Multiconstrained网络密集的车辆路径自适应蚁群算法在神经网络的背景下分析

文摘

神经网络模型最近在解决车辆调度问题做出了显著的成绩。自适应蚁群算法为神经网络提供了一个新的想法来解决复杂系统问题multiconstrained网络密集的车辆路径模型。路径信息素的变化自适应调整操作过程中的不稳定因素。它有效地克服了传统蚁群算法的趋势很容易陷入局部最优解,收敛速度慢,搜索全局最优的解决方案。multiconstrained网络密集的车辆路径算法基于自适应蚁群算法在本文中是指群体之间的互动。自适应传输和信息素更新策略的基础上,介绍了传统的蚁群算法来优化选择,进一步更新和算法的协调机制。因此,搜索任务目标函数的可行的解决方案是完成搜索蚂蚁。通过不同种类的蚂蚁的分工和协作,信息素和多态蚁群算法结合自适应策略。它能有效地克服一些缺点,如过早停滞,和有理论意义的研究大规模multiconstrained车辆路径问题在复杂交通网络系统。

1。介绍

网络密集的汽车服务,这是一个复杂的城市公共交通网络系统的重要组成部分,是一个创新的代表共享经济模型在互联网时代+。互联网服务平台已经吸引了越来越多的关注在共享经济时代通过创建一个新的商业和管理模式适应互联网经济。它也被视为代表的新经济的发展方向和商业模式。此外,优化网络密集的车辆调度模型,提高调度效率,响应速度,节约成本是重要的措施来提高网络的质量密集的汽车服务。因此,研究供求信息匹配和路径优化算法的发展网络密集的汽车服务具有重要意义。然而,网络密集的汽车租赁的车辆调度问题不同于经典的车辆调度问题。在经典的车辆调度问题,控制中心被认为知道相关的所有信息优化调度最优调度指令执行之前,和不随时间变化的信息。在互联网时代+,乘客需求信息,如位置、时间的需求,需求量,旅行时间和服务时间,之前是未知的,甚至动态路径优化。此外,新信息可能已经到达或现有的信息可能已经改变了。因此,动态车辆路径问题(DVRPs)在网络密集的车辆调度问题更加突出。 Moreover, the supply-and-demand information of network intensive vehicles is matched in real time seamlessly and dynamically and does not require manual docking and transmission. This overcomes a problem that network booking taxi is forbidden to parade showmanship on the road under the existing management system. Therefore, the significant difference between the network intensive and classic vehicle scheduling problems is the continuous development of and change in the demand type and quantity in the former based on the real-time interaction through the Internet. In addition, real-time dynamic resource scheduling is performed according to the change in demand. However, the first principle of passenger transport in network intensive vehicle scheduling is to minimize the response time and relatively lessen the cost factors. This is also an important feature that distinguishes it from the traditional transportation problem and the vehicle routing problem (VRP). Network intensive vehicle scheduling problem is a multiconstrained path planning problem that integrates the dynamic network flow problem with multiconditioned and multi-start-and-stop points.

车辆调度问题的研究在国内外近年来逐步深化。研究目标选择的建模和考虑的约束主要是基于传统的运输问题和VRP的简单扩展。单一的起点和需求问题是扩展到多个起点和需求问题。此外,我们的目标是扩展从单一注重成本最小化的多目标优化效率和成本(1- - - - - -3]。目前,没有文学multiconstrained找到网络密集的车辆路径问题,虽然一些学者最近开始介绍一些特定的约束到车辆调度建模。例如,一些学者已经建立了多种动态车辆调度模型和设计简洁而高效的启发式算法对商品分销或紧急材料运输车辆调度问题(4- - - - - -7]。紧急材料运输车辆调度模型考虑multitransport方面,复合材料,multisupply点,和multidemand点,因为他们认为车辆的数量,供应数量的材料和产品,和其他参数是动态的。然而,紧急材料运输的目标是最小化总数量的货物不满意运输周期。尽管约束全面紧急材料运输车辆调度模型,在动态需求仍采用优化车辆调度方法在单个周期和限制了全局优化的考虑在多个周期(6,7]。其他学者同样考虑车辆不足假说下的车辆动态调度问题,引入最小运输时间和成本的目标。然而,改善车辆的调度效率仍局限于最优单级一分之一。动态车辆调度问题的全局考虑是不够的(8,9]。因此,许多尚未解决的问题是阐明研究网络密集的车辆调度问题。因此,考虑DVRP的特点与多个约束(DVRPMC),一个简单的建设和探索智能算法具有优良的性能是重要的网络密集的车辆调度服务系统的建设。

