一种求解车辆路径问题的混合多蚁群算法

提出一种新的蚁群算法（Multiple Ant Colonies Algorithm based on Sweep Algorithm, SbMACA）用以求解车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）。该方法同以往蚁群算法的不同之处主要体现在两个方面：第一,首次将扫描算法应用于蚁群算法,通过对蚂蚁所构造的初始解中的不同子回路之间的点进行交换优化,该算法可以有效地改进初始解的质量;第二,提出并采用了一种新的多蚁群技术,各个蚁群分别进行各自的搜索,在各个蚁群均停滞后,对蚁群之间的信息素进行交换与更新,以利于蚁群跳离局部最优值。实验结果表明,SbMACA算法具有很强的搜索能力,求取各CVRP的Benchmark问题所得解的质量同最好解相比较而言,平均仅有 0.28%的差距,是求解车辆路径问题的一种十分有效的方法。     

考虑罐容限制的多油库多行程加油站配送优化问题研究

针对加油站的成品油配送需求,提出一个多油库、多车型、多行程、带隔舱和软时间窗的车辆路径问题(MDFDP).车辆从所属油库出发,在调度期内访问其它油库进行配送,并最终返回所属油库.当自有车辆不足时,可以租借外部车辆.由于加油站各油品的罐容有限,车辆必须在容纳时点后卸油.出于安全原因,车辆在卸油前需要静置一段时间.在车辆静置和卸油期间,加油站因临时关闭而产生销售损失.以最小化车辆固定成本、行驶成本、卸油成本、缺货惩罚所组成的总成本为目标,建立了该问题的混合整数规划模型.设计了一种结合局部优化的混合蚁群算法解决该问题.针对多车型,提出一种多信息素矩阵更新策略,使得每种类型车辆具有各自的信息素矩阵.将混合蚁群算法和CPLEX、变邻域搜索算法进行比较,实验验证了混合蚁群算法以及多信息素矩阵策略的有效性.企业应用实例表明:混合蚁群算法能有效求解实际问题;与车队、销售部门的单独配送决策相比, MDFDP统筹了两个部门的利益,能够大幅降低企业运营总成本.     

基于解均匀度的车辆路径问题的自适应蚁群算法

蚁群算法是一种新型的模拟进化算法，具有许多优良的性质，可以很好地解决旅行商问题(Traveling Salesman Problem，TSP)，但同时也存在计算时间长、易出现停滞等缺陷。在分析车辆路径问题(Vehicle Roulting Problem，VRP)与TSP区别的基础上，将蚁群算法应用于VRP的求解，通过引入解均匀度、选择窗口以及吸引力等概念对算法的转移策略和更新策略进行改进，构造了具有自适应功能的蚁群算法。实验仿真结果表明所设计的算法具有很强的搜索能力，计算效率较高，能够有效地解决加速收敛与停滞现象之间的矛盾。     

带硬时间窗的冷链电动车辆路径问题研究

【目的】针对电动汽车应用于冷链物流配送的情形，充分考虑电动汽车能耗特点和社会充电桩的充电需求，研究了带硬时间窗的冷链电动车辆路径问题。【方法】首先构建以配送总成本最少为优化目标的规划模型；然后基于蚁群算法，设计了充电站优化算法和局部优化策略，形成混合蚁群算法求解问题；最后，改编形成硬时间窗冷链电动车辆路径问题的算例集，通过实验比较验证了蚁群算法和混合算法的性能。【结果】搜索解的改进率达到11-82%。【结论】带局部优化策略的混合蚁群算法能较大程度改进求解能力，算法性能总体得到大幅提升，且结果更稳定。