CN112446548A - 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 - Google Patents
基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 Download PDFInfo
- Publication number
- CN112446548A CN112446548A CN202011406975.6A CN202011406975A CN112446548A CN 112446548 A CN112446548 A CN 112446548A CN 202011406975 A CN202011406975 A CN 202011406975A CN 112446548 A CN112446548 A CN 112446548A
- Authority
- CN
- China
- Prior art keywords
- explosion
- firework
- gaussian
- spark
- fireworks
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000009826 distribution Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000004880 explosion Methods 0.000 claims description 197
- 230000007306 turnover Effects 0.000 claims description 7
- 239000002360 explosive Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000035772 mutation Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是关于一种基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备,本发明采用整数编码的路径表示方法来表示离散问题的解,对爆炸算子、高斯变异算子和选择策略进行离散化操作策略设计,其中爆炸算子改为inert‑swap爆炸算子,高斯变异算子改为2‑swap高斯变异算子,选择策略采用基于适应度的轮盘赌选择。算法采用3‑Opt局部搜索,引入固定半径近邻搜索加强3‑Opt算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
Description
技术领域
本发明涉及物流调度技术领域,尤其涉及基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备。
背景技术
相关技术中,为了满足客户的需求,电缆供应商需要从电缆仓储点搬运电缆,然后往多个电缆接货点,最后车辆回到出发点。由于电缆型号众多,客户对产品的交付要求也越来越高,电缆企业有效地规划电缆配送路径,可提高客户满意度,使电缆企业的成本降低。烟花算法模拟烟花爆炸保持火花多样性的机制,对问题解空间进行两种机制搜索,具有良好的全局搜索能力。在这种机制下,算法具有收敛快、寻优能力强的特点,并且具有较好的全局搜索能力,而且控制参数少,实现容易。由于烟花算法的这些特点,可以将烟花算法运用于划电缆配送路径的解决。
发明内容
为克服相关技术中存在的问题,本发明提供一种基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备,本方法采用整数编码的路径表示方法来表示离散问题的解,对爆炸算子、高斯变异算子和选择策略进行离散化操作策略设计,采用引入固定半径近邻搜索加强最优路径算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
根据本发明实施例的第一方面,提供一种基于快速离散烟花算法的电缆配送路径规划方法,包括:
将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群;
计算烟花原始种群中所有个体适应度;
原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;
每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花;
计算新产生的爆炸火花和高斯爆火花的适应度,根据新的爆炸火花和高斯爆火花的适应度在烟花、爆炸火花、高斯爆火花中选取下一代烟花;
采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解;
迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径。
所述方法还包括:计算新产生的爆炸火花和高斯爆火花的适应度,在烟花、爆炸火花、高斯爆火花中选取下一代烟花,包括:在烟花种群、爆炸火花和高斯变异火花中选择最优的个体作为下一代烟花种群,其余下一代烟花种群按照赌轮盘规则在原本烟花种群、爆炸火花和高斯变异火花中选出。
其中,原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花,包括:
所述假设烟花个体为xi,首先根据第一预设公式计算烟花的爆炸火花数Ri,根据第二预设公式计算爆炸半径Di,然后在烟花xi解空间中进行Di次爆炸算子操作,得到一个爆炸火花,重复Ri次产生Ri个爆炸火花;