2。DVRPMC描述和数学模型

2.1。问题描述

网络密集的车辆调度问题是面向个人的交通方式。因此,它应该包括客观和主观条件,是一个典型的具有多个约束的车辆路径问题,涉及到时间,车辆,交通,安全,等等。因此,网络密集的车辆调度问题,也就是说,DVRPMC,应该考虑乘客优先预订时间的顺序,车辆的需求模式,计费方法,交通状况,时间窗口,电容、安全监测、和其他条件。这是为了确保网络密集的调度是普遍和实用。详细的问题描述如下。(1)汽车是分配给乘客(即。,customer point) according to the nearby principle. (2) The nearest dispatch point (i.e., parking spot of booking car) is selected from a total of可调用基于时间窗限制的车辆到达客户。如果车辆提前到来,它必须等待为客户服务。(3)不同优先级分配根据旅客预订时间。最高等级是1,最低等级是r .高优先级意味着乘客具有显著的体重。因此,应优先考虑的各个方面满意。(4)车辆只考虑乘客要求小于或等于其承载能力。(5)每个乘客可以选择只有一种类型的车辆和充电方法模式,只是由所选车提供服务。(6)旅客到达目标点和引导车辆预定最近的点。(7)运输服务,适当的车辆类型、调度时间,和路径可以减少时间成本和获得最高的响应效率。

信息DVRPMC会随着时间而改变。DVRPMC应该考虑时间因素。介绍了时间轴。整个调度周期(如工作日)在动态调度环境下构造时间轴。每个新需求触发一个周期的时间。在分为四种类型,需求信息根据车辆的状态:(1)车辆已经完成了任务,(2)汽车服务或服务的路上,(3)对服务需求的车辆,而且不进行需求点,和(4)车辆等新的要求。一系列的要点可以构造在时间轴上表示的动态问题,和车辆调度系统可以根据所确定的安排调度计划要点。采用下面的调度策略。(1)车辆从某个调度点返回到最近的调度点最终交付。(2)公平原则之后,防止客户点获得任何车辆服务响应。每个客户服务响应水平不得低于自己的需求。(3)网络密集的车辆运输服务的目标是最小化响应时间,也就是说,从最初开始时车辆的需求达到的需求点。

与传统VRP相比,DVRPMC的本质是建立一个车辆调度计划为每一个客户在一个已知的情况下客户点分布和任何客户的实时发展的观点。此外,许多不同的车辆模型在DVRPMC应该考虑。因此,动态模型选择和路径安排执行根据模型的客运能力,对路径的影响,模型需求的乘客。

2.2。数学模型

需要满足动态调度的数学模型描述。因此,分析力学可以描述如下:首先,这个模型将 ,指所有关键点的集合(第4类),它是用来表示动态问题通过构造一系列要点在时间轴上。是指完成运输任务,车辆返回到最近的调度(停车点)。指旅客服务或车辆服务。指的是车辆,对客户的服务需求,但还没有点。代表一个车辆在等待状态。二班在任务的实现不能被改变。其他三个类,可调度的网络密集的车辆都会被记录下来 车辆安排调度点(停车点)客户。然后,调度任务可以表示为一个加权图 在,在那里 是指一组节点,0指的调度,节点是指客户分, 是指一组路径来。最后,考虑道路条件和各种因素,道路条件的系数用于表示在预定车辆道路状况的影响。标准的路径, 。如果比标准的路径, ;否则, 。道路条件乘以系数分布之间的路径点的实际长度。等于等效路径长度考虑路径的影响。指的是一个可行的路径。是指成本相应的这条道路,即目标函数。指的是预定数量的乘客。是指车辆的最大负载。客户点的优先级的重要性是由重量。乘客的时间窗口是。乘客的需求模型是。乘客的计费方法是。是指车辆的旅行时间从调度点给客户点。车辆的时间在乘客的起点是。是一个决策变量,代表了汽车吗到达客户点。也是一个决策变量,可以表示如下:

DVRPMC旨在确定一组路径。每条路径的旅行时间应该最小,和车辆不应超过其承载能力。下一个可行的解决方案不同的优先级,模型的需求,不同的计费方法,道路条件是寻求高效车辆调度,成本更低。

首先,考虑车辆调度的成本,是指使用车辆的固定成本。是指车辆的运营成本在单位距离。是指车辆的旅行速度在标准的路况。调度成本主要包括车辆的固定成本 和运营成本。 , 。第二,等待客户的成本被认为是, 。是指单位时间成本等。最后,额外成本如果车辆发生到达时间窗口之外的乘客。设置线性增加 在哪里是指车辆的等待成本在客户点与优先级单位时间内,如果车辆是指单位时间的惩罚到达后与重点客户的时间窗口。

因此,最小目标函数可以表示为

约束条件如下:

方程(3)指的是目标函数,它代表了最小调度成本。方程(4)是指可行路径负载能力的总和,不超过车辆的最大负载。方程(5)是指车辆(车辆模型和计费方法,满足需求),分布在每个客户的观点。方程(6)- (8)是指每辆车的子路径。一辆车从调度点,到达客户提供运输服务,使乘客客观点,最后返回到调度问题。方程(9)表明,如果一辆车直接从节点旅行来的到达时间节点等于之和到达时间节点从节点、服务时间和旅行时间来。方程(10)表明,路径距离等于产品的标准速度和旅行时间的影响下路况。方程(11)指的是决策变量,这是。

3所示。DVRPMC优化算法设计基于自适应蚁群算法

智能算法在解决车辆调度问题取得了巨大成就,尤其是对自适应蚁群算法。自适应蚁群算法不仅提供了一个新的想法来解决复杂的组合优化问题,也是科学的角度解决vrp与多个约束。路径信息素的变化自适应地调整操作过程中的不稳定因素。它有效地克服了传统蚁群算法的趋势很容易陷入局部最优解,收敛速度慢,搜索全局最优解(10,11]。考虑DVRPMC,本文提出了一种自适应蚁群算法引入自适应传输和信息素更新策略基于传统的蚁群算法来优化选择、更新和协调机制进一步的算法。因此,考虑到蚁群的多样性,有许多约束条件的任务是提供给侦察蚁。因此,搜索任务目标函数的可行的解决方案是完成搜索蚂蚁。通过不同种类的蚂蚁的分工和协作,信息素自适应策略是结合多态蚁群算法能够有效地克服一些缺点,包括计算时间长,容易过早停滞。

3.1。基本蚁群算法的原理和实现

蚁群算法的基础上,研究真实蚁群行为的自然世界。它是一种模拟进化算法基于人口和属于随机搜索算法。民宿et al。12,13)首次提出这个方法,充分利用食物之间的相似性搜索的过程一个蚁群和著名的旅行商问题(TSP)来确定从蚁巢到食物源的最短路径通过个体之间的信息交换和合作解决TSP (14- - - - - -18]。基本算法的原理和方法如下。

蚂蚁是放在节点随机选择。一只蚂蚁选择下一个节点或周期尚未访问基于一个标准,,这是残留的浓度信息节点的路径到节点在。这是由算法本身提供的信息,和从节点初始信息吗转移到节点。提供初始信息和要解决的问题。 指的是一种先验的价值节点来。因此,蚂蚁的概率在节点选择节点目标节点是 假设 。

的相对重要性和残余信息的相对重要性是期望值。

指的是所有可能的目标节点。节点没有访问。每只蚂蚁维护列表记录所有城市访问至今,以避免多个访问相同的节点。指的是蚂蚁的概率从节点传输到节点。

在每只蚂蚁访问节点(即。,a cycle), residual information must be updated and old information must be weakened to prevent residual information from inundating inspired information caused by excessive residual information. New information on the ant access path must be added to。

指的是储备残余信息的一部分。 是指削弱残余信息的一部分。必须小于1,防止信息的无限积累。指的是剩余信息内容ant的路径来在访问期间来 。

GambardeIIa和民宿等人提供了Ant-Q(数量)基于基本蚁群算法(算法模型12]。Ant-Q算法是一种基于移动计算范型的强化学习算法。Ant-Q对车辆路径问题的结果,这是概念上类似于燃料重载,比其他蚁群优化算法,如Ant-C(周期)和Ant-D(密度)和遗传算法(GA)。

