局部搜索适应性自适应遗传算法：多车场车辆路径问题优化

本文主要探讨了"局部搜索的适应度缩放自适应遗传算法(Fitness-scaling Adaptive Genetic Algorithm with Local Search, FISAGALS)"在解决多车场车辆路径问题(Multiple Depot Vehicle Routing Problem, MDVRP)中的应用。MDVRP是一个经典的非确定性多项式时间复杂度难题，对于交通运输和物流系统具有重要意义。传统上，这类问题的优化方法通常涉及复杂的组合优化技术，寻求最优路线来调度多辆车辆在多个停靠点之间高效运行。 FISAGALS算法的关键创新在于其融合了适应度缩放技术、自适应率策略以及局部搜索机制。首先，适应度缩放技术将原始的 fitness 值转化为更适合选择的新值，这有助于在进化过程中筛选出更优解。自适应率策略根据当前的 fitness 值动态调整交叉和突变的概率，使得算法能够更好地适应问题的特性，从而提高搜索效率。 局部搜索机制是另一个重要组成部分，它允许算法在找到局部最优解后，进行深度挖掘，寻找全局最优解决方案。通过这种方式，FISAGALS能够在庞大的搜索空间中更加高效地探索，避免陷入局部最优陷阱。 实验部分采用33个基准问题进行测试，结果显示，与标准遗传算法相比，FISAGALS展现出显著的优势，它在解决多车场车辆路径问题时，不仅提高了求解速度，还能够提供更优的解，证明了其在实际应用中的有效性。因此，FISAGALS为多车场车辆路径问题的优化提供了有力的工具，为物流和运输领域的决策制定者提供了更精确和高效的路径规划策略。这项研究对于提升物流行业的运营效率和降低成本具有重要的理论和实践价值。