粮食物流车辆路径问题的混合粒子群算法

研究粮食物流运输车辆路径问题.针对粮食物流过程批量大、点多、面广等特点,引入模拟退火思想,将粒子群优化算法与模拟退火算法结合,提出一种求解粮食物流车辆路径问题的混合粒子群算法.仿真结果表明,该算法可以快速地求得带时间窗的粮食物流车辆路径问题的优化解,进而降低粮食物流配送成本.     

求解装卸混合车辆路径问题的模拟退火遗传算法

提出一种改进的模拟退火遗传算法来求解装卸混合车辆路径问题;通过使用模拟退火变异策略来增强遗传算法的局部搜索能力,从而改善遗传算法的早熟问题,使算法有能力避免陷入局部极值而快速收敛于全局最优解;仿真实验结果表明了所提算法求解装卸混合车辆路径问题的有效性与适用性。     

求解冷链物流时间依赖型车辆路径问题的混合自适应大邻域搜索算法

针对单一机制的自适应大邻域搜索算法存在早熟收敛、易陷入局部最优的问题,提出了一种混合自适应大邻域搜索算法来求解冷链物流时间依赖型车辆路径问题（TDVRP）。首先,根据连续型行驶时间依赖函数来刻画时变车速,采用综合油耗模型来评估实时燃油消耗量,并建立了以总成本最小化为目标的路径优化模型;然后,根据问题的NP-hard性质和时间依赖特性设计了多种破坏和修复解的大邻域搜索算子,并将破坏-修复大邻域搜索算子融入到人工蜂群（ABC）算法之中,以提高算法的全局搜索能力。仿真实验结果表明,与自适应可变邻域搜索精英蚁群（AVNS_EAC）算法、自适应大邻域搜索精英蚁群（ALNS_EAC）算法、自适应大邻域搜索精英遗传（ALNS_EG）算法和自适应大邻域搜索模拟退火（ALNS_SA）算法相比,所提出的自适应大邻域搜索人工蜂群（ALNS_ABC）算法在多组测试数据上的最优适应度值分别平均提高了46.3%、5.3%、36.8%和6%。可见所提算法计算性能更高、稳定性更强,能够为冷链物流企业兼顾经济效益和环境效益提供更为合理的决策依据。     

考虑交通拥堵的冷链物流城市配送的GVRP研究

针对目前研究冷链物流车辆路径问题多未考虑交通拥堵对运营成本的影响,将道路拥堵因素融入到冷链物流绿色车辆路径（Green Vehicle Routing Problem）优化数学模型中。兼顾经济成本和环境成本,在时变网络下综合考虑冷链物流中车辆管理成本、运输能耗成本、货损成本、制冷成本以及客户需求时间窗的惩罚成本,同时引入运输和制冷过程中产生的碳排放成本,统筹安排车辆路径,使得物流企业整体运营成本最低,更绿色环保。在此基础上根据模型特点设计改进蚁群算法进行求解,用实例对模型和算法进行仿真,验证该模型和方法可以有效地规避拥堵时段,降低配送成本,促进物流企业的节能减排,可以为物流企业冷链配送路径决策提供良好的参考依据。     

面向冷链物流配送路径优化的知识型蚁群算法

生鲜电商、冷链宅配的盛行使冷链物流订单呈现出"小批量、多批次、易腐坏"的特点,进一步增大了城市冷链物流配送路径优化的必要性与难度.鉴于此,同时考虑顾客满意度和道路拥堵状况,构建最小化总成本的冷链车辆路径优化数学模型.为求解该问题,将知识型精英策略下的禁忌搜索算子和动态概率选择的知识模型融入蚁群算法,设计一种新的知识型蚁群算法.通过对模拟实例和真实实例进行仿真实验,对传统蚁群算法、基于禁忌搜索改进的蚁群算法与所提出的知识型蚁群算法进行对比分析,验证了所构模型和知识型蚁群算法的有效性.     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.     

