研究人员开发了一种基于矩阵的蚁群搜索(MACO)算法来解决复杂的分层补货路径规划问题。该算法基于矩阵的蚁群优化,将蚁群的状态保存在数组中,并将路径构建与贪婪解码策略相结合。它批量评估候选移动,在基于韩国城市数据的100节点基准测试中,其结果与遗传算法相当,并优于MAX-MIN蚁群系统。研究表明,批量局部搜索对解的质量有显著贡献,调整供应系数比放宽停止限制更能有效地缩短路径。 AI
影响 这项研究为优化算法做出了贡献,有可能在复杂场景中提高物流和路径规划的效率。
排序理由 该集群包含一篇在arXiv上发表的关于新算法的研究论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- ant colony optimization algorithms
- arXiv
- genetic algorithm
- Korean
- Matrix-Based Ant Colony Search
- MAX-MIN Ant System with Two Memories Considering Ant Decision-Making by Social and Individual Information
- Batched Decoding
- Hierarchical Replenishment Routing
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →