CN112163808B - 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 - Google Patents
一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 Download PDFInfo
- Publication number
- CN112163808B CN112163808B CN202011010914.8A CN202011010914A CN112163808B CN 112163808 B CN112163808 B CN 112163808B CN 202011010914 A CN202011010914 A CN 202011010914A CN 112163808 B CN112163808 B CN 112163808B
- Authority
- CN
- China
- Prior art keywords
- adaptive
- logistics
- whale
- center
- solving
- 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.)
- Active
Links
Images
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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法。包括:S1.建立物流中心选址问题的数学模型;S2.基于对立学习的自适应鲸鱼算法进行求解;利用对立学习方法初始化种群,提高算法的全局探索能力;利用自适应的收敛因子提高了算法的局部搜索能力,避免以往方法中后期不能精细搜索;利用变异操作防止算法因丧失种群多样性陷入局部最优;S3.输出结果;重复执行步骤S2,直到达到最大迭代次数T或者目标函数在迭代过程中没有变化,输出最佳的物流选址中心。本发明将基于对立学习的自适应鲸鱼算法用于求解物流中心选址问题,避免已有方法易陷入早熟收敛和局部最优的缺陷,以显著提高配送中心选址问题的寻优效率和精度。
Description
技术领域
本发明涉及物流中心选址问题技术领域,更具体地,涉及一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法。
背景技术
物流中心选址问题在物流系统规划中起着重要的决策作用,它是物流调动中的核心问题。物流配送中心选址模式属于非线性模型,具有较多复杂的约束条件以及不光滑特性,可归于NP-hard问题。
物流中心就是连接厂家和客户的纽扣,通过厂家为不同客户提供产品,因而,适当地为物流中心选址可以有效改善产品流节约成本。近年来,国内外的研究学者对于物流配送选址问题进行了深入的研究,提出了层次分析法、智能优化算法、重心法和动态规划法等。如文献“刘敏.改进的花朵授粉算法在物流配送中心选址问题中的应用[J].计算机应用与软件,2019(6)”提出了改进的花朵授粉算法在物流配送中心选址问题中的应用;“尚猛,康建英,曹峻玮,等.基于改进鲸鱼优化算法的物流配送中心选址策略[J].计算机应用与软件,2019(6)”提出了基于改进鲸鱼优化算法的物流配送中心选址策略;但是,以上算法由于早熟收敛,使得搜索最优解的效率和精度不理想。对大规模配送中心问题,已有方法的选址方案精度较差。这主要是由于物流配送中心选址问题是一个NP问题,而现有单一机制的优化算法在寻优过程中很容易陷入局部最优,降低算法的搜索能力,最后的寻优结果较实际情况易出现较大偏差。
发明内容
本发明为克服上述现有技术中搜索最优解的效率和精度不高等缺陷,提供一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法,避免了已有方法易陷入早熟收敛和局部最优的缺陷,显著提高了配送中心选址问题的寻优效率和精度。
为解决上述技术问题,本发明采用的技术方案是:一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法,包括以下步骤:
S1.建立物流中心选址问题的数学模型:
式中,目标函数min F是使某个位置的需求量到与之最近的物流中心的距离乘积之和最小,其中,NT={1,…,n}是所有位置的编号集合;Mi是物流中心i可达到的范围,wi是编号为i的位置的需求量;dij是编号为i的位置到物流中心j的距离,且dij≤s,s表示位置在物流中心配送距离的上限;xij为0-1变量,表示编号为i的位置的需求量由物流中心j供应,若xij=1表示编号为j的位置被选为物流中心,否则为0;qj表示物流中心的服务需求分配关系,且qj为0-1变量;xij≤qj,i≤NT,j≤Mi;p为物流中心的数量;
S2.基于对立学习的自适应鲸鱼算法进行求解;首先,利用对立学习方法初始化种群,以扩大种群的搜索范围,提高算法的全局探索能力;其次,利用自适应的收敛因子提高了算法的局部搜索能力,避免以往方法中后期不能精细搜索;最后,利用变异操作防止算法因丧失种群多样性陷入局部最优;
S3.输出结果;重复执行步骤S2,直到达到最大迭代次数T或者目标函数在迭代过程中没有变化,输出最佳的物流选址中心。
进一步的,所述的步骤S2中利用对立学习方法初始化种群,具体包括:
首先均匀分布产生N个向量Bi(i=1,…,N);
然后采用反向学习技术为每个Bi产生一个反向向量Oi:
Oi=BL+BU-Bi
式中,BL和BU为向量Bi的上限和下限;
最后,将所有的Bi和Oi合并到一起,选择适应度值最好的N个向量组成初始种群。
进一步的,所述的步骤S2中利用自适应的收敛因子提高了算法的局部搜索能力具体包括:假设N个鲸鱼分布在D维空间中,第t代第i个个体的位置为全局最优个体用表示猎物位置;鲸鱼个体选择包围式狩猎机制和螺旋式狩猎机制的概率pr均为0.5,当参数|A|<1,概率pr<0.5,座头鲸选择包围式狩猎机制;当概率pr≥0.5,座头鲸选择螺旋式狩猎机制。
进一步的,所述的包围式狩猎机制能够识别猎物的位置并包围猎物,该行为可表示为:
进一步的,所述的螺旋式狩猎机制,向猎物位置移动并以螺旋式来进行狩猎,该行为可表示为:
进一步的,采用自适应控制因子策略,将控制因子a设置为
式中,T为最大迭代次数;该策略使得在迭代初期,a较大并慢慢地减少以促进全局搜索;在迭代后期,a较快下降以进行精细局部搜索。
