国际贸易与多极化基于多向路径变异遗传算法神经网络启用

文摘

目前,国际贸易的发展速度无法赶上经济发展的速度,以及国际贸易的发展速度不足将直接影响国民经济的快速发展。为了解决国际贸易问题,贸易的总体最优调度车辆和贸易运输路径的优化规划是非常重要的改善企业服务,降低企业成本,提高企业效益,增强企业竞争力。第二个程序的开发是基于百度地图提供的编程接口。本文提出一种神经网络遗传算法优化多个突变,克服了传统遗传算法的缺陷人口“十”字符分布通过混合多个编码方法,并提高遗传算法的局部搜索能力,通过引入一个新的人口large-mutation小范围搜索。示例应用程序表明,该优化方法可以实现国际贸易的优化路径在实际道路条件下,极大地提高工作效率的实际贸易。

1。介绍

国际贸易的发展速度跟不上经济发展的速度。传统贸易是基于纸质地图的使用手动或经验制定贸易计划。货物运输通常是在小批量和大批量。在某种程度上,低水平的贸易阻碍了国民经济的快速发展,导致懒惰的车辆,运费低面积比汽车和高速运输的货物。由于贸易系统的运行效率低,如车辆前往和重复的道路部分,传统贸易的及时性差,交易成本高,很难满足客户的服务要求高。它还增加了城市交通的负担和对交通和环境造成负面影响。

研究路径优化、杨等人研究了动态优化问题,车辆的速度随时间和地区1]。摘要城市道路网络的交通时间预测的傅和史密斯。早晨高峰的交通时间,晚上高峰,和正常的城市道路使用神经网络预测的和实际的数据是用于测试2]。Soumia等人获得了驾驶车辆通过车辆速度和时间点之间的距离所表达的时变函数(3]。马丁提出旅游时间函数模型,它推迟到达时间的起始时间,并与实际交通数据验证(4]。张黄和研究城市物流的动态路由选择问题,研究了选择模型通过使用道路浮动车采集的数据(5]。王等人认为车辆速度随时间变化的特点和路段的道路网络和模拟道路速度在不同时期接近实际情况的分析6]。施等人研究了百度地图API在车辆路径问题中的应用,并获得两个点之间的实际路径通过百度地图API (7]。但传统的线性规划等数学方法不能得到令人满意的结果。

本文分为五个部分。第一部分是背景。第二部分是文献综述,对研究结果的分析。第三部分是引入优化和基于多向突变遗传优化神经网络算法。第四部分是具体的实验分析,表明贸易的实现路径优化基于多向突变遗传优化神经网络算法。第五部分是结论。

2。相关工作

在现实生活中,许多方面相关问题,如路径规划、网络优化、经济投资。有在现实世界几乎所有领域的优化问题。它一直是学者关注的焦点。目前,传统优化算法主要分为精确算法和智能优化算法。自传统的精确算法复杂度的增加指数与问题的规模的扩张,学者的重点逐渐转向了1980年代以来的智能优化算法。张等人提出的模拟退火算法(SA)模拟退火过程的金属和成功地应用它来解决TSP (8]。Hirschfeld等人提出了一个微调Lin-Kernighan算法,可以解决优化问题(9]。近年来,Seeland和马德尔提出了一个混合多粒子群优化算法研究概率货郎担问题[10]。周等人提出了一个混合多向突变算法通过结合局部优化与广义分割交叉算子,提高了算法的效率在一定程度上(11]。法雷尔等人改进了交叉操作的多向变异算法和设计了一种顺序交叉算子提高最优解的质量(12]。陈等人结合贪婪算法的变异操作多向突变贪婪算法来设计一个新的变异算子以提高效率的多向突变算法在解决优化问题(13]。

吴等人使用动态规划方法解决固定数量的车辆的优化(14]。黄等人研究了动态优化,应用药物分布,最后得到了一个更好的解决方案(15]。阿巴斯等人研究了带有时间窗约束优化多个分布点基于多向突变算法(16]。通过结合禁忌列表的特点,模拟退火法和禁忌搜索法,钟山等人解决优化问题,其结果是优于单一的模拟退火算法(17]。Jouppi等人优化过程分为两个阶段:首先简化优化TSP然后解决TSP。这是一个相对较新的方法,取得了很好的结果(18]。黄等人提出了一种新的路径合并方法和路径长度储蓄值计算公式,改进了经典的储蓄方法解决优化和改进原算法的性能19]。邓等人研究了多循环的优化和multi-distribution中心(20.]。刘等人研究了随机需求分布的优化点,提出了一种两级模拟退火算法来解决它21]。Ghorbani等人改进了选择算子和交叉变异概率的多向突变算法(22]。乔等人使用全方位突变算法模拟的最小成本模型基于交通流的技术(23]。金等人研究了一种分布问题满载的情况下(24]。从结果可以看出,传统的线性规划等数学方法无法得到令人满意的结果。近几十年来,计算智能的快速发展,一些智能优化算法,这是完全不同于经典的数学规划原理,已经出现了。遗传算法已经得到学术界的优良的全局搜索能力,隐含的并行性,和简单的运营商,它已成为最热门的技术之一,近年来解决优化问题。

