一、一种混合遗传算法在货物装载中的应用(论文文献综述)
李峰,王厦娆,刘小平,王亚玲[1](2021)在《集装化运输单箱配载问题研究综述》文中研究说明目的探索集装化运输单箱配载问题模型及典型求解算法研究现状,为相关领域展开深入研究提供参考。方法通过分析常见的单集装箱装载问题模型,梳理已有的求解算法,提出单箱装载问题求解算法的优化方向和思路建议。结论作为集装化运输的重要环节,单箱装载对提高物流运输能力和经济效益有着重要的意义,现有的求解算法仅仅是初步解决单箱装载问题,但仍存在一定的不足,一方面是考虑到约束条件有限,不满足实际应用需要;另一方面是求解方案质量有待提高,求解的时间和效率尚有改进空间。
李伟,杨超宇,孟祥瑞[2](2020)在《融合启发式搜索的改进极快决策树算法在多规格货物智能混合装载中的应用》文中认为针对多规格货物装载效率较低问题,提出一种融合启发式搜索的改进极快决策树智能装箱算法,该算法首先计算并择优选取样本信息熵,然后构建生成货物装箱决策树模型,基于启发式搜索方法对货物装载后的剩余空间进行合并再利用。通过保证决策树每个节点装入货物体积最大,对待装货物进行快速决策。最后,基于七组异构性逐渐增强的货物数据对算法进行仿真实验。结果表明:本算法在保证较高集装箱利用率的情况下实现了快速装箱。
李伟[3](2020)在《基于改进随机森林算法的多规格货物装载研究》文中提出经济的迅速发展刺激着人们的生活需求,加之目前网络及网上购物的不断普及,促使网购货品种类和数量不断增加,这意味着在网络大趋势下将迎来大量不同规格货物的运输。货物运输种类的不断增加给集装箱运输带来了巨大的压力。三维装箱问题是典型的NP困难问题。许多研究者对这一问题做了大量的研究,但仍难以得到有效的解决方案。近年来,一些研究人员提出了一些算法来解决三维装箱问题,并取得了良好的效果,但几乎每个算法都存在计算时间较长问题,或者只适用于待装货物种类较少的情况,与当今社会的发展形势相比,其算法具有很大的挑战性,所以我们需要从实际情况出发,对三维装箱问题进行深入研究,找到适合当下发展趋势的方法。改进随机森林算法是利用目前较新的极快决策树算法的寻优规则来替换随进森林中CART树部分,因此大大缩短了算法的计算时间。本文将改进随机森林算法应用到三维装箱问题中,算法首先将待装货物数据Bagging成设定的决策树数量;其次,对于每组待装货物数据,先确定其对应的最优特征,然后将集装箱的每个装载层看做一棵树;最后,在符合集装箱剩余空间的待装货物中选择特征值最大的装入,每装入一个都要更新刚装入箱子的上部和前部剩余空间,避免空间浪费,保证集装箱的空间利用率。由于改进随机森林算法复杂度低且以极快决策树提升了算法时间,又因为通过启发式搜索算法保证了集装箱空间利用率,可以得到较好的装箱效果,所以本文的研究具有较高的研究价值。本文的主要研究内容为:第—,通过对三维装箱问题的研究,确定了装箱约束条件,建立了相应的数学模型。第二,采用改进的随机森林算法求解三维装箱问题。首先介绍了集成学习模型、决策树、快速决策树、启发式算法和随机森林算法的基本思想和算法流程;设计了改进随机森林算法在集装箱装载中的应用和实现步骤;最后,该算法由编程实现。第三,将通过融合启发式搜索算法和极快决策树改进得到的随机森林算法利用BR1-BR10这1000个实例进行实验测试,并与GRASP、Maximal-spac e、HSA、CLTRS、MLHS、FDA、MOA等同样运用这些实例的算法得到的装箱结果进行比较分析,验证了本文算法的可行性和有效性。本文的结论如下:本文利用BR1-BR10共1000个算例对改进的随机森林算法测试,并将测试结果与目前较经典的装箱算法相比较,证明了使用改进的随机森林算法实现三维包装问题的有效性和可行性。但该算法仍存在一些不足,如容器利用率低。图16表13参91
李伟,杨超宇,孟祥瑞[4](2020)在《基于EFDT-HS随机森林算法的货物装载研究》文中提出为保证多规格货物在集装箱中的高效装载,提出了一种启发式随机森林算法,该算法首先利用Bagging方法生成T个训练集,对每个训练集,要求在特征集中随机选取K个特征组成新的特征集,将新特征集中的最优特征作为分割特征,利用分割特征计算并择优选取样本信息熵,然后构建生成货物装箱决策树模型,最后基于启发式搜索方法对货物装载后的剩余空间进行合并再利用.通过BR1~BR10共十组异构性逐渐增强的货物数据对算法进行仿真实验,将实验结果与其他研究算法进行比较,该算法在BR10算例中利用率达到90%,仅比其他算法低1%,但计算时间却由1 38062 s降低到76 s.由此可见,该算法对于多规格强异构货物的求解具有一定的可行性和有效性.
