车辆路径问题的双重进化蜂群算法求解研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (7): 35-42.

车辆路径问题的双重进化蜂群算法求解研究

毛声1，2，谢文俊1，张建业1，赵晓林1

1.空军工程大学航空航天工程学院，西安 710038
2.航空电子系统综合技术重点实验室，上海 200233

出版日期:2016-04-01 发布日期:2016-04-19

Double evolutional artificial bee colony algorithm for solving vehicle routing problem

MAO Sheng1，2, XIE Wenjun1, ZHANG Jianye1, ZHAO Xiaolin1

1.School of Aeronautics and Astronautics Engineering, Air Force Engineering University, Xi’an 710038, China
2.Key Laboratory of Science and Technology on Avionics Integration Technologies, Shanghai 200233, China

Online:2016-04-01 Published:2016-04-19

摘要/Abstract

摘要： 针对传统人工蜂群算法局部搜索的低效性，提出了双重进化人工蜂群算法。在需要两点进行操作的搜索过程中，采用一点随机选取，另一点通过遍历可行解，以其中最优解确定位置的半随机式搜索策略。用该策略改进插入点算子和逆转序列算子，分别在两对以及三对城市间距离之和的解空间维度上交叉搜索，并应用到局部搜索中构成双重进化过程，提高了搜索效率和适应值引导性。实验结果表明，该算法较已有方法提高了收敛速度，优化了目标解，并可通过合理设置终止阈值提高时效性。

null

关键词: 人工蜂群算法, 优化, 车辆路径问题

Abstract: Aimed at the flaws of traditional exploitation search of low efficiency, randomness and prone to be run into local optimum, a Double Evolutional Artificial Bee Colony（DEABC） algorithm is proposed. The half stochastic optimal searching strategy is used to improve traditional exploitation search operators, and the search efficiency and fitness guidance are improved. Two different half stochastic optimal searching operators are adopted in exploitation search to constitute the double evolutional process, and the exploration search is improved for different optimizing objectives. Experimental results demonstrate that the algorithm can increase convergence speed, improve the solutions and promote timeliness under reasonable termination threshold.

Key words: Artificial Bee Colony（ABC） algorithm, optimization, vehicle routing problem

毛声1，2，谢文俊1，张建业1，赵晓林1. 车辆路径问题的双重进化蜂群算法求解研究[J]. 计算机工程与应用, 2016, 52(7): 35-42.

MAO Sheng1，2, XIE Wenjun1, ZHANG Jianye1, ZHAO Xiaolin1. Double evolutional artificial bee colony algorithm for solving vehicle routing problem[J]. Computer Engineering and Applications, 2016, 52(7): 35-42.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[5]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[6]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[7]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[15]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.