3所示。建设基于多向变异遗传算法优化模型的神经网络启用

3.1。简要介绍路径优化模型

路径优化是一个数学问题。这是图论中的一个经典问题,一个典型的组合优化问题。问题描述如下:一个商人想旅行n城市出售商品,他知道任意两个城市之间的距离。从城市X他需要找到一个路线,经过所有的城市一次,只有一次,最后回到城市X以最小化总距离。如图1,100个城市的旅行商问题是解决了。优化似乎是一个相对简单的问题,但它的描述是简单和容易理解。然而,它的解决方案复杂度的增加与问题的规模成倍增长,传统算法难以解决的。

可以建立以下模型。集分, ,分别数量 ,给定一个完全无向图 每一个点,每一方 有一个非负整数消费 ,和公式(1):

一个可行的路径是通过每个顶点的完全一次,消费是所有边缘和的重量 。因此,优化问题是找出最小的电路在 。 在哪里是顶点的数量。方程(2)是目标函数,这就需要最小目标函数。表达式(3)和(4通过每个顶点)表示一次,只有一次;也就是说,每个顶点在和一个边缘只有一个优势。方程(5)保证没有sub-loop解决方案。的值我和j给出了由公式(6)。

国际贸易路线选择指的是事实,有一定数量的客户贸易商品贸易中心这些顾客有一定的商品需求。有许多的车辆负责贸易。这些车辆派遣,和适当的行驶路线计划,以满足客户对产品的需求。车辆路径问题在贸易在组合优化是一个著名的NP困难问题。自1959年提出了优化,它已经被优化的基本问题之一,引起了专家和学者的关注。因为优化广泛应用和经济和社会发展具有重要意义,研究优化国内外从未停止。优化可以被描述为图所示2。

3.1.1。元素包含在优化

(1)道路。这是最佳的基础设施和基本条件,这是核心元素之一。道路货物运输的基础,优化的核心元素之一。附近生成的最优(最优)路径通常是基于道路网络的基本特征(如道路条件、距离、连通性、等等),并返回到贸易中心从贸易中心,除非通过客户。

(2)客户。它需求(如存储)代表了服务对象,通常包括商品类型的需求,服务时间的需求,需求的不确定性和需求优先级。

(3)贸易中心。每辆车的开始或结束。汽车贸易商品与客户的贸易中心。在实践中,货物贸易后,车辆返回贸易中心。

(4)车辆。完成交易活动从贸易中心到客户,我们需要一定的车辆。与车辆用于其他目的相比,汽车贸易通常包括车辆的出发地点和返回(是否完成任务后回到贸易中心),车辆的负载和体积的限制,并使用车辆的成本。

(5)运输安排的要求。在贸易的过程中,车辆路线通常需要满足客户的相关需求和车辆限制,根据需要和条件的运输安排,如汽车贸易货物不能超过车辆的承载能力,在客户需要的时间,等等。

总之,优化的目标是通常从以下方面考虑:最低总运行时间,最低运输总成本最小的总运输距离,完成任务所需的最小数量的车辆,服务未完成的最低刑罚价值根据指定的要求,等等。