孟超[5](2020)在《民航宽体客机腹舱装载优化研究》文中进行了进一步梳理随着航空业的蓬勃发展,宽体客机投入运营的数量与日俱增,客机腹舱已经成为航空货运的主要运力。在这种客货并运的背景下,研究如何保障客机腹舱配载安全、如何提高宽体客机腹舱装载效率、如何提高集装器和腹舱空间利用率,从而降低航空货运成本,在提高航空运输效率,提升货运效益方面,存在较为重要的理论和现实意义。首先介绍了宽体客机腹舱装载问题的研究背景及意义,并根据国内外文献对装载空间问题、装载模型以及求解算法的研究进行了梳理归纳,明确了针对民航宽体客机腹舱装载的三维装箱问题,以综合载重利用率和容积利用率两个指标作为双重优化目标,通过在一系列约束条件和假设前提下构建的民航宽体客机腹舱装载模型,并以联合改进后的“启发式算法+混和遗传粒子群算法”,对民航宽体客机腹舱装载问题展开优化研究,取得了如下两个方面的创新成果:(1)针对客机腹舱货运装载优化问题,大多数学者仅单纯考虑货物的装载问题,忽略了旅客托运行李的装载因素,使得既往的研究存在一定的局限性。本文同时考虑了行李装载与货物装载问题,并设置了合理的装载次序进行综合优化,填补客机腹舱货运装载问题遗留的空白。(2)针对客机腹舱货运装载的复杂问题,融合启发式算法、遗传算法和粒子群算法的各自优点,联合开发设计出了“启发式算法+混和遗传粒子群算法”。以启发式算法来确定优化算法的初始种群,以双重优化粒子群算法与遗传算法相结合的混合遗传粒子群算法作为核心优化算法,既防止了粒子群算法容易出现局部最优的情况,又克服了遗传算法容易陷入早熟的缺点,通过对粒子采用DNA序列的方式进行编码,并引入遗传算法的交叉变异机制,使联合算法取得了良好的改善优化效果。最后,利用Matlab对混合遗传粒子群算法编程,然后对腹舱装载优化模型和算法进行实证算例求解,并通过Solidworks绘制出实例装载效果图,优化结果显示行李装载空间利用率为95.2%,货物装载空间利用率分别达到了85.8%、91.6%和82.4%,实例证明本文改进的算法优化效果较好。
董韫玮[6](2020)在《混合品类货物的码盘优化方案研究》文中进行了进一步梳理现时代信息技术高速发展,国家号召优化供应链效率,托盘共用的发展趋势迅猛。带板运输能够提高供应链效率,然而带板运输有码盘装载粗放单一、装载率损失较大等缺点,为此本文对带板运输场景下的拼载业务与装载优化进行研究,兼顾码盘拼载业务实际与装载优化理论,促进带板运输的发展与推广,从而提高物流供应链效率。带板运输货物配送,对优化拼载业务、货物码盘装载与带板运输的配送路径,有较大需求。同时,物流信息系统积累了大量的业务数据,为了有效利用分散的数据,改善带板运输码盘装载业务,有必要对码盘拼载优化相关的数据资源进行整合利用。本文首先从研究对象和研究方法,即业务和技术理论两方面对带板运输中货物成组拼载业务、码盘装载优化等研究现状进行介绍,概述了传统的码盘装载优化技术方案。其次针对实际业务优化需求,选取相关数据维度进行整合,作为应用方案研究的基础。接着,通过对信息系统的有关数据库表进行分析,设计面向配送与码盘装载的货物分类指标方案,进行货物的分类筛选,识别出可进行码盘的货物。为优化货物码盘的拼载业务,选用聚类分析对货物进行依据配送位置的聚集分类,形成码盘分批成组方案。货物码盘装载前,预先对托盘上的货物进行配送路径问题的优化研究与检验,输出较优的配送次序方案并用于装载次序,随后对货物方案进行码盘装载检验。最后,利用技术和工具对应用方案进行实现,并用案例数据对优化方案的可行性与有效性进行仿真。优化方案有助于带板运输的智能化、精细化管理,降低装载方案的配送成本,实现带板运输的降本提效,推动供应链的发展。
