钢铁企业产成品转库车辆路径问题优化

分析了钢铁企业产成品转库问题的特点,通过将转库任务分解的方法将原问题转化为具有最迟访问时间约束和同时访问车辆数限制的车辆路径优化问题,建立了转换后问题的0-1规划数学模型,针对模型的特点设计了迭代局域搜索算法.算法初始解由贪婪算法生成,局域搜索过程采用4种常用局域搜索算子的混合,摄动过程采用变强度的2-opt*算子.该算法可以同时实现转库车辆指派和车辆路径优化.通过仿真生成的算例对模型和算法进行了验证.实验结果表明,该模型和算法是解决该类问题的有效方法.     

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.     

基于两阶段求解的动态车辆路径问题研究

采用两阶段求解思想,通过设置定时间隔,将动态信息转化成静态信息,从而实现对动态车辆路径问题的求解.分别建立了初始优化和实时优化阶段的数学模型,以节约算法解为初始解,利用禁忌搜索算法完成初始优化阶段的车辆路径问题求解;在实时优化阶段,分别对节约算法和禁忌搜索算法进行适当修正后再进行求解.利用数值测试实验对客户不同地理位置分布下定时间隔的设置进行测试分析.结果表明,该算法简单明了,易于实现.此外,客户的地理位置分布不同,对定时间隔的敏感性也不同,混合分布最为敏感,其次是随机分布,集聚分布最不敏感;最后,给出了相应的累计服务客户数量曲线,并结合车辆总行驶距离,明确了不同客户位置分布下的较优定时间隔设置.     

求解带时间窗动态车辆路径问题的改进蚁群算法

车辆路径问题作为组合优化中的一类典型问题,其模型、算法及应用被人们广泛关注和研究.在建立双目标带时间窗的动态车辆路径问题数学模型的基础上,设计了一种求解该问题的改进蚁群算法.该算法首先对所有顾客进行区域划分;其次通过在传统蚁群算法中引入交通拥堵因子,提高了计算效率;再将挥发因子取为服从(0,1)上均匀分布的随机变量,使算法能更稳定地收敛到全局最优解.最后的数值实例验证了所建数学模型和改进蚁群算法的有效性和优越性.     

求解VRPBTW的变邻域搜索算法

以电子商务环境下物流配送为背景,建立了带有时间窗和回程载货约束的车辆路径问题优化模型,设计了改进的变邻域搜索求解算法.该算法采用改进的Braysy顺序插入法生成问题初始解,再根据变邻域搜索算法机制应用4种不同搜索范围的局域搜索算子对初始解进行改进.通过对多个算例的求解实验,并与采用一般流程的变邻域搜索算法进行比较,结果表明所提出的变邻域搜索算法的求解效果明显优于采用一般流程的变邻域搜索算法,是求解该类问题的有效算法.     

一种电能计量设备运维作业动态优化模型及算法

针对电网企业传统模式下运维作业所存在的任务分配不科学、路径规划不合理和无法实时响应动态需求等问题,提出了一种新的动态优化模型及求解算法.该模型能够对运维作业的任务点数量、实时路况、运维人员属性与数量、决策者偏好等外部条件予以实时动态响应,满足电网企业日常管理工作需求.此外,针对模型特点提出一种基于解空间分割的粒子群算法(PSO-SSD)进行运维作业路径优化.仿真实验表明,本文所提出的动态优化模型及PSO-SSD算法能够在不同问题规模下保持优良性能,实现电能计量设备运维作业的实时动态优化,有效提升电网企业管理工作效率.     

多阶段动态车辆路径问题实时优化策略

针对多阶段动态车辆路径单决策和多决策问题,分别提出了平均距离策略和分区分批旅行商策略.前者优先安排不能延迟的顾客,然后根据路径的平均顾客距离选择可延迟顾客;后者根据阶段内决策的时间界限只在最后一次决策才考虑拒绝和延迟.实例仿真结果表明,新策略都具有较好的优化效果.     

遗传算法在车辆优化调度中的应用

旅行商问题是车辆优化调度中的NP难题,对旅行商问题进行描述,并建立了数学模型。介绍了遗传算法的基本思想,给出用遗传算法求解旅行商问题的过程,仿真实验证明该算法是有效的。     

可变线路式公交的两阶段车辆调度模型

针对可变线路式公交设计了一种可同时处理预约需求和实时需求的两阶段车辆调度模型.第1阶段模型以预约需求为服务对象,建立了以乘客出行成本和车辆运营成本最小为目标的路径优化模型,采用模拟退火算法对模型进行求解,获得车辆初始行驶路径方案.第2阶段模型以实时需求为服务目标,在原定行驶路径方案上利用启发式插入算法将4类乘客排入车辆行车计划中.基于实例的仿真试验验证了两阶段车辆调度模型的可行性,结果表明:通过提高乘客预约出行比例的方式可提升系统性能,本例中当乘客需求量达到25人/h、预约出行比例达到70%时,系统整体性能相较于纯动态需求条件下提升近10%.     

