基于遗传算法的配送优化算法设计与实现

为了在有限的资源下，以最小成本完成物资的配送，需要对配送路由进行优化。提出了一种配送优化算法，它在遗传算法基础上根据物资配送的特点选取种点和需求点，并利用配送点需求量进行区位分配结果的优化。仿真结果表明，算法能有效地解决种点的选取问题。极大地减少了运算时间，能在较短的时间内获得较优的解决方案。     

求解配送\收集旅行商问题的遗传算法

配送 \收集旅行商问题 (TSPD)是物流学中的一个重要问题 ,但与一般的旅行商问题 (TSP)相比 ,人们对该问题的研究有限 ,而且大多假定必须在完成所有的配送需求后才服务收集需求。本文放松这一约束条件 ,结合最邻近启发式和k -opt局域搜索策略 ,设计了一种求解TSPD的遗传算法 ,计算结果表明 ,该算法性能优良 ,计算效率较高。     

易腐农产品配送中心选址问题

如何将农产品新鲜、快速、低成本地有效配送,一直是配送中心选址需要关注的核心问题。结合易腐农产品特点,将总配送成本分解为运输成本及产品腐败成本两部分,运用G1法和熵值法,构建了包括各需求点的人口、社会、经济及建造成本4个因素在内的以总配送成本最小为目标的选址模型。借鉴经典NP问题中的Steiner点问题,将之前构建的以配送成本最小为目标的选址模型转化成配送中心到各个需求点总距离之和最小的问题。由于此问题属于典型的NP问题,所以文中选用模拟植物生长算法对此问题进行求解,为了使初始生长点更加合理的分布,引入了谢尔宾斯基地毯的原理对算法进行改进,有效地提高了算法的效率。最后以江苏宜兴市为例进行了实证分析,为相关部门决策提供借鉴。     

基于改进量子进化算法的末端配送任务动态分配模型

大多数物流快递企业的配送业务末端会按照固定的配送服务区进行配送任务分配,无法针对变化频繁、分布不均的动态配送需求进行合理的配送资源设置,造成了各个末端配送节点工作负荷不均衡的现象,并进一步导致了配送调度管理混乱等问题。针对末端配送任务分配问题建立了一种考虑配送成本,资源利用率以及工作量配比差异的配送任务分配模型,对量子进化算法进行改进。对此问题求解,提出采用量子群稳定度作为算法退出判定条件,来避免算法的早退与无效迭代问题,并引入量子变异与淘汰机制,加强了算法对可行解的搜索能力。实验结果表明,与按配送区进行分配的方案相比,算法给出的方案有效缓解了配送任务分配不均的现象,同时也有效降低了总体配送成本。相关模型和算法可以根据动态的配送需求合理地分配各个末端网点的配送任务,有助于配送业务的下一步配送路径优化和科学调度。     

带二维装箱约束的需求可拆分车辆路径问题模型及算法研究

车辆配送计划时通常会考虑货物易损、易碎的可能性,以及如何充分利用有限的运输资源对货物进行配送以满足顾客的需求。在车辆有限、货物易损坏、顾客需求可进行拆分等环境下,实现车辆配送总路径最短,即考虑二维装箱约束的客户需求可拆分的车辆路径问题。对问题进行详细定义,建立了2L-SDVRP模型。将遗传算法与BLF算法的结合求解模型;并用数值案例验证算法有效性。     

震后多时段应急物资联合配送路径优化研究

为了解决地震灾害发生后由于应急物资转运不及时所带来的人员伤亡及财产损失等问题，提出一种考虑时段划分的混合算法。首先，依据震中方位等确定受灾点及其物资需求；其次，按照灾区内的道路损毁约束条件等确定受灾点需求的配送方式；再次，根据道路损毁及恢复情况将震后“黄金72小时”划分为多个时段、多种配送方式联合的配送方案；最后，选取“四川泸定9·5地震”为背景进行算例仿真。结果表明，相较于传统遗传算法，混合算法的总配送成本降低了9.53%，配送总时间减少了7.03%；在考虑多时段情景下整体方案配送总时间比不考虑时段情景时减少6.33%，在配送总成本上降低18.9%。震后划分时段进行联合配送的方式能够有效解决受灾区域内的应急需求问题，提高应急物资配送效率。     