汪金朋[7](2019)在《家具板材包装算法的研究与应用》文中认为家具板材包装是家具板材运输过程中最为重要的一个环节,是指在一定的约束条件下,如包装箱内各层面积利用率、空间体积利用率、包装箱内板材高度限制、重量限制、重心约束等,将具有一定长度、宽度和高度的矩形板材合理的装入到装载箱内。家具板材包装属于典型的多约束条件优化组合问题,此类问题也称之为NP-hard问题。经典的NP-hard问题有集装箱装载问题、TSP问题、车辆调度问题等。家具板材装箱问题致力于提高板材装载箱整体载重利用率,减少装载箱使用的数量,以此降低物品运输的成本,这对当今快速发展的家具行业具有极其重要的意义。由于NP-hard问题十分复杂且极具应用价值,因此成为当今学术界研究的焦点。近年来学术界提出了许多经典的优化组合算法用来解决NP-hard问题,如蚁群算法、模拟退火法、分布式估计算法、动态规划法、遗传算法等,然而由于现实约束条件以及物品组合的多样性,单一的优化组合算法不能很好的解决此类问题。针对上述问题,本文提出了一种基于启发式算法和混合遗传算法相结合的串级优化组合算法。前级利用基于人工装箱经验构造的启发式算法获得高质量的装箱解,并把该解作为后级混合遗传算法的初始种群进行迭代变异,直至搜索到问题的最优解。本文把具有较强局部搜索能力的禁忌搜索算法作为传统遗传算法的变异算子构成混合遗传算法,以此克服传统遗传算法局部搜索能力弱,易于早熟的缺点,其次利用启发式算法为混合遗传算法提供质量较好的初始解,以此提高算法收敛速度。因此本文提出的串级算法相比于一般算法不仅获得解的质量高而且算法执行效率也比较高。本文的第一章详述论文的研究背景、意义以及国内外的研究现状;第二章对家具板材包装问题进行概述,详解当前物品装载问题常用的算法并对各算法优缺点进行分析;第三章对家具板材装箱约束条件进行描述,根据优化目标和约束条件建立相应数学模型,重点设计了本文前级算法启发式算法,对启发式装载策略进行了深入设计,章节最后使用启发式算法对家具板材数据进行处理,得出装箱结果并对其进行分析;第四章对传统遗传算法和禁忌算法进行分析,结合它们各自特点提出本课题后级算法混合遗传算法,重点对混合遗传算法相关参数进行设计,并制定算法执行步骤,章节最后利用该算法进行实验分析;第五章把启发式算法同混合遗传算法相结合为串级算法,对串级算法内相关参数进行改进,并利用串级算法对家具板材数据进行处理,得出包装结果同前述算法进行对比分析;最后对论文总结并进行展望。通过对大量家具板材包装数据处理,对各种算法进行对比分析,可以得出:本论文提出的启发式算法和混合遗传算法相结合的串级算法相较于传统算法有效的提高了家具板材装箱的质量和算法运行效率,对家具板材装箱作业具有很强的实用性,对同类装箱问题也有很好地参照性。
王海明[8](2019)在《铁路多车多件货物装载方案优化研究》文中研究表明随着铁路货运不断的改革,以计划性为主的货物运输逐渐转变为以运输服务和货主利益为导向的市场化运输模式。货物装载布局作为铁路货物运输中的一环,对货物的运输安全、货运效率有着重要的影响。但是,货物装载方案仍然以人工经验为主,货物装载技术条件不能完全符合规则。近年来新型货车的使用频率越来越高,其车辆尺寸、容积和装载技术条件等均有不同,现行装载方案也未能根据新型货车更新,不能保证装载方案的合理性与安全性。并且,随着全国货物运量提升的要求,普通货物运输被大宗货物、现代物流等占用线路能力,货物不能得到及时的接发,让许多适合铁路运输的产品转向更高成本的公路运输。加之铁路货物流量和流向的分布不均衡、许多传统小型货运站的闲置,仍然存在铁路货物运力紧张的现象,在货运尽头站尤为明显。铁路货物装载布局的优化是保证货物装载符合技术条件、保障运输安全的有效方式,可以在运力紧张的情况下增加货物运输效率,所以,对铁路货物装载布局优化方案的研究具有十分重要的意义。本文首先对货运能力紧张的情况进行了分析,从货物装载布局问题的概念与分类出发,总结了国内外文献对布局策略与布局模型的研究成果,在此基础上提出了文章的布局优化思想。采用分层策略,将三维货物装载布局问题简化为一个二维装载布局阶段和一个一维层排列阶段。随后通过对铁路货物装载技术条件、货物—车辆—线路系统中的影响因素分析,确定货物装载布局模型的约束,以车辆容积和载重量的利用率最高、货物层间隙和货物总重心偏移量最小为优化目标,建立多车多件货物装载布局优化模型。最后通过实例验证,探究使货物运输效率更高、更具安全性和更符合货物装载技术条件的装载布局方案。本文提出的铁路货物装载布局的优化,有效的兼顾了货物运输效率与运输安全性。同时,货物排布较为规整且易于装载,符合人工装载规律,易于实现。并且有效减少了货物间隙过大带来的行车安全隐患,在一定程度上减少了运输企业成本,达到为运输企业提供一个安全、高效、合理的货物装载布局方案的目的。