进一步的,鲸鱼还根据彼此位置进行随机狩猎。
当参数|A|≥1,pr<0.5时,鲸鱼进行随机狩猎机制,该行为可表示为:
进一步的,所述的步骤S2中,为了提高鲸鱼算法的局部搜索能力,利用鲸鱼个体的适应度函数值来评判个体的性能,对性能较差的个体进行变异操作,该操作表示为:
式中,i1、i2为N个个体中随机选择且互不相同的个体,N是种群规模,r3和r4是[0,1]之间的随机数;prank(i)是当前迭代次数第i个个体的优化性能等级。
进一步的,prank(i)通过下式计算:
与现有技术相比,有益效果是:
1.本发明利用对立学习初始化种群,扩大了种群的搜索范围,加强了算法的全局搜索能力;
2.本发明利用自适应收敛因子提高了算法的局部搜索能力,避免了以往方法中后期不能精细搜索;
3.本发明利用变异操作防止算法因丧失种群多样性陷入局部最优;
4.本发明将基于对立学习的自适应鲸鱼算法用于求解物流中心选址问题,避免已有方法易陷入早熟收敛和局部最优的缺陷,以显著提高配送中心选址问题的寻优效率和精度。
附图说明
图1是本发明方法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
如图1所示,本发明提供一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法,包括以下步骤:
S1.建立物流中心选址问题的数学模型:
式中,目标函数min F是使某个位置的需求量到与之最近的物流中心的距离乘积之和最小,其中,NT={1,…,n}是所有位置的编号集合;Mi是物流中心i可达到的范围,wi是编号为i的位置的需求量;dij是编号为i的位置到物流中心j的距离,且dij≤s,s表示位置在物流中心配送距离的上限;xij为0-1变量,表示编号为i的位置的需求量由物流中心j供应,若xij=1表示编号为j的位置被选为物流中心,否则为0;qj表示物流中心的服务需求分配关系,且qj为0-1变量;式(2)保证每个位置只能由一个物流中心供应,其中xij≤qj,i≤NT,j≤Mi;式(3)表示物流中心的数量为;
S2.基于对立学习的自适应鲸鱼算法进行求解;首先,利用对立学习方法初始化种群,以扩大种群的搜索范围,提高算法的全局探索能力;其次,利用自适应的收敛因子提高了算法的局部搜索能力,避免以往方法中后期不能精细搜索;最后,利用变异操作防止算法因丧失种群多样性陷入局部最优;
S3.输出结果;重复执行步骤S2,直到达到最大迭代次数T或者目标函数在迭代过程中没有变化,输出最佳的物流选址中心。
求解物流中心的选择问题就是求满足式(1)的最小值。建立物流选址与鲸鱼算法如下的对应关系:鲸鱼位置对应于公式(1)的一组可行解;种群规模对应于式(1)的可行解的数量;维数对应于备选的城市个数;适应度对应于式(1)的目标函数值;编码方式对应于二进制编码。
以式(1)为目标函数,利用二进制编码表示鲸群的位置,二进制编码将城市的编码随机设为0或1,当城市选为物流中心时为1,否则为0。例如,X=(0,1,0,1,0,0,1,0)备选的城市个数为8,物流中心选址是编号2,4,7的城市。
在其中一些实施例中,步骤S2中利用对立学习方法初始化种群,具体包括:
首先均匀分布产生N个向量Bi(i=1,…,N);
然后采用反向学习技术为每个Bi产生一个反向向量Oi:
Oi=BL+BU-Bi
式中,BL和BU为向量Bi的上限和下限;
最后,将所有的Bi和Oi合并到一起,选择适应度值最好的N个向量组成初始种群。
在其中一些实施例中,所述的步骤S2中利用自适应的收敛因子提高了算法的局部搜索能力具体包括:假设N个鲸鱼分布在D维空间中,第t代第i个个体的位置为全局最优个体用表示猎物位置;鲸鱼个体选择包围式狩猎机制和螺旋式狩猎机制的概率pr均为0.5,当参数|A|<1,概率pr<0.5,座头鲸选择包围式狩猎机制;当概率pr≥0.5,座头鲸选择螺旋式狩猎机制。
在其中一些实施例中,所述的包围式狩猎机制能够识别猎物的位置并包围猎物,该行为可表示为:
在其中一些实施例中,所述的螺旋式狩猎机制,向猎物位置移动并以螺旋式来进行狩猎,该行为可表示为:
在其中一些实施例中,采用自适应控制因子策略,将控制因子a设置为
式中,T为最大迭代次数;该策略使得在迭代初期,a较大并慢慢地减少以促进全局搜索;在迭代后期,a较快下降以进行精细局部搜索。
在其中一些实施例中,鲸鱼还根据彼此位置进行随机狩猎。当参数|A|≥1,pr<0.5时,鲸鱼进行随机狩猎机制,该行为可表示为:
在其中一些实施例中,所述的步骤S2中,为了提高鲸鱼算法的局部搜索能力,利用鲸鱼个体的适应度函数值来评判个体的性能,对性能较差的个体进行变异操作,该操作表示为:
式中,i1、i2为N个个体中随机选择且互不相同的个体,N是种群规模,r3和r4是[0,1]之间的随机数;prank(i)是当前迭代次数第i个个体的优化性能等级。prank(i)通过下式计算:
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法,其特征在于,包括以下步骤:
S1.建立物流中心选址问题的数学模型:
式中,目标函数min F是使某个位置的需求量到与之最近的物流中心的距离乘积之和最小,其中,NT={1,…,n}是所有位置的编号集合;Mi是物流中心i可达到的范围,wi是编号为i的位置的需求量;dij是编号为i的位置到物流中心j的距离,且dij≤s,s表示位置在物流中心配送距离的上限;xij为0-1变量,表示编号为i的位置的需求量由物流中心j供应,若xij=1表示编号为j的位置被选为物流中心,否则为0;qj表示物流中心的服务需求分配关系,且qj为0-1变量;xij≤qj,i≤NT,j≤Mi;p为物流中心的数量;
S2.基于对立学习的自适应鲸鱼算法进行求解;首先,利用对立学习方法初始化种群,以扩大种群的搜索范围,提高算法的全局探索能力;其次,利用自适应的收敛因子提高了算法的局部搜索能力,避免以往方法中后期不能精细搜索;最后,利用变异操作防止算法因丧失种群多样性陷入局部最优;
所述的步骤S2中利用对立学习方法初始化种群,具体包括:
首先均匀分布产生N个向量Bi(i=1,…,N);
然后采用反向学习技术为每个Bi产生一个反向向量Oi:
Oi=BL+BU-Bi
式中,BL和BU为向量Bi的上限和下限;
最后,将所有的Bi和Oi合并到一起,选择适应度值最好的N个向量组成初始种群;
