有时间窗约束非满载车辆调度问题的节约算法

车辆调度问题(Vehicle Routing Problem,简称为VRP)是物流配送中广泛存在的一类问题,VRP属于强NP问题.在建立了带有时间窗的非满载的VRP问题的数学模型基础上,对启发式算法中的节约算法进行改进,设计出带时间窗的非满载的VRP问题的节约算法.通过对8个客户和13个客户算例的具体计算结果分析该算法的性能,研究表明:节约算法具有易于计算机实现,易于调整,方法易行、效果理想等优点,但在客户规模增加,解的空间增加后,其解的精度也随之下降.     

蚁群算法求解带时间窗的配送路径问题

VRP问题影响着车辆配送过程中的效率与经济效益,在现实生活中有着重要的现实意义;文章首先建立了一个带有时间窗的VRP数学模型,并针对VRP问题本身的特点,对蚁群算法中的伪随机概率公式等相关参数进行改进,最后将改进的蚁群算法应用于VRP问题的求解中;通过在matlab上进行的仿真试验,表明了此算法能够有效地改善基本蚁群算法中的收敛速度慢、易于陷入局部最优解等缺陷,并能应用于大规模的车辆路径寻优问题中.     

动态车辆路径问题的算法研究

借鉴动态问题中的时间点、时间段等概念,建立了动态车辆路径问题模型,将动态VRP转化为在若干连续的时间段内的相对确定性的静态VRP,为动态VRP的研究提供了一种新的方法.并设计了基于节约法和禁忌搜索的混合算法,从而提高了对动态车辆路径问题求解的效率.     

基于改进蚁群算法的车辆路径选择研究

给出了考虑软时间窗的物流配送车辆路径选择（VRP）模型,提出了一种改进的蚁群算法来求VRP模型的近似最优解。为了以最少的计算时间得出VRP问题的近似最优解,首先用贪婪算法产生初始蚁群,然后通过蚁群算法的评价、信息素释放、蚂蚁移动、信息素消散、判断收敛的循环过程对初始解进行优化。实践表明,在求解软时间窗物流配送车辆路径选择问题方面,改进蚁群算法具有更好的收敛性。该算法算法是求解VRP问题的较好方案。     

物流配送车辆调度问题方法综述

物流配送车辆优化调度问题(Vehicle Routing Problem,简称VRP)是一个研究热点,许多学者采用了各种优化方法来解实际问题。本文综述了物流配送车辆调度问题的各种优化方法,对其优缺点、适用性等都作了说明,并对它们作以比较分析,从而找到最适合现实问题的优化方法。     

CVRP中二维装载问题的研究

二维载重量限制的VRP（2L-CVRP）问题是一种新的组合优化问题,是VRP问题的一个现实延伸。2L-CVRP问题中包含了物流配送中的两个子问题：装载问题和路由选择问题。很多VRP的研究,往往只致力于在路由选择方面进行优化,而忽略装载问题。针对这个问题,本文阐述了三种常用的装载算法,通过提高车辆装载率,减少车辆数目,从而降低成本。最后给出了三种算法的实验对比。     

基于空间聚类和蚁群算法的车辆路径问题的研究

针对蚁群算法在解决车辆路径问题（VRP）上易陷入局部最优解的缺陷,首先利用加权K-means算法对客户进行区域划分,再利用蚁群算法对每个区域进行求解,实验结果表明方法具有良好的性能。     

车辆路径规划的数学模型及算法综述

车辆路径规划问题（Vehicle Routing Problem，VRP）是一项研究热点。在运输过程中，对车辆进行合理的路径规划可以在满足运输要求的基础上最大程度地节约人力物力，降低运输成本。在对车辆路径规划的研究过程中，模型和算法起着关键性作用。目前已有的模型和算法还存在一些不足。为此，对车辆路径规划问题的数学模型和算法进行了探讨。     

基于位置服务的动态车辆路径问题研究

针对实际车辆路径计划的动态性和传统VRP解决方案的局限性,提出动态VRP的概念和研究内容,设计了基于位置服务的动态VRP求解的技术路线,研究了动态VRP路网模型.     

有缺货限制的VRP蚂蚁算法研究

在经典VRP的基础上，结合实际背景提出一种缺货情况下的车辆路径问题，并给出基于蚂蚁系统寻优思想的求解方法。经大量数据测试，获得了较好的结果。