基于混合遗传算法的模糊需求车辆路径问题

针对模糊需求的车辆路径问题,以模糊可信性理论为基础,设计了混合遗传算法。引入扫描算法进行种群的初始化,结合配送分队数和剩余载重因素提出了混合交叉算子。借鉴差分进化和扫描思想构建了基于整数序规范的差分扫描变异运算。以Solomon标准集为算例,通过实验确定了主观参数的最优取值为0.4。改进前后的阶段效果比较表明,混合交叉算子和差分扫描变异算子提高了算法的性能,采用可信性理论研究模糊需求问题有一定的优越性。     

多阶段动态车辆路径问题实时优化策略

针对多阶段动态车辆路径单决策和多决策问题,分别提出了平均距离策略和分区分批旅行商策略.前者优先安排不能延迟的顾客,然后根据路径的平均顾客距离选择可延迟顾客;后者根据阶段内决策的时间界限只在最后一次决策才考虑拒绝和延迟.实例仿真结果表明,新策略都具有较好的优化效果.     

考虑模糊需求的多式联运路径优化

多式联运可有效降低物流成本,提高物流效率.本文构建了基于运量不确定的多式联运网络规划,以节点作业时间窗和运输时限客户满意度为约束,建立了以总费用最低为目标的多式联运路径优化模型,从运输路径和运输方式两个维度选择广义最短路径.应用Lingo 12.0实现模型的求解,实验结果表明了多式联运相较单一运输方式在运输时间与费用上的优越性,并应用灵敏度分析法,对比了仅考虑运输时限约束时客户满意度的变化,展示了运量的不确定性及运输弧与节点能力对路径规划产生的影响,揭示了客户满意度、网络能力、运输路径与费用等因素的相互关系,验证了所建模型的合理性.     

需求可拆分车辆路径问题的蜂群优化算法

文章研究了需求可拆分的车辆路径问题,通过解除传统车辆路径问题中每个任务点需求只能由1辆车满足的约束,建立了寻求满足配送要求最短行驶距离的数学优化模型,在改进反应阈值和刺激信号值的基础上提出了一种新型蜂群优化算法。仿真实验结果验证了算法的可行性,并通过与其他典型算法对比凸显了该算法较强的寻优能力。     

随机需求多车辆路径问题的重优化算法

针对随机需求的多车辆路径问题(MVRPSD),提出了一种简单有效的重优化新算法.该算法先用预优化策略给出一个预优化的单车辆路径,然后重复使用rollout算法对该路径进行进一步优化,将其划分为满足约束条件的多条子路径,不仅能满足实际需求,而且极大提高了优化性能.与现行方法对比实验结果表明,本算法可以对多车辆路径更为合理的优化,明显减少行驶费用,是求解随机需求的多车辆路径问题的一种有效算法.     

需求可拆分车辆路径优化模型与BLF-GA算法设计

生活中,零售商或者顾客需求通常由具有一定尺寸的多件货物构成,这就使得车辆配送不仅应考虑车辆载货重量的限制,还应考虑车辆载货容积的限制.而多件货物构成的需求在很多情况下是允许多台车辆配送来满足,即需求可拆分.基于以上现实情况,笔者建立了考虑二维装箱约束的需求可拆分车辆路径优化模型,给出了模型解的特征.以改进的遗传算法为基础,结合BLF算法,设计了BLF-GA算法.数值案例表明:不考虑装箱约束得到的最优路线存在不满足装箱约束的情况,考虑装箱约束得到的最优值大于不考虑装箱约束的最优值,这说明货物尺寸对车辆路径产生了影响,在车辆路径优化中考虑装箱约束.     

客户资源共享及需求可拆分的车辆路径问题

随着物流量的剧增,物流企业之间的竞争力体现在配送速度及配送成本上.由于企业难以突破传统的竞争思维,物流领域的相关企业均是各自为政,难免会出现恶性竞争.加之我国目前物流设施设备、信息技术相对国外较落后,物流企业可以将区域内的客户资源共享、整合来提高收益.虽然目前已有配送中心之间进行了客户资源的共享,但因为没有正确整合而事倍功半.笔者在多个配送中心共享客户资源的情况下,考虑客户的需求可拆分,以车辆行驶距离最短为目标函数,建立二阶段模型,将聚类算法与模拟退火算法结合使用,求解二阶段模型.用聚类算法求出每个配送中心最优的配送范围,模拟退火算法求解出每个配送中心车辆的最优配送路线.最后结合数值案例,借助MATLAB验证算法的有效性.     

模糊需求下批量生产优化模型

研究了供应链环境下的批量生产计划问题.在确定需求的基础上,建立了模糊需求下批量生产优化模型,并将其转化为模糊机会约束规划模型.用清晰等价类对其进行清晰化处理,目标函数是单位时间供应链总成本最优.并将模糊模拟技术引入遗传算法对模型进行求解.数值实例验证了其有效性.     