所述的步骤S2中利用自适应的收敛因子提高了算法的局部搜索能力,具体包括:假设N个鲸鱼分布在D维空间中,第t代第i个个体的位置为全局最优个体用表示猎物位置;鲸鱼个体选择包围式狩猎机制和螺旋式狩猎机制的概率pr均为0.5,当参数|A|<1,概率pr<0.5,座头鲸选择包围式狩猎机制;当概率pr≥0.5,座头鲸选择螺旋式狩猎机制;
S3.输出结果;重复执行步骤S2,直到达到最大迭代次数T或者目标函数在迭代过程中没有变化,输出最佳的物流选址中心。
5.根据权利要求1所述的基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法,其特征在于,鲸鱼还根据彼此位置进行随机狩猎。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010914.8A CN112163808B (zh) | 2020-09-23 | 2020-09-23 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010914.8A CN112163808B (zh) | 2020-09-23 | 2020-09-23 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163808A CN112163808A (zh) | 2021-01-01 |
CN112163808B true CN112163808B (zh) | 2022-04-01 |
Family
ID=73863494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010914.8A Active CN112163808B (zh) | 2020-09-23 | 2020-09-23 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163808B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344426B (zh) * | 2021-06-28 | 2023-06-06 | 杭州市电力设计院有限公司余杭分公司 | 一种储能站规划方法、装置及设备 |
CN114022069A (zh) * | 2021-10-29 | 2022-02-08 | 中山大学 | 一种面向农村电商物流的配送中心选址方法 |
CN117808034B (zh) * | 2024-02-29 | 2024-05-10 | 济南农智信息科技有限公司 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903037A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 配送中心选址的方法 |
CN103246937A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于对偶种群差分进化算法的周期列车时刻表调度优化方法 |
KR20140117073A (ko) * | 2013-03-26 | 2014-10-07 | 주식회사 엘지유플러스 | 통화 기반 관심사 제공을 위한 단말, 서버 장치, 방법, 및 기록 매체 |
CN105488580A (zh) * | 2015-10-09 | 2016-04-13 | 黑龙江职业学院 | 一种物流节点选址方法 |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
CN108205698A (zh) * | 2017-06-15 | 2018-06-26 | 广东工业大学 | 一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法 |
CN108269224A (zh) * | 2017-01-04 | 2018-07-10 | 意法半导体股份有限公司 | 可重新配置的互连 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
CN109784604A (zh) * | 2018-11-15 | 2019-05-21 | 长安大学 | 一种基于鲸鱼算法的柔性作业车间制造资源分配方法 |
CN109800850A (zh) * | 2019-01-24 | 2019-05-24 | 沈阳航空航天大学 | 一种新型的群智能游牧算法 |
CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
CN109886588A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
CN110070212A (zh) * | 2019-03-26 | 2019-07-30 | 河南科技学院 | 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 |
CN110136165A (zh) * | 2019-05-17 | 2019-08-16 | 河南科技学院 | 一种基于自适应鲸鱼优化的突变运动目标跟踪方法 |
CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
CN111507045A (zh) * | 2020-04-01 | 2020-08-07 | 武汉理工大学 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
CN111695233A (zh) * | 2020-04-20 | 2020-09-22 | 安徽博微长安电子有限公司 | 一种基于改进鲸鱼优化算法的阵元失效校正方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8512386B2 (en) * | 2007-07-24 | 2013-08-20 | Ric Investments, Llc | Infant phototherapy device |
