针对带时间窗车辆路径问题(vehicle routing problem with time windows,VRPTW),提出了混合种群增量学习算法(hybrid population-based incremental learning algorithm,HPBIL),用于同时最小化车辆数和总行驶距离.在HPBIL中,通过改进标...针对带时间窗车辆路径问题(vehicle routing problem with time windows,VRPTW),提出了混合种群增量学习算法(hybrid population-based incremental learning algorithm,HPBIL),用于同时最小化车辆数和总行驶距离.在HPBIL中,通过改进标准的PBIL概率模型以提高算法的全局探索能力,同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力.仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.展开更多
文摘针对带时间窗车辆路径问题(vehicle routing problem with time windows,VRPTW),提出了混合种群增量学习算法(hybrid population-based incremental learning algorithm,HPBIL),用于同时最小化车辆数和总行驶距离.在HPBIL中,通过改进标准的PBIL概率模型以提高算法的全局探索能力,同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力.仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.
文摘针对标准蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole,4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone,VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA_CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。
