁群算法用于路径规划 |
| 4.1 静电势场法原理 |
| 4.1.1 静电势场法代价函数建立 |
| 4.1.2 静电势场法具体步骤 |
| 4.1.3 静电势场法与人工势场法仿真对比 |
| 4.1.4 参数α对静电势场法性能的影响 |
| 4.2 基于静电势场法改进的蚁群算法 |
| 4.2.1 启发函数的改进 |
| 4.2.2 回退机制 |
| 4.2.3 动态化信息素挥发因子 |
| 4.2.4 路径几何优化 |
| 4.3 改进算法的流程 |
| 4.4 仿真验证 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间所发表的论文专利和科研项目 |
（9）基于WOA的多模态优化方法及在TSP问题中的应用研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容及贡献 |
| 1.4 本文结构安排 |
| 第二章 相关理论与技术研究 |
| 2.1 鲸鱼优化算法 |
| 2.1.1 包围猎物 |
| 2.1.2 泡泡网攻击 |
| 2.1.3 随机搜寻猎物 |
| 2.2 多模态优化问题 |
| 2.3 小生境方法 |
| 2.4 旅行商问题 |
| 2.5 局部搜索方法 |
| 2.6 本章小结 |
| 第三章 多模态鲸鱼优化算法 |
| 3.1 小生境的策略 |
| 3.1.1 K-means聚类算法 |
| 3.1.2 固定簇大小聚类算法 |
| 3.2 鲸鱼优化算法的新解构建方法 |
| 3.3 基于高斯采样的局部搜索算法 |
| 3.4 计算复杂性 |
| 3.5 实验结果及分析 |
| 3.5.1 多模态测试函数 |
| 3.5.2 评估策略 |
| 3.5.3 实验环境和参数设置 |
| 3.5.4 算法性能比较 |
| 3.5.5 处理带非线性约束多模态优化问题 |
| 3.6 本章小结 |
| 第四章 离散鲸鱼优化算法 |
| 4.1 离散化鲸鱼优化算法 |
| 4.1.1 离散化包围猎物 |
| 4.1.2 离散化泡泡网攻击 |
| 4.1.3 离散化随机搜寻猎物 |
| 4.2 2-opt局部搜索方法 |
| 4.3 实验结果及分析 |
| 4.3.1 实验环境及参数设置 |
| 4.3.2 算法性能比较 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 本文展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 附件 |
（10）Fishbone型仓储布局的订单分批及拣选路径研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非传统布局研究现状 |
| 1.2.2 订单分批研究现状 |
| 1.2.3 拣选路径研究现状 |
| 1.2.4 研究现状总结与分析 |
| 1.3 研究框架 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 相关理论知识 |
| 2.1 拣选作业概述 |
| 2.1.1 拣选的概念和流程 |
| 2.1.2 货物拣选原则 |
| 2.1.3 影响拣选作业效率的因素 |
| 2.2 分批拣选相关理论 |
| 2.2.1 订单分批问题概述 |
| 2.2.2 订单分批策略 |
| 2.3 拣选路径相关理论 |
| 2.3.1 拣选路径问题概述 |
| 2.3.2 拣选路径策略 |
| 2.4 算法理论 |
| 2.4.1 遗传算法 |
| 2.4.2 蚁群算法 |
| 2.5 本章小结 |
| 第3章 订单分批优化模型及算法 |
| 3.1 问题描述 |
| 3.2 订单分批优化模型 |
| 3.2.1 模型假设 |
| 3.2.2 模型建立 |
| 3.3 订单分批算法设计 |
| 3.4 本章小结 |
| 第4章 拣选路径优化模型及算法 |
| 4.1 问题描述 |
| 4.2 拣选路径优化模型 |
| 4.2.1 模型假设 |
| 4.2.2 一单一车拣选路径模型 |
| 4.2.3 一单多车拣选路径模型 |
| 4.2.4 非传统布局货位距离矩阵 |
| 4.3 拣选路径算法设计 |
| 4.4 本章小结 |
| 第5章 仿真实验与分析 |
| 5.1 问题说明 |
| 5.1.1 布局设计及货位编码 |
| 5.1.2 实验参数设置 |
| 5.2 问题求解 |
| 5.2.1 订单分批优化算例 |
| 5.2.2 拣选路径优化算例 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 分批订单信息与分批算法代码 |
| 附录B 拣选路径算法代码 |
| 攻读学位期间的研究成果 |
四、一种启发式遗传算法及其在最短路径求取中的应用（论文参考文献）
- [1]大型网上超市多品订单多仓协同分拣优化研究[D]. 张钰倩. 华北电力大学(北京), 2021(01)
- [2]应急物流运输调度理论与方法研究[D]. 黄戈文. 广东工业大学, 2021(08)
- [3]柔性作业车间加工机器与配送AGV双资源集成调度问题[D]. 马铭阳. 吉林大学, 2021(01)
- [4]多品种小批量模式下的成组调度研究[D]. 罗薛嵘. 电子科技大学, 2021(01)
- [5]智能电网通信网中业务驱动的高可靠路由算法研究[D]. 刘保菊. 北京邮电大学, 2021(01)
- [6]电子元器件仓库的物料输送路径算法研究[D]. 王珊珊. 哈尔滨理工大学, 2021(09)
- [7]基于启发式算法的物流配送路径设计与实现[D]. 杜芋颖. 南京邮电大学, 2020(03)
- [8]基于静电势场蚁群算法的移动机器人路径规划研究[D]. 尤润川. 湖北工业大学, 2020(04)
- [9]基于WOA的多模态优化方法及在TSP问题中的应用研究[D]. 邹朋. 北京化工大学, 2020(02)
- [10]Fishbone型仓储布局的订单分批及拣选路径研究[D]. 雷兆发. 南昌大学, 2020(01)