第一预设公式为:
第二预设公式为:
其中,R为预设置的爆炸火花数,fmax与fmin分别为N个原始烟花群中的最大、最小适应度值,D为算法基本爆炸半径,加入ε用于避免出现除零的情况。
其中,随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆火花,包括:
在当前烟花原始种群中随机选择一个烟花,假设为xi,按第三预设公式计算g,然后在xi解空间中进行g次高斯爆火花操作,最终结果生成一个高斯爆火花;
第三预设公式如下:
其中e~N(1,1),N(1,1)为均值方差均为1的高斯分布。
其中,所有烟花原始种群以及爆炸火花、高斯爆火花中选出最优的个体作为下一代原始烟花,包括:
在所有烟花原始种群以及爆炸火花、高斯爆火花中选出最优的n个个体作为下一代原始烟花,剩余(N-n)个烟花根据第四预设公式分别计算其轮盘选择概率,本文n取1,其中烟花之间的距离由公式第五预设公式计算;
第四预设公式如下:
第五预设公式如下:
其中xik为xi的第k个接货点编号,K为接货点数量。
其中,采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解,包括:最优路径算法为3-Opt方法;
3-Opt算法中:设T是TSP的一条回路,a、c、e是选中的三个不同接货点,b、d、f分别为它们的后继接货点,对应的边集合为{(a,b),(c,d),(e,f)},分别寻找a、c、e的新的后继接货点b1、d1、f1,组成新的边集合{(a,b1),(c,d1),(e,f1)},使得新产生的回路长度尽可能变小;最小的回路即电缆配送路径。
其中,固定半径近邻搜索策略,包括:
定义固定邻居搜索半径,对某个接货点进行邻域搜索寻找下一个接货点时,只需要在该接货点最近的frns个接货点中寻找。
其中,不检测标识策略,包括:
为每个接货点分别设置不检测标识;如果某个接货点采用固定半径近邻搜索策略后所得到的解不比原来的好,则该接货点不检测标识设置为True,当该接货点最近的frns个接货点在实施固定半径近邻搜索策略时,不需要搜索该接货点。
根据本发明实施例的第二方面,提供一种基于快速离散烟花算法的电缆配送路径规划装置,包括:初始化单元、第一计算单元、爆炸火花单元、高斯爆炸火花单元、第三计算单元、第二计算单元和结果确定单元;
初始化单元,用于将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群;
第一计算单元,用于计算烟花原始种群中所有个体适应度;
爆炸火花单元,用于原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;
高斯爆炸火花单元,用于每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花;
第二计算单元,用于计算新产生的爆炸火花和高斯爆火花的适应度;
第三计算单元,用于采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解;
结果确定单元,用于迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径。
根据本发明实施例的第三方面,提供一种计算设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
根据本发明实施例的第四方面,提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:本发明算法采用3-Opt局部搜索,引入固定半径近邻搜索加强3-Opt算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法的流程示意图;
图2是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法方法的流程另一示意图;
图3是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法中离散域爆炸算子计算过程示意图;
图4是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法中离散域高斯变异算子计算过程示意图;
图5a-5d是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法中3-Opt计算过程示意图;
图6是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划装置结构框图;
图7是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以下结合附图详细描述本发明实施例的技术方案。
图1是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法的流程示意图。
参见图1,基于快速离散烟花算法的电缆配送路径规划方法,包括:
S101,将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群。
S102,计算烟花原始种群中所有个体适应度。
本实施例的适应度计算公式为:
其中cij为边(i,j)的路程,xij表示配送车辆经过边(i,j)时为1,否则为0;