否则,如果蚂蚁选择路径( )在( ),是一个常数,然后呢指的是蚂蚁的路径长度选择在这个周期。如果不选择这条路,

根据Ant-Q算法的概念,每一个步骤(即。,从( )需要剩余的浓度信息的更新,而不是更新剩余的信息集中在等待所有蚂蚁完成访问所有城市。因此,在Ant-Q算法模型中, ,在那里是指从节点的距离到节点和 是残留的浓度信息;残留的浓度信息,增加与城市距离的减少。

因此,基本的蚁群算法主要是基于积极的信息反馈的原则和一定的启发式算法。该算法采用随机选择策略的过程中构建的解决方案。这减缓了进化选择策略。正反馈原理设计来提高解决方案的性能,但容易停滞。这是蚁群算法的缺陷的根源。因此,改进选择策略是必要的;即选择策略应该适应基于确定性和随机选择的组合。进化一定代数动态调整的概率确定的选择在搜索过程。因此,进化方向基本上是确定的。在特定时间动态调整是基于路径上的信息量(5]。因此,自适应蚁群算法已经吸引了越来越多的注意力。该算法缩小的差距之间的信息的量最好和最差路径和适当扩大的概率随机选择进行一个完整的解决方案的搜索空间不足为了克服基本蚁群算法的缺点。

3.2。自适应蚁群算法的原理和设计

借鉴的多态蚁群方法杨et al。1),本文将蚂蚁的蚁群算法分为两种类型,即侦察和搜索蚂蚁,因为multiconstrained和动态特性的网络密集的车辆路径问题。侦察蚁完成完整的全球搜索本地侦察和搜索蚂蚁。

侦察蚁被赋予multiconstrained任务的多态蚁群的方法。每个客户的观点被认为是中心,使当地的侦察。此外,侦察元素用于马克侦察的结果,为了提供补充信息搜索ant,并选择下一个客户点后到达这个点。侦察蚁群的局部搜索方法的地方侦察蚁乘客需求点,每个侦察蚁把它的位置为中心的童子军的可行性 点。可行性越大,越高侦察元素的道路上。此外,侦察元素包含三个部分:(1)容量侦察元素的权重系数,(2)时间窗口匹配侦察元素的权重系数,(3)侦察元素(即在几个点最近的侦察中心。从100年开始,20分需求点)的权重系数, ,在那里 。如果容量约束条件是满意的,贡献记录为侦察元素。如果它是不满意,贡献侦察元素是0。匹配因素的时间窗口路由起点决定了侦察元素提供的时间窗口匹配的程度。匹配的因素 指时间窗的匹配程度,和 。 指的长度重叠部分的两个时间窗口。在一个固定值的 ),如果重叠部分很大很高。也就是说,点的前体从的角度是合理的时间窗口。乘客优先因素被认为是在搜索蚂蚁信息素;的因素,被认为是在目标函数但未被认为是侦察元素。此外,减少侦察侦察蚁的范围,关丽珍的统计结果和温14)显示,下一个节点的一个点选择在几个点最近的这一点在路径优化解决方案没有计算所有剩下的可行的节点。因此,可以加速优化过程和解决方案是相当可靠的,可收敛到最优解的概率接近1。按升序侦察结果结合现有的先验知识(结合马克斯(PC) [14])来生成另一个侦察元素,它是记录点的路径来。 表示如下: 在哪里指的是距离最近的城市为中心到其他城市 。合成的总侦察元素上面的侦察蚁,

考虑到需要一个特定的路径上信息素的初始时刻,每条路径的数量的信息在初始时刻设置 在哪里和指的是最小和最大距离为中心,其他点 。是指每个路径上的信息素的浓度在初始时刻,是一个常数。通过侦察侦察蚁元素痕迹明显,研究蚂蚁可以定向搜索的协助下信息素。这可以提高效率和确定最优的解决方案。

