粒子群算法由于其概念簡單、參數(shù)較少、容易實(shí)現(xiàn)等優(yōu)點(diǎn),常被用于求解路徑規(guī)劃問題,在物流派送方面有著重要的應(yīng)用.但其存在局部搜索能力差、易陷入局部極值、搜索精度低等缺陷,而遺傳算法是從串集開始搜索的,具有很強(qiáng)的全局搜索能力.本文融合遺傳算法中交叉變異的思想于粒子群算法中,提出了一種改進(jìn)PSO算法,利用交叉操作篩選粒子初始位置,借助變異思想來提高最優(yōu)解的搜索速率.仿真結(jié)果表明,該方法能夠提高標(biāo)準(zhǔn)粒子群算法的搜索能力,獲得了較好的收斂速度和最優(yōu)路徑. 

【文章來源】：湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版). 2019,37(04)

【文章頁數(shù)】：4 頁

【部分圖文】：

算法收斂示意圖Fig．4Schematicdiagramofalgorithmconvergence(a)(b)(c)

圖3為某城市派送位置分布圖，其橫縱坐標(biāo)構(gòu)成一個(gè)70km×70km的矩形區(qū)域，表示該城市的派送范圍，圖中方點(diǎn)表示該城市中某個(gè)具體派送位置．通過引入相應(yīng)的算法，在滿足相應(yīng)的條件下，使其所走路徑最簡高效，則值最優(yōu)，效果最好．圖2改進(jìn)PSO算法流程圖圖3城市派送位置分布圖Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析圖4為算法收斂示意圖，其中圖4(a)為標(biāo)準(zhǔn)粒子群算法算法收斂示意圖，圖4(b)為迭代次數(shù)為100次的改進(jìn)后的粒子群算法收斂示意圖，圖4(c)為迭代次數(shù)為200次的改進(jìn)后的粒子群算法收斂示意圖．(a)(b)(c)圖4算法收斂示意圖Fig．4Schematicdiagramofalgorithmconvergence圖5為最優(yōu)路徑圖，其中圖5(a)為標(biāo)準(zhǔn)粒子群算法在地圖上的最優(yōu)路徑，圖5(b)為迭代次數(shù)為100次的改進(jìn)后的粒子群算法在地圖上的最優(yōu)路徑，圖5(c)為迭代次數(shù)為200次的改進(jìn)后的粒子群算法在地圖上的最優(yōu)路徑．(a)(b)(c)圖5最優(yōu)路徑圖Fig．5Optimalpathmap由圖4(a)可知當(dāng)?shù)螖?shù)為18次時(shí)，粒子便開始收斂，適應(yīng)值為1057．05km，誤差較大，可見粒子過早第4期余鵬程等:改進(jìn)PSO算法在物流派送中的應(yīng)用334

圖3為某城市派送位置分布圖，其橫縱坐標(biāo)構(gòu)成一個(gè)70km×70km的矩形區(qū)域，表示該城市的派送范圍，圖中方點(diǎn)表示該城市中某個(gè)具體派送位置．通過引入相應(yīng)的算法，在滿足相應(yīng)的條件下，使其所走路徑最簡高效，則值最優(yōu)，效果最好．圖2改進(jìn)PSO算法流程圖圖3城市派送位置分布圖Fig．2FlowchartofimprovedPSOalgorithmFig．3Citydeliverylocationmap3仿真分析圖4為算法收斂示意圖，其中圖4(a)為標(biāo)準(zhǔn)粒子群算法算法收斂示意圖，圖4(b)為迭代次數(shù)為100次的改進(jìn)后的粒子群算法收斂示意圖，圖4(c)為迭代次數(shù)為200次的改進(jìn)后的粒子群算法收斂示意圖．(a)(b)(c)圖4算法收斂示意圖Fig．4Schematicdiagramofalgorithmconvergence圖5為最優(yōu)路徑圖，其中圖5(a)為標(biāo)準(zhǔn)粒子群算法在地圖上的最優(yōu)路徑，圖5(b)為迭代次數(shù)為100次的改進(jìn)后的粒子群算法在地圖上的最優(yōu)路徑，圖5(c)為迭代次數(shù)為200次的改進(jìn)后的粒子群算法在地圖上的最優(yōu)路徑．(a)(b)(c)圖5最優(yōu)路徑圖Fig．5Optimalpathmap由圖4(a)可知當(dāng)?shù)螖?shù)為18次時(shí)，粒子便開始收斂，適應(yīng)值為1057．05km，誤差較大，可見粒子過早第4期余鵬程等:改進(jìn)PSO算法在物流派送中的應(yīng)用334

【參考文獻(xiàn)】：
期刊論文
[1]基于GAPSO-MUSIC算法的矢量水聽器的DOA估計(jì)[J]. 姚建麗,胡紅萍,白艷萍,王建中,李薇.  西南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]求解特征值互補(bǔ)問題的遺傳算法[J]. 張美玲,韓海山.  內(nèi)蒙古民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[3]基于自適應(yīng)機(jī)制的遺傳算法研究[J]. 曲志堅(jiān),張先偉,曹雁鋒,劉曉紅,馮曉華.  計(jì)算機(jī)應(yīng)用研究. 2015(11)
[4]粒子群算法的物流配送路徑優(yōu)化研究[J]. 王華東,李巍.  計(jì)算機(jī)仿真. 2012(05)
[5]求解旅行商問題的混合粒子群優(yōu)化算法[J]. 沈繼紅,王侃.  智能系統(tǒng)學(xué)報(bào). 2012(02)
[6]多旅行商問題研究綜述[J]. 俞慶生,林冬梅,王東.  價(jià)值工程. 2012(02)
[7]改進(jìn)的粒子群算法在旅行商問題中的應(yīng)用[J]. 曹平,陳盼,劉世華.  計(jì)算機(jī)工程. 2008(11)
[8]基于模擬退火算法思想的粒子群優(yōu)化算法[J]. 高尚,楊靜宇,吳小俊,劉同明.  計(jì)算機(jī)應(yīng)用與軟件. 2005(01)
[9]粒子群優(yōu)化算法求解旅行商問題[J]. 黃嵐,王康平,周春光,龐巍,董龍江,彭利.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2003(04)
[10]企業(yè)如何拓展第三方物流[J]. 王佐.  物流技術(shù)與應(yīng)用. 2001(03)

博士論文
[1]粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D]. 王俊偉.東北大學(xué) 2006

碩士論文
[1]粒子群遺傳混合算法及其在函數(shù)優(yōu)化上的應(yīng)用[D]. 倪全貴.華南理工大學(xué) 2014



本文編號(hào)：3596663