出厂物流调度问题及其启发式算法

针对出厂物流调度问题,建立了一类出厂物流问题的调度理论模型,证明了该问题的强NP-hard特性.基于对问题的特征分析,提出求解问题的近似算法,证明了算法的最坏性能比为3且为紧界,并通过数值仿真验证了该算法的有效性.结果表明,所提出算法对两台流水作业机器的完工时间有一定的优化.     

C-W节约算法在装配企业采购物流中的应用

将通常用于配送领域路线优化的C-W算法,运用于采购物流领域.针对装配企业采购物流中所运输产品的特点,在线路规划中插入车辆载重量和容积的双重约束条件,以满足采购物流的特殊要求.用一个实例验证了修正的C-W算法对解决采购物流中车辆调度问题的适用性,得到了较好的结果.     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

车间多载自动导引车绿色物流调度

随着现代制造业的飞速发展,企业在生产效率和生产能耗方面有越来越高的要求,智能生产车间的自动化程度逐渐提高。主要研究作业车间自动导引车(automated guided vehicle,AGV)的智能绿色物流调度问题。首先,建立以降低AGV能耗和最优AGV路径为目标的AGV物流调度优化模型;然后,提出一种以任务排序为约束的改进遗传粒子群算法;最后,以某针织车间的实际物流调度为例对文中方法进行验证。计算结果表明,文中提出的AGV物流调度模型能够较好地模拟AGV绿色调度耗能问题,提出的改进遗传粒子群算法具有较快的收敛速度和较好的寻优能力。     

基于改进蚁群算法的物流车辆调度优化问题的研究

蚁群算法是人工智能领域的一种模拟进化算法,在求解调度问题方面具有一定的优势,是一种很有发展前景的智能优化算法.文章首先分析了蚁群算法的基本原理,接着提出了改进型蚁群算法,并阐述了其在物流车辆调度中的应用,进行了仿真实验,验证了改进型蚁群算法的可行性.     

蚁群算法在医药物品配送路径优化中的应用

在分析医药物流特点的基础上,提出了医药物流数学模型的合理假设和约束条件,构建了医药物流配送路径优化的目标函数.鉴于蚁群算法具有较强的发现较好解的能力,运用蚁群算法对目标函数进行寻优.仿真实验结果验证了该算法的有效性.     

运用自动化信息系统优化的农产品物流配送路径研究

基于自动化信息技术的广泛应用,运用自动化信息系统研究了农产品物流配送路径的优化,提高配送效率和降低配送成本.首先,利用自动化的信息系统将配送车辆、配送员、物流公司、客户联系在一起,实时监控客户的需求变化,并保持信息沟通和共享,构建考虑自动化信息系统的农产品物流多配送中心成本优化模型.其次,结合A公司农产品物流企业数据,设计了一种运用GPS思想改进的混合算法进行路径的优化,得到一个最优化的配送方案,证明了该模型和算法对路径优化的科学性,也说明了改进的混合算法对于模型的最优解具有较强的全局搜索能力.最后,通过仿真实验结果证明,运用自动化信息系统对农产品物流配送路径进行优化具有可行性和合理性.在此基础上,本研究针对农产品物流配送路径优化的进一步发展提出了建议.     

一种解决物流配送问题的算法研究

针对运输费用的逐年提高,企业配送环节成本大幅度增加的问题,为降低物流成本,提高企业利润,研究了一种解决车辆调度问题的算法,即节约算法.通过各种数据的实验验证,此算法能得到满意的解,既能节约时间,又能够节约里程和费用.     

带组换装时间的单机调度问题

在某钢铁线材企业的实际调度问题的基础上,研究了一类带有组换装时间的单机调度问题. 根据该调度问题的实际需求,以最小化作业的最大延迟为优化目标. 由于该问题是NP难的,提出了一类启发式算法来求解该问题,并进一步通过引入问题的性质,提高算法的寻优性能,降低算法运行时间. 该算法在随机产生的测试问题和企业的实际调度上均进行了测试,实验结果表明该启发式算法能在短时间内获取近优解.     

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.