物流中心高层货架拣选作业的路径优化

为满足拣选作业调度优化的要求, 针对拣选式高层货架仓库中拣选作业路径优化问题的特点, 利用人工鱼群算法对其数学模型进行求解. 通过对基于时间最短和基于路径最短的两种模型的特点进行分析, 提出可利用路径最短的目标条件对多个的拣选时间最优解来进行再次筛选来达到进一步优化, 并通过算例进行验证. 仿真结果不但验证了人工鱼群算法在优化拣选路径问题上的有效性, 也证明了在拣选时间最优解基础上进行最短路径筛选的可行性.     

基于自适应蚁群算法的车辆路径问题研究

车辆路径问题(VRP)是物流研究领域中一个具有重要理论和现实意义的问题．蚁群算法是一种新型的模拟进化算法,可以很好地解决旅行商问题(TSP)．在分析VRP与TSP区别的基础上,构造了求解VRP的自适应蚁群算法．指出可行解问题是蚁群算法的关键问题,并重点对该问题进行了研究,提出了近似解可行化等解决策略．实验结果表明,自适应蚁群算法性能优良,能够有效地求解VRP问题．     

基于改进蚁群算法拣选作业优化问题的求解

合理优化拣选作业是提高自动化仓库整体运行效率的重要策略。针对自动化仓库固定货架拣选作业的特点,构建了货物拣选路径优化问题的数学模型,采取候选节点集合策略、选择算子及自适应调整算法参数改进措施,设计一种改进的蚁群算法。实验表明,该算法具有较好的全局寻优能力,收敛速度大幅度提高,能够较好地满足中大规模拣选作业要求。     

仓储物流机器人批量拣选路径规划仿真

针对仓储物流机器人在拣选作业过程中难以进行高效实时的路径规划问题,提出一种有效的解决方法。首先,根据拣选作业的需要建立一个灵活的仓储空间模型并对拣选作业任务流程进行描述。其次,根据批量拣选作业任务的特点,建立以路径总长度最小为优化目标的旅行商问题的数学模型。再次,提出改进的自适应遗传算法解决旅行商问题。最后,在考虑路径转折角代价的前提条件下,提出改进的A*算法,并与改进的自适应遗传算法相结合实现批量拣选的路径规划。仿真结果表明,该方法具有较快的收敛速度、较小的平均路径长度以及较少的算法运行时间,能很好地适应机器人批量拣选路径规划的要求。      

基于单亲遗传算法的拣选作业优化研究

针对自动化立体仓库高存储、高速度、高效率的特点,对拣选作业的运行过程进行分析,建立了相应的拣选作业优化模型,并设计一种高效的单亲遗传算法用于求解。通过仿真验证,结果表明该算法具有很好的全局搜索能力,并能很好地兼顾优化时间和优化效果两个方面,满足实际作业运行要求,适合在实际工程中使用。     

单巷道固定货架路径规划问题的研究

固定货架系统是自动化立体仓库的重要组成部分,仓库运行效率主要取决于对货物进行拣选的控制策略。针对单巷道固定货架系统拣选作业过程,以存取时间最小为目标,构建了含多个约束条件的拣选作业路径规划问题的数学模型。在基本蚁群算法基础上,采取自适应调整算法参数、候选节点集合等改进措施,设计了一种改进的蚁群算法对问题进行求解。仿真实验表明该算法能够很好地解决中大规模的拣选作业问题,全局寻优能力强,收敛速度快。     

基于蚁群遗传算法的自动化立体仓库拣选路径优化

合理优化货物的拣选路径是提高自动化立体仓库运行效率的一种有效方法。通过分析自动化立体仓库拣选作业的工作流程与特点,为自动化仓库拣选作业建立优化数学模型,首先利用蚁群算法生成优异的初始种群,然后通过遗传算法对该数学模型进行优化求解。仿真结果表明该模型是可行的,蚁群遗传算法的混合不仅得到更精确的结果而且加速了算法的求解速度,从而能够改善拣选作业的效率。     

基于划分的蚁群算法求解货物权重车辆路径问题

考虑单产品分销网络中的车辆路径问题(VRP:vehicle routing problem).与以往诸多研究不同的是,建立了一种带货物载重量的VRP模型(weighted VRP),即车辆在两个顾客之间行驶时的载重量也作为影响运输费用的一个因素考虑.因此,需求量较大的顾客拥有较高的车辆运输优先权.在分析了问题性质的基础上,提出一种基于划分策略的蚁群算法PMMAS求解货物权重车辆路径问题,并与其他常用的启发式算法进行比较分析,表明了算法的有效性.     