黄蓉[9](2019)在《面向随机货源点的城市物流共享配送系统研究与实现》文中研究表明随着我国经济的快速发展和广大人民消费能力的大幅提高,我国城市市内物流配送的需求快速增加。城市范围内的物流配送业务的主要客户为中小型的企业、门店和市民,此类群体的特点为群体数量多、货物量少、批量多,导致配送业务的货品种类多、批次多、单次数量小、流向复杂。由于上述特点,城市物流至今以传统的人工叫车谈价配送的方式为主,此方式带来的问题是配送车辆的满载程度不高,回程空车多。由此造成城市配送的成本高、城市交通负担加重、城市环境污染增加等诸多负面影响。上述问题亟待解决。城市物流配送的最典型特点是发货需求的随机性,即每时每刻在城市的不同地点都有可能产生配送货物的需求,且每时每刻具备配送运力的车辆也是随机出现的。为此,本文按城市物流共享配送的理念,设计并实现了城市物流共享配送系统,为提升城市物流配送的配载率提供了解决方案,本文主要研究工作如下:(1)针对城市物流配送的货品多、单次数量小、货品订单地点分散的特点,提出将整个城市的配送区域进行网格划分,然后在各个网格内独立地进行订单聚类,将城市物流随机货源点简化为虚拟单货源点,再对各虚拟单货源点实施订单-车辆的匹配。(2)针对城市范围内的物流配送货品订单多、配送货物订单发货点和目的地随机性强的特点,以单货源点为例,综合考虑车辆配载率和配送成本,提出了一种基于改进遗传算法的订单-车辆匹配方法,为提升城市物流配送的配载率和降低运输成本提供了解决方案。(3)作为订单货物-车辆匹配结果的补充,尝试采用一种考虑货物摆放方式的三维装载约束的订单-车辆匹配方法,重点对匹配方案的装载约束判断进行了研究,为优化装货方式提供参考。(4)分析了当前城市物流中存在的问题,对面向随机货源点的城市物流共享配送系统进行了需求分析,提出了系统的总体架构和运行流程,并且基于Java WEB平台,采用SSH框架,设计和实现了面向随机货源点的城市物流共享配送系统。
张钧,贺可太[10](2019)在《求解三维装箱问题的混合遗传模拟退火算法》文中研究表明集装箱装载是货物运输过程中重要的一步,其属于NP-hard问题。为了提高效率,降低成本,提出了以集装箱体积利用率最大化为目标建立三维装载模型,同时考虑体积约束、重量约束、重心约束、方向约束。利用混合遗传、模拟退火与三空间分割启发式装载算法求解模型,算法中融入局部最优解保存策略来避免局部较好解在后续的算法过程中出现适应度降低的情况。通过强异类算例与弱异类算例对算法进行性能测试,并结合具体的货物装载数据,得出三维装载图与目标函数值。结果表明,该算法应用于集装箱装载有着较好的效果。
二、一种混合遗传算法在货物装载中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种混合遗传算法在货物装载中的应用(论文提纲范文)
(1)集装化运输单箱配载问题研究综述(论文提纲范文)
1 单箱配载定义及模型 |
1.1 定义 |
1.1.1 问题描述 |
1.1.2 数学表示 |
1.2 问题模型 |
1.2.1 全等项目装载问题模型 |
1.2.2 单个大对象放置问题模型 |
1.2.3 单一背包问题模型 |
2 单箱装载问题典型求解算法 |
2.1 精确算法 |
2.2 启发式算法 |
2.3 元启发式算法 |
2.4 超启发式算法 |
2.5 人工智能算法 |
2.6 混合算法 |
3 发展趋势 |
4 结语 |
(2)融合启发式搜索的改进极快决策树算法在多规格货物智能混合装载中的应用(论文提纲范文)
1 问题及目标描述 |
1.1 问题描述 |
1.2 目标描述 |
2 融合启发式搜索的改进极快决策树智能装箱算法 |
2.1 极快决策树算法 |
2.1.1 度量标准 |
(1)信息熵。 |
