快递配送车辆路径优化研究

考虑到快递配送和物流配送的异同,在物流配送路径优化问题的基础上构建了符合快递配送路径优化问题的数学模型.设计了一种采用自然数编码,综合考虑快件数量、车辆载重、车辆容量等约束的解码方式的遗传算法.通过一个拥有20个配送点的快递配送案例,验证本文所构建模型和算法能够得到合理配送路径和各个配送点的服务时刻.最后通过灵敏度分析和四轮厢式货车算例验证表明:当前情况下,研究快递配送路径优化时,快件数量、快递员最长配送时间和各配送点的作业时间必须考虑;当前快递配送车辆的载重和容量满足当前需求,无需更换载重和容量更大的配送车辆.     

配送中心选址与车辆路径一体优化模型与算法

在配送系统中,配送中心选址问题与在此基础上的车辆路径问题相互影响.为了反映两者之间的相互关系,建立了配送系统优化的双层规划模型.模型上层为配送中心选址问题,下层为车辆路径优化问题.由上层模型给出初始配送中心选址方案;在此基础上由下层模型进行配送车辆路径优化;然后计算上层模型中的供应商到配送中心的运输费用,从而得到上层模型的目标函数;再对上层模型方案进行调整.设计了基于遗传算法与粒子群算法的求解方法.算例分析表明,与两者分别优化相比,双层规划模型可以降低配送系统的总成本,提高配送系统的整体效率.     

一致性车辆路径问题下基于模板路径的模拟退火法

根据一致性车辆路径问题的“服务一致性”特征,本文提出了基于模板路径的 模拟退火法（TSA）以更好地求解此问题.该算法求解分为2 个阶段：第1 阶段求解模板路 径,第2 阶段以所得模板路径为参考获得各天车辆具体配送路径方案,2 个阶段均采用模 拟退火法进行优化.借助小、中规模基准数据集,文章对TSA算法进行数值实验,并将实 验结果与ConRTR算法和TTS算法的结果作比较,利用TSA法求解一致性车辆路径问题 得到的配送路径方案和“服务一致性”指标均得到优化.实验结果表明,运用TSA算法规 划车辆配送路径方案,不仅能够降低运营成本,还能提高配送服务质量.     

基于大数据平台下的物流配送车辆路径问题研究

利用大数据平台对多源大量数据进行实时计算处理的优势,考虑具有载重限制、运输路径限制且带时间窗限制的路网中物流配送车辆路径问题,建立以配送时间最短和配送成本最低为目标的数学模型.构建大数据下的多源信息分析处理平台构架图以获取实时交通信息,根据实时路况环境,对配送车辆的路径进行优化.通过利用大数据平台Hadoop中的MapReduce编程模型进行遗传算法并行化设计并求解.结果表明:利用大数据平台进行遗传算法并行化设计能有效求解多目标配送车辆路径问题,创新性地对车辆路径问题进行研究,具有解决实际问题的积极意义.     

公路零担物流企业末端配送路径优化

针对公路零担物流企业末端配送货源的不确定性和广泛性、单位运输成本较高等特点,以及存在的配送网络体系不健全、配送路径规划不当等问题,建立相应的配送路径优化数学模型。将JOPT(配送路径优化和移动资源调度算法包)作为优化具体配送路径的手段,进行仿真流程设计、优化参数设定,并进行仿真求解,获得最优的配送路径。结合具体实例,将JOPT算法优化后的配送路径与原路径进行比较,发现配送里程相对缩短,配送成本相应降低。     

��������������ɢ�¼������VRP�����о�

针对车辆路径问题（VRP）研究的复杂性,提出了一种新的解决方案. 首先对客户货物的配送过程建立离散事件仿真模型,在模型中,配送过程事件、资源等利用面向对象的方法进行描述,VRP问题涉及的各种约束条件在仿真流程中予以处理,所以该模型可以真实模拟复杂的车辆配送过程. 然后利用遗传算法对离散事件的仿真结果进行优化,得到了车辆路径问题的最优解. 这种将离散事件仿真和遗传算法相结合的方法可以有效克服精确算法和智能启发式算法较难解决多约束车辆路径问题的弊端. 实验结果验证了新方法的有效性和可行性,由于仿真结果详细记载了配送的全过程,因此该方法对车辆路径问题的实际应用具有一定的指导意义.     