一种基于改进冲突搜索的多机器人路径规划算法

针对智能仓储环境下多载位自主移动机器人集群拣选-配送路径规划问题,提出一种改进型基于冲突搜索的多智能体路径规划算法.在模型方面,采用多载位机器人替代KIVA机器人,建立以最小化拣选-配送时间以及无效路径比为目标的数学规划模型.在算法方面,首先,提出一种基于优先级规则的多智能体冲突消解加速策略;然后,设计基于动态规划的单机器人拣选序列优化算法;最后,设计考虑转向惩罚的增强A*算法搜索机器人最优路径.实验结果表明:所提出模型与KIVA系统相比有较大优越性;所提出算法能够有效缩短拣选-配送时间、减少无效路径时间.     

求解TSP问题的一种启发式算法

TSP问题模型应用广泛,其求解策略的研究具有重要的理论和实践意义.根据TSP问题的特点,借鉴无向完全图上最小生成树的生成过程,设计了一种启发式算法对TSP问题进行求解.该算法的基本思想是以无向完全图上不同最小生成树为基础,采用启发式的方法构造不同闭合回路,最后取最短闭合回路作为最优解.文中采用C语言编程,同时分析了算法的性能和时间复杂度,并进行了大量仿真计算.结果表明设计的算法能够有效求得TSP问题的优化解.     

仓储系统拣货路径规划问题的研究

本文针对仓储系统的拣货路径规划问题展开研究。以拣货路径长度和拣货时间为评价指标,分别采用蚁群算法、遗传算法、禁忌搜索算法、模拟退火算法进行对比研究。把仓库内拣货路径规划问题转化为转换为N=M+1的TSP问题。经MATLAB仿真研究,获得最短路径和适应度进化曲线。经实验测试发现了当拣货数量较多即N值偏大时,蚁群算法得到的路径距离相对于遗传算法、模拟退火算法和禁忌搜索算法更加优化,同时蚁群算法得到最优解的迭代次数更少,拣货时间更短。     

动态网络环境下的实时路径评估模型

针对现有研究工作在处理动态网络环境下车辆路径问题时的缺陷,设计了一个动态网络模型,并在此基础上提出了一个实时路径评估模型。该评估模型利用道路条件和实时获得的交通信息对网络中的各条道路进行动态评估,并根据评估结果对未走的路径进行动态调整,已用于解决动态车辆路径问题。仿真实验对3种不同的路径评估模型进行了比较,结果表明,所设计的实时路径评估模型能有效地求得动态网络下车辆路径问题的优化解,是求解该问题的一个好的方案。     

Fleet-sizing for multi-depot and periodic vehicle routing problems using a modular heuristic algorithm

In this paper, we address the problem of determining the optimal fleet size for three vehicle routing problems, i.e., multi-depot VRP, periodic VRP and multi-depot periodic VRP. In each of these problems, we consider three kinds of constraints that are often found in reality, i.e., vehicle capacity, route duration and budget constraints. To tackle the problems, we propose a new Modular Heuristic Algorithm (MHA) whose exploration and exploitation strategies enable the algorithm to produce promising results. Extensive computational experiments show that MHA performs impressively well, in terms of solution quality and computational time, for the three problem classes.     

