路径长度受限的随机需求VRP的两阶段模拟退火方法

路径长度受限的随机需求下的车辆路径问题(PSVRP)是一种普遍存在而求解困难的运筹学问题.在满足路径长度限制、只允许服务失败一次和不允许部分服务的策略下设计了一个两阶段模拟退火算法,根据模拟退火的理论容易知道算法求到的近似最优解是以概率1收敛的.对随机生成的中等规模和大规模问题做了数值试验,试验结果表明该算法有效.     

随机需求VRP的一个算法

研究了随机需求VRP问题，在服务仅能路由失败一次和不允许部分服务的情况下，给出了两阶段Clarke—Wright模拟退火算法。对需求为均匀分布的VRP问题做了数值试验，给出了具体的方案。数值结果表明这个算法比简单的两阶段模拟退火算法好，而且算法简单，容易实现。这个算法在第Ⅱ阶段模拟退火算法开始时给出了一个比较合理的初始解，较好地处理了大范围交叉的问题，从而使得模拟退火算法快速收敛到近似最优解。     

允许部分服务的随机需求车辆路径问题研究

文章对需求量满足二项分布的随机需求车辆路径问题进行了研究,在服务失败时采取允许部分服务的策略,通过仿真的方法证明了这一策略的有效性;并将嵌套分割算法与扫描算法相结合,提出了一种新的求解随机需求车辆路径问题的两阶段算法,数值试验验证了该算法的有效性.该算法拓展了车辆路径问题的算法空间.     

退火单亲遗传算法求解随机需求VRP问题

为了有效求解随机需求的车辆路径问题,在单亲遗传算法中加入模拟退火选择操作,构建了退火单亲遗传算法;并实现了以虚拟自然数代表中心点,可直接利用求解随机需求VRP问题的有效遗传算子。在选择操作中,采用三复本锦标选择的方式,保持了种群的多样性。计算结果表明,该方法可有效求解随机需求车辆路径问题,算法的搜索效率、收敛概率均得到大幅度提高,取得了比一般遗传算法更优的结果。     

蚁群算法求解带时间窗的配送路径问题

VRP问题影响着车辆配送过程中的效率与经济效益,在现实生活中有着重要的现实意义;文章首先建立了一个带有时间窗的VRP数学模型,并针对VRP问题本身的特点,对蚁群算法中的伪随机概率公式等相关参数进行改进,最后将改进的蚁群算法应用于VRP问题的求解中;通过在matlab上进行的仿真试验,表明了此算法能够有效地改善基本蚁群算法中的收敛速度慢、易于陷入局部最优解等缺陷,并能应用于大规模的车辆路径寻优问题中.     

针对CVRP的2-OPT算法的时间复杂度均值分析

分析了需求不可分割带能力约束的车辆路径问题(CVRP)的 2 - OPT算法计算时间的平均复杂度。利用需求分布独立于客户的空间分布的特点 ,将车辆路径问题 (VRP)转化为多旅行商 (MTSP)问题 ,并通过分析 MTSP进行 2 -OPT操作的可行性条件 ,建立起该算法运行所需的迭代次数的分布函数 ,进而求得平均运算时间复杂度的上界。该文为有效评价针对 VRP的 2 - OPT算法 ,提供了理论依据 ,并为VRP领域的启发式算法的复杂度分析 ,提供了一种新思路。     

路径长度受限的随机需求VRP的节省算法及其策略分析

在保证每条路径长度限制,至多只能服务失败一次和不允许部分服务的策略下,定义了一个新的节省路径．给出了一个精确的节省算法,对中等规模和大规模问题进行了数值试验,数值试验表明算法有效。对所采用的策略进行了分析,得到了一些理论结果。     

基于改进蚁群算法的车辆路径选择研究

给出了考虑软时间窗的物流配送车辆路径选择（VRP）模型,提出了一种改进的蚁群算法来求VRP模型的近似最优解。为了以最少的计算时间得出VRP问题的近似最优解,首先用贪婪算法产生初始蚁群,然后通过蚁群算法的评价、信息素释放、蚂蚁移动、信息素消散、判断收敛的循环过程对初始解进行优化。实践表明,在求解软时间窗物流配送车辆路径选择问题方面,改进蚁群算法具有更好的收敛性。该算法算法是求解VRP问题的较好方案。     

求解MDVRP问题的混合蚊子追踪算法

针对现实生活中应用广泛的多车场车辆路径优化问题,建立相应的数学模型。根据"就近原则"将MDVRP问题分解为VRP问题,再根据约束条件的限制将VRP分解为TSP问题,提出一种蚊子追踪算法对TSP求解,详细介绍了蚊子追踪算法的理论基础和求解模型。仿真结果表明,该算法是有效可行的,并优于遗传算法、禁忌搜索和蚁群算法,且证明了该算法对求解这类NP完全问题有一定的指导意义。     

电子商务配送的跨区域VRP模型及其启发式算法

传统的基于分区策略的配送模式已不能满足电子商务物流配送业务的要求,采用将多个配送区域联合、沿途多次补货的配送策略可有效地解决上述矛盾,而车辆路径问题是该配送策略的一个重要组成部分。在说明了模型的假设条件后,建立了基于区域联合策略的VRP(veh icle rou ting prob lem)模型,开发了一种基于几何分析的启发式算法,采用二次搜索、分批插入的办法确定补货点,从而得到沿途多次补货的配送路径,最后用数值算例对模型和算法进行了数值演算。