不确定车辆数的有时间窗车辆选径问题的混合算法

针对标准遗传算法在求解车辆选径问题中出现的早熟、收敛、易陷入局部极值点的问题，提出了一种由遗传算法结合模拟退火算法的混合算法求解车辆选径问题，并与遗传算法进行了比较。该算法利用了模拟退火算法具有的较强的局部搜索能力的特性，有效地克服了传统遗传算法的“早熟收敛”问题。实验结果表明，该算法具有计算效率高、收敛速度快和求解质量优的特点，是解决车辆选径问题的有效方法。     

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。     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型，针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造了有时间窗车辆路径问题的混合遗传算法，并进行了实验计算。结果表明，用混合遗传算法求解该优化问题，可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足，从而得到了质量较高的解。     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

基于模拟退火遗传算法的多项目调度问题研究

针对多资源约束条件下的多项目调度问题,提出了一种模拟退火遗传算法的求解方法.该方法首先分别对普通的遗传算法和模拟退火算法进行改进,然后在遗传算法中插入模拟退火操作,通过模拟退火操作来克服遗传算法容易陷入局部最优解的缺陷,同时该方法也继承了遗传算法收敛速度快的特点.最后的实例计算结果表明该算法能克服模拟退火算法和遗传算法的缺点,获得比其它算法更优的解,与其它启发式算法及智能算法相比具有更高的求解效率.     

解决车辆路径问题的混合模拟退火算法

构造了车辆路径问题的双目标数学模型,据此提出了混合模拟退火算法.该算法主要将模拟退火算法和2-opt优化算法有机地融合,从而使混合后的算法不但具有这两种算法的优点,而且还克服了他们相应的缺点.针对车辆路径问题,重点阐述了混合模拟退火算法的设计思路.实验结果表明,混合模拟退火算法不仅可以取得很好的计算结果,而且还具有收敛速度快等优点.     

基于模拟退火遗传算法的车辆路径问题研究

本文将模拟退火和遗传算法相结合的进化算法用于解决车辆路径问题,避免了遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并且提高了算法的收敛速度。     

基于自适应免疫遗传算法的VRP问题的研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,当问题规模较大,很难得到问题的最优解和满意解。应用遗传算法是被认为求解NP难题的有效手段之一,文中在求解物流配送车辆路径优化问题时,在传统遗传算法的基础上,加入自适应算子,并引入了免疫算法的思想,实验结果表明该算法具有更好的全局和局部搜索能力和收敛速度,可有效地解决物流配送车辆路径优化问题。     

基于自适应免疫遗传算法的VRP问题的研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,当问题规模较大,很难得到问题的最优解和满意解。应用遗传算法是被认为求解NP难题的有效手段之一,文中在求解物流配送车辆路径优化问题时,在传统遗传算法的基础上,加入自适应算子,并引入了免疫算法的思想,实验结果表明该算法具有更好的全局和局部搜索能力和收敛速度,可有效地解决物流配送车辆路径优化问题。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

基于Memetic算法的带时间窗车辆路径问题研究*

提出一种模拟文化进化的Memetic算法求解带时间窗的车辆路径问题。设计了一种实数编码方案,将离散的问题转为连续优化问题。采用邻域搜索帮助具备一定学习能力的个体提高寻优速度;采用禁忌搜索帮助部分个体跳出局部最优点,增强全局寻优性能。实验结果表明,该算法可以更有效地求出优化解,是带时间窗车辆路径问题的一种有效求解算法。     

基于改进蚁群算法的车辆路径仿真研究

针对基本蚁群算法收敛速度慢、易陷于局部最优等缺陷,提出了一种改进蚁群算法.通过车辆的满载率调整搜索路径上的启发信息强度变化,对有效路径采取信息素的局部更新和全局更新策略,并对子可行解进行3-opt优化,在实现局部最优的基础上保证可行解的全局最优.通过对22城市车辆路径实例的仿真,仿真结果表明,改进型算法性能更优,同基本蚁群相比该算法的收敛速度提高近50%,效果显著,该算法能在更短时间内求得大规模车辆路径问题满意最优解,说明其具有较好的收敛速度和稳定性.     

