基于Spark和PSO算法的军事物流配送路径优化问题研究

doi:10.3969/j.issn.1006-2475.2018.11.013

计算机与现代化

基于Spark和PSO算法的军事物流配送路径优化问题研究

（1.华北计算技术研究所系统一部，北京100083；2.军事科学院系统工程院网络信息所，北京100141）

收稿日期:2018-05-18 出版日期:2018-11-22 发布日期:2018-11-23
作者简介:张利娟（1989-），女，山东滕州人，华北计算技术研究所系统一部硕士研究生，研究方向：大数据处理，数据挖掘；仇建伟（1960-），男，江苏南京人，研究员级高级工程师，硕士，研究方向：系统体系结构，图形图像，指挥控制系统；杜登崇（1980-），男，军事科学院系统工程院网络信息所工程师，博士，研究方向：计算机技术应用；王鑫（1982-），男，高级工程师，硕士，研究方向：综合电子信息系统，指挥信息系统，军事大数据系统，军事业务信息系统。

Research on Military Logistics Distribution Routing Optimization Problem #br# Based on Spark and PSO Algorithm

(1. System No.1, North China Institute of Computing Technology, Beijing 100083, China;
2. Network Information Institute of Systems Engineering, Academy of Military Sciences, Beijing 100141, China)

Received:2018-05-18 Online:2018-11-22 Published:2018-11-23

摘要/Abstract

摘要： 军事物流配送路径优化问题是研究如何在保证各个部队所需物资的前提下，各配送车辆总行驶路径最短的问题。利用粒子群优化(Particle Swarm Optimization, PSO)算法解决该类问题时，随着部队数量的增加，程序运行时间会显著增加。考虑到PSO算法迭代计算的特点，本文提出一种在Spark集群上并行运行PSO算法的解决方案。实验证明，利用Spark集群并行运行PSO算法能够大幅降低程序运行时间，提高解决军事物流配送路径优化问题的效率。

关键词: 军事物流配送路径优化问题, 粒子群优化算法, Spark

Abstract: Research on the military logistics distribution routing optimization is to study how to guarantee the shortest route of the vehicles under the premise of ensuring the supply of the troops. Using Particle Swarm Optimization (PSO) algorithm to solve this problem, the program running time will increase significantly with the increase of troop numbers. Considering the characteristics of algorithm iteration calculation, a solution to parallel running PSO algorithm on Spark cluster is proposed. Experimental results show that the parallel running PSO algorithm using Spark cluster can greatly reduce the program running time and improve the efficiency of military logistics distribution routing optimization problem.

Key words: military logistics distribution routing optimization problem, particle swarm optimization algorithm, Spark

中图分类号:

TP301.6

张利娟1，仇建伟1，杜登崇2，王鑫1. 基于Spark和PSO算法的军事物流配送路径优化问题研究[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.11.013.

ZHANG Li-juan1， QIU Jian-wei1， DU Deng-chong2， WANG Xin1. Research on Military Logistics Distribution Routing Optimization Problem #br# Based on Spark and PSO Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.11.013.