电子商务条件下城市物流协同配送车辆路径问题研究

电子商务环境下的协同配送具有客户位置分散、订单多、批量小和重复线路多的特点,通过对当前电子商务条件下的城市协同配送车辆路径问题进行研究,构建了多中心协同配送车辆路径问题的优化模型,并运用自适应遗传算法求解.通过具体实例验证,研究方法较好地提高了配送中心之间的协同工作效率、降低了物流配送成本.     

基于Dijkstra算法的物流配送系统最短路径程序设计

两点之间的最短路径算法是物流配送系统涉及的最基本算法. 基于Dijkstra算法的基本原理,提出一种物流配送系统最短路径设计,包括配送路线图的数据输入模块、配送路线图的主体模块,最终得出输出结果,获得任意多个结点之间的最佳路径,从而能有效提高配送效率,降低配送成本.     

疫情期间社区商超物资配送路径优化研究

在抗击新型冠状病毒肺炎的战役中,采取"商超+社区"创新无接触配送模式对疫情影响下的社区进行物资配送,以保障居民生活物资供应。利用SOM神经网络算法与遗传算法求解车辆路径规划中的特例问题——TSP问题,以湖北省黄石港区社区物资配送路径为例,对两种算法的优化结果进行对比,发现遗传算法比SOM神经网络算法拥有更高的求解精度及效率。结果表明:优化后的路径距离为初始路径距离的37.2%,使用遗传算法可更快地搜寻到最佳的物资配送路径,得到较好的物资配送方案。     

城市轨道交通网络单程票卡调配模型

城市轨道交通单程票卡调配是票务组织中的重要组成部分.针对路网票务中心与线路票务中心间票卡调配问题,将其转化为载重能力约束条件下的车辆路径优化问题(Vehicle Routing Problem,VRP),构建以配送成本最小化为目标,以配送车辆路径为决策变量的优化模型,并采用遗传算法求解.以北京市轨道交通网络为对象进行实证分析,结果显示:所构建方法相比单次配送过程,成本平均降低约49.6%;相比既有装卸混合条件下的配送过程,成本降低约18.7%,验证了模型的准确性与有效性.所构建方法能够有效解决轨道交通路网层票卡调配问题,为票务组织提供理论和方法支持.     

模糊随机最短路径问题模型与算法

最短路径问题在现实生活中有着广泛应用,许多专家学者对此问题进行了深入研究.到目前为止,所有这些研究都是针对静态最短路径问题以及不确定最短路径问题中具有模糊或随机参数的问题.然而在现实世界中,有些系统中有很多不确定因素,因此很有必要对具有多重不确定参数的最短路径问题进行研究.本文主要研究具有模糊随机参数的最短路径问题,基于机会测度理论,分别建立了模糊随机期望值模型、机会约束规划模型及相关机会约束规划模型,然后设计遗传算法求解.     

指引路径规划模型的建模与仿真验证

道路上某个位置存在多个指路标志时可能引发信息过载问题,对驾驶员产生干扰. 为解决这一问题,本文基于A* (A-star)算法,提出一种指引路径规划模型.考虑特定节点信息过载问题对指引路径实际成本的影响,在模型的估价函数中增设惩罚系数,可以有效避开引发信息过载现象的指引路径选择 . 基于 VISSIM 展开案例研究,借助其二次开发功能提取 VISSIM路网中的相关数据.利用所建指引路径规划模型求解路网中一对OD间的指引路径. 最后,对比分析有无惩罚系数两种模型得到的指引路径规划和指路标志布设方案,证明本文模型在指引路径规划时可有效避免信息过载问题.     

指引路径规划模型的建模与仿真验证

道路上某个位置存在多个指路标志时可能引发信息过载问题，对驾驶员产生干扰. 为解决这一问题，本文基于A* (A-star)算法，提出一种指引路径规划模型.考虑特定节点信息过载问题对指引路径实际成本的影响，在模型的估价函数中增设惩罚系数，可以有效避开引发信息过载现象的指引路径选择 . 基于 VISSIM 展开案例研究，借助其二次开发功能提取 VISSIM路网中的相关数据.利用所建指引路径规划模型求解路网中一对OD间的指引路径. 最后，对比分析有无惩罚系数两种模型得到的指引路径规划和指路标志布设方案，证明本文模型在指引路径规划时可有效避免信息过载问题.     

