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.     

两阶段启发式算法求解带时间窗的多中心车辆路径问题

车辆路径问题(VRP)是物流研究领域中一个具有重要理论价值和现实意义的问题. 带时间窗的多中心车辆路径优化问题(MDVRPTW)是单中心带时间窗的VRP(VRPTW)的一个扩展, 其非常复杂, 难于求解. 本文提出一个两阶段的启发式算法来求解MDVRPTW. 该算法首先通过基于聚集度的启发式分类算法将MDVRPTW简化为多个VRPTW; 然后采用蚁群算法对每个VRPTW进行求解. 为了提高蚁群算法的效率, 提出了两个改进策略: 交叉算子和自适应的ant-weight信息素增量更新策略. 最后, 通过若干经典的MDVRPTW对该算法进行了验证, 结果显示结合基于聚集度的启发式分类算法和改进的蚁群算法是一个求解MDVRPTW的有力工具.     

求解带软时间窗的车辆路径问题的改进遗传算法

带软时让窗的车辆路径问题(VRPSTW)是在基本的车辆路径问题(VRP)上增加了时间窗约束条件的一种更化形式，是一个典型的NP-难问题。通过引用一种新的编码方法、交叉和变异概率的自适应机制，构造一个改进的遗传算法来求解VRPSTW，并将求解结果与其他遗传算法比较。比较结果显示，该算法具有较好的性能。     

免疫算法在带时间窗的车辆路径问题中的应用

根据带时间窗的车辆路径问题的实际情况,提出了一种基于分组匹配的亲和力的计算方法.实验结果表明,免疫算法能有效地解决带时间窗的车辆路径问题.计算结果优于节约算法、分派算法、遗传算法.     

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.     

带软时间窗物流配送车辆路径问题的并行遗传算法

针对一般遗传算法在求解有时间窗车辆路径问题时初始种群的单一性,提出一种新的算法.该算法对不同的种群用不同的初始化方法--随机初始化法和构造初始化法,这种算法改变了过去那种种群内部的平衡.并将该算法所得结果与其他算法进行比较,表明该算法的合理性.     

带时间窗可回程取货车辆路径问题的元胞鱼群算法

在研究带时间窗可回程取货车辆路径问题数据模型的基础上,将人工鱼群算法的仿生学原理与元胞自动机的邻域邻域模型和状态迁移规则相结合设计了元胞鱼群算法.算法通过在每次迭代后进行元胞空间的信息交换,并利用交换序方法对鱼群算法进行重构,改善了对解空间的搜索性能.仿真实验结果表明,元胞鱼群算法有良好的寻优能力,具有一定的工程应用价值.     

求解带时间窗车辆路径问题的有效混合PBIL算法

针对带时间窗车辆路径问题（vehicle routing problem with time windows, VRPTW）, 提出了混合种群增量学习算法（hybrid population-based incremental learning algorithm, HPBIL）, 用于同时最小化车辆数和总行驶距离. 在HPBIL中, 通过改进标准的PBIL概率模型以提高算法的全局探索能力, 同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力. 仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.     

带时间窗的开放式满载车辆路径问题建模及其求解算法

为满足某些企业的满载运输需求, 针对运输任务对车辆具有独占性的特点, 分析得到总运输费用的大小取决于车辆的空车运行费用, 在此基础上, 将带时间窗的开放式满载车辆路径问题转化为带时间窗的多车场开放式车辆路径问题, 建立了相应的数学模型, 并设计了改进的自适应遗传算法进行开环路径求解, 并把算法应用于某木材厂的周运输计划的制定, 算法在很短时间内求得了运输方案, 比木材厂原运输方案减少了车辆数, 并节省了运输费用. 实验证明, 算法是可行和有效的.     

带时间窗和随机时间车辆路径问题: 模型和算法

研究带随机车辆旅行时间、服务时间以及时间窗的车辆路径问题.根据不同的优化目标, 首先给出了问题的两种数学模型描述:机会约束规划和带修正的随机规划模型. 为了有效地求解该问题,提出了基于禁忌搜索的启发式算法, 该算法考虑了问题的随机特性.在实验部分, 首先给出了产生 测试问题的方法,然后基于产生的测试问题给出了算法的计算结果.     

Quantum-inspired ant algorithm for knapsack problems

The knapsack problem is a well-known combinatorial optimization problem which has been proved to be NP-hard. This paper proposes a new algorithm called quantum-inspired ant algorithm (QAA) to solve the knapsack problem. QAA takes the advantage of the principles in quantum computing, such as qubit, quantum gate, and quantum superposition of states, to get more probabilistic-based status with small colonies. By updating the pheromone in the ant algorithm and rotating the quantum gate, the algorithm can finally reach the optimal solution. The detailed steps to use QAA are presented, and by solving series of test cases of classical knapsack problems, the effectiveness and generality of the new algorithm are validated.     

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.     

求解带时间窗车辆路径问题的插入检测法

在求解带时间窗车辆路径问题各类算法的插入检测过程中, 针对已有检测时间窗口约束是否满足的方法存在效率不高的缺点, 引入时差的概念, 设计了基于时差的插入检测法, 并分析比较其与已有的插入检测法的计算性能; 应用标准测试算例测试显示, 时差插入检测法比已有的插入检测法具有更快的检测速度.     

有时间窗的非满载车辆调度问题的遗传算法

有时间窗的车辆调度问题是一个典型的ＮＰ－难题,传统求解方法往往不能令人满意,本文将货运量约束和时间窗约束转化为目标约束,设计了基于自然数编码的可同时处理软、硬时间窗约束的遗传算法,实验分析获得了较好的结果。     

存在车辆租赁及共享且有时间窗的多配送中心开环VRP

针对企业自身运力有限以及旗下多个配送中心在各决策周期运力不均衡的情况,提出了一类具有多个配送中心、需要进行车辆租赁和车辆共享、有时间窗限制、开环的VRP, 建立了相应的混合整数规划模型.通过引入一个虚拟配送中心,将多配送中心VRP 转化为单配送中心VRP, 并设计了一种结合扫描算法和C-W节约算法、对车辆路径和车辆调度统筹优化的混合遗传算法.最后,以重庆天友乳业物流分公司的业务数据对该模型的可行性和有效性进行了验证, 结果表明本文所提方法与该企业现有的配送方案相比,在配送总里程、配送总成本和车辆在途时间等方面均有明显改进.此外,进行了模型参数的灵敏度分析和算法的收敛性分析, 结果表明该算法具有较好的性能.     

求解异车型同时集送问题的多属性标签算法

针对实际运输中顾客对不同车型、同时集送货物的多样化需求,文章建立了异车型同时集送车辆路径模型(vehicle routing problem with heterogeneous fleet,simultaneouspickup and delivery,VRPHSPD),并构建了基于多属性标签的蚁群系统算法(multi-label based ant colony system,MLACS)进行求解.该算法利用面向对象理念,分别对客户、车辆及其行驶路径构建多属性标签,首先用近邻法生成初始路径,再通过蚁群算法的搜索规则对客户和车辆标签进行匹配,从而得优化的结果.通过公开算例、实际应用案例的验证表明,MLACS算法能成功求解VRPHSPD问题,具有较高的求解质量、运算效率以及实际应用意义.