物流管理中配送路线安排优化及其算法研究

配送路线安排是一个NP问题,因而本文将采用启发式算法,在使用节约/插入算法来构造高质量初始解的基础上,利用禁忌搜索算法和交换算法来改进初始解。通过实验数据,验证了该算法的有效性。     

基于自适应惩罚函数法的混合遗传算法

引入了自适应的惩罚因子,将约束问题转化为无约束问题．通过遗传算法求得无约束问题的可行解,再将此解作为约束变尺度法的初始可行点,由约束变尺度法得到精度较高的解．数值实验表明该混合算法比单纯使用遗传算法效率高,而且在多数情况下能得到全局最优解。     

惩罚因子法的简化

惩罚因子法是解线性规划的一种方法，本文根据初等变换的性质，结合惩罚因子的特点，针对线性规划中的基变量和非基变量的关系，对含惩罚因子的单纯形表进行了简化，使计算减少了工作量，提高了准确率。     

基于目标层解分析方法的重水潜器多学科设计优化

采用一种新型的多学科设计方法———目标解析分流法进行重水潜器的概念设计。首先利用半经验法建立重水潜器的集成系统模型,并进行目标层解分析（ATC）优化模型;再应用增广拉格朗日惩罚函数松弛化方法,通过改进内外层嵌套式求解策略,减少内层循环病态子问题的求解计算时间,在内层循环得到收敛的同时,外层循环更新惩罚权重来获得可行解;随后改变惩罚函数权重,对比分析各种惩罚函数对求解效率的影响。由实验可得,应用增广拉格朗日惩罚函数松弛化求解的方法,保持计算精度的同时也提高了计算效率。最终获得的系统最优解与多维的一次设计优化问题所得到的最优解非常接近,证明了多学科设计优化能充分利用不同学科之间的相互作用所产生的协同效应,从而获得系统整体的最优解。     

改进的两阶段算法求解差别费率车辆调度问题

针对车辆在负载和空载状态下不同的成本核算模型,提出了两阶段算法求解最小配送成本:第一阶段用改进的扫描算法求得满足问题约束条件的若干组非同质化的初始解;第二阶段采用这些解作为多样化的初始种群,并用改进的单亲遗传算法进行全局、大范围搜索,最终求得满意解.实例计算表明,算法能在较短的时间内求得理想解,满足了物流配送企业深挖内部潜力、有效控制成本的现实需要.     

同型号平行机器排序问题中近似解的一种改进方法

利用首先完工准则关于初始加工时间的数学性质，讨论一种对同型号平行机器的排序问题中的近似解进行改进的方法．一些实例的计算结果表明，这一方法能有效的提高近似解的精度．     

基于混合自适应遗传算法的路径规划研究

为解决供应商管理库存（VMI）模式下带时间窗的车辆路径规划（VRPTW）问题，综合考虑多种条件建立了具有多目标约束的数学模型，并创新性提出混合式自适应遗传算法，该算法在自适应遗传算法（AGA）的基础上加入了节约算法构造种群的初始解，引入了随机遍历抽样法进行选择操作，改进了算法的交叉方式，最后运用大规模邻域搜索法（LNS）对变异后的种群进行破坏和修复操作。通过MATLAB软件进行仿真实验，与传统自适应遗传算法进行对比，运输成本显著性降低了50%，据此得出该混合式自适应遗传算法在解决VRPTW问题时具有更强更科学的全局搜索和快速收敛的能力，以期更高效合理地优化供应商车辆配送路径规划。     

软时间窗支持的医药物流公司配送路径优化研究

路径优化问题一直是医药物流领域关注的热点问题之一,配送路径选择的合理与否直接影响医药物流企业的服务水平与运营业绩.传统的路径优化算法缺少对客户接收服务时间要求的考虑,本文对W医药物流公司向山东省17市配送中心的配送问题进行了路径优化研究,建立了软时间窗支持的节约里程法车辆调度模型,该模型根据提前或延迟配送的时间量进行线性惩罚.实验结果表明本模型能够有效地提高服务质量.     

用最优化方法计算时滞微分方程的周期解

给出一种用最优化方法计算时滞微分方程周期解的方法. 该方法先将寻找时滞微分方程周期解的问题转化为一个有约束的最优化问题, 再用最优化方法计算周期解. 在数值计算上, 应用函数拟合的方法近似逼近初始函数, 并结合牛顿法和惩罚函数法数值求得周期解. 数值实验结果验证了方法的高效性.     

改进蚁群算法优化车辆路径问题的研究

研究采用改进的蚁群算法优化带约束的车辆路径的问题。考虑的约束条件包括路径约束、时间窗约束和容量约束。主要目的是提出一种改进的蚁群算法进行车辆路径优化,构建配送车辆行驶路线,实现配送路线总成本的最小化。从三方面对蚁群算法进行了改进：对参与条件转移概率的候选节点列表进行预处理减少路线构建过程计算的时间复杂度;提出插入式节约算法用于改进蚁群初始配送路线提高寻优精度;基于蚁群系统对信息素更新策略进行改进,加快算法收敛速度。基于Solomon基准数据集,与近年来已取得的研究成果展开对比实验,证明提出的改进算法在提高求解精度和搜索效率方面的有效性,在优化带约束条件的车辆路径问题时的实用性,拓展了蚁群算法的应用领域。