全球搜索的搜索蚁群吸引教训Ant-Q算法的概念民宿et al。13)选择策略的结合确定性和随机选择1,4]:(1)是搜索蚁的数量是指一侧的可见性( ), 从节点,它反映了启发式学位转移来和不同于 在基本蚁群算法模型。目标函数放置在全球范围得到最好的可见性。它反映了宏观思考的蚂蚁和并不一定选择最接近的点在一个大概率作为下一个点。然而,蚂蚁的每一步必须考虑整体优化的目标函数。(2)指的是追踪信息素强度( ),是指国家流动性ant的概率从节点到节点,指尚未访问的节点。当每只蚂蚁选择下一个节点,两个点应该考虑在选择下一个服务点的前提下坚持车辆容量和时间窗约束。一个是能见度和信息访问下一个服务点。二是优先条件priority-of-small时间窗和priority-of-shortest等待时间。

搜索蚁群的任务是进行全局搜索。每个客户时候,侦察元素和信息素在每一方选择下一个服务点,直到他们找到和马克的最佳途径。概率的公式蚁群的搜索 转移的来在在动作如下: 在哪里指服务的设置点和目的地的蚂蚁被允许选择下一步;α和β参数反映了蚂蚁信息素积累的相对重要性在运动和启发式信息提供,蚂蚁选择路径,分别;和权重系数满足吗 , , , ,指的是禁忌列表()每只蚂蚁创建, (是指搜索蚁群)记录的总和ant的节点已经参观了和蚂蚁被禁止在这个循环再次访问。禁忌列表被清空的周期。

3.3。自适应信息更新策略

蚂蚁经常旅行造成堵塞和停滞。蚁群算法容易导致早产和局部收敛。为了解决这个问题,提高蚁群算法的全局收敛性和搜索速度,许多研究提出了不同的策略来更新现有的信息(19- - - - - -25];例如,在标准蚁群算法中,当信息更新,只要蚂蚁遍历,选择路径可以更新信息的路径。这增强了信息的路径最优健身和削弱了其他路径信息;其他算法基于水平变化使ant设置几个路径相对较好的健身,和程度的卓越的解决方案决定了信息的大小。上面提到的这些算法都是不同的。他们主要更新的信息量的增加或减少的比例固定数量的信息而忽视解决方案的分布特征。他们改进蚁群算法的特点,在一定程度上,用于治疗小规模问题。本文提出了一种新的自适应信息更新策略求解大规模问题,从解决方案的分布状态。

在大规模问题,稳定系数的存在减少了路径上的信息量从未搜索接近0,这降低了算法的搜索能力在这些路径上。如果一个路径上的信息量很大,这些路径上的信息量增加,和机会选择的路径搜索又高。此外,算法的全局搜索能力的影响。固定变化波动系数可以提高全局搜索能力,但降低了算法的收敛速度。因此,一种自适应的方法改变提出了更新信息素。公式如下(11]: 而 , 而 , 在哪里是一个函数收敛的数量成正比吗。如果收敛的数量比较高,较大,用下面的方程: 在哪里是一个常数。解决方案的分布自适应更新的信息来动态调整每条路径的强度信息,导致中等浓度或散射的蚂蚁避免过早收敛和局部收敛和提高全局搜索能力。自适应信息更新策略自适应更新的信息量分布的基础上解决问题。因此,动态地调整每个路径信息的强度,增加解决方案空间的多样性,提高全局搜索能力,防止过早收敛和局部收敛。

4所示。案例分析

DVRPMC优化基于蚁群算法的模型和算法有很多约束条件和参数。验证算法的性能,客户优先,服务时间的客户,系数道路条件、车辆等费用,和其他约束条件还没有被认为是在这种情况下分析。模型中的目标函数也简化了路径的距离。在这种情况下分析,15个客户点分布在一个正方形的边缘长度8公里。表1说明客户点的坐标及相关客运需求能力,分别。该地区有两个调度点(停车点)。坐标是( )和(),分别拥有五和八辆。每辆车的最大载客量是4。

所罗门的VRP标准病例库和Desrosiers26)是用于检测。所罗门和Desrosiers图书馆分为三个类别:丙类,类R和类RC。客户分C类分布在集群类型。客户分类R是随机分布的。客户点类RC mixed-half集群类型。这个案例分析是进行硬件环境的英特尔奔腾IV 3.0 1 G内存。VC语言是用于算法的编程和计算R和c .结果与一些现有的最优解算法。算法的参数α= 1,β= 2,ρ= 0.8。迭代数量是50。10倍计算的结果如表所示2。