建设基于多向变异遗传算法优化模型的神经网络启用。智能优化算法具有全局优化性能,强大的多功能性和适用于并行处理(25- - - - - -28]。它可以有效地解决一些复杂的优化问题。本文提出一种神经网络遗传算法优化多个突变,克服了传统遗传算法的缺陷人口“十”字符分布通过混合多个编码方法,并提高遗传算法的局部搜索能力,通过引入一个新的人口大变异小范围搜索。(1)编码结构用于解决方案转换成一个基因代码满足约束条件,这是类似于染色体结构和遗传操作方便。它通常是由一些字符串或字符串。(2)使用随机方法生成初始种群个体,一般人群的大小需要设置大。这表明人口可以更好地完成优秀基因的遗传多样性。(3)适应度函数的设计:适应度函数主要用来表达个人的优点和缺点,区分个体的优势和劣势,多向变异算法的基础,也是环境中个体的适应性。(4)选择算子的设计:根据适应度函数设计在前面的步骤中,值从高到低排列。值越高,被选中的概率就越高。 Therefore, the next generation is generally the chromosome with high fitness. (5) The design of crossover operator: randomly select a pair of parent individuals, and generate two random numbers和在0和1之间。如果<交叉概率 ,两个父母是交叉产生新的后代。(6)变异算子的设计:突变是一个不可或缺的环节模仿染色体突变。如果<突变概率 ,新后代的变异操作进行选择。(7)终止条件,设计中最高的个人健身在几代人口并没有改善,或一定数量的迭代可以设置为终止。没有达到收敛时,转到步骤(1);否则,继续下一步。(8)的个人最好的健身价值输出人口:遗传优化神经网络的流程图如图基于多方向突变3。

3.2。在多级贸易分析路径的优化

贸易目的地(第一级是贸易网站;第二个层次是社区一级客户点)在现实生活中往往不是规模水平,需要优化的最佳途径。因此,本文尝试使用动态规划方法来解决贸易问题的优化模型。

动态规划方法求解多阶段决策问题。解决方案是一个多级的问题转换成一个sub-stage问题与一个特定的递归关系,这在一定程度上简化了计算过程。动态规划方法的优势是,它可以在短时间内最优解时的目的地的数量很小。其缺点是目的地的数量的增加,它需要保存价值的过程中操作并消耗大量的内存空间,这限制了动态规划方法来解决旅行商问题规模。

动态规划方法获得每个子问题的最优解,从下到上,以得到最终的最优解问题一步一步。动态规划方法是根据过程分为三个步骤:第一步将最初的问题转化为多个相互关联的子问题;第二步分析这个问题。是否满足最优性原理和发现正确的递归关系,第三步使用递归关系来计算向上实现动态编程并获得结果。优化解决方案,具体过程如下:假设贸易中心是0,需要为客户贸易1,2,3,每两个点之间的距离图所示4;然后显示在最短的距离方程(7),代表的距离来 。

这是决策的最后阶段,必须计算结果的基础上 和 ,见以下方程:

一个步骤从下到上可以表示如下:

具体计算图如图5。

4所示。实证分析

4.1。最优实现多向变异遗传优化神经网络算法

在本文中,一个神经网络算法对多个突变基因优化第一个设计,参数设置如下:人口规模是100,交叉概率是0.9,变异概率 ,在哪里0.9,进化代数是400。运行500次。因为目标函数的第一级是最短的总时间,我们关注最终的交易时间。运行的数量和最优贸易时间获得每个时间,以及相对应的代数图的出现,如图6和7。

通过神经网络算法的设计优化多个突变基因,有近60%的概率获得实际的最优解(14449),还有近40%的概率获得次优解(15087),和次优的解决方案是只有4.4%大于最优解决方案,这是一个可接受的令人满意的解决方案。最优解的代数主要集中在50 - 200代,这表明,遗传算法的收敛速度也相对满意。

同样,神经网络遗传算法优化多个突变在第二层运行500次。因为第二层次的目标函数是最短的距离,我们专注于最终贸易距离。运行的数量和最优贸易距离获得每个时间,以及它的代数相应图表,如图8和9。

4.2。实现贸易路线优化算法基于多方向的变异遗传算法使神经网络算法

基于多向突变的遗传优化神经网络算法,改进的多向突变算法优于原遗传算法在解决结果,迭代,和稳定性。与遗传算法的优化结果相比,最优结果是平均减少了10.14%,平均最优解的代数越小,这表明收敛速度更快。此外,解决方案的波动性比遗传算法,具有明显的优势。图分布的最优解100运行如图10。横坐标代表运行的数量,纵坐标代表的总时间的分布。

进化的比较图多向变异遗传算法的收敛过程使神经网络算法,遗传算法是图所示11。横坐标代表进化代数,纵坐标代表的目标函数的最优值。在这种情况下,它是最短的交货时间。从图可以看出,多向的初始种群的质量变异遗传优化神经网络算法明显优于遗传算法,收敛速度的多向突变遗传优化神经网络算法更快。最后一个最优解也优于遗传算法。

遗传算法的比较结果和多向突变遗传优化神经网络算法,它可以发现,由于变异算子的改进,多向突变遗传优化神经网络算法的结果有更少的路径穿越,而遗传算法有更多的路径交叉的结果。因此,从的角度的分布和总距离最短的时间开车,IgA的结果优于遗传算法。