(2)信息增益。 |
(3)霍夫丁边界。 |
2.1.2 计算思想 |
(1)快速决策树。 |
(2)极快决策树。 |
2.2 启发式算法 |
2.2.1 空间合并 |
(1)当前装载层的剩余长度大于上一装载层的剩余长度,如图1(a)所示。 |
(2)当前装载层的剩余高度小于上一装载层的剩余长度,即图1(b)所示。 |
(3)当前装载层的剩余高度等于上一装载层的剩余长度,即如图1(c)所示。 |
2.2.2 装载空间再利用 |
2.3 融合启发式搜索的改进极快决策树智能算法在装箱问题的应用 |
2.3.1 底层装载函数 |
2.3.2 非底层装载函数 |
2.3.3 函数的应用 |
3 实例计算与结果分析 |
4 结论 |
(3)基于改进随机森林算法的多规格货物装载研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 容器填充率优化 |
1.2.2 装载效率优化 |
1.3 本文结构与创新点 |
1.3.1 文章结构 |
1.3.2 创新点 |
1.4 技术路线图 |
2 三维装箱相关问题概述 |
2.1 三维装箱问题描述 |
2.2 三维装箱问题约束条件 |
2.3 箱子的放置 |
2.4 本章小结 |
3 理论与方法基础 |
3.1 集成学习模型 |
3.1.1 Bagging |
3.1.2 Boosting |
3.1.3 Stacking |
3.2 决策树 |
3.2.1 决策树的生成 |
3.2.2 不确定性 |
3.2.3 信息增益 |
3.3 极快决策树 |
3.3.1 快速决策树 |
3.3.2 极快决策树 |
3.4 启发式算法 |
3.4.1 空间合并 |
3.4.2 装载空间再利用 |
3.5 随机森林算法研究 |
3.5.1 Bagging算法 |
3.5.2 CART决策树 |
3.6 本章小结 |
4 基于改进随机森林算法的多规格货物装载研究 |
4.1 问题描述 |
4.2 改进随机森林算法思想 |
4.2.1 融合启发式搜索的极快决策树算法 |
4.2.2 融合改进极快决策树的随机森林算法 |
4.3 改进随机森林算法在三维装箱中的应用 |
4.3.1 底层装载函数 |
4.3.2 非底层装载函数 |
4.3.3 函数整合 |
4.3.4 改进随机森林算法的综合应用 |
4.4 本章小结 |
5 实证分析 |
5.1 实验准备 |
5.2 实验测试过程 |
5.2.1 预处理 |
5.2.2 测试过程的详细描述 |
5.3 实验测试结果与分析 |
5.3.1 参数设置 |
5.3.2 实验结果与对比分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录A 改进随机森林算法核心代码 |
致谢 |
作者简介及读研期间主要科研成果 |
(4)基于EFDT-HS随机森林算法的货物装载研究(论文提纲范文)
1 问题描述 |
2 EFDT-HS随机森林算法 |
2.1 随机森林算法 |
2.1.1 Bagging算法 |
2.1.2 融合EFDT的CART决策树 |
2.2 启发式算法 |
2.2.1 空间合并 |
2.2.2 装载空间再利用 |
2.3 EFDT-HS随机森林算法在多规格货物装载中的应用 |
2.3.1 底层装载函数 |
2.3.2 算法的综合应用 |
3 实例计算与结果分析 |
4 结语 |
(5)民航宽体客机腹舱装载优化研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 集装箱空间维度研究 |
1.2.2 模型的选择 |
1.2.3 装箱问题的求解算法 |
1.3 研究思路及内容 |
1.3.1 研究思路 |
1.3.2 研究内容 |
1.4 研究方法及创新 |
1.4.1 研究方法 |
1.4.2 研究创新点 |
第二章 民航宽体客机装载概念与理论方法 |
2.1 客机腹舱装载及其特点 |
2.1.1 客机腹舱装载情况介绍 |
2.1.2 客机腹舱装载特点 |
2.2 集装器装载 |