US10828188B2 (en) * | 2011-07-18 | 2020-11-10 | Kenji Ryotokuji | Stimulus method for releasing stress, and stress-free medical treatment method by the stimulus method |
-
2020
- 2020-09-23 CN CN202011010914.8A patent/CN112163808B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903037A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 配送中心选址的方法 |
KR20140117073A (ko) * | 2013-03-26 | 2014-10-07 | 주식회사 엘지유플러스 | 통화 기반 관심사 제공을 위한 단말, 서버 장치, 방법, 및 기록 매체 |
CN103246937A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于对偶种群差分进化算法的周期列车时刻表调度优化方法 |
CN105488580A (zh) * | 2015-10-09 | 2016-04-13 | 黑龙江职业学院 | 一种物流节点选址方法 |
CN108269224A (zh) * | 2017-01-04 | 2018-07-10 | 意法半导体股份有限公司 | 可重新配置的互连 |
CN108205698A (zh) * | 2017-06-15 | 2018-06-26 | 广东工业大学 | 一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法 |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
CN109345005A (zh) * | 2018-09-12 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 |
CN109784604A (zh) * | 2018-11-15 | 2019-05-21 | 长安大学 | 一种基于鲸鱼算法的柔性作业车间制造资源分配方法 |
CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
CN109800850A (zh) * | 2019-01-24 | 2019-05-24 | 沈阳航空航天大学 | 一种新型的群智能游牧算法 |
CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
CN109886588A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
CN110070212A (zh) * | 2019-03-26 | 2019-07-30 | 河南科技学院 | 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 |
CN110136165A (zh) * | 2019-05-17 | 2019-08-16 | 河南科技学院 | 一种基于自适应鲸鱼优化的突变运动目标跟踪方法 |
CN111507045A (zh) * | 2020-04-01 | 2020-08-07 | 武汉理工大学 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
CN111695233A (zh) * | 2020-04-20 | 2020-09-22 | 安徽博微长安电子有限公司 | 一种基于改进鲸鱼优化算法的阵元失效校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112163808A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
CN107679750B (zh) | 一种基于自适应系数遗传算法的云制造服务资源匹配方法 | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练系统及训练方法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN108241911B (zh) | 一种基于细菌觅食优化算法的配送中心选址方法 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN107346468A (zh) | 基于案例推理的产品设计方法 | |
CN115310353B (zh) | 一种基于快速多目标优化的电力变压器设计方法 | |
CN115907399A (zh) | 一种面向电子产品的离散制造柔性生产的智能调度方法 | |
CN108805463A (zh) | 一种支持削峰型电力需求响应的生产调度方法 | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN114493090A (zh) | 工业园区综合能源智能管控方法及装置 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN115438877A (zh) | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 | |
CN105977966B (zh) | 一种考虑分布式电源和配电自动化装置的配电网规划方法 | |
CN110932334B (zh) | 一种带约束多目标优化风电场功率控制方法 | |
CN114723217A (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
CN111542069B (zh) | 一种基于快速非支配遗传算法实现无线ap部署优化方法 | |
CN108153254B (zh) | 一种基于萤火虫算法的零件群集成工艺路线规划方法 | |
CN110490294A (zh) | 基于并行双种群pso的太阳辐射预测资料同化算法 | |
CN113111446A (zh) | 选配方法 |
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 |