本实例中,例如烟花个体位置向量xi=[1,3,4,2,5,6],则决策变量x13,x34,x42,x25,x56,x61等于1,路程如表1,适应度=c13+c34+c42+c25+c56+c61=12+5+19+6+7+18=67。
表1
S103,原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花。
S104,原始种群中每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花。
S105,计算新产生的爆炸火花和高斯爆火花的适应度,根据新的爆炸火花和高斯爆火花的适应度在烟花、爆炸火花、高斯爆火花中选取下一代烟花。
本步骤的选取方法为:1个最优直接入选,其余N-1个用个体之间距离计算概率采用轮盘赌选择。
S106,采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解。
本实施例采用最优路径算法为3-Opt方法得到电缆配送路径;
3-Opt算法中:设T是TSP的一条回路,a、c、e是选中的三个不同接货点,b、d、f分别为它们的后继接货点,对应的边集合为{(a,b),(c,d),(e,f)},分别寻找a、c、e的新的后继接货点b1、d1、f1,组成新的边集合{(a,b1),(c,d1),(e,f1)},使得新产生的回路长度尽可能变小;最小的回路即电缆配送路径。
本实施例固定半径近邻搜索策略,包括:
定义固定邻居搜索半径;对某个接货点进行邻域搜索寻找下一个接货点时,只需要在该接货点最近的frns个接货点中寻找。
本实施例的不检测标识策略,包括:为每个接货点分别设置不检测标识;如果某个接货点采用固定半径近邻搜索策略后所得到的解不比原来的好,则该接货点不检测标识设置为True,当该接货点最近的frns个接货点在实施固定半径近邻搜索策略时,不需要搜索该接货点。
S107,迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径。
本实施例的基于快速离散烟花算法的电缆配送路径规划方法,包括:将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群;计算烟花原始种群中所有个体适应度;原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花;计算新产生的爆炸火花和高斯爆火花的适应度,根据新的爆炸火花和高斯爆火花的适应度在烟花、爆炸火花、高斯爆火花中选取下一代烟花;采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解;迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径,本实施例采用整数编码的路径表示方法来表示离散问题的解,对爆炸算子、高斯变异算子和选择策略进行离散化操作策略设计,采用引入固定半径近邻搜索加强最优路径算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
图2是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划方法方法的流程另一示意图。
参照图2的基于快速离散烟花算法的电缆配送路径规划方法,包括:
S201,将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群,本实施例定义每个烟花个体为遍历访问每个接货点编号的序列,例如:其中一个烟花个体xi=[1,3,4,2,5,6],即表示TSP问题为先访问编号1接货点,依次访问编号3、4、2、5、6接货点,最后回到编号1接货点。本实例定义接货点间路程参照表1。S202,计算烟花原始种群中所有个体适应度,
其中,本步骤适应度计算公式为:
其中cij为边(i,j)的路程,xij表示配送车辆经过边(i,j)时为1,否则为0;
本实例中,例如烟花个体位置向量xi=[1,3,4,2,5,6],则决策变量x13,x34,x42,x25,x56,x61等于1,路程如表1,适应度=c13+c34+c42+c25+c56+c61=12+5+19+6+7+18=67。
S203,原始种群中每个烟花个体执行爆炸算子操作。
本步骤假设烟花个体为xi,首先根据第一预设公式计算烟花的爆炸火花数Ri,根据第二预设公式计算爆炸半径Di,然后在烟花xi解空间中进行Di次爆炸算子操作,得到一个爆炸火花,重复Ri次产生Ri个爆炸火花。
第一预设公式为:
第二预设公式为:
其中,R为预设置的爆炸火花数,fmax与fmin分别为N个原始烟花群中的最大、最小适应度值,D为算法基本爆炸半径,加入ε用于避免出现除零的情况,ε是系统平台默认的极小值。
在一个具体的示例中,N=5,GM=50,R=70,D=100,ε=0.000000001。
本实施例离散域爆炸算子采用inert-swap操作来实现,即是将烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置。具体参照图3,假设xi=[2,5,6,1,3,4],随机选取接货点编号为5,随机插入位置为接货点3和接货点4之间。具体步骤包括3步:(1)把接货点5取出;(2)把接货点6、1、3左移一个位置;(3)把接货点5放置到接货点3之后,生成的序列
在一个优选的实施例中,为了防止出现算法优化过程中获得进一步优化的机会越来越集中于较优的烟花而导致算法过早收敛,需要保证较优烟花与较差适应度烟花的爆炸火花数差距不能过大,平衡所有烟花参与优化的可能性。通过设定边界,使用第六预设公式对每个烟花爆炸火花数进行调整。