表2表明,钢筋混凝土的最优解和R大多在二十年代。计算时间是不超过16 s硬件环境的英特尔奔腾IV 3.0 1 G内存。因此,最优解收敛的速度比标准蚁群算法。比较计算结果,标准遗传自适应遗传和蚁群优化自适应算法用于刺激的案例研究。获得参数的10类RC搜索时间如表所示3。

比较计算结果,车辆的平均数量表3小数点后两位。计算结果表明,在课堂上RC, DVRPMC计算结果的平均数量的车辆和旅行的距离是最好的。因此,自适应multiconstrained蚁群算法的计算结果是稳定的和短的旅行距离,计算效率高。

5。结论

在神经网络分析的背景下,本文分析了现有蚁群算法,提出了一种multiconstrained网络密集的车辆路径优化模型和算法基于自适应蚁群算法。借鉴自适应多态蚁群算法,自适应multiconstrained网络密集的车辆使用蚁群算法本文通过不同类型的蚂蚁协作解决问题。它克服了传统蚁群算法的缺点有一个较低的蚁群算法的效率。蚁群可以在解决问题的过程中规划信息交换和维护多样性在搜索过程中由于种群之间的相互作用。因此,通过自适应的进一步使用信息更新策略,引入种群之间的相互作用的算法执行优于传统算法。最后,本文使用具体的例子进行仿真实验。实验结果表明,自适应multiconstrained蚁群算法具有更好的求解效率和结果比标准的蚁群算法。因此,对于大规模DVRPMC网络密集的车辆调度、自适应multiconstrained和蚁群算法具有显著的优势。通过不同种类的蚂蚁的分工和协作,自适应策略是结合多态蚁群算法信息素;本文给出的算法可以有效地克服一些缺点,如过早停滞,和有理论意义的研究大规模multiconstrained车辆路径问题在复杂交通网络系统。 The established general mathematical model can be used in future studies, involving verifying further its result and efficiency in the case study of simulation under different passenger priorities, different road conditions, spatiotemporal traffic networks, and other cases’ study of the optimal routing search method of real-time network intensive vehicle scheduling in a dynamic environment intensively. Furthermore, the algorithm provided in this paper should be significant for the further study on routing problem in the dynamic environment of a spatial and temporal complexity traffic network.

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了广东省自然科学基金(2015 a030313626),特殊的广东省前沿和关键技术创新基金(省科技重大项目)(2014 b010112008 2015 b010106001 2015 b010129003和2016 b010109007),广州珠江科技新星计划(201610010034),实现创新驱动发展能力建设专项资金广东科学院(2017 gdascx - 0101 2017 gdascx - 0601),广东科技计划(2013年2013 b01010201 2013 b010102018, b090600152),和广州科技项目(2014 y2 - 00044)。

