基于蚁群算法的战时军事物流配送路线优化研究外文翻译资料

 2022-07-28 14:57:02

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

基于蚁群算法的战时军事物流配送路线优化研究

洪涛石，余才东，梁海毅，郑东云，郑红菊，马永昌，马军，非线性科学研究院装甲兵工程北京研究所

李伟东，北京装甲兵工程学院科学研究所研究所

摘要

由于会受到道路条件以及敌对攻击的强烈影响，战争时期军事物流配送的时候应该要考虑到各种需求点的压力等级，同时也要考虑到类似于道路条件，敌对攻击等不同的影响因素，所以会比普通物流的分析计算要复杂得多。那么针对于战争时期军事物流配送的各种实际情况，并且联系各种因素对战争时期军事物流路线配送优化的影响，本文分析研究并提出了基本蚁群算法，并使用MATLAB等软件用于模拟并改进算法。同时结果也表明，该算法具备了较高的求解效率，可以满足战争时期军用物流配送路线优化的基本要求。

关键词：蚁群算法，信息素，路由优化

由于战争时期的军事物流配送是直接影响到战争的结果的，因此对于战争是否取得胜利的作用是至关重要的，因而对车辆路线进行相应的完善和优化，使得军事物资在短时间内到达需求点，是至关重要的。而在提高军事物流的配送效率当中，军事物流配送速度以及安全性是军事物流配送整个过程的重中之重。那么在本文中，综合考虑了与战争时期军事物流配送相关的各类实际需求以及其他影响要素，同时对蚁群算法中的状态转移概率函数进行了相应的修改，通过将路由的各种无阻碍因素以及需求点的各类重要性因子结合加入到其中，从而使得算法更加适合我们所遇到的这个问题。

  1. 战时军事物流配送路线优化模型的描述

战争时期军事物流配送路线的优化是需要通过分析并且建立合理的物流配送路线，将战争所需要的物资，花费最少的时间通过前面建立的合理路线运送到指定地点，这就保证了物资能够在最短时间内到达指定的需求点，并且同时务必要确保材料的安全性。那么在综合考虑各种影响因素之后，对于这个问题我们可以作出如下描述：

通过使用大量的车辆将战争时期所需求的物资安全的运送到相应的配送中心的指定地点，那么就会有每个需求点的地理位置以及相应的需求量是确定的，也就是不变的，而且同样的每个运输车辆的负荷即载重也必须是确定的，并且在战争时期会要求包括对车辆路线的合理安排，以及相应的车辆选择路线的不同，从而使得物资运输路线达到最小或者是物资运输时间达到最短，那么每个相应的需求点就能够及时的获得相应的配送服务，一辆物资运送车可以一次到达相应的场地，一辆物资运输车只能服务一条对应的路线，从配送中心就可以开始分配车辆以及预估车辆的返回时间。

另外，在运送物资时，由于车辆的情况，道路的状况和敌对攻击等特殊情况的影响，战争时期的军事物流配送路线必须考虑强制性场所，禁止性地点，强制性路线以及禁止性路线，以便于确保物资的相对安全。那么在充分考虑了上述问题的各种限制条件和相应的优化对象之后，战争时期军事物流配送路线优化的数学模型可以建立如下（Zhu，2006＆Zhang，2008，P.83-86）。首先，对于不同变量的定义，如下。

Yki=1；是指需求点i的分布，由车辆k来完成；

Yki=0；是指其他情况，即需求点i的分布，不是由车辆k来完成；

Xijk=1；是指车辆k从需求点i运行到需求点j；

Xijk=0；是指其他情况，即k不从需求点i运行到需求点j；

相对应的目标函数是：

min z = sum;sum;sum;dij xijk

(1)

s.t. sum; gi vki le; q

forall;k

(2)

i

sum; yki

= 1

i = 1,L,l

(3)

i

sum; xkijk

= yki

j = 0,1,L,l

forall;k

(4)

i

sum; xkijk

= vki

i = 1,L, l

forall;k

(5)

j

其中，dij表示的是从需求点i到需求点j的相应的路线长度，gi表示的是运输任务i的数量，q表示的是车辆的负载。公式（2）表示的是车辆的容量限制，公式（3）表示的是要确保每个客户点的运输任务只能是通过一辆运输车来完成，所有运输任务由m辆车一起共同完成，公式（4 ）和公式（5）表示的是限制条件，即只有一个车辆能够到达并离开某一个客户点。

