课程设计（论文）-基于蚁群算法的物流软件的实现.doc

基于蚁群算法的物流软件的实现
目录
1引言 - 1 -
2算法部分 - 1 -
简介 - 1 -
模型 - 2 -
算法的实现设计 - 3 -
蚂蚁算法的优点与不足 - 4 -
优势 - 4 -
不足 - 4 -
改进的方法:优选各种参数 - 4 -
优选参数 - 4 -
3系统部分 - 5 -
软件结构: - 5 -
软件的实现 - 6 -
工具与原理 - 6 -
特点与实现原理 - 6 -
核心算法使用了MatLab生成的动态链接库 - 6 -
显示坐标系相对于用户透明 - 8 -
消除闪烁 - 9 -
自定义代价表达式 - 9 -
可设定界面和默认参数 - 10 -
可保存地图 - 10 -
4小结 - 10 -
参考文献 - 11 -
附录(主要代码) - 12 -
基于蚁群算法的物流软件的实现
【摘要】随着经济的发展,交流的加强,物流受到越来越多人的关注,物流技术也日新月异。如何使用一种物流技术来减小物流的代价,并且使这种技术能被大多数不熟悉计算机技术的物流工作者所使用成为人们关注的焦点。由于人们过多的关注蚁群算法的模型,基于蚁群算法的物流软件市面上见到的并不多,在实际应用中这类软件不仅要解决好利用蚁群算法计算最小代价的问题,还要解决好对于计算前后数据的可视化的处理,因为我们不能期望用户对于一大堆浮点数有什么样好的感觉。本文就从算法和系统两个方面介绍了以蚁群算法为核心的物流优化软件的开发过程。在计算模型的选择上,由于物流配送最终要返回发货的城市,从而在路径上形成一个回环,故选用的是比较流行的蚁群算法解决TSP问题的模型。用户坐标系选用的是用户比较熟悉的经纬度坐标系。通过整个软件系统的运作,用户可以很容易的得到他所期望代价的最优路径而不必关心繁杂的计算过程。
【关键字】蚁群算法物流配送最优路径可视化数据
1引言
开发一套优秀的物流软件,可以加快对客户需求的响应速度, 提高服务质量, 增强客户对物流系统的满意度, 降低服务商的运营成本。近年来一些新的启发式方法在求解此类问题上可以获得较快的收敛速度和较高质量的全局解。蚁群算法正是这样的一种算法,它是由意大利学者MarcoDorigo等提出的一种仿生寻优算法,通过信息素的积累和更新来寻求最优解。蚁群算法主要特点是: 正反馈、分布式计算、与某种启发式算法相结合。正反馈过程使得该方法能很快发现较好解; 分布式计算使得该方法易于并行实现;与启发式算法相结合, 使得该方法易于发现较好解。
2算法部分
简介
较为简单的主体的聚集相互作用, 必然会涌现出复杂的大尺度行为。遗传算法之父霍兰德称这种现象为突现聚集特性。生物群体的复杂适应性行为就是从组成群体的适应性个体行为中涌现出来的一种全局性质。
蚂蚁是一类行为简单的昆虫, 只有十分有限的记忆能力。在个体水平上, 蚂蚁的行为带有随机性。但在群体水平上, 蚁群的集体行为却高度有序。蚂蚁依靠集体的智慧, 可完成相当复杂的任务。蚂蚁的觅食行为是动物行为学家非常感兴趣的现象。蚂蚁搬运食物回巢的路上, 分泌一种化学激素, 以吸引其他蚂蚁到这条路上来。蚁群通过这种机制, 可以发现一条从蚁巢到食物源的最短路径。假设在蚁巢和食物源之间, 存在两条长度不同的路径A 和B, 其中路径A 和B 的长度不同, 且B 的长度明显地大于A的长度, 那么蚂蚁将会选择较短的路径A。一般认为, 沿路径A 找到食物, 然后又从路径A 返回的蚂蚁, 花费时间较少, 将成为第一批携带食物回到蚁巢的蚂蚁。这样, 路径A 首先被蚂蚁两次分泌的化学激素重复标记。由于这时路径A 上化学激素比路径B 上的多, 所以随后出巢和返巢的蚂蚁被吸引到A上来。随着越来越多的蚂蚁选择路径A , 路径A 上化学激素的浓度也越来越大。最后, 几乎所有蚂蚁选择了路径A。这一现象首先被Deneubourg所发现。蚁群算法是根据以上现象提出的, 它的基本假设是群体的突现聚集特性。
模型
对一组给定的城市坐标,按照尽量少的消耗代价的原则,求其最佳的排列问题。有一个物流公司要到送货到n城市去,每个城市必须去一次且仅能去一次,遍历所有城市之后回到出发城市,并且满足代价最小的路径。在最理想的情况下,假设有n个城市,每个城市都有到其他城市的一条加权边,而且两城市i, j间距离Dij = Dji ,要求出最优解,即从( n -1) ! 条路径搜索出一条,时间复杂度为O ( ( n - 1) ! ) ,当问题规模从n增加到(