第6预设公式如下:
其中,Rmax与Rmin分别为预设值的最大、最小爆炸火花数。
在一个具体的示例中,Rmax取值80,Rmin取值20。
S204,按照第三预设公式计算产生高斯爆炸随机数。
第三预设公式如下:
其中e~N(1,1),N(1,1)为均值方差均为1的高斯分布。
S205,产生高斯爆火花。
本实施例离散域高斯变异算子产生火花的方法如下:在当前烟花原始种群中随机选择一个烟花,假设为xi,按第三预设公式计算高斯爆炸随机数g,然后在xi解空间中进行g次高斯爆火花操作,最终结果生成一个高斯爆火花。
本实施例离散域高斯变异算子采用2-swap操作来实现,即随机选择烟花个体中两个位置接货点编号,翻转两个位置中间的序列。参照图4,假设xi=[2,5,6,1,3,4],随机选取两个位置接货点编号为5和3,这时选中翻转的序列为[5,6,1,3],翻转后为[3,1,6,5],原序列中接货点2和4不变,生成的序列
S206,计算新产生的爆炸火花和高斯爆火花的适应度。
在一个实例中,本步骤就是计算S203和S205计算出的爆炸火花和高斯爆火花计算出来的序列的适应度,即S203的采用inert-swap操作生成的列和S205采用2-swap操作生成的的适应度。即采用公式计算列和两个序列的适应度。
S207,在烟花种群、爆炸火花和高斯变异火花中选择最优的个体作为下一代烟花种群,其余下一代烟花种群按照赌轮盘规则在原本烟花种群、爆炸火花和高斯变异火花中选出。
本实施例选择策略是在所有烟花原始种群以及爆炸火花、高斯爆火花中选出最优的n个个体作为下一代原始烟花,剩余(N-n)个烟花根据式第四预设公式分别计算其轮盘选择概率,本文n取1,其中烟花之间的距离由式第五预设公式计算。
第四预设公式如下:
第五预设公式如下:
其中xik为xi的第k个接货点编号,K为接货点数量。
在一个具体的示例中,有10个个体,需要选择5个作为下一代烟花。10个烟花,编号为1到10,个体适应度fit1-fit10采用适应度计算公式计算出的个体适应度分别为86,60,70,64,57,95,75,87,32,77,轮盘选择概率p1-p10采用第四预设公式计算出的概率分别为0.099,0.113,0.124,0.192,0.127,0.084,0.042,0.033,0.115,0.071。本实施例,第一步,先选取适应度最优的个体,本示例为第9个个体适应度32为最小,所以选取个体9;第二步,在个体1,2,3,4,5,6,7,8,10这9个个体中用赌轮盘的规则选择4个,其概率分别为0.099,0.113,0.124,0.192,0.127,0.084,0.042,0.033,0.071,概率越大选中机会越大。假设选中个体1,3,4,5,则合并第一步的个体,1,3,4,5,9总共5个个体作为下一代烟花的原始烟花个体。
S208,采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到新结果,计算新适应度,如新结果更优则更新最优解。
本实施例采用固定半径近邻3-Opt局部搜索策,局部搜索能提高算法的求解精度,加快算法的收敛速度。从优化效果和计算成本综合考虑,本实施例选用局部搜索策略为3-Opt方法并加以改进。局部搜索具体操作如下:经过选择策略最终选取N个烟花作为下一代的烟花元素种群,如果该N个烟花的最优烟花与上一代保存最优值不相等,则将该最优烟花进行3-Opt操作,否则随机选取该N个烟花中除了当前最优烟花中的一个烟花进行3-Opt操作。
本实施例3-Opt算法可描述为:设T是TSP的一条回路,a、c、e是选中的三个不同接货点,b、d、f分别为它们的后继接货点,对应的边集合为{(a,b),(c,d),(e,f)},如图5(a)所示;分别寻找a、c、e的新的后继接货点b1、d1、f1,组成新的边集合{(a,b1),(c,d1),(e,f1)},使得新产生的回路长度尽可能变小,如图5b、图5c所示。
在一个具体的示例中,假设有路径[a,b,c,d,e,f,g,h],路径各边及3条交叉边的路程见数字标注。路径适应度为89。参照图5d,cha,ccd,cef的路程分别等于9,19,7,3条交叉边cea,ccf,chd的路程分别等于8,11,12,有cea+ccf+chd=31<cha+ccd+cef=35,所以删除边ha,cd,ef,新增边ea,cf,hd,此时路径为[a,b,c,f,g,h,d,e,],适应度为85。
3-Opt算法具有较强的局部搜索能力,但时间耗费多。实施例的3-Opt算法寻找局部最优解时,采用固定半径近邻搜索策略和不重复搜索策略来加快速度。
1.固定半径近邻搜索策略
本实施例采用固定半径近邻搜索加强3-Opt算法的邻域搜索能力。具体做法是,定义固定邻居搜索半径frns;对某个接货点进行邻域搜索寻找下一个接货点时,只需要在该接货点最近的frns个接货点中寻找。本实施例frns是邻居搜索半径,也就是邻居接货点数量。
2.不检测标识策略
本实施例用固定半径近邻搜索策略时,同时采用不检测标识策略,以减少时间耗费。具体做法是,为每个接货点分别设置不检测标识(初值为False);如果某个接货点采用固定半径近邻搜索策略后所得到的解不比原来的好,则该接货点不检测标识设置为True,当该接货点最近的frns个接货点在实施固定半径近邻搜索策略时,不需要搜索该接货点。