  1. 通过蚁群算法解决战时军事物流支持路线优化问题

2.1蚁群算法的引入

蚁群算法是基于自然界当中真实的蚁群集体行为作为研究而得到的结果，进而得出模拟演化算法，具有正反馈，并行计算和强鲁棒性等多种独有的特征，通过使用该算法可以有效的去解决路由优化的相应问题（Li，2004）。该算法主要是由两个公式所决定的，即状态转移概率和信息素的更新。假设m是蚂蚁群的总数量，n是路由节点的数量，pijk（t）是蚂蚁在t时刻从需求点i转移到需求点j的状态转移概率。

在最初的时间里，每条路线上的信息素数量是相等的。假设tau;ij（0）= C，C为常数，蚂蚁k（k = 1,2，K，m）会根据各种路线上的信息素决定其接下去的传输方向。

运动和禁忌列表tabuk（k = 1,2，K，m）是用于记录蚂蚁所需要的点的，并且该集合可以通过tabuk的演化过程来进行动态的调整。在搜索过程中，蚂蚁是能够根据信息素以及各种路线上的照明信息来计算状态转移概率。在t时刻，从需求点i转移到需求点k的蚂蚁k的状态转移概率pijk（t）是：

alpha;( )

beta;( )

tau; ij t

eta;ij t

,

sum;tau; isalpha;(t)eta;isbeta;(t)

pijk(t)

sisin;allowedk

0

,

s isin; allowedk

s notin; allowedk

其中，allowedk={N-tabuk}，表示的是下一个允许蚂蚁选择的需求点的全部集合，alpha;是用来表示轨道的相对重要性的信息照明因子，并且能够将累积的信息素的功能反映到相应的蚂蚁的运动，使得其价值更加巨大，蚂蚁会更加倾向于去选择走其他蚂蚁已经经过的路线，beta;用来表示的是预期的照明因子，可以用来表示可见度的相对重要性，在路由选择中鲜明的反映了蚂蚁的重要性照明信息。

蚂蚁的运动，直观来看它的研究价值较大，蚂蚁们选择它们附近的需求点的可能性会比较大，并且根据照度函数eta;（t）的表达式中为eta;=1，d表示的是两者之间的距离，ij表示的是相邻的两个需求点。 对于蚂蚁k而言，dij越小，eta;ij（t）越大，pij（t）越大。

为了避免更多的残余信息素淹没了照明信息，因此在每一个蚂蚁经过了一个完整步骤或完成所有n个需求点的遍历，即在一个周期结束之后，应该要即使的对剩余的信息素进行更新。在...时间t n之内，路径上信息素的数量（i，j）可以按照以下的相应规则进行适当的调整。

tau; ij (t n) = (1 minus; rho;) sdot;tau; ij (t) tau; ij (t)

(7)

计算机与信息科学技术 2010年2月

m

tau; ij(t)= sum; tau; ij k(t)

(8)

k =1

其中，rho;表示的是分散因子，因此，1-rho;表示的是信息素的残留系数，并且可以防止信息的无限化积累，rho;在rho;isin;（0,1）中是会受到限制的，tau;ij（t）表示信息素的增量在这个周期的路线（i，j）上，初始时间为tau;ij（0）= C，tau;ijk（t）表示信息素的量在这个循环中，蚂蚁k是在路线（i，j）上离开的。

本文采用Ant-Cycle模型来处理路由优化，在此模型中。

Q

，if the ant k goes across (i, j) between t and t 1

k

 <!--

全文共6517字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[143790]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章