[01625988]布谷鸟算法的改进及其在物流配送优化中的应用研究

按照《任务书》的要求,本项目在广西自然科学基金资助下,在三年实践内（2014年6月——2017年5月）,由项目负责人负责,在项目组成员的共同努力下,开展了以下研究工作： 1.1.1布谷鸟算法的收敛性分析以及算法参数对寻优结果的影响通过建立Markov 链模型,对CS 算法基于Markov 链的算法收敛性进行了理论分析,验证了CS 算法满足随机搜索算法全局收敛的基本条件。分析概率参数 对算法的影响,引入动态发现概率 以提高算法的收敛速度。在算法分析中,我们发现尽管布谷鸟算法具有较强的全局搜索能力,但其寄生巢位置被巢主人发现的概率 值在其基本算法中始终保持不变,从而造成算法执行基本布谷鸟算法的Step 4操作时,不管是处于较优位置还是较差位置的寄生巢都会以相同概率被替换;若 值设置过小,则在寻优过程中较差的解收敛较慢,若 值设置过大,较优位置的解较难收敛于最优解。为了更好的在解的搜索空间中寻找出最优解并符合智群算法的寻优特性、提高算法的收敛速度和寻优精度,论文提出一种动态概率发现机制。 1.1.2提出基于复形法等经典搜索算法和双变异算子对布谷鸟算法在基本布谷鸟算法中通常采用Levy飞行方式以产生随机步长的方式获得新的鸟窝位置,然而levy飞行的搜索方式在本质上还是依据马尔科夫链方式进行位置的更新,新的寄生巢位置是由当前寄生鸟巢位置与转移概率所决定, 这种随机搜索过程通常会造成算法的收敛慢,寻优精度低。采用双变异算子对布谷鸟算法进行改进,对于处于较差位置的寄生巢采取较大概率的变异操作,处于较好位置的寄生巢采取较小概率的变异。同时基本布谷鸟算法采用levy搜索方式,使得算法具有较好的全局搜索性能,但其局部搜索性能不足。复合形法由于计算量小、局部搜索能力强,已经广泛应用于约束非线性优化中的直接搜索算法,它通过淘汰、反射、压缩和扩张等操作实现被淘汰个体向最优个体移动和收缩。 1.1.3采用改进的布谷鸟算法求解物流配送中的配送中心选址和物流车辆路径配送问题的求解算法采用基于寄生巢适应度值排序的自适应方法改进基本布谷鸟算法的惯性权重,以平衡算法的全局开发能力和局部探索能力;利用NEH领域搜索以提高算法的搜索精度和收敛速度;引入停止阻止策略对全局最优寄生巢位置进行变异避免算法陷入局部最优值、增加种群的多样性。通过实验仿真表明,改进的布谷鸟算法在求解物流配送中心选址问题上要优与基本布谷鸟算法以及其它智群算法,是一种有效的算法。 1.1.4任务书执行情况（1）本项目已经按照计划按时完成了任务书中全部研究内容,而且理论研究成果不断的得到了提升。（2）提出了一种动态双变异布谷鸟算法,并成功运用于求解非线性方程组,完成了算法的在求解该问题的仿真建模。引用复形法改善算法的局部搜索能力并应用到求解约束优化问题验证算法的效果。（3）相关改进的优化算法在求解物流配送中的配送中心选址和物流车辆路径配送问题中得到了验证。（4）取得了1个与改进布谷鸟算法求解物流车辆路径配送问题的发明专利（已受理,等待实质审查）（5）目前发表相关论文总计9篇,其中被SCI检索的权威期刊论文1篇,EI检索3篇,中文核心5篇。