优化蚁群算法在最短路径诱导中的应用

最短路径算法在许多应用领域和研究中起着十分重要的作用。现有文献对最短路径问题提出了大量的优化求解方法和算法,大部分研究仅针对固定权值网络,对权值随时间变化等时变情况考虑较少。在通信系统、智能交通系统等实际网络及应用领域中,随着时间的变化,边的权值往往也同时改变。因此,时变网络中最短路径求解问题的研究更具有实用意义。针对一般算法存在的缺陷,现提出三点优化,使算法既能避免陷入局部最优解,又能更快地收敛到全局最优解。     

随机交通网络约束最可靠路径问题

为了模拟仿真交通网络中,约束条件下考虑风险性车辆路径选择行为,建立随机交通网络环境下约束最可靠路径问题数学规划模型,并讨论了其对偶问题.采用梯度下降算法求解对偶问题,获得原问题最优值的上界和下界,通过迭代获得原问题的近似解.针对Sioux Falls network展开数值试验并对数值结果进行了对比分析.计算结果表明：在随机交通网络环境下,无约束和有约束条件下求解的最可靠路径是不同的;不同的资源约束条件下求解的最可靠路径也是不同的,资源约束条件对交通网络中最可靠路径的选择有很大的影响.     

A rapid path planner for autonomous ground vehicle using section collision detection

Rapid path planner plays an important role in autonomous ground vehicle (AGV) operation. Depending on the non-holonomic kinematics constraints of AGV, its path planning problem is discussed. Since rapidly-exploring random tree (RRT) can directly take non-holonomic constraints into consideration, it is selected to solve this problem. By applying extra constraints on the movement, the generation of new configuration in RRT algorithm is simplified and accelerated. With section collision detection method applied, collision detection within the planer becomes more accurate and efficient. Then a new path planner is developed. This method complies with the non-holonomic constraints, avoids obstacles effectively and can be rapidly carried out while the vehicle is running. Simulation shows that this path planner can complete path planning in less than 0.5 s for a 170 m×170 m area with moderate obstacle complexity.      

不确定信息下应急救援路径选择模型

迅速有效的震后交通疏散及道路管制措施对降低地震损失具有重要意义.通过定义路网疏散连通度和安全行驶路线,对不确定信息条件下救援疏散和路径选择问题进行描述.将避难点分配、路径规划、车辆容量,以及不确定通行能力作为该问题约束条件,确立了以公交疏散问题为基础的应急救援车辆路径选择模型.考虑到模型仿真的局限性,转化为相同发车间隔下的公交均衡调度问题进行求解.以唐山抽象路网和人口分布为基础进行仿真实验分析,结果表明:不确定信息条件下选择安全救援路径,当救援车辆途中遇阻时,只需调整交叉口转向策略即可顺利通行,保证了救援调度工作的稳定.     

基于层次分析法的应急救援最优路径选择分析

运用图论中的最短路径相关知识,综合道路交通的各种相关因素,给出道路应急救援系统中最优路径选择的解决方法.首先应用层次分析法分析影响路径的权重系数,然后用Dijkstra算法求出最短路径,并通过MATLAB进行计算仿真,结果表明此方法能够有效地解决应急救援系统中的最优路径问题.     

基于混沌蚁群算法的最短路径选择研究

如何解决最短路径选择问题一直是城市交通流诱导系统的关键之一.基于群体仿生理论的蚁群算法是解决此问题的一种方法,针对采用蚁群算法进行最短路径选择时易出现的陷入局部最优解问题,引入混沌理论,采用混沌蚁群算法利用混沌初始化进行改善个体质量和利用混沌扰动避免在蚁群算法搜索过程中陷入局部极值,同时降低了蚁群算法的时间复杂度,从而更好的解决了最短路径选择问题.     

面向地震应急的救援路径规划模型

地震灾害场景下,面向应急的救援路径规划需要兼顾救援效率和交通抢通对救援的影响,以支撑有限交通资源的高效利用,避免交通拥堵或瘫痪耽误应急救援行动.通过定义面向应急需求的交通网络、交通路线的通行成本和交通线的通过性等,对救援与抢通路径规划问题进行了描述;将最优救援路径和最优交通抢通方案作为该问题的约束条件,基于双层优化方法建立了双层路径规划模型以实现集成优化并构建了模型求解方法.经案例仿真分析,本文提出的救援路径规划模型可以生成准确、高效的应急救援与交通抢通集成方案,可以为具有针对性的交通管制措施的拟定提供科学依据,助力地震应急救援行动的顺利实施.