基于改进QPSO算法的物流运输路径问题研究

传统的物流运输路径问题研究在模型建立上比较单一,难以满足物流运输的实际需要;路径搜索算法的全局搜索能力弱,并容易陷入局部极值点.为了有效的进行车辆调配,降低物流成本,提高企业的竞争能力,提出以物流运输成本最小化与顾客满意程度最大化为目标,借助权重系数变换法将多目标优化模型转换成单目标优化模型,并构造改进的QPSO算法进行求解.仿真结果表明,改进的QPSO算法在求解多配置中心多车辆的物流运输路径问题中呈现出了较好的稳定性与收敛速度,为运输路径优化提供了参考.     

物资缺乏情况下的应急物流运输与物资二次分配策略

针对应急物流中的运输时效性和物资分配公平性问题,提出了一种两阶段应急物流运输与物资二次分配策略.首先,基于所定义的时间满意度、物资满意度和综合满意度,提出了最大时间满意度车辆路径问题模型和最小加权满意度标准差应急物资分配模型.第一阶段针对最大时间满意度车辆路径问题模型设计了一种混合灰狼优化算法进行求解,该算法采用了最优分割过程分组解码策略,并采用了混沌搜索策略、2-Opt和1-1局部搜索策略来提高算法的搜索能力;第二阶段针对最小加权满意度标准差应急物资分配模型设计了混沌灰狼优化算法求解.实验结果表明:在第一阶段,总体时间满意度比CVRP模型提高了39.31％;在第二阶段,当实际物资量为80％和权重系数为0.75时,计算得到的综合满意度标准差为0.0619,物资满意度标准差为0.0974,较好地平衡了灾民的心理诉求和物资利用效能.两阶段应急物流运输与物资二次分配策略得到了较高的时间满意度和较好的物资分配结果,证明了所提模型和算法的有效性.     

公共自行车交通系统调度算法

针对公共自行车交通系统的静态车辆调度问题,以运输成本最少为目标建立公共自行车交通系统调度模型,提出了一种将模拟退火算法融合到遗传算法中的混合启发式算法来求解该模型,增强算法的全局搜索能力和效率.通过实例结果表明,优化后运输车辆行驶路程比优化前减少了50％,说明遗传模拟退火算法具有良好的鲁棒性和收敛性,适合解决车辆的优化...     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

多目标多时间窗车辆路径问题的鸽群-水滴算法

针对智能水滴算法求解带时间窗车辆路径规划收敛速度慢、计算精度差的问题,根据带时间窗车辆路径问题的应用要求,利用整数线性规划方法,以配送车辆的最小运输总成本、最短运输距离和最少安排数量为目标,综合考虑了车辆出发点、服务点、装载量、行驶距离、服务时间窗等诸多约束条件,构建了多目标多时间窗车辆路径模型;为了精准快速求解多目标多时间窗车辆路径模型,提出一种鸽群-智能水滴互补改进优化算法,将河道水滴离散二进制变换后,采用地图罗盘算子和地标算子分别改进水滴的流动速度和方向,并利用自适应变邻域扰动策略干扰水滴携带的泥土量,提高水滴算法的开发和探索能力;利用理想点法和罚函数与多目标优化混合方法分别处理多目标函数与约束条件,并以两种经典的带时间窗车辆路径问题为实例,通过与遗传算法、智能水滴算法和鸽群-水滴算法的计算结果进行比较,结果表明：在相同的算法参数和经济指标下,鸽群-水滴算法相比于智能水滴算法求解模型中的运输路径缩短20 km左右、运输成本节约403元左右,且该算法的求解时间和迭代次数也明显优于其他两种人工智能算法。     