基于蚁群-免疫算法的组团弹性物流配送优化

为有效降低烟草配送成本,从配送与补货角度,提出组团式新型物流配送模式.结合位置、需求与补货周期等信息,将需求点按小组划分,建立了组团弹性配送优化模型.以配送路径最短为目标,设计了组团弹性模式下的蚁群-免疫算法,实现了对配送路径的优化和仿真.通过实验例证和对比分析,验证了模型可行性与算法的有效性.     

配送问题的数学模型与两阶段启发式算法研究

在一些模型假设的基础上，构造了客户订单合成配送问题的数学模型，提出了解决该问题的两阶段启发式算法．实验表明，此算法可以有效求得客户订单合成配送问题的近优解，为实现客户订单的优化合成配送提供了一个基本方法．     

基于双模式更新五行环算法的多目标冷链配送

针对生产运输中广泛存在的冷链配送问题，建立了以配送成本最小化和顾客满意度最大化为目标函数的多目标冷链物流优化模型。基于五行环优化(FECO)算法，提出了双模式更新个体的五行环优化算法(FECO-DMUI)，并对多目标冷链物流模型进行求解。将FECODMUI算法与FECO算法、NSGA-II算法、鲸鱼优化算法和灰狼优化算法进行比较，结果验证了本文模型和算法的有效性，同时验证了FECO-DMUI算法在多目标冷链配送问题中能更加高效地获得路径优化的最优解集。     

基手RFID的数字化制造车间物料实时配送方法

针对当前数字化制造车间物料配送问题，提出了一种基于射频识别技术的数字化制造车间物料实时优化配送新方法．对数字化制造车间资源进行精确布局，在采用RFID技术对物料配送小车进行实时位置跟踪的基础上，建立数字化制造车间物料配送路径优化模型并采用分支定界算法对模型进行解算，实现配送小车的物料配送路径优化与实时导航；开发了基于RFID的数字化制造车间物料配送系统，验证结果表明：所提出的方法能够有效解决数字化制造车间的物料配送路径优化与实时导航问题，为实现数字化制造车间的准时生产（JIT）奠定了基础．     

同时处理收货与送货配送模型的研究

采用启发式解法,发展求解程序,并利用模拟退火算法改善程序,解决车辆的途程问题。主要针对每一个需求点可以同时进行收货与送货的服务的特点,在路线规划方面考虑同时收送的问题。     

单车独占性带时间窗口装卸货问题的分析与算法

提出了一类广泛存在于运输领域的NP-hard组合优化问题——独占性带时间窗口装卸货(E-PDPTW)问题，给出了它的数学描述，分析了其性质并把问题简化为不对称带时间窗口旅行商问题(TSP)，提出了求解单车E-PDPTW问题的两阶段快速算法，其时间复杂度只有O(n^3)，测试结果表明了该算法的有效性和快速性。     

基于同时送取货电动车选址路径问题优化研究

针对电动汽车同时送取货问题,在考虑车辆容量与电量约束情况下,建立以总成本最低为目标的数学模型并通过模拟退火-蚁群算法对模型进行求解。首先,根据实际配送过程中出现的同时送取货约束和时间窗约束建立其选址路径数学模型;其次,通过加入回火操作和高斯变异设计了改进的混合模拟退火-蚁群优化算法对模型求解,并将提出的算法与蚁群算法、禁忌搜索算法以及自适应大领域搜索算法进行对比,证明算法优越性;最后,与送取分离的配送策略进行对比。基于不同规模算例检验算法性能,实验结果表明,提出的算法以及配送策略能得到较低的成本费用。     