2.3 装箱问题的分类 |
2.2.1 一维装箱 |
2.2.2 二维装箱 |
2.2.3 三维装箱 |
2.2.4 在线装箱 |
2.2.5 离线装箱 |
2.4 本章小结 |
第三章 民航宽体客机腹舱装载优化模型构建 |
3.1 问题描述 |
3.2 目标函数和约束条件 |
3.2.1 目标函数 |
3.2.2 约束条件 |
3.3 客机腹舱装载优化模型 |
3.3.1 模型假设 |
3.3.2 模型建立 |
3.4 本章小结 |
第四章 民航宽体客机腹舱装载优化问题算法设计 |
4.1 启发式算法设计 |
4.1.1 空间分割与合并 |
4.1.2 启发式算法流程 |
4.2 遗传算法概述 |
4.2.1 遗传算法的概念 |
4.2.2 遗传算法的流程 |
4.3 粒子群算法概述 |
4.3.1 粒子群算法的概念 |
4.3.2 粒子群算法的流程 |
4.4 混合遗传粒子群算法设计 |
4.4.1 编码预处理 |
4.4.2 编码方式 |
4.4.3 初始种群 |
4.4.4 双重优化粒子群 |
4.4.5 适应度计算 |
4.4.6 终止条件 |
4.4.7 种群更新 |
4.4.8 交叉与变异 |
4.4.9 混合遗传粒子群算法流程 |
4.5 算法的性能分析 |
4.5.1 智能算法测试函数 |
4.5.2 测试函数实验结果分析 |
4.6 本章小结 |
第五章 实例分析 |
5.1 民航宽体客机腹舱装载算例求解 |
5.1.1 算例描述 |
5.1.2 结果分析 |
5.2 本章小结 |
第六章 结论与展望 |
6.1 论文结论 |
6.2 论文展望 |
参考文献 |
致谢 |
附录1 货物及行李尺寸数据 |
附录2 粒子群算法代码 |
附录3 遗传算法算法代码 |
附录4 混合遗传粒子群算法部分代码 |
作者简介 |
(6)混合品类货物的码盘优化方案研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 货物码盘装载研究现状 |
1.2.2 码盘成组策略研究现状 |
1.3 研究思路 |
1.3.1 研究内容 |
1.3.2 研究路线 |
第2章 业务流程与技术基础 |
2.1 货物码盘配送业务流程分析 |
2.1.1 带板运输业务流程分析 |
2.1.2 码盘装载业务流程分析 |
2.1.3 带板运输与码盘装载的关系 |
2.2 物流数据整合与应用 |
2.2.1 物流数据特点与应用 |
2.2.2 物流数据仓库 |
2.3 小结 |
第3章 货物码盘优化方案的综合设计 |
3.1 物流数据整合方案分析设计 |
3.1.1 物流配送信息系统分析 |
3.1.2 码盘优化主题数据选取 |
3.1.3 码盘优化主题数据仓库设计 |
3.2 货物配送位置聚集模型设计 |
3.3 货物分批方案数学模型设计 |
3.4 货物带板运输配送数学模型设计 |
3.5 货物码盘装载数学模型设计 |
3.6 小结 |
第4章 货物码盘优化方案的综合实现 |
4.1 成组码盘货物分类筛选实现 |
4.2 货物配送位置聚集算法实现 |
4.3 货物分批方案算法实现 |
4.4 货物带板运输配送优化算法实现 |
4.5 货物码盘装载的算法原理 |
4.6 小结 |
第5章 货物码盘优化方案的案例仿真 |
5.1 仿真案例业务背景 |
5.2 适盘货物成组分类筛选 |
5.3 货物依据配送位置聚集成组 |
5.4 码盘货物分批方案 |
5.5 码盘货物配送优化方案 |
5.6 货物码盘装载仿真 |
5.7 案例仿真结论分析 |
5.8 小结 |
结论 |
致谢 |
参考文献 |
附录 |
攻读硕士学位期间发表的论文及科研成果 |
(7)家具板材包装算法的研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 家具板材装箱问题研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文拟解决的关键问题和技术路线 |
1.3.1 论文课题来源 |
1.3.2 拟解决的关键问题 |
