【正文】 粒子能在整個空間中的領(lǐng)域中以前遇到到過的那些最優(yōu)的解中再次進(jìn)行搜索的可能方向，這個有可以類比于人類可以通過從他人的所學(xué)會的知識中而獲得一些經(jīng)驗(yàn)。④、在算法應(yīng)用的整個過程中由于群體的規(guī)模相比較而言稍微小一點(diǎn)，并且較少次數(shù)的利用到評估的函數(shù)，由此一來收斂速度便快了。 然后再通過上述的迭代方法得出得出最優(yōu)的解再利用這個最優(yōu)的解來得出新的關(guān)于速度與位置的值。最后為了能更好的對 PSO 算的理解，畫出了 PSO 算法直觀的流程圖，使得算法便于理解和后面的實(shí)現(xiàn)。 在 DPSO 的問題中逐漸出現(xiàn)兩條主要的技術(shù)方法：一種方法是依據(jù)以往經(jīng)典的 連續(xù)的 PSO 算法，然后再將這個連續(xù)運(yùn)動的粒子映射到離散空間中并適當(dāng)修改算法使之適應(yīng)能夠解決離散問題。 根據(jù)現(xiàn)實(shí)生活中遇到的各類型的問題而言，以 上的兩種方法可以分別應(yīng)用于在生活中的不同領(lǐng)域。例如旅行商問題 （ TSP） ，在以離散空間為基礎(chǔ)的前提下 DSPO 通過利 第 11 頁 共 40 頁 用 位運(yùn)算，這樣雖然可能會增加一些計算的時間，但是這樣便不會產(chǎn)生多余的搜索的問題，這樣還能自然地描述離散的問題，并能和其他的演化算法緊密地結(jié)合起來，如此使得其有更好的發(fā)展前景。由于此算法為二進(jìn)制的空間中的算法因此以上的參數(shù)中的 xid、 pid 和 pgd 的值都只能為 0 或者是 1。雖然在算法中出現(xiàn)了近似的取整的情況，并利用這些近 第 12 頁 共 40 頁 似的解得可行的解，但是得到的可行解在高維的規(guī)劃問題中仍能式算法具有較高的穩(wěn)定性，并使得算法不會輕易地陷入停止的搜索狀態(tài)。通過不斷的研究和應(yīng)用，算法將會被更加廣泛的應(yīng)用，給我們的生活、工業(yè)和科學(xué)帶來更多的便利和突破。由于近幾年來 DPSO 算法得到了有力地發(fā)展，解決這一問題的 方法也隨之越來越多，比如可以使用改進(jìn)的 BPS 來恢復(fù)配電網(wǎng)出現(xiàn)的故障；或者可以根據(jù)配輸電網(wǎng)的擴(kuò)展規(guī)劃的問題與電網(wǎng)的重構(gòu)問題來設(shè)計適合的 DPSO；又或者可以用DPSO 處理電力系統(tǒng)中滿足發(fā)電機(jī)的約束的經(jīng)濟(jì)的調(diào)度問題；亦或是就給出的電力市場中盈利區(qū)間內(nèi)的約束問題改進(jìn)我們的 DPSO；亦或者是關(guān)于熱備、停開機(jī)等約束的機(jī)組的調(diào)度問題與組合機(jī)組的等問題利用 DPSO 可以很好地將其解決。于是為了解決這一抽象性的難題研究學(xué)者們想到了在集成的電路中間使用啟發(fā)式的算法來進(jìn)行優(yōu)化。以上 WSN 這些不足會使得無線的 第 14 頁 共 40 頁 傳感器網(wǎng)絡(luò)之間的游泳資源相對的缺乏例如，因此要解決這些問題就顯得有些迫不及待了。 ⑤、數(shù)據(jù)挖掘 —— 它的屬性的選擇使用了 BPSO 得到了解決；并已有文獻(xiàn)提出在 DPSO 基礎(chǔ)之上的特征子集的選擇方法；還有文獻(xiàn)為傳統(tǒng)的特征的選擇的不足引入了粗超的簡約的模型，同時還給了結(jié)合了 PSO 和領(lǐng)域粗超集的模型得出新的一種新的特征的選擇的算法。與其他的遺傳的算法相比較，在搜索的時候RPSO 擁有更高的成功率，更高的最優(yōu)解的質(zhì)量與更優(yōu)的時間復(fù)雜度。然后再利用粒子的鍵 值對作業(yè)排序，這需要先將粒子的具體位置影射到一種合法的調(diào)度上，只有這樣才能更為便捷地使用連續(xù) PSO 來計算出粒子具體的速度和具體的位置。然后展開對 DPSO 算法詳細(xì)描述，對 DPSO算法原理進(jìn)行深刻的剖析和認(rèn)識，最后為了能更好的對 DPSO 算的理解，詳細(xì)的例舉了 DPSO 在各個領(lǐng)域的應(yīng)用 。 配送路線的合理與否將直接影響到配送的速度、配送的成本和配送最后的效益，當(dāng)配送的過程是一個多用戶的配送時，一條合理的配送路線將會更加的重要和必要。 由現(xiàn)在的物流配送的流程圖（圖 ）顯然可知，配送環(huán)節(jié)成為了整個物流配送中最重要的，而存儲環(huán)節(jié)則相對顯得 不再那么重要且趨于弱化?，F(xiàn)在供應(yīng)商要求使用最少的車輛和最小的行程完成整個配送的任務(wù)。 車輛路徑問題的分析 第 18 頁 共 40 頁 VRP 的研究要素 關(guān)于 VRP 的分析如下：將服務(wù)的抽象對象具體成一位客戶，將滿足客戶需求表示為供應(yīng)點(diǎn)；相反的客戶所在地點(diǎn)則表示為需求點(diǎn)；連接供應(yīng)點(diǎn)和需求點(diǎn)并提供配送服務(wù)的車輛表示配送車輛，配送中心則為配送車輛出發(fā)的地點(diǎn)。