蚁群优化算法开发与切割库存问题非 IRUP 实例研究
1. 蚁群优化算法研究
为了验证算法质量,进行了计算实验,该实验包含两个阶段:一是设置算法和参数,二是对第一阶段定义的算法进行实验评估。
1.1 算法与参数调整
在开发蚁群算法时,需要考虑所研究问题的特性,构建原创的人工蚁算法并调整其参数。实验研究使用两组基于实际数据构建的测试用例,来调整和确定所提出算法的质量。
- 第一组测试用例(Series 1) :点之间的距离由区间 [0; 30] 内的均匀分布生成,对应通过道路网络测量点间距离的情况。
- 第二组测试用例(Series 2) :距离在直线上测量,满足三角不等式。
每组测试用例包含维度 |N| 为 60、80、100、150、200、300 的 16 个实例,有三个可能的项目,预算限制为 3、5、7 和 9 个单位。需求是弹性的,参数 λ = 1,客户对距离敏感,β = 2。选择要开放的设施数量 p,以确保可能的解决方案集不为空,实验设计中使用的预算值与要开放的设施数量的组合为 (B, p) = {(3, 2), (5, 3), (7, 4), (9, 6)}。
由于很难找到问题的可行解,因此使用了之前构建的上界和模拟退火(SA)算法的结果。SA 算法在许多优化问题中都有成功应用,在启动 SA 算法前,需设置参数的初始值,在每个温度值下进行一定次数的迭代,每次迭代从当前解的邻域中随机选择一个新解,根据概率法则决定是否接受该解作为新的当前解,并降低温度参数,直到系统达到冻结状态或满足其他停止准则。
基于竞争 p -
超级会员免费看
订阅专栏 解锁全文

被折叠的 条评论
为什么被折叠?



