求解需求可拆分车辆路径问题的人工蜂群算法

研究了需求可拆分的车辆路径问题(SDVRP)的基本数据模型,分析了相关解的基本特点,提出了一种改进的人工蜂群算法进行求解。首先,在不考虑车辆容量和拆分需求的前提下,求出TSP大路径;然后,对TSP大路径进行切割,在切割的地方对客户点的需求进行拆分;最后,在前述操作基础上形成初始解,采用改进人工蜂群算法进行优化。在人工蜂群阶段,三种蜜蜂在全局和邻域范围内不断优化当前解。通过仿真实验与其它算法对比,验证了提出的算法在有效性和稳定性上,具有良好的效果。     

需求可拆分的车辆路径问题的分段求解

将需求可拆分的车辆路径问题分成两阶段求解,针对单车场、单车型、无时间窗要求、纯装货或纯卸货情况,分别设计了先分组后路径及先路径后分组算法求解.通过实验表明,在成本上,先分组后路径求得的解好于先路径后分组求得的解,且比现有蚁群算法和禁忌搜索算法求得的成本更低,但先路径后分组的方法可以避免一个点的需求被拆分成两次以上满足,...     

启发式算法求解集送货可拆分的车辆路径问题

为了提高物流服务的效率, 对集送货可拆分的车辆路径问题进行了研究, 它允许一个任务点被访问多次, 也允许同一车辆访问同一任务点多于一次. 针对问题的特点设计三阶段启发式算法, 拆分部分任务点的集送货需求, 并使车辆行驶距离之和最小. 算例结果及分析表明新的算法可以得到合理的车辆路径, 优化效果较好, 具有实际应用价值.     

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.     

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。     

信息传播影响下基于进化蜂群算法的应急车辆路径优化设计

为了能够准确反映信息传播对于应急物资需求的影响以及有效优化应急配送车辆的路径,构建了基于双层扩散网络的需求预测模型和改进的离散人工蜂群算法（进化蜂群算法）。首先,在分析扩散网络中事件层和信息层关系的基础上构建了物资需求预测模型。其次,在进化蜂群算法中,依据适应度值和历史进化程度来甄别优秀信息,并融合了交叉算子和变异算子...     

随机车辆路径问题综述

描述了随机车辆路径问题的历史、发展进程和特征，结合该问题的分类，介绍了该问题国内外的研究现状，指出了目前算法的搜索效率低并依赖于初始解的局限性，给出了对求解算法的进一步研究以及把研究成果应用于实际问题中的研究方向和建议。     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

多需求点间车辆调度模型及优化算法混合求解研究

为解决多需求点间同时集送货问题,建立考虑需求拆分和转运的车辆路径模型.在模型中,加入车辆装载量动态变化约束、节点可多次访问约束和需求可拆分转运约束,提高问题的普遍性.在模型的优化算法中,算术、蚁群优化算法混合求解.通过算术蚁群算法嵌套优化模式,外层算术优化算法得到配送车辆的任务量,内层蚁群算法优化路径,并将结果反馈给外层算法继续更新求解,直至达到终止条件.同时,添加概率系数、增加算子位置更新公式和更新动态禁忌矩阵对混合算术蚁群算法改进,增加解的多样性,提高算法的求解效率.最后通过实例验证并与混合鲸鱼算法等比较,改进的算法解决本文问题效果更好.     

随机车辆路径问题综述

描述了随机车辆路径问题的历史、发展进程和特征,结合该问题的分类,介绍了该问题国内外的研究现状,指出了目前算法的搜索效率低并依赖于初始解的局限性,给出了对求解算法的进一步研究以及把研究成果应用于实际问题中的研究方向和建议。     

随机车辆路径问题综述

描述了随机车辆路径问题的历史、发展进程和特征,结合该问题的分类,介绍了该问题国内外的研究现状,指出了目前算法的搜索效率低并依赖于初始解的局限性,给出了对求解算法的进一步研究以及把研究成果应用于实际问题中的研究方向和建议.     

