带服务优先级的煤矿物资配送车辆路径问题

以运输费用最小为目标,在考虑客户服务优先级和车辆装载率等约束条件下,构建了单车场单车型联合运输车辆路径问题模型和单车场多车型单点配送多趟服务车辆路径问题模型,并用改进的扫描算法和改进的遗传算法进行求解,最后,将郑州煤电物资供销有限公司的物资配送作为案例进行研究,从运输费用、运输里程和服务优先级三方面评价改进的扫描算法和改进的遗传算法的求解结果,得到在车辆装载率相同的情况下,两者各有所侧重:改进的遗传算法所求得的最优解在运输费用和配送里程上都优于改进的扫描算法,而改进的扫描算法则最大程度地保证了客户的服务优先级。     

基于客户满意度的MOVRPFTW的单亲遗传混合蚁群算法

为解决基于时间窗和食物新鲜度形成的综合客户满意度，且具有最大运输时间限制的带模糊时间窗的多目标车辆路径问题（MOVRPFTW），建立了相应的数学模型。针对蚁群算法容易陷入局部最优的缺陷，将单亲遗传算法和蚁群算法相结合，利用单亲遗传算法的3种遗传算子和区别于传统遗传算法的两种操作手法，构建了多种单亲遗传混合蚁群算法，并进行算例测试。结果表明：与基本蚁群算法相比，单亲遗传混合蚁群算法求出的解的各项目标的平均值更优；同时，单点单亲遗传混合蚁群算法较多点单亲遗传混合算法在求解此问题中的用时更少、计算效率更高，并且移位算子较其他两种算子具有较好的求解性能。     

基于蚁群-遗传混合算法的设备布局优化方法

以生产车间设备布局优化的最小物流费用为目标,建立了车间设备布局优化问题的二次分配模型,并采用蚁群-遗传混合算法来对这一模型进行求解.该混合算法将蚁群算法和遗传算法的优点相融合,以蚁群系统的解作为遗传算法的初始种群,克服了蚁群算法的收敛速度慢,容易陷入局部最优以及遗传算法的容易早熟收敛等缺陷,来实现模型的全局最优.本文以某机械厂制造车间为例,运用MATLAB编程实现算法求解,结果显示:应用蚁群-遗传混合算法设计出来的设备布局新方案比原始方案总物流费用节约了10.6%,同时,混合算法在求解车间设备布局优化问题时比蚁群算法或者遗传算法速度更快,效果更好.     

带装卸顺序约束的装载配送联合优化算法研究

互斥产品(如液体、危险化学品等)不能混装到同一个容器中,物流企业通常使用多隔舱运输车为顾客配送多种互斥产品,合理确定装载与配送路径是提高配送效率、降低配送成本的重要手段.本文考虑互斥产品的装卸顺序约束、在途运输时间约束等,构建了以配送成本最小化为目标的互斥产品装载配送联合优化模型,设计了求解模型的改进遗传算法,算法采用蜂王进化和基于概率的边重构交叉运算,有效提高了寻优能力.本文利用Augerat提供的车辆路径问题标准测试集构造算例测试算法的运行时间和求解效果.结果显示,改进遗传算法的求解效果明显优于经典遗传算法.对于小规模算例,改进的遗传算法可以得到精确最优解,对于中等规模和不超过101个顾客点的大规模算例,改进的遗传算法可以在130秒内得到近似最优解.本文的创新点在于构建了一类新的车辆路径扩展问题的数学模型并设计了求解模型的快速有效算法,为物流企业制定多类型互斥产品配送计划提供了理论依据和算法支持.     

基于干扰管理的车辆故障救援模型

针对物流配送过程中的车辆故障问题,制定救援车辆要到故障车辆处装货的邻近救援策略。以总配送距离最短、受扰车辆数最少和总配送延迟最小为目标,构建车辆故障邻近救援模型。设计遗传算法和2-opt算法结合的混合遗传算法求解模型,得出车辆发生故障以后对系统负作用最小的调整方案。最后,通过仿真算例对比分析该邻近救援策略和车辆增派策略。     