为了更好地观察每个改进的影响模式,两种模式设置在本节中:只有提高初始种群,只有提高变异算子和自适应调整交叉变异概率。结合遗传算法的结果和多向突变遗传优化神经网络算法,交通数据11:00在周日中午,和结果如图所示12。

蓝线代表着进化遗传算法的收敛过程。紫色的线代表遗传算法,它只提高了变异算子和自适应调整交叉变异率。可以看出,改进的遗传算法的收敛速度显然更快,它可以跳出局部最优的情况,最后结果优于遗传算法。绿线表示遗传算法只提高了初始种群生成。可以看出,质量的改进的遗传算法的初始种群已经很高,和目标函数的值远小于遗传算法,随机产生初始种群。可以看出,绿线是非常小的进化后期。红色线表示的进化收敛过程多向变异遗传优化神经网络算法。可以看出,多向突变遗传优化神经网络算法的优点结合紫色线,绿线,不仅高质量的初始种群,但也很容易跳出局部最优。

总之,基于多向突变的遗传优化神经网络算法提高初始种群的质量和加快优化速度通过提高初始种群的生成模式。通过变异算子的改进,提高解决方案的美好和人口的多样性。通过自适应调整交叉率和变异率,它有利于跳出局部最优,提高收敛速度。

5。结论

引用分析的基础上,本文着重于实际道路条件下贸易路线的优化。本文的工作和结论如下:贸易的分类进行了研究。根据实际情况,贸易分为“贸易”和“散装货物贸易”具有不同的特点。“贸易”是根据实际情况分为两个层次。第一级是配送中心的贸易站的目的地。第二个层次是从贸易网站贸易运输人员给客户。这两个水平有不同的特点和应用需求。贸易路径规划问题,本文研究分析了TSP,优化模型,理论和算法,并得出结论认为,国际贸易的实际情况与优化,具有很高的相似性和散装货物的国际贸易具有很高的相似性与优化的实际问题与理论模型可以连接。这个例子表明,提高初始种群的质量,改善和优化速度加快的初始种群的生成模式。解决方案的优秀程度和人口的多样性是提高了变异算子的改进。 The adaptive adjustment of the crossover rate and the mutation rate is conducive to jump out of the local optimum and improve the convergence speed. The improved neural network algorithm based on multidirectional mutation genetic optimization has some advantages.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作在本文中得到了大学Putra马来西亚。