带容量约束的多车调度暂态混沌神经网络算法

带容量约束的多车调度问题是典型的NP-hard问题,利用模糊C均值聚类算法的相似性分类原理及混沌神经网络的全局搜索能力和高搜索效率,提出了一种快速且易于实现的新的混合启发式算法.该算法分为用模糊C均值聚类算法将所有客户按车容量要求装车和用暂态混沌神经网络方法对每条路线排序两个阶段.实例计算以及与其他算法比较表明,该算法是一种求解多车调度问题的可行且高效的方法.     

时变路网下多配送中心多车型联合配送研究

随着电子商务发展,越来越多的城市、企业采用多配送中心模式,优化补货车辆、配送站点车辆出行时刻及出行路线的优化变得越来越重要。目前考虑城市时变速度特征的多车型联合配送中,对配送车辆出行时刻和配送路径联合优化角度的研究成果较少。基于此,本文主要构建基于时变速度多配送中心多车型联合配送模型,并设计基于禁忌搜索求解算法,论文收集了北京市城市配送大数据,以北京市公铁联运城市配送为应用背景,对算法进行了验证,通过计算发现本算法可以有效优化多配送中心多车型联合配送运输成本和时间成本,算法能够应用于北京这种特大城市的公铁联运城市配送方案中。     

改进的引导式邻域搜索算法求解周期性车辆路径问题

在引导式邻域搜索算法静态惩罚策略的基础上,提出动态惩罚策略,设计改进的引导式邻域搜索算法,将其用于求解周期性车辆路径问题,采用标准算例进行数据实验,对动态与静态的惩罚策略进行对比.结果表明,采用改进的引导式邻域搜索算法求解周期性车辆路径问题可行有效.     

大规模车辆配送/收集问题的求解框架

大规模车辆配送/收集问题是供应链末端的日常商品配送和逆向物流前端的废品收集过程中的典型问题,存在着车辆载重、工作时间和车辆服务区域固定等约束,属于扩展的有载重约束的车辆路径问题。该文对该类车辆问题进行了描述和特点分析,提出了一个3阶段的求解框架:采用基于主干道的网格法对客户进行区域化整合;采用车流模型和C-W、3-opt相结合的算法完成客户区域对车辆的分配;采用旅行商问题求解方法对区域内车辆路径进行优化。案例研究的结果证明了该求解框架的实用性和有效性。     

多用户动态交通流分配模型及算法研究

通过对动态交通网络中瞬时反应型和预测型出行者行为假设的分析,提出了将两者结合并增加固定路线出行行为假设的多用户动态交通流分配模型.同时通过对动态交通网络出行者行为的相互制约特性分析,给出了求解上述模型的迭代算法.本模型拓展了以往构建模型中出行者行为的单一性假设.本模型及算法也可直接应用于先进的出行者信息系统,并为路径导行系统中网络的效益分析提供理论依据.     

基于改进蚁群算法的应用与研究

针对传统蚁群算法在构造解的过程中收敛速度慢且容易陷入局部最优问题,提出了一种改进蚁群算法。在蚁群搜索路径过程中,通过建立信息素启发式因子α和期望启发式因子β的互锁关系,动态自适应调整α和β;结合车辆运输调度问题,对距离启发式因子ηij（t）进行重新定义,引入不同客户间的“偏好力”,提高算法的搜索效率及实用性。将改进蚁群算法分别应用到机器人路径规划及车辆调度问题并进行仿真,取得了较好实验效果,验证了该方法的可行性和有效性。     

城市垃圾收集车辆弧路径问题研究

考虑部分街道单行及转向限制等状况,采用带有转向禁忌条件的垃圾收集车辆弧路径问题模型对城市垃圾收远路线进行优化．通过建立将其转换为对应的点路径问题的求解模型以减少问题规模,并利用一种聚类蚁群算法对该问题进行求解．优化实例结果表明：有、无转向约束的路线优化后,总路程分别减少了89984．96m和92330．04m,分别节约了31．1％和31．9％,优化效果明显;优化后减少了需求车辆数,降低了车辆使用成本和人员雇佣成本．     

多仓库定位-运输路线安排问题的模型和算法研究

针对现实问题的复杂性,考虑到单独研究物流设施选址和车辆运输路线安排问题的局限性,根据集成物流管理思想,综合考虑两个问题,重点研究了集成物流管理系统中多仓库定位-运输路线安排问题(LRP)。首先提出了LRP的数学模型,由于LRP属于NP-hard问题,提出了一种用于求解该类问题的两阶段混合启发式算法:禁忌搜索-蚁群混合算法。在选址阶段使用禁忌搜索算法求得一个较好的设施位置后,便转向运输路线安排阶段,并采用蚁群算法获得了一个与已得到的设施位置相对应的优化运输路线,这两阶段反复、连续运算,直到满足预先设置的终止条件。最后,给出算例验证模型和算法的有效性。