CN111353738A - 一种应用改进的混合免疫算法优化物流配送中心选址方法 - Google Patents
一种应用改进的混合免疫算法优化物流配送中心选址方法 Download PDFInfo
- Publication number
- CN111353738A CN111353738A CN202010102759.6A CN202010102759A CN111353738A CN 111353738 A CN111353738 A CN 111353738A CN 202010102759 A CN202010102759 A CN 202010102759A CN 111353738 A CN111353738 A CN 111353738A
- Authority
- CN
- China
- Prior art keywords
- antibody
- immune algorithm
- selection
- algorithm
- distribution center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000000137 annealing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000035772 mutation Effects 0.000 claims description 11
- 239000000427 antigen Substances 0.000 claims description 7
- 108091007433 antigens Proteins 0.000 claims description 5
- 102000036639 antigens Human genes 0.000 claims description 5
- 230000003053 immunization Effects 0.000 claims description 4
- 238000002649 immunization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000002922 simulated annealing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0836—Recipient pick-ups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用改进的混合免疫算法优化物流配送中心选址方法,包括如下步骤:(1)建立物流中心选址的模型;(2)进行免疫算法计算;(3)进行改进的混合免疫算法计算。其有益效果在于:针对常规免疫算法容易陷入局部最优的问题,在免疫环节中使用模拟退火实现了动态阈值选择进而实时修改函数期望值、同时在免疫中采用随机单点交叉操作和高频变异等操作保证了抗体的多样性。改进后的算法提高了抗体多样性从而避免了陷入局部最优值以及加快收敛速度。在此使用模拟退火修正免疫克隆算法的函数繁殖期望来进行动态阈值选择、随机单点交叉操作、高频变异等操作来提高种群多样性以避免陷入局部最优,减少了时间复杂度,也加快了收敛速度。
Description
技术领域
本发明属于一种物流配送的方法,具体涉及一种应用改进的混合免疫算法优化物流配送中心选址方法。
背景技术
现有的物流中心选址问题主要基于以下假设:
(1)配送中心的规模容量总可以满足需求点需求,并由其配送辐射范围内的需求量确定;
(2)一个需求点仅由一个配送中心供应;
(3)不考虑工厂到配送中心的运输费用。
目标函数为:
约束条件为:
Zij≤hj,i∈N,j∈Mi (3)
其中,N={1,2,3,L,n},是所有需求点的序号集合;Mi为到需求点i的距离小于s的备选配送中心集合,i∈N,∈i表示需求点的需求量;dij表示从需求点i到离它最近的配送中心j的距离,Zij为0-1变量,表示用户和物流中心的服务需求分配关系,s为新建配送中心离由它服务需求点的距离上限。目标函数使用公式(10)表示后,要寻找最优的配送中心地址就转换成了一个最优问题,在此使用免疫算法进行寻优。
现有的免疫算法原理
(1)抗体与抗原间亲和力函数
其中Fv为目标函数;分母中的第二项表示对违反距离约束的解给予惩罚,
其中C取一个比较大的常数。
(2)抗体与抗体间亲和力函数
其中Kv,s为抗体v和抗体s中相同元素个数的位数;L为抗体的长度。
(3)抗体浓度函数
其中:N为抗体总数,
其中,T为预先设定的一个阈值。
(4)函数繁殖期望率
群体个体的期望繁殖率由抗体和抗原间亲和力Av和抗体浓度Cv共同决定,如公式(9)所示:
(5)免疫操作
选择操作,根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作。交叉操作,一般采用按照一定指定的位置进行交叉;变异操作,采用随机位置变异。
综上所述,现有的免疫算法在物流配送中心无法快速收敛到全局最优问题。
发明内容
本发明的目的是提供一种应用改进的混合免疫算法优化物流配送中心选址方法,它使用模拟退火方法来实时产生阈值来指导抗体选择规则、在变异抗体时采用单点交叉操作和高频变异等操作来变异出更多优质的抗体,从而保证改进免疫算法快速地收敛到全局最优值,节省优化时间,提高工作效率。
本发明的技术方案如下:一种应用改进的混合免疫算法优化物流配送中心选址方法,包括如下步骤:
(1)建立物流中心选址的模型;
(2)进行免疫算法计算;
(3)进行改进的混合免疫算法计算。
所述步骤(1)具体包括,
建立目标函数:
约束条件为:
Zij≤hj,i∈N,j∈Mi (3)
其中,N={1,2,3,L,n}是所有需求点的序号集合;Mi为到需求点i的距离小于s的备选配送中心集合,i∈N,ωi表示需求点的需求量;dij表示从需求点i到离它最近的配送中心j的距离,Zij为0-1变量,表示用户和物流中心的服务需求分配关系,s为新建配送中心离由它服务需求点的距离上限。
所述步骤(2)包括:
1)建立抗体与抗原间亲和力函数Av
其中,Fv为目标函数;分母中的第二项表示对违反距离约束的解给予惩罚,
其中,C为常数;
2)抗体与抗体间亲和力函数Sv,s
其中,Kv,s为抗体v和抗体s中相同元素个数的位数,L为抗体的长度;
3)抗体浓度函数Cv
其中,N为抗体总数,
其中,T为预先设定的一个阈值;
4)函数繁殖期望率
群体个体的期望繁殖率由抗体和抗原间亲和力Av和抗体浓度Cv共同决定,如公式(9)所示:
5)进行免疫操作
a)选择操作,根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作;
b)交叉操作,按照指定的位置进行交叉;
c)变异操作,采用随机位置变异。
所述步骤(3)包括:
1)自适应选择操作
引入迭代次数来分阶段地改抗体浓度函数,具体如公式(10)所示:
其中a=1,根据公式(10)来更新抗体浓函数(8);根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作,在种群中以一定比例r抽取r*n个个体,假如这些个体比父代更优,进行退火选择,具体如公式(11)
其中,Tk为第k次迭代温度,T0=100,k为当前迭代次数;
2)进行交叉操作
采用按照一定指定的位置进行交叉;在此使用随机单点交叉操作,即:随机的产生两个单点位置,再交换这两个位置上的基因;
3)变异操作
为防止免疫算法陷入局部最优值,对于抗体进行一个指定半径领域的变异再进行高频变异;
式中,R为高频半径,通常大于克隆扩展半径,rand(1-R,1+R)为产(1-R,1+R)生之间的一个随机数。
本发明的有益效果在于:针对常规免疫算法容易陷入局部最优的问题,在免疫环节中使用模拟退火实现了动态阈值选择进而实时修改函数期望值、同时在免疫中采用随机单点交叉操作和高频变异等操作保证了抗体的多样性。改进后的算法提高了抗体多样性从而避免了陷入局部最优值以及加快收敛速度。在此使用模拟退火修正免疫克隆算法的函数繁殖期望来进行动态阈值选择、随机单点交叉操作、高频变异等操作来提高种群多样性以避免陷入局部最优。通过设定不同实验参数后的对比性实验表明:该方法减少了时间复杂度,也加快了收敛速度。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
一种应用改进的混合免疫算法优化物流配送中心选址方法,具体包括如下步骤:
(1)建立物流中心选址的模型
所述的物流中心满足以下条件:
1)配送中心的规模容量总可以满足需求点需求,并由其配送辐射范围内的需求量确定;
2)一个需求点仅由一个配送中心供应;
3)不考虑工厂到配送中心的运输费用。
建立目标函数为:
约束条件为:
Zij≤hj,i∈N,j∈Mi (3)
其中,N={1,2,3,L,n}是所有需求点的序号集合;Mi为到需求点i的距离小于s的备选配送中心集合,i∈N,ωi表示需求点的需求量;dij表示从需求点i到离它最近的配送中心j的距离,Zij为0-1变量,表示用户和物流中心的服务需求分配关系,s为新建配送中心离由它服务需求点的距离上限。
Zij为{0,1}布尔变量,保证每个需求点只能由一个配送中心服务;
式(3)确保需求点的需求量只能被设为配送中心的点供应,既没有配送中心的点不会有客户;
式Zij,hj∈{0,1},i∈N,j∈Mi,dij≤s表示变量Zij和hj是{0,1}布尔变量
式(1-6)保证了需求点在配送中心可配送到的范围内。
F是目标函数,表示一个配送中心到需求点的需求量和距离之的乘积之和最小。Mj为到需求点j的距离小于s的备选配送中心集合。
(2)进行免疫算法计算
1)建立抗体与抗原间亲和力函数Av
其中,Fv为目标函数;分母中的第二项表示对违反距离约束的解给予惩罚,
其中,C为常数。
2)抗体与抗体间亲和力函数Sv,s
其中,Kv,s为抗体v和抗体s中相同元素个数的位数;L为抗体的长度。
3)抗体浓度函数Cv
其中,N为抗体总数,
其中,T为预先设定的一个阈值。
4)函数繁殖期望率
群体个体的期望繁殖率由抗体和抗原间亲和力Av和抗体浓度Cv共同决定,如公式(9)所示:
5)进行免疫操作
a)选择操作,根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作;
b)交叉操作,按照指定的位置进行交叉;
c)变异操作,采用随机位置变异。
(3)进行改进的混合免疫算法计算
1)自适应选择操作
由于前期寻优的随机较大,给予较大的阈值,可以保证不陷入局部最优,后期属于较为精细的查找,随机性要控制在一定范围,于是引入迭代次数来分阶段地改抗体浓度函数,具体如公式(10)所示:
其中,T是总的迭代次数,t是当前迭代次数,sizepop是种群规模,α是一个属于(0,1)的常数。
其中a=1,根据公式(10)来更新抗体浓函数(8);根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作,在此引入模拟退火思想来修改函数繁殖期望率,在种群中以一定比例r抽取r*n个个体。假如这些个体比父代更优,就进行退火选择,具体如公式(11)
其中,Tk为第k次迭代温度,T0=100,k为当前迭代次数。
采用按照一定指定的位置进行交叉;在此使用随机单点交叉操作,即:随机的产生两个单点位置,再交换这两个位置上的基因。