基于蚁群禁忌混合算法的成品油多舱配送路径优化研究

依据油品运输策略的不同,成品油二次配送可划分为两种模式:同一加油站的不同油品需求可拆分配送和不可拆分配送.在两种模式的基础上,根据带时间窗的成品油多舱配送基本模型,衍生出两类配送子模型;综合考虑蚁群算法较强的全局搜索能力和禁忌搜索算法的局部搜索能力,设计蚁群禁忌混合算法(ACO-TS),并提出相应策略用于两类子模型的求解.采用12组不同类型的算例进行数值实验,实验结果表明,混合算法能有效的求解两类配送子模型,并且针对第二类子模型设计的特有邻域能够加快算法求解速度;此外,两种配送模式中,同一加油站不同油品需求可拆分的模式在降低配送成本的同时,能够大幅提高车载率,减少车辆使用量。     

PSO_ACS混合算法求解VRPSPD问题及仿真

构造PSO_ACS混合算法求解同时送取货的车辆路径问题(VRPSPD),通过将ACS算法中的信息启发式因子和期望值启发式因子用解空间中的粒子位置动态表示,将PSO算法和ACS算法有机结合起来;利用PSO算法自适应改进ACS中的启发因子,从而提高蚁群算法的适应性。并用动态改变惯性权重的参数的方法加快PSO收敛速度。最终采用Dethloff的典型算例进行仿真实验,验证了混合算法的可行性和有效性,在求解最优解和收敛性能方面具有一定的优势。     

基于混合遗传算法的海军航空兵场站物资配送车辆调度智能优化

为提升海军航空兵场站物资配送车辆调度效率，根据海军航空兵场站物资配送任务特点，建立了物资配送车辆调度优化模型，提出了混合遗传算法(hybrid genetic algorithm, HGA)对模型进行了求解。在HGA中引入了模拟退火(simulated annealing, SA)操作对经典遗传算法(genetic algorithm, GA)进行了改进：选择适合模型的编码方式和交叉算子；使用类似路径构造的方法构建初始种群；在遗传操作产生子种群之后，通过SA操作寻找子种群邻域中的潜在优秀个体，提升算法局部搜索能力。最后，通过与经典GA的对比实验，验证了所提算法的有效性和可靠性。     

应急物流的分批配送模型及亚启发式算法求解

提出分批配送的应急物流模型,将救援物资配送归结为三个目标:供需差异最小化,配送时间最短化,各灾点失衡度最低化;通过加权求和兼顾救援的紧迫性、动态性和公平性,将各灾点总需求分为三个周期由多车分批予以满足。(a)改进遗传算法:设计染色体编码规则,将单个周期内的路径选择-配送方案映射为基因序列;(b)设计蚁群-遗传混合算法,由蚁群搜索生成初始种群,再做遗传寻优。数值仿真结果显示,单纯遗传、蚁群及混合算法均可有效求解模型,但混合算法效果更优,收敛更快。     

基于配载约束的配送优化问题及其求解算法

车辆配载与配送是两个相互联系与相互影响的子问题,考虑了货物的易损性、装载的稳定性、物品不可倒置、车辆平衡性、先下后装等配载约束,构建了车辆配载与配送联合优化的混合整数规划模型,基于问题自身的特点开发了由配载启发式算法和基于节约值的蚁群算法有机结合的交互式混合算法,采用基准实验问题(benchmarkproblems)进行了一系列对比试验,结果显示了所提出的模型及算法的有效性与实用性.     

基于碳排放与速度优化的带时间窗车辆路径问题

研究了考虑碳排放和速度优化的带时间窗车辆路径问题,引入了基于速度的碳排放计算方法,以油耗、碳排旅行时间费用最小化为目标,将速度作为决策变量,建立了混合整数规划模型. 提出了两阶段启发式算法,第一阶段采用改进的禁忌搜索算法优化配送网络中的速度,第二阶段设计了弧段速度优化算法用于优化路径弧段上的速寻求对最优解的进一步改进. 数值实验分析表明: ①两阶段启发式算法能快速有效地找到满意解; ②采用优度的路径安排比固定速度的路径安排能减少更多的碳排放和总费用; ③碳排放和旅行时间之间存在替换关系,减少碳排放会导致旅行时间的增加; ④传统的车辆路径安排中存在很大的碳排放改进空间,由于油耗和碳排放是相关的,减少碳排放有利于节约总费用.     