同時能減少車輛在途中的各種成本消耗。所以最少化車輛數(shù)根本上就是減少總的成本輸出。同時時間減少了，可以減少車輛的空載率，從而可以有效地降低運(yùn)輸?shù)某杀尽ｎ櫩途褪巧系?，企業(yè)所做的一切商務(wù)活動，都是圍繞著顧客進(jìn)行的，特別對于一些保存時間短的貨物，更是要求及時送達(dá)，以免給顧客造成一些不必要的損失，同時也損害了企業(yè)的形象。然后展開對 VRP 詳細(xì)描述，對 VRP 原理進(jìn)行深刻的剖析和認(rèn) 第 20 頁 共 40 頁 識，同時對 VRP 的模型進(jìn)行了具體的描述。求解滿足以上要求的運(yùn)輸?shù)淖疃痰能囕v行駛的路徑。有眾多的文獻(xiàn)所給的思路， 在根據(jù)實(shí)際的問題產(chǎn)生的具體的實(shí)現(xiàn)步驟如下： 第一步：我們首先需要對粒子群進(jìn)行初始化 ①、開始我們需要得到兩個相互重疊的粒子群，所以我們需要將整個粒子群進(jìn)行劃分； 第 22 頁 共 40 頁 ②、對每個粒子的具體的位置和具體的速度進(jìn)行離散化的映射，是的它們的值都能分別屬于 0~K 和 0~L 之間的的整數(shù)； ③、利用評價性的函數(shù) Eval對所有的粒子進(jìn)行一個評估； ④、將③中得到的初始化的值作為一個個體的歷史性的最優(yōu)的解 Pi，然后在找到子群中的最優(yōu)的解 Pi 和總的群體中的最優(yōu)的解 Pg 第二步： ①、根據(jù) DPSO 中速度、位置的更新公式進(jìn)行迭代，如若超 出范圍的值按邊界的值進(jìn)行取舍。 ②、計算每一個粒子所代表的方案的距離總和。 reqerr=。 ast1=2。 endepoch=1500； maxwt=； t=0； %counter for neuron architccture %Training paramcters, change these to experiment with DPSO performance %type help traindpso to find out what they do TP=[cpdt,maxep,reqerr,popsz,maxvel,ast2,inwt2,endepoch,maxwt,2,1e9,200]。 disp(‘1. Particle Swarm Optimization’)。 disp(‘’)。1,1]’。1]’。 %arbitrary choice of inital error just used to update of neurons %%判斷選擇結(jié)果，運(yùn)行相關(guān)子函數(shù) if arch==3 [w1,b1]= initff (minmax,1,’tansig’)。 [w1,b1,w2,b2] = initff(minax,l1,’tansig’,1,’purelin’)。 end [w1,b1,w2,b2,w3,b3]=initff(minmax,l2,’tansig’,l1,’logsig’,l,’purclin’)。3639,1315。3326,1556。4386,570。2381,1676。4061,2370。4263,2931。3439,3201。2778,2826。)。 end %距離大于 3000 取一個懲罰值 fit=sum(expense) + +4*length(find(a3000))。對于 n 個頂點(diǎn)的連通網(wǎng)可以建立許多不同的生成樹，每一棵生成樹都可以是一個發(fā)貨網(wǎng)。所以再實(shí)際應(yīng)用中客戶點(diǎn)數(shù)比較多時，生成樹算法的缺點(diǎn)就明顯顯現(xiàn)出來了，運(yùn)算時間長且算法結(jié)果不定。具體參數(shù)設(shè)置如下： 遺傳算法參數(shù)：群體規(guī)模 n=40，交叉概率 Pc=；變異概率 Pm=；輪盤賭法選擇子代，最大迭代次數(shù)為 200。首先對車輛路徑問題進(jìn)行了建模，然后根據(jù)數(shù)學(xué)模型設(shè)計與編寫了實(shí)現(xiàn)的代碼，最后得出實(shí)現(xiàn)結(jié)果。一次來提高物流產(chǎn)業(yè)中物流運(yùn)輸?shù)男б婧褪袌龈偁幍牧Χ?，具有很大的現(xiàn)實(shí)的研究價值和意義。因此，本課題有有待進(jìn)一步深入的提高改進(jìn)，使得本課題的設(shè)計更加的趨于完善和功能完全。 OPERATIONS RESEARCH, 20xx,35: 34123438. [16] , , . Competitive analysis of a dispatch policy for a dynamic multiperiod routing problem. OPERATIONS RESEARCH LETTERS. 