3)变异操作
为防止免疫算法陷入局部最优值,对于抗体进行一个指定半径领域的变异再进行高频变异。
式中,R为高频半径,通常大于克隆扩展半径,rand(1-R,1+R)为产(1-R,1+R)生之间的一个随机数。
其中,xi,t是第t次抗体,xi,min是第t次抗体中适应度值最小值,xi,max是第t次抗体中适应度值最大值。x*i,t是第t次抗体中更新后的最新抗体的取值。
Claims (4)
1.一种应用改进的混合免疫算法优化物流配送中心选址方法,其特征在于,包括如下步骤:
(1)建立物流中心选址的模型;
(2)进行免疫算法计算;
(3)进行改进的混合免疫算法计算。
3.如权利要求1所述的一种应用改进的混合免疫算法优化物流配送中心选址方法,其特征在于,所述步骤(2)包括:
1)建立抗体与抗原间亲和力函数Av
其中,Fv为目标函数;分母中的第二项表示对违反距离约束的解给予惩罚,
其中,C为常数;
2)抗体与抗体间亲和力函数Sv,s
其中,Kv,s为抗体v和抗体s中相同元素个数的位数,L为抗体的长度;
3)抗体浓度函数Cv
其中,N为抗体总数,
其中,T为预先设定的一个阈值;
4)函数繁殖期望率
群体个体的期望繁殖率由抗体和抗原间亲和力Av和抗体浓度Cv共同决定,如公式(9)所示:
5)进行免疫操作
a)选择操作,根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作;
b)交叉操作,按照指定的位置进行交叉;
c)变异操作,采用随机位置变异。
4.如权利要求1所述的一种应用改进的混合免疫算法优化物流配送中心选址方法,其特征在于,所述步骤(3)包括:
1)自适应选择操作
引入迭代次数来分阶段地改抗体浓度函数,具体如公式(10)所示:
其中a=1,根据公式(10)来更新抗体浓函数(8);根据公式(9)来计算期望繁殖概率,然后采用轮盘赌选择机制进行选择操作,在种群中以一定比例r抽取r*n个个体,进行退火选择,具体如公式(11)
其中,Tk为第k次迭代温度,T0=100,k为当前迭代次数;
2)进行交叉操作
采用按照一定指定的位置进行交叉;在此使用随机单点交叉操作,即:随机的产生两个单点位置,再交换这两个位置上的基因;
3)变异操作
为防止免疫算法陷入局部最优值,对于抗体进行一个指定半径领域的变异再进行高频变异;
式中,R为高频半径,通常大于克隆扩展半径,rand(1-R,1+R)为产(1-R,1+R)生之间的一个随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102759.6A CN111353738B (zh) | 2020-02-19 | 2020-02-19 | 一种应用改进的混合免疫算法优化物流配送中心选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102759.6A CN111353738B (zh) | 2020-02-19 | 2020-02-19 | 一种应用改进的混合免疫算法优化物流配送中心选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353738A true CN111353738A (zh) | 2020-06-30 |
CN111353738B CN111353738B (zh) | 2023-06-23 |
Family
ID=71194029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010102759.6A Active CN111353738B (zh) | 2020-02-19 | 2020-02-19 | 一种应用改进的混合免疫算法优化物流配送中心选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353738B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076621A (zh) * | 2020-09-04 | 2021-07-06 | 中移(上海)信息通信科技有限公司 | 参考站网的选址方法、装置、电子设备及计算机存储介质 |
CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
CN114091722A (zh) * | 2021-10-09 | 2022-02-25 | 山东师范大学 | 一种基于混合禁忌搜索的车辆路径优化方法及系统 |
CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070080788A1 (en) * | 2005-10-12 | 2007-04-12 | Honeywell International Inc. | System and method for slaves in a master-slave wireless network to dynamically develop affinity to a time slot |
US7424463B1 (en) * | 2004-04-16 | 2008-09-09 | George Mason Intellectual Properties, Inc. | Denoising mechanism for speech signals using embedded thresholds and an analysis dictionary |