S209,判断迭代次数达到最大预设次数。是则,进入S210将本次迭代结果作为最优解电缆配送路径。如果没有到达预设次数,则返回S203。本实施例的基于快速离散烟花算法的电缆配送路径规划方法采用整数编码的路径表示方法来表示离散问题的解,对爆炸算子、高斯变异算子和选择策略进行离散化操作策略设计,其中爆炸算子改为inert-swap爆炸算子,高斯变异算子改为2-swap高斯变异算子,选择策略采用基于适应度的轮盘赌选择。算法采用3-Opt局部搜索,引入固定半径近邻搜索加强3-Opt算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
与前述应用功能实现方法实施例相对应,本发明还提供了基于快速离散烟花算法的电缆配送路径规划装置、计算设备及相应的实施例。
图6是根据本发明一示例性实施例示出的基于快速离散烟花算法的电缆配送路径规划装置的结构示意图。
参见图6,包括:初始化单元601、第一计算单元602、爆炸火花单元603、高斯爆炸火花单元604、第三计算单元606、第二计算单元605和结果确定单元607;
初始化单元601,用于将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群。初始化单元601定义每个烟花个体为遍历访问每个接货点编号的序列,例如:其中一个烟花个体xi=[1,3,4,2,5,6],即表示TSP问题为先访问编号1接货点,依次访问编号3、4、2、5、6接货点,最后回到编号1接货点。本实例定义接货点间路程如表1。
第一计算单元602,用于计算烟花原始种群中所有个体适应度。
第一计算单元602适应度计算公式为:
其中cij为边(i,j)的路程,xij表示配送车辆经过边(i,j)时为1,否则为0;
本实例中,例如烟花个体位置向量xi=[1,3,4,2,5,6],则决策变量x13,x34,x42,x25,x56,x61等于1,路程如表1,适应度=c13+c34+c42+c25+c56+c61=12+5+19+6+7+18=67。
爆炸火花单元603,用于原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;
假设烟花个体为xi,爆炸火花单元603首先根据第一预设公式计算烟花的爆炸火花数Ri,根据第二预设公式计算爆炸半径Di,然后在烟花xi解空间中进行Di次爆炸算子操作,得到一个爆炸火花,重复Ri次产生Ri个爆炸火花。
第一预设公式为:
第二预设公式为:
其中,R为预设置的爆炸火花数,fmax与fmin分别为N个原始烟花群中的最大、最小适应度值,D为算法基本爆炸半径,加入ε用于避免出现除零的情况,ε是系统平台默认的极小值。
在一个具体的示例中,N=5,GM=50,R=70,D=100,ε=0.000000001。
本实施例离散域爆炸算子采用inert-swap操作来实现,即是将烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置。具体参照图3,假设xi=[2,5,6,1,3,4],随机选取接货点编号为5,随机插入位置为接货点3和接货点4之间。具体步骤包括3步:(1)把接货点5取出;(2)把接货点6、1、3左移一个位置;(3)把接货点5放置到接货点3之后,生成的序列
在一个优选的实施例中,为了防止出现优化过程中获得进一步优化的机会越来越集中于较优的烟花而导致算法过早收敛,需要保证较优烟花与较差适应度烟花的爆炸火花数差距不能过大,平衡所有烟花参与优化的可能性。通过设定边界,使用第六预设公式对每个烟花爆炸火花数进行调整。
第6预设公式如下:
其中,Rmax与Rmin分别为预设值的最大、最小爆炸火花数。
在一个具体的示例中,Rmax取值80,Rmin取值20。
高斯爆炸火花单元604,用于每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花。
首先高斯爆炸火花单元604按照第三预设公式计算产生高斯爆炸随机数。
第三预设公式为:
其中e~N(1,1),N(1,1)为均值方差均为1的高斯分布。
之后高斯爆炸火花单元604的离散域高斯变异算子产生火花的方法如下:在当前烟花原始种群中随机选择一个烟花,假设为xi,按第三预设公式计算高斯爆炸随机数g,然后在xi解空间中进行g次高斯爆火花操作,最终结果生成一个高斯爆火花。本实施例离散域高斯变异算子采用2-swap操作来实现,即随机选择烟花个体中两个位置接货点编号,翻转两个位置中间的序列。参照图4,假设xi=[2,5,6,1,3,4],随机选取两个位置接货点编号为5和3,这是选中翻转的序列为[5,6,1,3],翻转后为[3,1,6,5],原序列中接货点2和4不变,生成的序列
第二计算单元605,用于计算新产生的爆炸火花和高斯爆火花的适应度。在一个实例中,第二计算单元605就是计算爆炸火花单元603和高斯爆炸火花单元604计算出的爆炸火花和高斯爆火花计算出来的序列的适应度。本实施例爆炸火花单元603的采用inert-swap操作生成的列和高斯爆炸火花单元604采用2-swap操作生成的的适应度。即采用公式计算列和两个序列的适应度。
第三计算单元606,用于采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到新结果,计算新适应度,如更优则更新最优解,即最优电缆配送路径。
第三计算单元606采用固定半径近邻3-Opt局部搜索策,局部搜索能提高算法的求解精度,加快算法的收敛速度。从优化效果和计算成本综合考虑,第三计算单元606选用局部搜索策略为3-Opt方法并加以改进。局部搜索具体操作如下:经过选择策略最终选取N个烟花作为下一代的烟花元素种群,如果该N个烟花的最优烟花与上一代保存最优值不相等,则将该最优烟花进行3-Opt操作,否则随机选取该N个烟花中除了当前最优烟花中的一个烟花进行3-Opt操作。