模糊需求下批量生产优化模型

研究了供应链环境下的批量生产计划问题。在确定需求的基础上,建立了模糊需求下批量生产优化模型,并将其转化为模糊机会约束规划模型。用清晰等价类对其进行清晰化处理,目标函数是单位时间供应链总成本最优,并将模糊模拟技术引入遗传算法对模型进行求解。数值实例验证了其有效性。     

车辆路径优化问题的均衡性

研究车辆路径优化问题中配送线路之间的均衡性可以提高配送服务质量。利用C larke-W righ t算法,结合打包原则和装配线线均衡算法的思想,设计出一种称为θRC的启发式算法来处理两个目标的车辆路径优化问题:一是最小化总距离,二是均衡各条线路间负载。该算法包括3个主要部分:θ约束,R运算和C运算。将该算法应用于一个有38个用户的物流配送公司的配送路线求解,结果显示该算法在总路径增长12%的情况下,实现均衡值降低85%。该算法能较好实现车辆路径优化求解中的负载均衡。     

求解VRPBTW的变邻域搜索算法

以电子商务环境下物流配送为背景,建立了带有时间窗和回程载货约束的车辆路径问题优化模型,设计了改进的变邻域搜索求解算法.该算法采用改进的Braysy顺序插入法生成问题初始解,再根据变邻域搜索算法机制应用4种不同搜索范围的局域搜索算子对初始解进行改进.通过对多个算例的求解实验,并与采用一般流程的变邻域搜索算法进行比较,结果表明所提出的变邻域搜索算法的求解效果明显优于采用一般流程的变邻域搜索算法,是求解该类问题的有效算法.     

随机需求车辆路径问题的禁忌搜索算法研究

研究了随机需求车辆路径问题,并将禁忌搜索算法用于解决该问题.实验结果证明,禁忌搜索算法可以有效地求得随机需求车辆路径问题的优化解,是求解随机需求车辆路径问题的一个较好方案.     

考虑软时间窗的同时送取货随机旅行时间车辆路径问题

考虑车辆总旅行时间约束和车辆载重限制以及客户对服务时间窗的要求,研究带有软时间窗的同时送取货随机旅行时间车辆路径问题（STT?VRPSPD）,建立机会约束规划模型。将禁忌搜索算法与分散搜索算法相结合,构建混合分散禁忌搜索（HSTS）算法,并采用C?W节约算法生成初始解。基于经典的Dethloff算例和Solomon时间窗生成方法,分别生成包括50个客户、200个客户各20组算例,算例测试结果验证了混合分散禁忌搜索算法的有效性。     

有时间窗的车辆路径问题及改进禁忌搜索算法

基于改进的禁忌搜索算法求解有时间窗的车辆路径问题,建立了该问题的通用数学模型.改进算法中,在随机构造的多个可行解中挑选较好的解作为初始解,采用2-opt方法生成邻域,并构造了动态禁忌表,使禁忌表的大小和结构随搜索过程发生改变,提高了整体寻优能力.仿真实验证明了算法的可行性、有效性和优越性.     

带容量约束的多车调度暂态混沌神经网络算法

带容量约束的多车调度问题是典型的NP-hard问题,利用模糊C均值聚类算法的相似性分类原理及混沌神经网络的全局搜索能力和高搜索效率,提出了一种快速且易于实现的新的混合启发式算法.该算法分为用模糊C均值聚类算法将所有客户按车容量要求装车和用暂态混沌神经网络方法对每条路线排序两个阶段.实例计算以及与其他算法比较表明,该算法是一种求解多车调度问题的可行且高效的方法.     

改进的引导式邻域搜索算法求解周期性车辆路径问题

在引导式邻域搜索算法静态惩罚策略的基础上,提出动态惩罚策略,设计改进的引导式邻域搜索算法,将其用于求解周期性车辆路径问题,采用标准算例进行数据实验,对动态与静态的惩罚策略进行对比.结果表明,采用改进的引导式邻域搜索算法求解周期性车辆路径问题可行有效.     

一种基于禁忌搜索算法的车辆路径问题的改进算法

针对车辆路径问题,提出了一种改进的禁忌搜索算法,通过从当前解的正序和倒序2个方向同时进行邻域搜索,扩大了搜索的范围.实验结果表明:该算法所找到的解质量较高,能有效解决车辆路径问题.     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

基于改进粒子群优化算法求解带时间窗的车辆路径问题研究

针对粒子群优化算法易出现早熟收敛、陷入局部最优的问题,提出了在粒子群搜索解的过程中监控粒子健康度的方法,对健康度低的粒子进行交叉操作。该方法既保证了健康粒子继续搜索最优解,又有效地改变了非健康粒子的状态,提高了粒子群的寻优能力以及跳出局部最优解的能力。最后通过实验数据集验证了新算法,实验结果表明与标准粒子群算法相比新算...     

车辆路径问题的一种先寻路后分组算法

针对车辆路径问题(VRP)设计了一种元启发式算法。引入先寻路、后分组的策略,首先对顾客点序列采用Lehmer编码,设计辅助算子进行变异操作,用差分进化算法求出基于所有节点的TSP解,然后根据运货量的约束条件将其切割成VRP解。再通过禁忌搜索改进解,得到的结果再次作为初始解之一进入算法循环。仿真计算得到了最优解,结果表明该算法是有效的。