RU2009106204A (ru) * | 2009-02-25 | 2010-08-27 | Учреждение Российской академии наук Институт системного программирования РАН (RU) | Итерационный способ получения функций похожести между объектами со ссылками |
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
CN105069220A (zh) * | 2015-08-04 | 2015-11-18 | 莆田学院 | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 |
WO2016078330A1 (zh) * | 2014-11-19 | 2016-05-26 | 天津大学 | 一种基于人工免疫的微电网分布式电源竞价方法 |
CN105825075A (zh) * | 2016-03-11 | 2016-08-03 | 大连大学 | 基于nga-ts算法的蛋白质结构预测方法 |
CN109378034A (zh) * | 2018-08-28 | 2019-02-22 | 浙江工业大学 | 一种基于距离分布估计的蛋白质预测方法 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
CN110619394A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于混沌免疫遗传机制的uuv智能体行为学习与演化模型 |
CN110659769A (zh) * | 2019-08-19 | 2020-01-07 | 浙江工业大学 | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 |
-
2020
- 2020-02-19 CN CN202010102759.6A patent/CN111353738B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7424463B1 (en) * | 2004-04-16 | 2008-09-09 | George Mason Intellectual Properties, Inc. | Denoising mechanism for speech signals using embedded thresholds and an analysis dictionary |
US20070080788A1 (en) * | 2005-10-12 | 2007-04-12 | Honeywell International Inc. | System and method for slaves in a master-slave wireless network to dynamically develop affinity to a time slot |
RU2009106204A (ru) * | 2009-02-25 | 2010-08-27 | Учреждение Российской академии наук Институт системного программирования РАН (RU) | Итерационный способ получения функций похожести между объектами со ссылками |
CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
WO2016078330A1 (zh) * | 2014-11-19 | 2016-05-26 | 天津大学 | 一种基于人工免疫的微电网分布式电源竞价方法 |
CN105069220A (zh) * | 2015-08-04 | 2015-11-18 | 莆田学院 | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 |
CN105825075A (zh) * | 2016-03-11 | 2016-08-03 | 大连大学 | 基于nga-ts算法的蛋白质结构预测方法 |
CN110619394A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于混沌免疫遗传机制的uuv智能体行为学习与演化模型 |
CN109378034A (zh) * | 2018-08-28 | 2019-02-22 | 浙江工业大学 | 一种基于距离分布估计的蛋白质预测方法 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
CN110659769A (zh) * | 2019-08-19 | 2020-01-07 | 浙江工业大学 | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 |
Non-Patent Citations (8)
Title |
---|
井治财;史恩秀;: "基于免疫遗传算法的AGV路径规划方法研究" * |
井治财;史恩秀;: "基于免疫遗传算法的AGV路径规划方法研究", 科技与企业, no. 05, pages 223 - 225 * |
华仔: "一种用于函数优化的免疫算法", Retrieved from the Internet <URL:https://tech.hqew.com/fangan_465771> * |