20xx,35: 71372. [17] 龍磊 ,陳秋雙 ,華彥寧 ,徐亞 .具有同時集送貨需求的車輛路徑問題的自適 應(yīng)混合遺傳算法 .計算機(jī)集成制造系統(tǒng) .20xx,14(3):549557. [18] 王素欣 ,高利 ,崔小光 ,曹宏美 .多需求點(diǎn)車輛調(diào)度模型及其群體智能混合求解 .自。 第 31 頁 共 40 頁 參考文獻(xiàn) [1] Kennedy J,EberhartR C . Particle swarm optim ization [G ]//Proc of IEEE Int Conf on York: IEEE, 1995: 19421948. [2] 高鷹 ,謝勝利 .免疫粒子群優(yōu)化算法 [J].計算機(jī)工程與應(yīng)用 , 20xx(6): 462. [3] . A. Wassan, . A reactive tabu search algorithm for the vehicle routing problem with simultaneous pickups and deliveries. Journal of Combinatorial Optimization, 20xx,15: 368386. [4] , , , . Reducing traveled distance in the vehicle routing problem with time windows using a multistart simulated annealing. International Joint Conference on Neural Networks 20xx, IJCNN 39。但是由于時間有限，考慮到的的可能性不能很周全，問題處理的不是那么的盡善盡美，只能達(dá)到小型的物流配送的一個過程的優(yōu)化。 第 30 頁 共 40 頁 第五章 結(jié)論和展望 對整個課題準(zhǔn)備和研究，差不多前后歷經(jīng)了一個多月的設(shè)計和制作，終于將給予 DPSO 的物流配送中的 VRP 的優(yōu)化和設(shè)計開發(fā)研究基本已經(jīng)完成。說明在該問題上離散粒子群算法 (DPSO)效率高于遺傳算法。 DPSO 算法與遺傳算法的比較 文獻(xiàn) [31]比較遺傳算法和離散粒子群算法在車輛路徑問題上的應(yīng)用。生成 樹算法有兩種分別是 Prim算法和克魯斯卡爾算法。 第 28 頁 共 40 頁 DPSO 算法與最小生成樹的比較 假設(shè)要在物流的 n 個客戶點(diǎn)建立發(fā)貨網(wǎng)，則連通 n 個客戶點(diǎn)只需要 n1 條線路。)。 %貨物量 carge=[20,90,90,60,70,70,40,90,90,70,60,40,40,40,20,80,90,70,100,50,50,50,80,70,80,40,40,60,70,50,30]。3140,3550。3507,2376。3676,2578。3715,1678。2562,1756。4196,1044。3712,1399。 elseif meth=2 第 25 頁 共 40 頁 [w1,b1,w2,b2,w3,b3,te,tr] = trainbp(w1,b1,’tansig’,w2,b2,’logsig’,w3,b3,’purelin’,P,T)。 elseif meth==2 [w1,b1,w2,b2,te,tr]=trainbp(w1,b1,’tansig’,w2,b2,’purelin’,P,T)。 elseif meth==2 [w1,b1,te,tr]=trainbp(w1,b1,’tansig’,P,T)。 l2=1。0。 %XOR function test set P=[0, 0 。 meth=input(‘Pick trainning method’)。 disp(‘’）； disp（ ‘ hiddden layer’）； disp（ ‘ hiddden layer’）； disp（ ‘3. no hiddden layer’）； arch=input(‘Pick a necural architecture’)。 inwtl=9。 popsz=20。 實(shí)現(xiàn)代碼 根據(jù)以上的實(shí)現(xiàn)步驟的詳細(xì)分析 ,因此可以如下設(shè)計程序： %% 首先進(jìn)行初始化 nntwarn off cpdt=25。 ④、重復(fù)以上步驟，直到找到滿足條件的最優(yōu)的解或者達(dá)到了要求的最大的迭代的次數(shù)。如若在所有的車輛路徑的中和達(dá)到了最小，便屬于了對該問題的優(yōu)化了。即設(shè)計出一個消耗最小的路徑集，這些最優(yōu)的路徑集需要滿足一下幾個條件： ①、首先必須滿足的是每一條配送路線 上所有的客戶目的點(diǎn)的總的需求量的和是不得超過每一臺車輛的運(yùn)載的能力，目前現(xiàn)在擁有 K 輛車，它們的運(yùn)載量應(yīng)該為 ),...,2,1( kkqk ? 。因此解決 VRP 這類問題 常用