引用

1. c·杨、李z和j .李”轨迹规划和优化的自适应控制的轮式倒立摆车模型,”IEEE控制论,43卷,不。1,24-36,2013页。视图:出版商的网站|谷歌学术搜索
2. a . Garcia-Najera和j . a . Bullinaria”,一种改进的多目标进化算法对时间窗的车辆路径问题,“电脑与行动研究,38卷,不。1,第300 - 287页,2010。视图:出版商的网站|谷歌学术搜索
3. s . f . Ghannadpour s .这r . Tavakkoli-Moghaddam k . Ghoseiri,“一个多目标动态模糊时间窗车辆路径问题:模型、解决方案和应用程序,”应用软计算杂志,14卷,不。1,第527 - 504页,2014。视图:出版商的网站|谷歌学术搜索
4. > m . Chen, j .史”多个约束的车辆路径问题,使用自适应和多态蚁群算法,”东南大学学报(自然科学版),38卷,不。1,37-42,2008页。视图:谷歌学术搜索
5. c·杨,李z, r .崔,徐,”神经网络运动控制数学模型的轮式倒立摆模型,”IEEE神经网络和学习系统,25卷,不。11日,第2016 - 2004页,2014年。视图:谷歌学术搜索
6. 李b h . Wang, k . Liu”需求分配和网络流量分配应急救援情况下,“系统工程理论与实践,35卷,不。6,1457 - 1464年,2015页。视图:谷歌学术搜索
7. c·h·肖,z Li Yang et al .,”鲁棒镇定的轮式移动机器人基于神经动力学优化使用模型预测控制,”IEEE工业电子产品,卷64,不。1,第516 - 505页,2017。视图:出版商的网站|谷歌学术搜索
8. k, l . Tang和s·陈,“建模和优化集装箱存储分配和卡车调度的集成问题,“系统工程理论与实践,34卷,不。1,第121 - 115页,2014。视图:谷歌学术搜索
9. y陈和j·王”,改进蚁群算法与时间窗车辆路径问题,“《计算机工程与应用程序,43卷,不。29日,第219 - 218页,2006年。视图:谷歌学术搜索
10. l .邵“蚁群优化自适应遗传算法解决物流车辆调度,“计算机测量与控制,20卷,不。5,1423 - 1425年,2012页。视图:谷歌学术搜索
11. 王y和j·谢,“一个自适应蚁群优化算法和仿真”,系统仿真学报,14卷,不。1,33节,2014页。视图:谷歌学术搜索
12. 江c·杨,y, z, w .他和彭译葶。苏,”神经控制与保证全球稳定和运动精度,用双手的机器人”IEEE工业信息,13卷,不。3、1162 - 1171年,2017页。视图:出版商的网站|谷歌学术搜索
13. m .民宿和m .卢卡Ant-O一些性质的研究,”技术。众议员TR / IRIDIA / 1996 - 4, IRIDIA Libre de BruxeIIes大学,1996。视图:谷歌学术搜索
14. 关丽珍和g·h·温”,Subspacegenetical TSP算法”,数学理论与应用,22卷,不。1》,2002页。视图:谷歌学术搜索
15. a·g·库雷希大肠谷口,t·山田”的精确解的方法和软时间窗车辆路径和调度问题,“运输研究E部分:物流和运输审查,45卷,不。6,960 - 977年,2009页。视图:出版商的网站|谷歌学术搜索
16. h·奥斯曼,“Metastrategy模拟退火和禁忌搜索算法的车辆路径问题,“《运筹学第41卷。。4、421 - 451年,1993页。视图:出版商的网站|谷歌学术搜索
17. j·舒尔茨和t . Fahle”并行算法带有时间窗约束的车辆路径问题,“《运筹学卷,86年,第607 - 585页,1999年。视图:出版商的网站|谷歌学术搜索|MathSciNet
18. a·凯尼恩和d·p·莫顿“随机车辆路径与随机旅行时间,”交通科学,37卷,不。1,第82 - 69页,2003。视图:出版商的网站|谷歌学术搜索
19. 问:曹、刘x x任,“基于模拟植物生长算法,车辆调度问题”系统工程理论与实践,35卷,不。6,1449 - 1456年,2015页。视图:谷歌学术搜索
20. m·魏和w·金”离散粒子群优化算法对车辆调度问题,“计算机科学,37卷,不。4、187 - 191年,2010页。视图:谷歌学术搜索
21. 刘y, z赵和f·罗,“输出反馈边界的轴向运动系统的控制输入饱和约束,“ISA事务卷。68年,22-32,2017页。视图:出版商的网站|谷歌学术搜索
22. 刘y, z赵f .郭和傅y,“振动控制和边界紧张约束轴向移动的弦系统,”非线性动力学,卷89,不。4、2431 - 2440年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. 刘y, z赵和f·罗,“边界控制振动的弦系统的有界输入,“亚洲杂志的控制在出版社。视图:出版商的网站|谷歌学术搜索
24. 刘y, z赵w .他和f·罗,“自适应边界控制的轴向移动皮带系统高加速/减速,”专业控制理论与应用,10卷,不。11日,第1306 - 1299页,2016年。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. Z.-J。赵,郭,傅y, y . Liu”建模和控制的轴向非均匀系统,移动”国际系统科学杂志》上。系统和集成的原理及应用,48卷,不。4、849 - 861年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
26. m·m·所罗门和j . Desrosiers”时间窗约束路由和调度问题。”美国运筹学学会。交通科学部分。交通科学,22卷,不。1、1 - 11,1988页。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2017 Shaopei陈等。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。