参考文献

［1］熊仁宇,杨伟. 应急状态下军事物流配送运输路径优化研究［D］. 成都:西华大学, 2017.
［2］邱荣祖,钟聪儿,修晓虎. 基于GIS和禁忌搜索集成技术的农产品物流配送路径优化［J］. 数学的实践与认识, 2011,41(10):145-152.
［3］田昀,梁海龙. 基于模拟退火算法的物流配送路径优化问题分析［J］. 交通科技与经济, 2013,15(5):85-88.
［4］周骞,白云卯,徐春龙. 基于遗传算法的多式联运物流运输配送路径优化研究［J］. 物流技术, 2015,37(1):89-91.
［5］苏涛,王庆斌,孙聪,等. 蚁群算法的军事物流配送路径优化［J］. 海军航空工程学院学报, 2012,27(3):342-346.
［6］孙妮娜,卢才武. 基于群智能混合算法的应急物流配送路径优化研究［D］. 西安:西安建筑科技大学, 2015.
［7］ KENNEDY J, EBERHART R. Particle swarm optimization［C］// Proc. of IEEE International Conference on Neural Networks. 1995:1942-1948.
［8］ WANG J, WU Z J. Opposition-based particle swarm optimization for solving large scale opt-imization problems on graphic process unit［J］. Journal of Wuhan University (Science Edition), 2011,57(2):148-154.
［9］张硕,何发智,周毅,等. 基于自适应线程束的GPU并行粒子群优化算法［J］. 计算机应用, 2016,36(12):3274-3279.
［10］郑伟,秦勃. Spark下MPI/GPU并行计算处理机制的研究［D］. 青岛:中国海洋大学, 2015.
［11］范德斌,邓长寿,袁斯昊,等. 基于MapＲeduce模型的分布式粒子群算法［J］. 山东大学学报(工学版), 2016,46(6):23-30.
［12］王龙,姚文明. 基于Spark的并行遗传算法在物流配送问题中的应用［J］. 计算机与现代化, 2018(3):19-22.
［13］HAO R Q, YAN L. Research on military distribution logistics vehicle routing［J］. Journal of Xi’an Technological University, 2015,35(1):63-69.
［14］王华东,李巍. 粒子群算法的物流配送路径优化研究［J］. 计算机仿真, 2012,29(5):243-246.
［15］张锦,聂伟,沈军,等. 大规模作战物流配送VRP模型及求解［J］. 军事交通学院学报, 2015,17(11):59-63.
［16］杨虎林,闭应洲,王仁民,等. 基于改进粒子群优化算法求解带时间窗的车辆路径问题研究［J］. 广西师范学院学报(自然科学版), 2011,28(4):98-102.
［17］李宁,邹彤,孙德宝. 带时间窗车辆路径问题的粒子群算法［J］. 系统工程理论与实践, 2004(4):130-135.
［18］易云飞,陈国鸿. 基于K-means的改进粒子群算法求解TSP问题［J］. 微计算机信息, 2012,28(9):475-477.
［19］黄岚,王康平,周春光,等. 粒子群优化算法求解旅行商问题［J］. 吉林大学学报(理学版), 2003,41(4):477-480.
［20］KARAU Holden. Learning Sparking［M］. O’Reilly Media, 2015.
［21］郭宝恩. 基于Spark的蚁群算法在物流配送路径优化问题中的应用研究［J］. 信息与电脑, 2018(3):50-52.
［22］刘鹏,滕家雨,丁恩杰,等. 基于Spark的大规模文本K-means并行聚类算法［J］. 中文信息学报, 2017,31(4):145-153.

[1]	曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.
[2]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[3]	刘露, 申国伟, 郭春, 崔允贺, 蒋朝惠, 伍大勇. 一种基于深度强化学习的Spark Streaming参数优化方法[J]. 计算机与现代化, 2021, 0(10): 49-56.
[4]	潘卫军, 刘皓晨, 王润东, 胡博文. 基于ANN的改进Spark系统在空管大数据处理中的应用[J]. 计算机与现代化, 2020, 0(12): 78-82.
[5]	钟志松, 彭清桦, 吴广潮. 基于图嵌入的用户加权Slope One算法[J]. 计算机与现代化, 2020, 0(08): 69-75.
[6]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[7]	石慧1，陈恩2. Spark平台的分布式阶段自适应关联规则挖掘算法[J]. 计算机与现代化, 2019, 0(12): 31-.
[8]	倪满满1,2. 基于ALS模型协同过滤推荐算法的优化[J]. 计算机与现代化, 2018, 0(02): 76-.
[9]	王龙，姚文明. 基于Spark的并行遗传算法在物流配送问题中的应用[J]. 计算机与现代化, 2018, 0(01): 19-22.
[10]	王叙鹏，郑凯. 基于排序优化的粒子群算法[J]. 计算机与现代化, 2016, 0(12): 12-15,21.
[11]	陆剑1，张柯2. 基于改进粒子群算法的永磁同步电机PID控制器[J]. 计算机与现代化, 2015, 0(7): 123-.
[12]	裴祥，李巧君. 基于改进粒子群优化算法的无线传感器网络定位[J]. 计算机与现代化, 2015, 0(7): 81-.
[13]	刘春. 基于组合算法选择特征的网络入侵检测模型[J]. 计算机与现代化, 2014, 0(8): 75-80.
[14]	夏卿;李先锋. 基于改进PSO算法和LS-SVM的苹果分级检测[J]. 计算机与现代化, 2012, 1(201): 161-168,.
[15]	俞智慧;余绪金;宋晔;吴烈阳. 一种新的分阶段进化的粒子群优化算法[J]. 计算机与现代化, 2012, 1(200): 152-03.

基于Spark和PSO算法的军事物流配送路径优化问题研究

Research on Military Logistics Distribution Routing Optimization Problem #br# Based on Spark and PSO Algorithm

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价