装卸混合车辆路径问题的模拟退火算法研究

提出了更具一般性的装卸混合车辆路径问题，建立了该问题的基于直观描述的数学模型．通过设计一种新的解的表示方法构造了求解该问题的模拟退火算法，并进行了实验计算．计算结果表明，用设计的模拟退火算法求解装卸混合车辆路径问题，不仅可以取得很好的计算结果，而且计算效率较高，收敛速度较快，计算结果也较稳定．通过对双向配送策略与单向配送策略计算结果的比较，说明了采用双向配送策略求解装卸混合车辆路径问题对于配送企业节省配送车辆、减少配送里程，从而降低配送成本、提高经济效益的重要意义．     

求解有时间窗的车辆路径问题的混合蚁群算法

针对目前蚁群算法在求解有时间窗的车辆路径问题上存在的缺陷,提出一种搜索效率较高的混合蚁群算法,阐述了混合蚁群算法的基本原理,给出了求解有时间窗的车辆路径问题的具体步骤.计算机实验结果表明,混合蚁群算法在求解有时间窗的车辆路径问题上是有效的.     

商品配送中车辆调度随机模型的建立及其求解

在物流活动的商品配送运输中，由于受不确定因素的干扰，对配送车辆调度的适时性造成了很大影响，从而增加了配送成本和降低了配送的服务质量。本文针对这一问题，建立一种车辆调度的随机模型。通过实例并运用遗传算法对模型求解，极大地提高车辆调度适时性的保证度和配送运输服务的质量，说明该模型及算法具有较好的应用价值。     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

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.     

多车场多车型最快完成车辆路径问题的变异蚁群算法

一般车辆路径问题的目标是总路程或总费用最小, 而在应急管理或特殊配送中要求以最快的速度完成配送任务, 该文研究了以最快完成为目标的多车场多车型车辆路径问题的变异蚁群算法. 首先介绍了多车场多车型最快完成车辆路径问题, 然后分别给出求解多车型和单车型问题的车辆分割的动态规划方法, 并把单车型问题的动态规划方法和改进的Split方法进行对比, 同时利用改进的最大流算法将车辆分配给各车场, 从而把该问题转化为寻找最优顾客排列的问题. 随后给出了求解该问题的变异蚁群算法, 最后给出了计算实例.     

模糊需求下的单货源多设施Weber问题

在设施选址中,客户的需求往往是不确定的,用模糊变量来描述不确定需求更能真实地模拟出决策过程。在模糊可信性理论的基础上,建立了基于模糊需求的单货源多设施Weber问题优化模型,并结合改进的重心法(ALA)与两阶段优化算法,设计了一种新的混合启发式算法。该算法建立了客户的优先级,通过不断更新设施容量和设施位置来实现对客户分配,为了防止陷入局部最优,首先利用改进的重心法来优化初始选址位置(实质上是局部优化),然后用PSO算法进行全局优化。对小规模的问题,分别采用精确算法和本文提出的启发式算法求解,发现算法是有效的,并且具有良好的性能。将该模型和启发式算法应用到大牛地气田污水处理厂选址中,当客户为58,设施个数为6,种群大小为40时,该算法在375代左右收敛,年污水配送费用从360万元减少到312万元。该模型和算法对于进一步补充和完善设施选址模型具有重要意义,在现实中对于不确定需求决策具有一定的应用价值。     

时变网络下考虑碳排放的车辆路径优化

针对城市配送中的车辆调度与路径分配问题,以时变网络下旅行速度的变化为关键变量,建立考虑旅行时间和碳排放量的多目标车辆路径问题的非线性混合整数规划模型,采用改进的多目标粒子群优化算法对问题进行求解。并以"城市货的"的实际配送数据为例进行数值实验,分析时变网络的优越性,以及客户满意度和车辆容量对Pareto结果的影响,为考虑碳排放的城市配送问题提供理论指导。     

多种横向转运配送方式下的成品油配送方案优化方法

针对多种横向转运配送方式下的成品油配送方案优化问题，以配送成本最小化为目标，构建了可同时表达多种配送方式的优化模型。设计了能够同时求解多种配送方式下的配送方案，且求解精度高、速度快的启发式算法。数据实验验证了模型、算法的有效性，并得出：合并配送方式不可能成为成本最低的配送方式；当车辆不满载时，混合配送方式的优化空间更大；随着转运油库与配送区域的趋近，混合配送方式的成本优势越来越明显；所提算法求解不同配送方式下的配送方案的时间差极小，在制定配送计划时，可同时生成分开配送方案和混合配送方案，择优选用。本研究为横向转运背景下成品油配送方式的选择和配送方案的优化提供了一种科学的决策方法，有利于降低企业的配送成本。