1.3.3 解决问题的技术路线 |
1.3.4 论文的创新点 |
1.4 论文组织结构 |
第二章 家具板材装箱问题和相关算法综述 |
2.1 引言 |
2.2 装箱问题概述 |
2.3 装箱问题分类 |
2.4 相关装箱算法论述 |
2.4.1 模拟退火算法 |
2.4.2 分布式估计算法 |
2.5 本章小结 |
第三章 基于启发式算法家具板材装箱方案设计 |
3.1 引言 |
3.2 启发式算法概述 |
3.2.1 启发式算法的概念 |
3.2.2 启发式算法分类 |
3.3 家具板材装箱问题描述 |
3.4 装箱数学模型建立 |
3.4.1 装箱约束条件描述 |
3.4.2 装箱数学模型 |
3.5 启发式算法设计 |
3.5.1 层的引入 |
3.5.2 剩余空间搜索分割 |
3.5.3 剩余空间合并 |
3.5.4 启发式装载策略制定 |
3.6 数值仿真与分析 |
3.7 本章小结 |
第四章 基于混合遗传算法家具板材装箱方案设计 |
4.1 引言 |
4.2 遗传算法概述 |
4.2.1 遗传算法定义 |
4.2.2 遗传算法的设计流程 |
4.3 禁忌搜索算法概述 |
4.4 混合遗传算法在家具板材装箱中的设计流程 |
4.4.1 混合遗传算法设计思路 |
4.4.2 混合遗传算法参数设计 |
4.4.3 混合遗传算法步骤设计 |
4.5 数值仿真与分 |
4.6 本章小结 |
第五章 串级算法在家具板材装箱中的应用 |
5.1 引言 |
5.2 串级算法设计思路 |
5.3 串级算法的设计步骤 |
5.4 数值仿真与分析 |
5.5 本章小结 |
结论和展望 |
参考文献 |
攻读学位期间发表的论文 |
致谢 |
(8)铁路多车多件货物装载方案优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第2章 铁路货运及货物装载布局相关问题 |
2.1 铁路货物运输现状分析 |
2.1.1 铁路货运能力紧张情况分析 |
2.1.2 货物装载布局的意义 |
2.2 铁路货物装载布局问题 |
2.2.1 铁路货物装载布局概念 |
2.2.2 货物装载布局问题分类 |
2.3 货物装载布局策略概述 |
2.3.1 布局模型 |
2.3.2 布局算法 |
2.3.3 布局优化思想概述 |
2.4 本章小结 |
第3章 货物布局影响因素分析 |
3.1 装载技术条件分析 |
3.1.1 货物重心纵向偏移量 |
3.1.2 货物重心横向偏移量 |
3.1.3 重车重心高度 |
3.1.4 重车集重程度 |
3.2 货物属性因素分析 |
3.2.1 货物摆放方向 |
3.2.2 货物能否混装 |
3.2.3 货物放置方式 |
3.3 承运车辆因素分析 |
3.3.1 承运车型选择 |
3.3.2 车辆使用数量 |
3.4 线路因素分析 |
3.4.1 线路运输能力 |
3.4.2 接触网高度 |
3.4.3 其他线路因素 |
3.5 本章小结 |
第4章 货物装载布局优化模型分析 |
4.1 模型参数设计 |
4.1.1 问题分析 |
4.1.2 参数设计 |
4.2 多车多件货物装载布局数学模型分析 |
4.2.1 目标函数分析 |
4.2.2 约束条件分析 |
4.2.3 目标函数归一化处理 |
4.3 模型构建 |
4.4 本章小结 |
第5章 基于遗传退火算法的模型求解 |
5.1 遗传退火算法 |
5.1.1 参数值设计 |
5.1.2 遗传操作 |
5.1.3 模拟退火操作 |
5.2 遗传退火算法求解 |
5.3 实例分析 |
5.3.1 货物布局实例 |
5.4 不同模型与算法的计算结果比对 |
5.5 本章小结 |
结论 |
致谢 |
参考文献 |
攻读硕士学位期间的论文及科研成果 |
(9)面向随机货源点的城市物流共享配送系统研究与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 课题的研究背景及意义 |
1.3 相关领域国内外研究现状 |
1.3.1 城市物流配送国内外研究现状 |