随机车辆路径问题综述

描述了随机车辆路径问题的历史、发展进程和特征,结合该问题的分类,介绍了该问题国内外的研究现状,指出了目前算法的搜索效率低并依赖于初始解的局限性,给出了对求解算法的进一步研究以及把研究成果应用于实际问题中的研究方向和建议.     

求解集送货可拆分车辆路径问题的启发式算法

为了节约运输成本、提高物流服务效率,对集送货可拆分的车辆路径问题进行了研究.该问题允许一个任务点被访问多次,也允许同一车辆访问同一任务点多于一次.针对问题的特点设计三阶段启发式算法,拆分部分任务点的集送货需求,并使车辆行驶距离之和最小.数值实验结果表明,新的算法可以得到合理的车辆路径,尤其适用于送货需求总量大于集货需求总量的情形.     

带软时间窗的多商品需求可拆分两阶段车辆路径问题研究

【目的】干线、支线作为电商企业物流配送的关键环节,其协同优化对降本增效意义重大。【方法】基于干线、支线实际运营特征,提炼出软时间窗、多车场、多商品、需求可拆分两阶段车辆路径问题,建立以车辆路径成本、固定派车成本和惩罚成本（违反配送时间要求）为优化目标的混合整数规划模型,基于派车次数和运输距离节约的贪婪思想,设计高效启发式求解算法,并借助27个小规模算例和8个较大规模算例对模型和算法的求解效果进行验证。【结果】实验结果表明：1）借助优化软件,模型在2个小时内能够求解5个区域中心仓库、20个中转仓库、4种商品的算例;2）所设计的启发式算法能够在较短时间内对现实中的较大规模问题求出可行解,求解能力和求解效率远优于优化软件CPLEX;3）问题复杂度随着问题规模（区域中心仓库数量、中转仓库数量、商品种类数量）增加急剧增加,中转仓库数量对问题复杂度的影响最大,区域中心仓库数量的影响次之,商品种类数的影响最小。4）针对较小规模算例,干线配送成本占比较大,随着算例规模增加,支线环节派车数量增幅较大,进而导致支线配送成本明显增加;5）增加车辆工作时长后,干线环节派车数量减幅较大,总配送成本显著降低。放宽第二阶段车容量限制,第二配送阶段的用车数量大幅度降低;【结论】研究成果不仅可拓展两阶段车辆路径问题现有理论,而且有助于电商企业实现多级配送网络高效协同运作;此外,通过优化配送方案,减少派车次数,有助于缓解城市交通压力,改善城市交通环境。     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

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。     

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。     

改进蚁群算法优化车辆路径问题的研究

研究采用改进的蚁群算法优化带约束的车辆路径的问题。考虑的约束条件包括路径约束、时间窗约束和容量约束。主要目的是提出一种改进的蚁群算法进行车辆路径优化,构建配送车辆行驶路线,实现配送路线总成本的最小化。从三方面对蚁群算法进行了改进：对参与条件转移概率的候选节点列表进行预处理减少路线构建过程计算的时间复杂度;提出插入式节约算法用于改进蚁群初始配送路线提高寻优精度;基于蚁群系统对信息素更新策略进行改进,加快算法收敛速度。基于Solomon基准数据集,与近年来已取得的研究成果展开对比实验,证明提出的改进算法在提高求解精度和搜索效率方面的有效性,在优化带约束条件的车辆路径问题时的实用性,拓展了蚁群算法的应用领域。     

求解约束优化问题的多成员人工蜂群算法

针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.     

基于改进ABC算法的城市内涝应急车辆路径优化

考虑到城市内涝道路受损等因素,构建了车辆调度成本、时间惩罚成本和风险成本同时最小化的多目标优化调度模型.为了求解满足约束的最优调度方案,设计了一种改进的人工蜂群算法,引入自适应维度更新、全局搜索和混沌搜索更新策略,提高基本人工蜂群算法的求解精度和稳定性等性能.算例仿真结果表明,改进算法与标准算法相比,具有更好的寻优性能,可提供更优的调度方案.