混合蚁群算法在车辆路径问题中的应用

蚁群算法在求解车辆路径问题过程中存在搜索时间长、易于陷入局部最优解的问题。为此,设计并实现一种混合蚁群算法。引入变异算子增强算法的全局搜索能力,采用2-opt法优化阶段最优解的子路径。通过对信息素的挥发因子进行动态调整,从而有效控制信息量的变化速度。实例仿真结果表明,该算法具有较好的求解效率和寻优效果。     

需求可拆分车辆路径问题的禁忌搜索算法

为解决实际配送运输中的车辆路径问题（Vehicle Routing Problem,VRP）,通过改进传统的数学模型,解除每个客户需求只能由l辆车配送的约束,建立改进的可拆分车辆路径问题（Split Delivery VRP,SDVRP）数学模型,并利用禁忌搜索算法（Taboo Search Algorithm,TSA）进行求解．在TSA的设计中,根据SDVRP模型的特点对初始解、邻域搜索和解的评价等进行特殊处理．算例表明,该模型不仅可以解决VRP模型中不允许配送点需求量超出装载量的限制,而且通过相应配送点需求量的拆分和重新组合,可节省车辆数目、缩短路线长度、提高车辆装载率．     

遗传算法在车辆路径问题中的应用与实践

本文简要介绍了遗传算法和VRP问题,并提出利用遗传算法来解决VRP径问题,基于遗传算法的基本思想设计了合适的算法程序,通过实验表明了遗传算法能够有效地求解VRP问题.     

深度强化学习求解车辆路径问题的研究综述

车辆路径问题（VRP）是组合优化问题中经典的NP难问题,广泛应用于交通、物流等领域,随着问题规模和动态因素的增多,传统算法很难快速、智能地求解复杂的VRP问题。近年来随着人工智能技术的发展,尤其是深度强化学习（DRL）在AlphaGo中的成功应用,为路径问题求解提供了全新思路。鉴于此,针对近年来利用DRL求解VRP及其变体问题的模型进行文献综述。回顾了DRL求解VRP的相关思路,并梳理基于DRL求解VRP问题的关键步骤,对基于指针网络、图神经网络、Transformer和混合模型的四类求解方法分类总结,同时对目前基于DRL求解VRP及其变体问题的模型性能进行对比分析,总结了基于DRL求解VRP问题时遇到的挑战以及未来的研究方向。     

联盟运输调度问题模型结构与算法研究

联盟运输调度问题是在基本运输调度问题基础上衍生出的最具现实意义的一类组合优化难题,是近年来物流控制优化领域的研究热点。依据运输调度问题分类方法,描述了联盟运输调度问题的结构;通过分析遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法、粒子群算法的特点及其求解运输调度问题的现状,讨论了它们求解联盟运输调度问题的可能性;展望了联盟运输调度问题发展的前景,指出改进原算法、提出新算法、并行算法是解决联盟运输调度问题的重要手段。     

考虑运输中断的可靠三级供应链网络设计

现实供应链网络中每条运输路径都存在中断风险，只有合理地选择供应设施及其运输路径才能在一定程度上保证整个网络的运输可靠性。在设施能力约束下，为了保证总运营成本的最小化和整个网络的运输可靠性的最大化，提出了一个新的三级供应链网络设计的两目标混合整数规划模型。利用改进的非支配排序遗传算法（NSGA-II）求解提出的模型，并根据决策变量之间的关系设计新的染色体解码方法。通过路径可靠度对比实验和算例规模对比实验，不仅分析了模型的灵敏度和算法的有效性，还讨论了设施能力约束对算例结果的影响。构建的LRP模型及算法的研究能有效地帮助决策者设计出低成本、高可靠性的三级供应链网络。     

A combined multistart random constructive heuristic and set partitioning based formulation for the vehicle routing problem with time dependent travel times

Although the Vehicle Routing Problem (VRP) has been broadly addressed in the literature, most of the works consider constant travel times. This is a strong simplification that does not allow to correctly model real world applications. In fact, nowadays, travel times sensibly change, across the day, due to congestion phenomena. Therefore, to actually represent the reality, it is necessary to consider time dependent travel times. In this paper, the VRP with Time Dependent Travel Times, service times at nodes, and limit on the maximum route duration, is addressed. The objective function consists into minimizing the total travel time. A Multistart Random Constructive Heuristic, (MRCH), in which congestion level is considered, is proposed. The routes obtained by the MRCH are then used as columns in a Set Partitioning formulation. Computational results, carried out on instances derived by VRP instances taken from the literature, show the efficiency and effectiveness of the proposed approach.