一种车辆路径规划的改进混合算法

针对物流活动中需要找出各个配货节点之间的最短路径,用以指导物流车辆调度的问题,提出一种将遗传算法与BP神经网络相结合的新方法,规划车辆的路径,达到节约运送成本的目标。对遗传算法进行了改进,克服了遗传算法局部搜索能力差、易早熟和总体可行解质量不高的缺点。该混合算法有效弥补了遗传算法的不足,同时在遗传优化操作中引入最优保存策略,并在选择操作中采用锦标赛选择法,使算法的效率和功能得到了很大提高。通过对基于遗传算法的改进混合算法求解车辆路径优化问题的性能进行仿真,并与自适应遗传算法和免疫遗传算法进行对比分析,验证了改进混合算法的优点和有效性。     

考虑拥堵区域的多车型绿色车辆路径问题优化

针对降低物流配送过程中产生的碳排放问题,从绿色环保角度出发,提出一种考虑交通拥堵区域的多车型物流配送车辆的绿色车辆路径问题（GVRP）。首先分析不同类型车辆、不同拥堵状况对车辆行驶路线规划的影响,然后引入基于车辆行驶速度和载重的碳排放速率度量函数;其次以车辆管理使用费用和油耗碳排放成本最小作为优化目标,构建双目标绿色车辆路径模型;最后根据模型的特点设计一种融合模拟退火算法的混合差分进化算法对问题进行求解。通过实验仿真验证模型和算法可以有效规避拥堵区域,与只使用单一4 t车型配送相比,所提模型总成本降低了1.5%,油耗碳排放成本降低了4.3%;和以行驶距离最短为目标的模型相比,所提模型的总配送成本降低了8.1%。说明该模型提高物流企业的经济效益也促进了节能减排。同时所提算法与基本差分算法相比,总配送成本可以降低3%~6%;与遗传算法相比,优化效果更明显,总配送成本可以降低4%~11%,证明该算法更具有优越性。综上所提模型和算法可以为物流企业城市配送路径决策提供良好的参考依据。     

采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送

建立低碳疫苗冷链配送问题的约束多目标优化模型,在满足可用车数量、车辆容量约束和时间窗约束的条件下,考虑最小化碳排放的企业运输成本和客户不满意度。提出一种双档案协同进化的离散多目标烟花算法,采用消除车辆数量和容量约束的解码方式,设计了部分映射爆炸算子,设置可行解档案和不可行解档案协同进化,并对不可行解档案实施可行性搜索。实验结果表明,与已有算法相比,所提算法在低碳疫苗冷链配送问题上能高效地搜索到一组收敛精度和分布性能更优的Pareto非支配解。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

垃圾分类收运路径问题的新型混合蚁群算法求解

针对垃圾分类收运路径问题,考虑车辆装载容量约束、硬时间窗约束、装载率对成本的影响等条件下,以最小化运输成本和车辆固定成本为目标建立了数学模型。将考虑时间吻合度因子和车容量利用率因子的改进蚁群算法与混沌电磁场优化算法进行动态融合,并结合2-opt和两点交换的局部搜索方法,提出一种以改进蚁群算法为外部框架,混沌电磁场优化算法为内部模块的新型混合蚁群算法对城市生活垃圾分类收运问题进行求解。根据算法间优势互补的思想,利用两种算法的优点来弥补单个算法的缺陷,使其成功应用于该问题。最后,用车辆路径问题标准测试集和上海市杨浦区的数据作为实例进行测试与对比,验证了模型的正确性以及算法的有效性与优化能力。     

基于Softmax回归的电力仪表分类

智能电网中变电站的智能化。要求变电站能够智能检测并记录反映其运行情况的开关状态、电表数据。现有的方法多是通过获得电表的图片,针对图片分析其状态、数据。然而在分析具体电表数据之前,需要对图片进行分类,判断当前图片对应哪一种电表。基于Softmax回归的电力仪表分类正是为了解决这个问题而提出的分类方法。分为图片预处理、降维、Softmax回归模型的训练三个步骤。在真实变电站电力仪表图片组成的实验数据测试下,能够保持非常高的识别率,从而有效地解决这一问题。