本实施例3-Opt算法可描述为:设T是TSP的一条回路,a、c、e是选中的三个不同接货点,b、d、f分别为它们的后继接货点,对应的边集合为{(a,b),(c,d),(e,f)},如图5(a)所示;分别寻找a、c、e的新的后继接货点b1、d1、f1,组成新的边集合{(a,b1),(c,d1),(e,f1)},使得新产生的回路长度尽可能变小,如图5b、图5c所示。
在一个具体的示例中,假设有路径[a,b,c,d,e,f,g,h],路径各边及3条交叉边的路程见数字标注。路径适应度为89,参照图5d,cha,ccd,cef的路程分别等于9,19,7,3条交叉边cea,ccf,chd的路程分别等于8,11,12,有cea+ccf+chd=31<cha+ccd+cef=35,所以删除边ha,cd,ef,新增边ea,cf,hd,此时路径为[a,b,c,f,g,h,d,e,],适应度为85。
3-Opt算法具有较强的局部搜索能力,但时间耗费多。实施例的3-Opt算法寻找局部最优解时,采用固定半径近邻搜索策略和不重复搜索策略来加快速度。
1.固定半径近邻搜索策略
本实施例采用固定半径近邻搜索加强3-Opt算法的邻域搜索能力。具体做法是,定义固定邻居搜索半径frns;对某个接货点进行邻域搜索寻找下一个接货点时,只需要在该接货点最近的frns个接货点中寻找。
2.不检测标识策略
本实施例用固定半径近邻搜索策略时,同时采用不检测标识策略,以减少时间耗费。具体做法是,为每个接货点分别设置不检测标识(初值为False);如果某个接货点采用固定半径近邻搜索策略后所得到的解不比原来的好,则该接货点不检测标识设置为True,当该接货点最近的frns个接货点在实施固定半径近邻搜索策略时,不需要搜索该接货点。本实施例frns是邻居搜索半径,也就是邻居接货点数量。
结果确定单元607,用于根据新计算出的适应度选择当前最优烟花,原始种群中最优烟花适应度与当前最优烟花适应度相同,且迭代数达到最大预设次数,则将本次迭代结果作为最优解作为电缆配送路径。
本实施例的基于快速离散烟花算法的电缆配送路径规划装置采用整数编码的路径表示方法来表示离散问题的解,对爆炸算子、高斯变异算子和选择策略进行离散化操作策略设计,其中爆炸算子改为inert-swap爆炸算子,高斯变异算子改为2-swap高斯变异算子,选择策略采用基于适应度的轮盘赌选择。算法采用3-Opt局部搜索,引入固定半径近邻搜索加强3-Opt算法的邻域搜索能力,采用不检测标识策略,提高电缆配送路径规划效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图7是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
参见图7,计算设备700包括存储器710和处理器720。
处理器720可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器710可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器710可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器710可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器710上存储有可执行代码,当可执行代码被处理器720处理时,可以使处理器720执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本发明的方案。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本发明所必须的。另外,可以理解,本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本发明的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本发明的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里所公开的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.基于快速离散烟花算法的电缆配送路径规划方法,包括:
将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群;
计算烟花原始种群中所有个体适应度;
原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;
每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花;
计算新产生的爆炸火花和高斯爆火花的适应度,根据新的爆炸火花和高斯爆火花的适应度在烟花、爆炸火花、高斯爆火花中选取下一代烟花;
采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解;
迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径。
2.根据权利要求1所述的方法,还包括:计算新产生的爆炸火花和高斯爆火花的适应度,在烟花、爆炸火花、高斯爆火花中选取下一代烟花,包括:在烟花种群、爆炸火花和高斯变异火花中选择最优的个体作为下一代烟花种群,其余下一代烟花种群按照赌轮盘规则在原本烟花种群、爆炸火花和高斯变异火花中选出。
