蚁群算法在拣货路径优化中的应用研究-简易解读

拣货路径优化/蚁群算法在拣货路径优化中的应用研究.pdf

免费下载论文可以通过 上海研发公共服务平台 http://ids.sgst.cn/ids/reg/index.jsp?invite=zhongdaiqi

摘录算法介绍

蚁群算法ACA(Ant Colony Algorithm)源于对自然界蚂蚁寻找从蚁巢到食物的最短路径并找到回巢路径方法的研究。蚂蚁在觅食的过程中,在走过的路径下留下一种称之为信息素(pheromone)的物质,其它蚂蚁就是靠这种信息素的指引往返于食物源与巢穴之间。各条路径上的信息素都会随着时间的迁移而不断蒸发减少,但某条路径七走过的蚂蚁越多,则路径上残留的信息素强度就越高。蚂蚁在运动的过程中总足倾向朝信息素强度高的方向移动。因此,由大量蚂蚁组成的集体行为便表现出一种信息正反馈现象:当几只蚂蚁分别沿着不同的路径网巢,长度越短的路径匕信息素的强度越高.其它蚂蚁选择这样路径的概率也越大.路径上的信息素强度也会更高,使更多的蚂蚁集中到最短的路径上来。蚁群算法就是模拟上述蚂蚁觅食行为,设计虚拟的蚂蚁,使其随机搜索不同的路径,jf:留下会随时间变化而蒸发的“信息素”,根据“信息素”强度来寻找最短路径。

总结

image

 

点评:

高数都还给老师了,看关半懂的,先记录一下,慢慢解读。有兴趣的小伙伴可以约聊一下这个路径优化的东东。这篇文章看起来隐去了不少实用信息,比如迭代次数与耗时参考,只是简单的说太长。货架布局情况也没有,就算来算去玩蚁群了。

依据这篇算法文章结论,大规模(n>30)旅行商问题会导致性能迅速恶化,从作者措辞上来讲,似乎达到临界值后,是无法忍受的。还要结合别的算法先做初始种群,再来使用蚁群算法。

如果将拣货平面图生成出来,把要拣货的位置突出显示一下,一般情况下,拣货员是否一眼就用人脑规划好了路线,并且拣货员可以非常灵活的结合实际情况规划与调整路线。

小插曲:

“Andrew Ng是Google Brain项目联合创建人,致力于在谷歌内部推动深度学习算法应用。去年6月,谷歌Google Brain运用深度学习的研究成果,使用 1000 台电脑创造出多达 10 亿个连接的“神经网络”,让机器系统学会自动识别猫,成为国际深度学习领域广为人知的案例之一。”

回到主题:

对于拣货路径的优化,不可一蹴而就Ing。可以向着机器自动优化的方向努力~