求解卸装一体化车辆路径问题的改进导向局部搜索算法

针对卸装一体化车辆路径问题,提出一种变惩罚函数的导向局部搜索算法(IGLS)。在传统导向局部搜索算法的基础上加入了新的惩罚效用函数,当传统导向局部搜索算法陷入局部最优时,变换惩罚策略后重新搜索,从而扩展搜索的邻域。通过和传统导向局部搜索算法以及TS_GLS算法在不同算例上的仿真结果比较,验证了所提算法在解决卸装一体化车辆路径问题上的有效性和稳定性。     

求解软时间窗装卸一体车辆路径问题的布谷鸟算法

带软时间窗的装卸一体车辆路径问题是组合优化中典型的NP-hard问题,针对标准布谷鸟搜索算法后期收敛速度慢,容易陷入局部最优的缺陷,提出了节约算法和随机概率混合的初始化改进策略以及动态发现概率和信息素导向变异机制的改进策略,通过标准测试函数对算法进行定量测试,证明了改进布谷鸟搜索算法的性能优势。将改进的算法应用于求解带软时间窗装卸一体的车辆路径问题,并与现有的优秀算法进行对比,验证了改进的布谷鸟搜索算法在实际工程领域的优越性。     

多约束条件的车辆装卸算法

多约束条件的有时间窗装卸货问题(PDPTW),由于它具有非确定型的多项式算法(NP)特性,求取精确解很难.通过引入“虚拟车辆”,以缩短线路的总时间成本为准,讨论了在复杂约束条件下车辆的多轮次分派问题,以求取最佳的线路车辆组合和得到最多的配送订单.并设计了以Clarke-Wright(C-W)节约启发式算法为基础的混合算法,求取近似解,最后根据算法的特征,提出了改进程序运行速度的方法.     

高速公路出入口选址双层规划模型研究

针对高速公路出入口选址,建立了双层规划模型.上层规划以高速公路出入口的用地和建设成本、改进交通网络的成本和区域内的出行成本最小为目标函数,下层规划考虑了交通网络车辆弹性需求用户均衡配流.最后设计了一个迭代优化算法对模型进行求解.     

同时收发运输路径问题的禁忌搜索算法

研究同时收发的运输路径问题,要求运输工具到每个客户收取和发送一次完成,并且在运输工具容量的限制下,寻求每个运输工具的运输路径,使总运费为最少.提出两阶段的求解过程:先用启发式算法得到初始解,然后用层次禁忌搜索算法得到改进解.计算实验表明,同样规模的问题,算法所需时间比直接使用禁忌搜索算法要少.     

带取送货的关联运输调度问题的优化

针对取送货车辆路径问题,构建了带时间窗的IVRPPD的车辆路径数学模型,设计了混沌免疫克隆选择算法,介绍了基本的免疫克隆选择算法和混沌理论,并对设计步骤进行了详细介绍。最后,通过对该问题进行分析建模和数值求解,说明了该模型和算法的合理性和有效性。与基本遗传算法和非代际遗传算法相比较,混沌免疫克隆选择算法能更有效地解决带取送货的关联运输调度问题。     

Fleet Scheduling for Multiple Plants with Limited Storage Capacity

Some manufacturers replace traditional warehouses with shipping areas at the scattered plants for holding the finished products in order to reduce land usage and inventory cost.The limited storage capacity of such shipping area leads to challenges of scheduling vehicles for pickup since the overflow of storage space is prohibited.A heuristic rule is developed for splitting the continuous arrival of inventory at a plant into a sequence of discrete tasks for pickup.In this way,the original problem can be converted into a multiple trip vehicle routing problem with time window(MTVRPTW).Subsequently,a modified tabu search(TS)algorithm is applied for deriving the schedule.Finally,an industry case of an electric apparatus manufacturer is studied to demonstrate and validate the developed optimization approach,and the results imply good performance of the developed tool.