张弛;贾丽媛;王加阳;: "改进的混合免疫算法在约束函数优化中的应用" * |
张弛;贾丽媛;王加阳;: "改进的混合免疫算法在约束函数优化中的应用", 中南大学学报(自然科学版), no. 06, pages 23 - 29 * |
淦艳: "免疫算法在带权值的物流配送中心选址中的应用", vol. 32, no. 5, pages 107 - 113 * |
邓林: "改进的混合免疫算法在物流配送中心选址的应用", vol. 2020, no. 12, pages 49 - 50 * |
郭创新: "基于改进免疫算法的电力系统无功优化", vol. 29, no. 15, pages 23 - 25 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076621A (zh) * | 2020-09-04 | 2021-07-06 | 中移(上海)信息通信科技有限公司 | 参考站网的选址方法、装置、电子设备及计算机存储介质 |
CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
CN114091722A (zh) * | 2021-10-09 | 2022-02-25 | 山东师范大学 | 一种基于混合禁忌搜索的车辆路径优化方法及系统 |
CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111353738B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353738A (zh) | 一种应用改进的混合免疫算法优化物流配送中心选址方法 | |
CN107862411B (zh) | 一种大规模柔性作业车间调度优化方法 | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN111780759B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
Li et al. | A hybrid assembly sequence planning approach based on discrete particle swarm optimization and evolutionary direction operation | |
CN104866919B (zh) | 基于改进nsga-ii的含风电场电网多目标规划方法 | |
CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
CN112596525B (zh) | 基于遗传算法和改进人工势场法的机器人路径规划方法 | |
CN105809297A (zh) | 一种基于多目标差分进化算法的火电厂环境经济调度方法 | |
CN106777521B (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
CN104900988A (zh) | 一种改变辅助栅格圆半径来设计稀布圆形天线阵列的方法 | |
CN113673863A (zh) | 一种基于量子天牛须算法的电力系统经济调度方法 | |
CN111401693A (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
CN113791613A (zh) | 改进的黏菌优化算法及基于该算法的机器人多目标路径规划 | |
CN116540552A (zh) | 一种用于ems型磁悬浮列车的控制参数优化方法 | |
Chen et al. | Application of novel clonal algorithm in multiobjective optimization | |
CN110399697A (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN107507157B (zh) | 一种改进的图像增强方法 | |
Carvalho et al. | Multi-objective Flexible Job-Shop scheduling problem with DIPSO: More diversity, greater efficiency | |
CN102118332A (zh) | 基于免疫克隆粒子群优化的正交小波盲均衡方法 | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 | |
Raj et al. | Regular paper optimal power flow solution for combined economic emission dispatch problem using particle swarm optimization technique | |
Shi et al. | Handling multiobjectives with adaptive mutation based ε-dominance differential evolution | |
Xu et al. | A new multi-stage perturbed differential evolution with multi-parameter adaption and directional difference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |