基于越库配送车辆调度的混合量子遗传算法(QGA)研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Research on Hybrid Quantum Genetic Algorithm Based on Vehicle Scheduling 作者：杨玥 ; 白士宇 ; 殷雪峰 英文作者：Yang Yue;Bai Shiyu;Yin Xuefeng;Liaoning Provincial Key Laboratory of Information Physics Fusion and Intelligent Manufacturing for Grade CNC Machine,Shenyang Institute of Technology;College of Mechanical and Vehicle Engineering,Shenyang Institute of Technology; 关键词：车辆调度 ; 组合优化 ; 混合量子遗传算法 英文关键词：vehicle scheduling;;combinatorial optimization;;hybrid quantum genetic algorithm 中文刊名：JZCK 英文刊名：Computer Measurement & Control 机构：沈阳工学院辽宁省数控机床信息物理融合与智能制造重点实验室;沈阳工学院信息与控制学院; 出版日期：2019-04-25 出版单位：计算机测量与控制 年：2019 期：v.27;No.247 基金：沈阳工学院校级基金(i5201801) 语种：中文; 页：JZCK201904046 页数：5 CN：04 ISSN：11-4762/TP 分类号：214-218

摘要

量子遗传算法(QGA)是将经典的量子理论应用到遗传算法当中,将量子态引入传统比特模型中,一种新型的求解最优问题的算法;越库配送车辆调度是一类经典的组合优化问题,基于量子遗传算法,针对提高物流配送过程中要求的快速和高效的问题,研究了一种混合量子遗传算法的框架,提出了解决传统物流调度中的配送优化方案的新思路,研究了新的量子更新和概率调整的策略,使该方法更加贴合物流配送的实际问题,实验结果显示,采用混合量子遗传算法后的性能明显优于传统的量子遗传算法,取得了更高的最佳适应度,具有良好的应用前景。
        Quantum genetic algorithm is a new kind of algorithm to solve the optimization problem,which combine the classical quantum algorithm with the genetic algorithm and apply the quantum state to the Bit Model.Vehicle scheduling problem is a classic combinatorial optimization problem.This paper is mainly about a new Hybrid Quantum Genetic Algorithm framework to increase the speed and improve the efficiency of vehicle scheduling,which is more relevant to real problems.The result shows that the Hybrid Quantum Genetic Algorithm gets a higher fitness level than traditional way.It proves that the performance of improved method is better and has a good application prospect.

引文

[1]王凌,吴昊,唐芳,等.混合量子遗传算法及其性能分析[J].控制与决策,2005,20(2):156-160.
    [2]杨英,王锡淮,肖健梅.基于QGA的物流配送中心配送优化问题研究[A].2007中国控制与决策学术年会论文集[C].2007.
    [3]蔡蓓蓓,张兴华.混合量子遗传算法及其在VRP中的应用[J].计算机仿真,2010,27(7):267-270.
    [4]Semenenko V N.Artificial Supercavitation[J].Physics&Calculation,2001.
    [5]郎茂祥,胡思继.用混合遗传算法求解物流配送路径优化问题的研究[J].中国管理科学,2002(5):51-56.
    [6]张毅,代恩灿,罗元.基于改进遗传算法的移动机器人路径规划[J].计算机测量与控制,2016,24(1):313-316.
    [7]陈华华,杜歆,顾伟康.基于遗传算法的静态环境全局路径规划[J].浙江大学学报(理学版),2005,32(1):49.
    [8]祝毅鸣,刘莹.基于改进交叉熵算法的随机需求车辆路径设计方法[J].计算机测量与控制,2014,22(11):3732-3734.
    [9]吴涛,叶晓慧,王红霞.基于量子遗传算法测试选择问题的研究[J].计算机测量与控制,2010,18(11):2508-2510.
    [10]乔孟丽,张景元,温莹莹.一种基于遗传算法的模糊控制规则的优化方法[J].计算机测量与控制,2006,14(10):1349-1351.
    [11]刘萍,陆宇平.一种基于遗传算法的航迹优化技术[J].计算机测量与控制,2007,15(7):961-962.
    [12]盖佳妮.量子遗传算法的改进与研究[D].渤海大学,2017.
    [13]郭海燕,金炜东,李丽,等.分组量子遗传算法及其应用[J].西南科技大学学报,2004,19(1):18-21.