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.     

集送货路径的同步优化快速算法

为提高集送货问题的求解效率,提出一种新的同步优化快速算法,即先以非精确的混合距离矩阵替代里程矩阵为输入进行求解,然后将结果反馈到输入端动态更新混合距离矩阵中对应的元素,以更新的混合距离矩阵为输入再次求解,以此反复迭代,直至满足优化目标.以40个遍布于北京的客户构成的集送货问题为例,用该算法进行了求解,并与传统异步优化算法的优化结果进行对比,结果表明同步优化快速算法能够在精度降低4.92%的情况下,比传统异步算法节省40%的计算时间,适用于实时性要求很高的动态调度.     

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。     

定位-车辆路径问题的两阶段混合启发式算法

定位-车辆路径问题(LRP)集成了设施定位分配和车辆路径决策,属于NP-hard难题.为有效求解实际大规模的具有设施容量约束和车辆容量约束的LRP问题,设计了基于禁忌搜索及双种群蚁群算法的两阶段混合启发式算法.算法第1阶段采用禁忌搜索算法确定设施定位及客户分配,算法第2阶段采用双种群蚁群算法优化车辆路径,蚁群间的通信与协调通过信息素共享来实现.通过仿真试验并与其他启发式算法进行对比,结果表明,该算法是可行和有效的.     

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,...     

时变需求环境下同时取送货的车辆路径问题优化研究

针对客户需求随时间实时变化且存在同时取送货的车辆路径优化问题,构建最小化配送总成本的优化模型.考虑动态路径优化问题的处理策略,提出滚动周期型动态调度优化方法,将问题划分为一系列静态车辆路径问题进行求解.通过在蚁群算法中引入遗传算法的交叉、变异操作设计混合蚁群遗传算法对问题进行优化.算例表明:文章所构建的模型及动态调度优...     

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。     

可拆分平行机排序问题的一个启发式算法

为缩短工件的完工时间,将极小化最大完工时间的平行机排序问题作为研究目标.在此问题中,允许同一工件拆分成多个子工件在不同的机器上同时加工,同一工件的任何2个子工件不可在同一台机器上加工.与以往研究不同,对工件的拆分方式进行了限制,即工件拆分后所得子工件的长度不能小于给定的阀值,且工件拆分次数尽量少,这是一个NP难问题.借助于LPT算法的思想,提出了一个求解该问题的启发式算法,实现了工件的自动拆分和工件到机器上的自动分配.通过多个实例对文中算法进行了测试,数值结果表明:该算法可行、稳定性良好,适用于工件拆分方式具有类似限制的平行机排序问题的方案决策.     

多车次同时送取货物车辆路径问题的量子蚁群算法

研究了配送车辆载重量和工作时间有限,考虑货物装卸时间的多车次同时送货和取货的车辆路径问题(multi-trip vehicle routing problem with simultaneous deliveries and pickups,MTVRPSDP),建立了以配送车辆启动成本和车辆行驶成本之和最小为目标的线性整数规划模型.将量子计算和基本蚁群算法相结合提出了求解MTVRPSDP的量子蚁群算法,该算法应用量子比特启发式因子改进了人工蚂蚁的转移概率,从而提高了算法的全局搜索能力和稳定性,有效改进了算法陷入局部最优的缺陷.算例分析表明:MTVRPSDP的线性整数规划模型在实际应用中是可行和有效的,而且相比于基本蚁群算法和文献中所给其他算法的计算结果,利用量子蚁群算法和MTVRPSDP的线性整数规划模型能够得到较好的满意解,安排的车辆配送路线更加经济合理.     

车辆路径问题的一种启发式解法

研究了带有容量约束的车辆路径问题(VRP),在预先不确定车辆数目的情况下,提出将聚类方法、禁忌搜索方法和2-opt方法集合对VRP求解.分析和实验结果表明,该方法对VRP,尤其是大规模的VRP是有效的.     

运输路径问题的一个新启发式算法

在解运输路径问题时常常使用Clarke和Wright提出的启发式算法(下称C.W.算法)。本文对Clarke和Wright算法进行改进。改进算法的计算复杂性虽不如C.W.算法,但计算的数值结果在大多数情况下比C.W.算法的结果更好。     

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。     

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。     

多车场车辆路径问题及混合遗传算法

在多车场车辆路径问题中,综合考虑车辆的行驶路程和使用车辆的数量能有效降低配送成本,考虑了这两方面的因素建立了相应的数学模型,运用混合遗传算法进行了求解,并通过实例证明了模型和算法的有效性。     

遗传算法在有时间窗车辆路径问题上的应用

应用遗传算法(Genetic Algorithm-GA)求解有时间窗车辆路径问题,获得其近优解或最优解.使用一种直观的编码方法,提出基于优先关系的交叉算子,实验表明,这种GA能够有效地解决复杂的优化问题.