An enhanced ant colony optimization (EACO) applied to capacitated vehicle routing problem

In this paper, an enhanced ant colony optimization (EACO) is proposed for capacitated vehicle routing problem. The capacitated vehicle routing problem is to service customers with known demands by a homogeneous fleet of fixed capacity vehicles starting from a depot. It plays a major role in the field of logistics and belongs to NP-hard problems. Therefore, it is difficult to solve the capacitated vehicle routing problem directly when solutions increase exponentially with the number of serviced customers. The framework of this paper is to develop an enhanced ant colony optimization for the capacitated vehicle routing problem. It takes the advantages of simulated annealing and ant colony optimization for solving the capacitated vehicle routing problem. In the proposed algorithm, simulated annealing provides a good initial solution for ant colony optimization. Furthermore, an information gain based ant colony optimization is used to ameliorate the search performance. Computational results show that the proposed algorithm is superior to original ant colony optimization and simulated annealing separately reported on fourteen small-scale instances and twenty large-scale instances.     

混合遗传算法求解配送车辆调度问题

车辆调度优化是物流配送的关键环节。针对有时间窗的车辆调度问题,综合考虑了路网中的交通状况,提出改进的车辆调度模型。并针对这个模型,设计了混合遗传算法,采用自适应策略调整交叉和变异概率,引进有效的交叉和变异算子,并结合模拟退火算法缓解遗传算法的选择压力,避免早熟收敛。仿真结果表明该算法与标准遗传算法相比有更好的性能。     

离散灰狼优化算法求解VRPSPDTW问题

本文针对带时间窗约束的同时送取货车辆路径问题,建立了以总配送距离最小化为目标的数学模型.根据模型的特征,在保留灰狼算法(GWO)搜索机制的基础上,提出了离散灰狼优化算法(DGWO)进行求解.采用多种策略构建种群的初始解,并允许出现不可行解,扩大种群的搜索区域;引入带评分策略的邻域搜索策略,调整每种算子的概率,使算法选择优化效果更好的算子;使用移除-插入机制,对优质解区域进行探索,加速种群的收敛.在仿真实验中对标准数据集进行了测试,将实验结果和p-SA算法、DCS算法、VNS-BSTS算法和SA-ALNS算法进行了对比,实验表明DGWO算法能有效地解决带时间窗约束的同时送取货车辆路径问题.     

求解环境车辆路径问题的多种群伊藤算法

针对传统伊藤算法收敛速度慢、易陷入局部最优解的缺陷,重新设计了环境温度调节函数,并改进了粒子漂移和波动时的路径权重更新规则,使粒子更符合布朗运动的特性。把多种群概念引入到算法中,利用种群信息加快算法的收敛速度和寻优能力。利用2-opt局部优化和反转优化 进一步改进前5个最优解。最后,考虑车辆载重量对燃料消耗率的影响,对最少碳排放的环境车辆路径问题模型进行改进,利用改进后的算法进行仿真求解。实验结果表明,改进后的算法提高了搜寻最优解的能力并加快了收敛速度,有效防止了停滞现象。     

需求可拆分车辆路径问题的聚类求解算法

针对传统的车辆路径问题通常假设客户的需求不能拆分,即客户的需求由一辆车满足,而实际上通过需求的拆分可使需要的车辆数更少,从而降低配送成本的问题,分析了需求可拆分的车辆路径问题的解的特征,证明了客户需求不宜拆分应满足的条件,设计了符合解的特征的聚类算法,并对其求解.通过实验仿真,将所提出的聚类算法与蚁群算法和禁忌搜索算法进行比较,所得结果表明了所提出的算法可以更有效地求得需求可拆分车辆路径问题的优化解,是解决需求可拆分车辆路径问题的有效方法.     

A hybrid simulated annealing algorithm for location and routing scheduling problems with cross-docking in the supply chain

The location and routing scheduling problems with cross-docking can be regarded as new research directions for distribution networks in the supply chain. The aims of these problems are to concurrently design a cross-docking center location and a vehicle routing scheduling model, known as NP-hard problems. This paper presents a two-stage mixed-integer programming (MIP) model for the location of cross-docking centers and vehicle routing scheduling problems with cross-docking due to potential applications in the distribution networks. Then, a new algorithm based on a two-stage hybrid simulated annealing (HSA) with a tabu list taken from tabu search (TS) is proposed to solve the presented model. This proposed HSA not only prevents revisiting the solution but also maintains the stochastic nature. Finally, small and large-scale test problems are randomly generated and solved by the HSA algorithm. The computational results for different problems show that the proposed HSA performs well and converges fast to reasonable solutions.