6.根据权利要求1所述的方法,其中,采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解,包括:
最优路径算法为3-Opt方法;
3-Opt算法中:设T是TSP的一条回路,a、c、e是选中的三个不同接货点,b、d、f分别为它们的后继接货点,对应的边集合为{(a,b),(c,d),(e,f)},分别寻找a、c、e的新的后继城市b1、d1、f1,组成新的边集合{(a,b1),(c,d1),(e,f1)},使得新产生的回路长度尽可能变小;最小的回路即电缆配送路径。
7.根据权利要求6所述的方法,其中,固定半径近邻搜索策略,包括:
定义固定邻居搜索半径,对某个接货点进行邻域搜索寻找下一个接货点时,只需要在该接货点最近的frns个接货点中寻找。
8.根据权利要求6所述的方法,其中,不检测标识策略,包括:
为每个接货点分别设置不检测标识;如果某个接货点采用固定半径近邻搜索策略后所得到的解不比原来的好,则该接货点不检测标识设置为True,当该接货点最近的frns个接货点在实施固定半径近邻搜索策略时,不需要搜索该接货点。
9.基于快速离散烟花算法的电缆配送路径规划装置,包括:初始化单元、第一计算单元、爆炸火花单元、高斯爆炸火花单元、第三计算单元、第二计算单元和结果确定单元;
初始化单元,用于将电缆配送车辆遍历访问每个接货点编号的序列设置为烟花算法中的烟花个体以生成烟花原始种群;
第一计算单元,用于计算烟花原始种群中所有个体适应度;
爆炸火花单元,用于原始种群中每个烟花个体中一个随机位置的接货点编号插入在烟花个体中的另一个随机位置来执行爆炸算子操作得到爆炸火花;
高斯爆炸火花单元,用于每个烟花个体按照高斯爆炸随机数次高斯爆火花操作,生成一个高斯爆火花,其中,高斯爆火花操作是随机选择烟花个体中两个接货点编号,翻转两个接货点的中间的序列生成高斯爆炸火花;
第二计算单元,用于计算新产生的爆炸火花和高斯爆火花的适应度;
第三计算单元,用于采用固定半径近邻搜索策略和不重复搜索策略的最优路径算法得到此次迭代的最优解,如得到的最优解优于原最优路径算法的结果,则更新最优解;
结果确定单元,用于迭代数达到最大预设次数,则将本次迭代结果作为最优电缆配送路径。
10.一种计算设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406975.6A CN112446548A (zh) | 2020-12-04 | 2020-12-04 | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406975.6A CN112446548A (zh) | 2020-12-04 | 2020-12-04 | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446548A true CN112446548A (zh) | 2021-03-05 |
Family
ID=74740075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011406975.6A Pending CN112446548A (zh) | 2020-12-04 | 2020-12-04 | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446548A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673937A (zh) * | 2021-08-31 | 2021-11-19 | 南京信息工程大学 | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 |
CN113780961A (zh) * | 2021-10-13 | 2021-12-10 | 南京信息工程大学 | 一种多目标烟花算法的低碳疫苗冷链优化配送方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN108846602A (zh) * | 2018-05-30 | 2018-11-20 | 广东工业大学 | 一种基于量子烟花算法的物流运输调度方法及装置 |
CN109542103A (zh) * | 2018-12-25 | 2019-03-29 | 北京理工大学 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
CN110298517A (zh) * | 2019-07-04 | 2019-10-01 | 广东工业大学 | 一种基于并行计算的物流运输调度方法、装置及设备 |
CN110657816A (zh) * | 2019-09-20 | 2020-01-07 | 上海海事大学 | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 |
-
2020
- 2020-12-04 CN CN202011406975.6A patent/CN112446548A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN108846602A (zh) * | 2018-05-30 | 2018-11-20 | 广东工业大学 | 一种基于量子烟花算法的物流运输调度方法及装置 |