1.3.2 随机货源点配送方法研究现状 |
1.3.3 订单-车辆匹配问题研究现状 |
1.3.4 三维装箱问题研究现状 |
1.4 本文主要研究内容 |
1.5 本文的组织结构 |
第2章 基于层次聚类的随机货源点聚合方法研究 |
2.1 城市物流随机货源点的特点与配送需求 |
2.2 基于历史货源点的配送区域网格化 |
2.3 基于层次聚类的随机货源点聚合方法 |
2.4 算例分析 |
2.5 本章小结 |
第3章 城市物流共享配送订单—车辆匹配模型及其算法研究 |
3.1 城市物流共享配送单货源点的确定 |
3.2 面向单货源点的订单与车辆匹配模型 |
3.2.1 问题描述 |
3.2.2 模型假设 |
3.2.3 模型建立 |
3.3 基于改进遗传算法的订单—车辆匹配模型求解 |
3.4 算例分析 |
3.5 本章小结 |
第4章 考虑三维装载约束的货物装箱模型及其算法研究 |
4.1 考虑三维装载约束的订单货物-车辆匹配方法 |
4.2 三维装箱模型 |
4.2.1 问题描述 |
4.2.2 模型假设 |
4.2.3 三维装箱模型的建立 |
4.3 三维装箱模型求解算法 |
4.3.1 基于最深位置填充算法的三维装箱模型求解流程 |
4.3.2 货物的装载顺序 |
4.3.3 装载约束校验算法 |
4.3.4 关键点更新算法 |
4.4 算例分析 |
4.5 本章小结 |
第5章 系统的设计与实现 |
5.1 系统方案设计 |
5.1.1 需求分析 |
5.1.2 配送方法总体设计 |
5.1.3 系统总体方案设计 |
5.2 系统技术架构与设计建模 |
5.2.1 系统开发技术框架介绍 |
5.2.2 基于UML的系统设计建模 |
5.3 面向随机货源的城市物流共享配送系统的实现 |
5.3.1 基于层次聚类的随机货源点聚合方法实现 |
5.3.2 考虑三维装箱的订单-车辆匹配方法实现 |
5.3.3 货源不充足的三维装箱方法实现 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 全文工作总结 |
6.2 未来工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间科研成果及参加的项目 |
附录 |
(10)求解三维装箱问题的混合遗传模拟退火算法(论文提纲范文)
1 引言 |
2 三维装箱问题的数学模型 |
2.1 问题描述 |
2.2 模型假设 |
2.3 模型建立 |
3 求解算法 |
3.1 三空间分割启发式算法 |
3.2 混合遗传模拟退火算法 |
4 实验方案 |
4.1 参数设置 |
4.2 算例分析与比较 |
4.3 实例验证 |
5结束语 |
四、一种混合遗传算法在货物装载中的应用(论文参考文献)
- [1]集装化运输单箱配载问题研究综述[J]. 李峰,王厦娆,刘小平,王亚玲. 包装工程, 2021(23)
- [2]融合启发式搜索的改进极快决策树算法在多规格货物智能混合装载中的应用[J]. 李伟,杨超宇,孟祥瑞. 科学技术与工程, 2020(36)
- [3]基于改进随机森林算法的多规格货物装载研究[D]. 李伟. 安徽理工大学, 2020(07)
- [4]基于EFDT-HS随机森林算法的货物装载研究[J]. 李伟,杨超宇,孟祥瑞. 哈尔滨商业大学学报(自然科学版), 2020(04)
- [5]民航宽体客机腹舱装载优化研究[D]. 孟超. 中国民航大学, 2020(01)
- [6]混合品类货物的码盘优化方案研究[D]. 董韫玮. 西南交通大学, 2020(07)
- [7]家具板材包装算法的研究与应用[D]. 汪金朋. 广东工业大学, 2019(02)
- [8]铁路多车多件货物装载方案优化研究[D]. 王海明. 西南交通大学, 2019(03)
- [9]面向随机货源点的城市物流共享配送系统研究与实现[D]. 黄蓉. 武汉理工大学, 2019(07)
- [10]求解三维装箱问题的混合遗传模拟退火算法[J]. 张钧,贺可太. 计算机工程与应用, 2019(14)