网络分析优化多旅行商(物流配送)算法资源

                        网络分析优化多旅行商(物流配送)算法资源

                                       By wangsh 2011-12-05

 
    多旅行商问题(参考2)(Multip le Traveling SalesmanProblem,MTSP)是指M 个旅行商从同一个城市(或不同城市)出发,分别走一条旅行路线,使得每个城市有且仅有一个旅行商经过(出发城市除外),且总路程最短。可理解为物流配送算法,目前
    目前求解多旅行商问题的算法有遗传算法(参考3,C#实现的多旅行商问题)、混合算法(参考4)。
    混合算法求解思路是首先采用K-Means先进行分类,然后利用边集化简策略对子类问题进行化简,再利用Branch-and-cut算法对子问题分别求解。将MTSP问题划归为TSP问题求解。
 
 
 

 

参考资料

1.     旅行商问题 http://en.wikipedia.org/wiki/Travelling_salesman_problem  

2.     多旅行商问题介绍 http://topic.csdn.net/u/20091208/15/96760eaa-6b98-48e1-a5c0-e3c6a719822e.html

3.     遗传算法求解MTSP问题 http://code.google.com/p/planetcolonizer/

4.     介绍多旅行商问题的混合算法  http://bbs.sciencenet.cn/home.php?mod=space&uid=253220&do=blog&id=502365   

 

 

 

保留版权,转载请注明:http://blog.csdn.net/wsh6759/article/details/7043893 

 

 

 

 

 

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多目标粒子群算法(Multi-objective Particle Swarm Optimization,MOPSO)可以用于求解多辆车的配送旅行问题(Vehicle Routing Problem,VRP)。 在MOPSO中,每个粒子代表一个解,也就是一组车辆的路径。粒子的位置表示车辆经过的顺序,速度表示车辆的移动方向。多目标优化问题中,存在多个目标函数,例如最小化总配送时间和最小化总配送成本。MOPSO的目标是找到一组粒子,使得它们能够在多个目标函数上取得良好的平衡。 解决多辆车配送旅行问题的MOPSO算法可以按照以下步骤进行: 1. 初始化粒子群:随机生成一组粒子,每个粒子代表一组车辆的路径。 2. 计算适应度:对于每个粒子,计算其在多个目标函数上的适应度值。 3. 更新全局最优解:根据适应度值更新全局最优解。 4. 更新粒子速度和位置:根据当前速度、位置以及全局最优解,更新粒子的速度和位置。 5. 重复步骤2-4,直到达到停止条件(例如达到最大迭代次数)。 6. 提取非支配解集:从最终的粒子群中提取非支配解集,这些解集在多个目标函数上都是最优的,没有其他解能够同时取得更好的结果。 7. 根据非支配解集进行进一步分析或决策,选择最终的解。 需要注意的是,MOPSO是一种启发式算法,其效果可能受到问题规模、参数设置以及初始解等因素的影响。因此,在使用MOPSO求解多辆车配送旅行问题时,需要根据具体情况进行参数调整和算法改进,以提高求解效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值