CN109542103A (zh) * | 2018-12-25 | 2019-03-29 | 北京理工大学 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
CN110298517A (zh) * | 2019-07-04 | 2019-10-01 | 广东工业大学 | 一种基于并行计算的物流运输调度方法、装置及设备 |
CN110657816A (zh) * | 2019-09-20 | 2020-01-07 | 上海海事大学 | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 |
Non-Patent Citations (2)
Title |
---|
牛群等: "求解带时间窗车辆路径问题的改进型烟花算法", 《机械制造与自动化》 * |
蔡延光等: "变邻域量子烟花算法求解CVRP", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673937A (zh) * | 2021-08-31 | 2021-11-19 | 南京信息工程大学 | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 |
CN113673937B (zh) * | 2021-08-31 | 2023-08-29 | 南京信息工程大学 | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 |
CN113780961A (zh) * | 2021-10-13 | 2021-12-10 | 南京信息工程大学 | 一种多目标烟花算法的低碳疫苗冷链优化配送方法 |
CN113780961B (zh) * | 2021-10-13 | 2023-09-12 | 南京信息工程大学 | 一种多目标烟花算法的低碳疫苗冷链优化配送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3352583B2 (ja) | 配線経路探索方法及び装置、並びに検査不要クリティカルカット検出方法及び装置 | |
US8935096B2 (en) | Apparatus for fast path search by learning heuristic function and method thereof | |
US11118921B2 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
CN112446548A (zh) | 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备 | |
CN103364004A (zh) | 路径搜索方法和路径搜索装置 | |
EP2906999A1 (en) | System and method in connection with occurrence of platoons | |
Borne et al. | Optimization in engineering sciences | |
CN111582984A (zh) | 一种商品推荐方法、装置及计算设备 | |
CN108509772A (zh) | 基于执行顺序和单点逻辑的源代码加固方法及装置 | |
CN110598831A (zh) | 一种基于多策略的改进回溯搜索优化算法 | |
CN115200604A (zh) | 转弯路径规划方法、设备、车辆及存储介质 | |
CN103034678A (zh) | 一种基于Voronoi图的反k最近邻查询方法 | |
CN109255073A (zh) | 一种个性化推荐方法、装置及电子设备 | |
CN112884126B (zh) | 深度强化学习网络系统 | |
CN108108395A (zh) | 一种互助导航定位数据可信度评价方法及系统 | |
CN113807472B (zh) | 分级目标检测方法及装置 | |
CN110930092A (zh) | 一种配送路线调整方法、装置、电子设备和存储介质 | |
US20230304806A1 (en) | Graph-based vehicle route optimization with vehicle capacity clustering | |
CN114924568A (zh) | 自动驾驶汽车的局部路径规划方法、装置、车辆及介质 | |
CN111506678B (zh) | 到达点负样本生成方法、装置与设备 | |
CN117688782B (zh) | 一种耗损量预估方法、装置、电子设备及存储介质 | |
US20210406688A1 (en) | Method and device with classification verification | |
CN116215584B (zh) | 变道路径规划方法、装置、设备及存储介质 | |
US20230258469A1 (en) | Server and control method thereof | |
KR102217208B1 (ko) | 경로 탐색 방법 및 장치 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210305 |
|
RJ01 | Rejection of invention patent application after publication |