矩阵蚁群算法求解补货路径，未优于遗传算法
热点事件观察中
矩阵蚁群算法求解补货路径，未优于遗传算法
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Jun Zhang 等作者提交论文，提出将矩阵蚁群搜索（MACO）与批量局部搜索结合，用于单车辆分层补货路径规划，并在按韩国人口与地理数据构建的 100 节点基准上测试。 结果显示，MACO 平均总距离为 3081.7 km；在相同局部搜索下，遗传算法为 3074.9 km，两者无显著差异；MAX-MIN 蚁群系统为 3142.2 km。消融实验表明，批量局部搜索是解质量的主要贡献者，负载感知转移因子无显著增益。 该问题设定为风格化案例：城市既是需求点也是供应点，结论仅基于这一基准。
AI 根据报道生成 · 10 小时前更新
最新进展11月14日 13:00
基于矩阵蚁群搜索与批量解码的分层补货路径规划：韩国城市数据风格化案例研究报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AI基于矩阵蚁群搜索与批量解码的分层补货路径规划：韩国城市数据风格化案例研究
研究提出 MACO——基于矩阵的蚁群搜索结合批量局部搜索，用于单车辆分层补货路径问题，在韩国人口与地理数据构建的 100 节点基准上平均总距离 3081.7 km。相同局部搜索下遗传算法为 3074.9 km（无显著差异），MAX-MIN 蚁群系统为 3142.2 km。消融显示批量局部搜索是解质量的主要贡献者，负载感知转移因子无显著增益。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 711月15日 04:00
- 近 24 小时变化
- –
02468
04:0006:0008:0010:0012:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。