《表1 不同规模订单各算法求解情况对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《求解仓储作业优化问题的多物种协同进化算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证MSCA算法的性能，结合某企业给出的60个客户订单进行测试，并与标准遗传算法（GA）、标准粒子群算法（PSO）、标准人工鱼群算法（AFS）进行比较。实验在Windows 10系统平台，MATLAB7.0开发环境下进行。进化代数均为600，其中，对于MSCA，各子算法的进化代数均为50，子种群规模均为60；对于GA，种群规模为180，交叉概率及变异概率分别为0.80、0.06；对于PSO，种群规模为180，惯性权重w为1.3，学习因子c1和c2均为2；对于AFS，种群规模为180，步长为0.5，视野范围为15，尝试次数为30，拥挤度因子δ为0.618。自动化立体仓库系统参数:L=30 cm，W=50 cm，H=40 cm，W1=80 cm，W2=80 cm，L1=8，L2=100，L3=15，L4=7，vx=1 m/s，vy=0.5 m/s，C=500 kg。针对本文上述测试算例，图3为各算法求出的最优解随进化代数的变化趋势。为具有普适性，对不同规模的订单进行了测试，并对参与比较的算法各运行30次，同时，为兼顾公平性，各算法使用相同的目标函数评价次数，图4给出了订单规模为60时，30次运行结果的箱形图，表1给出了不同规模订单运行30次的最优解、平均值及标准差。同时，在算法性能上，为验证MSCA与GA、PSO及AFS是否存在显著性差异，又对算法的运算结果进行了基于均值的双样本t-test，本文首先假设参与对比的两个算法之间在性能上不存在显著性差异，并且显著性水平设为0.05。表1中的t-test1、t-test2和t-test3分别表示MSCA与GA、PSO和AFS的对比测试。