论文部分内容阅读
装箱问题的求解与应用可以为物流和仓储等行业提供高效便利的服务,然而由于装箱问题的复杂性以及装箱算法的非普适性,使得装箱问题和装箱算法的研究成为需要解决的实际问题。概念简单、容易实现且具有能背景的粒子群算法在求解装箱问题中受到了广泛的关注。作为组合优化问题中的典型问题,装箱问题的研究在实际应用和理论研究方面具有重要意义,具有广阔的研究前景。本文主要对粒子群算法的外部参数和内部拓扑结构进行改进,然后与启发式算法相结合,得到混合启发式算法用以求解装箱问题。本文的主要工作及结论概括如下:1、基于离散问题对粒子群算法外部参数进行调整,采用惯性权重随机递减,学习因子c1线性递增,c2线性递减的方式改进算法性能,能到求解装箱问题最优的参数设置,比传统粒子群算法的收敛速度提高了86%,与WPSO算法相比收敛速度提高了36%。2、对粒子群算法内部拓扑结构进行改进,采用双判断的方式,在粒子调整前与粒子调整后均进行适应度判断的方式构造动态拓扑结构,实现动态粒子群算法改进。改进粒子群算法迭代500次的实验中,平均30次可以求得最优解,而其它算法分别在90,1 20,150才能得到最优解,提高了算法的收敛速度。3、基于粒子群算法外部参数与内部拓扑结构的改进得到新的粒子群算法,将该算法与三空间分割算法进行结合得到混合启发式算法,实现了三维装箱问题的求解,该算法在不同案例中,30、50和80次左右便可以得到最优装箱序列达,而其它算法达到其本身最佳填充率时的迭代次数都相对较慢,从80到200不等,可以看出本文实现的算法在收敛速度方面有较优异的表现。