引用

1. b . y .杨j.y.唱,郑胜耀小君,“开发一个基于知识的智能决策支持系统的操作风险管理的全球供应链,”欧洲工业工程杂志》上,12卷,不。1,2018。视图:出版商的网站|谷歌学术搜索
2. l·l·傅和r·d·史密斯,“全球海洋环流从卫星测高和高分辨率的计算机模拟,”美国气象学会的公告,卷77,不。11日,第2636 - 2625页,1997年。视图:谷歌学术搜索
3. 即Soumia, m . Gendreau和j·波特凡,“车辆调度与时间旅行时间,”欧洲运筹学杂志》上,144卷,2003年。视图:出版商的网站|谷歌学术搜索
4. g·r·马丁“孤立的多能细胞线从早期小鼠胚胎培养介质条件的畸胎癌干细胞,”美国国家科学院院刊》上,卷72,不。12日,第1445 - 1441页,1981年。视图:出版商的网站|谷歌学术搜索
5. j . Zhang和c .黄”一类延迟神经网络动力学分析包括惯性条款,“差分方程的进步,卷2020,不。1、文章ID 120 12页,2020。视图:出版商的网站|谷歌学术搜索
6. r . j . Wang y, t . Wang中,z .宇,“大数据服务架构:一项调查,”互联网技术杂志》,21卷,不。2、393 - 405年,2020页。视图:谷歌学术搜索
7. l .史李b, c . Kim p . Kellnhofer w . Matusik,“对与深层神经网络实时逼真的3 d全息术,”自然,卷591,不。7849年,第239 - 234页,2021年。视图:出版商的网站|谷歌学术搜索
8. >,c . y .公园,c . l . Theesfeld和o . g . Troyanskaya”一个自动化框架有效地在基因组学、设计深度卷积神经网络”自然机器智能,3卷,不。5,392 - 400年,2021页。视图:出版商的网站|谷歌学术搜索
9. l . Hirschfeld k . Swanson k .杨r .,22和c·w·科利,“不确定性量化使用神经网络对分子属性预测,“《化学信息和建模,60卷,不。8,3770 - 3780年,2020页。视图:出版商的网站|谷歌学术搜索
10. m . Seeland和p·马德尔视点与卷积神经网络分类,“《公共科学图书馆•综合》,16卷,不。1,文章ID e0245230, 2021。视图:出版商的网站|谷歌学术搜索
11. 周x, y, w .梁,j . Ma和j .群“变分LSTM增强工业大数据异常检测,”IEEE工业信息,17卷,不。5,3469 - 3477年,2020页。视图:出版商的网站|谷歌学术搜索
12. m·h·法雷尔t梁,s . Misra“深层神经网络估计和推断,”费雪,卷89,不。1,第213 - 181页,2021。视图:出版商的网站|谷歌学术搜索
13. m . c, s .问:陆,问:l .刘“弱解的唯一性Keller-Segel-Navier-Stokes系统”,应用数学的信文章ID 107417卷,121年,2021年。视图:出版商的网站|谷歌学术搜索
14. g .吴作栋n . Cammarata c·沃斯et al .,“多通道在人工神经网络中,神经元”蒸馏》第六卷,没有。3 p . e30 2021。视图:出版商的网站|谷歌学术搜索
15. 徐黄z、x、h·朱和m .周”一个高效的组织推荐和multiattention-based神经网络模型,”IEEE神经网络和学习系统没有,卷。31日。11日,第4474 - 4461页,2020年。视图:出版商的网站|谷歌学术搜索
16. a .阿巴斯·d·萨特,c . Zoufal a . Lucchi a . Figalli和s . Woerner“量子神经网络的力量,”自然计算科学,1卷,不。6,403 - 409年,2021页。视图:出版商的网站|谷歌学术搜索
17. e . d中,t . bpel, b·伯杰和j·h·戴维斯,“CryoDRGN:重建异构低温电子显微镜使用神经网络结构,”自然方法,18卷,不。2、176 - 185年,2021页。视图:出版商的网站|谷歌学术搜索
18. n . p . Jouppi d·h·Yoon g . Kurian et al .,”一个特定领域的超级计算机训练神经网络,”ACM的通信,卷63,不。7,67 - 78年,2020页。视图:出版商的网站|谷歌学术搜索
19. c .黄x长,j .曹“抗疟药复发性神经网络的稳定性与multiproportional延迟,”应用科学的数学方法,43卷,不。9日,第6102 - 6093页,2020年。视图:出版商的网站|谷歌学术搜索
20. b·l·邓·g·李,汉族,l .史和y .谢,”神经网络模型压缩和硬件加速:一个全面的调查,“IEEE学报》,卷108,不。4、485 - 532年,2020页。视图:出版商的网站|谷歌学术搜索
21. 李x y . h . Liu钱,z,”一个蚁群算法和随机需求单一类型的车,”南京土木工程和建筑学院杂志》(自然科学版),卷000,不。4、25 - 29,2001页。视图:谷歌学术搜索
22. b . Ghorbani美国梅、t . Misiakiewicz和a . Montanari”在高维线性化两层神经网络统计年鉴卷,49号2、1029 - 1054年,2021页。视图:出版商的网站|谷歌学术搜索
23. c·乔·d·李、郭y . et al .,“评估和发展的深层神经网络在光学显微镜图像超分辨率”自然方法,18卷,不。2、194 - 202年,2021页。视图:出版商的网站|谷歌学术搜索
24. j .金z z, g·j·帕帕斯e·努扎里和d·s·巴”教学复发性神经网络来推断全球时间结构从当地的例子,”自然机器智能,3卷,不。4、316 - 323年,2021页。视图:出版商的网站|谷歌学术搜索
25. s Katoch s s Chauhan,诉Kumar“回顾遗传算法:过去、现在和未来,“多媒体工具和应用程序,卷80,不。5,8091 - 8126年,2021页。视图:出版商的网站|谷歌学术搜索
26. h .梁j .邹、k .左和m . Junaid汗,“一种改进的遗传算法优化模糊控制器应用于井口回压控制系统,”机械系统和信号处理文章ID 106708卷,142年,2020年。视图:出版商的网站|谷歌学术搜索
27. g . t . Reddy m p . k . Reddy k . Lakshmanna d·s·拉其普特人r . Kaluri g·斯利瓦斯塔瓦,“混合遗传算法和模糊逻辑分类器对心脏疾病诊断,”进化的情报,13卷,不。2、185 - 196年,2020页。视图:出版商的网站|谷歌学术搜索
28. f . Guijarro m . Martinez-Gomez, d . Visbal-Cadavid”部门重组通过遗传算法和模型逆DEA,”专家系统与应用程序文章ID 113422卷,154年,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021清Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。