论文部分内容阅读
随着我国经济的飞速发展,物流作为现代服务业的主要支柱产业也面临着向信息化和智能化转型的机遇。高效、安全和低碳为物流资源的合理利用提出了更高的要求和挑战。在新发展趋势下,如何对具有大规模、动态和多目标等特征的复杂物流问题进行优化受到了特别关注,常规方法往往不能满足实际应用的需要。群智能算法高效和简洁的计算性能,为解决物流运作中的复杂问题提供了可行的技术手段。然而在解决复杂问题中,一般的群智能算法仍然面临着容易陷入局部最优和早熟等问题,阻碍了其在物流领域的深入应用。如果可以改善群智能算法缺陷,将会极大提升群智能算法的优化能力,拓展在物流领域的应用。论文旨在从种群拓扑网络、邻域结构和个体行为方面研究群智能算法的改进和构建,以提高智能算法在处理复杂优化问题的能力,为解决物流运作中的实际问题提供有效方法。论文主要研究工作和创新点如下:(1)从邻域构建角度,提出了聚类自适应粒子群改进算法(APSO-C)。基于对种群中个体搜索行为的分析,采用K-means方法对种群进行动态分割,从而构建多个具有不同属性的异构子簇,并采用基于环形拓扑结构进行不同簇间的信息交互。基于所形成的簇结构,构建了通过簇所处搜索水平评估的参数自适应调整策略,实现了簇内每个粒子根据自身的寻解水平对各自的参数自适应调整,从而在不同阶段赋予个体不同的搜索能力。通过Benchmark测试,APSO-C与同类对比算法相比,具有较好的搜索能力和鲁棒性,显著提高了算法性能。(2)从种群中社会网络关系角度,提出了基于社会网络演化的改进粒子群优化算法(PSODT-SNE)。算法中将社会网络演化行为引入到种群搜索过程中,基于动态社会网络进行种群拓扑网络的调整,以调整搜索过程中优化信息的扩散路径,促进个体之间的信息交流,提高个体搜索能力。实验表明该算法与已有相关算法相比,收敛速度和效率均有明显提高。(3)提出了基于种群拓扑网络、邻域结构和个体行为的社会网络群智能优化算法(SNSO)。在算法SNSO中,构建了社会网络演化规则、扩展邻域结构和个体综合学习策略,改善群体搜索行为,并通过三方面的参数组合实验,分析了它们对群体优化能力的影响。通过与同类算法的测试比较,该算法表现出良好的优化性能,为群智能算法的构建和改进提供了一种可借鉴的方法。(4)研究了集装箱运输的公铁水多式联运群智能优化问题。论文提出了一种基于按比例流量分配和局部流量调整的策略,构建了基于群智能算法的个体连续表达与问题离散空间的完整映射模型,并采用PSODT-SNE和SNSO算法对多式联运问题进行了求解。通过实验仿真,并与同类优秀算法比较,验证了算法的有效性。所提出的编码策略也适用于其它连续空间编码的智能算法进行同类问题的求解。(5)研究了基于群智能算法的集装箱船舶贝位配载优化问题。论文通过基于位置信息的装载顺序解码策略和依据规则的装载方式,实现了个体信息与配置方案的解码,采用论文所提出SNSO算法对问题进行了求解。通过不同规模的仿真案例比较,SNSO算法在求解效率和优化结果方面都取得了很好的效果,验证了算法在处理实际问题中的有效性。