车辆运输路径规划问题研究

为了更好地解决武警车辆运输路径规划问题,提高部队行动的迅速性,在考虑武警车辆运输实际需求的基础上,文中建立了开放式车辆路径模型,增加了诸多约束条件.例如车辆容量限制、时间窗限制等等.同时,论述了节约算法的基本原理,并采用设计改进的节约算法对开放式车辆路径问题进行了求解.通过实际案例的验证,采用改进的节约算法能够得到较满意的解,既能够满足时间限制,又能够节约运输里程和费用.结果表明,此种算法简明、易于理解,且可操作性强.     

基于区域—负载均衡策略的两级车辆路径优化研究

为提升由城市仓库—前置仓库—消费者组成的多阶段物流运输效益,提出基于区域—负载均衡的优化方法。首先,基于K-means聚类设计区域划分策略;其次,构建基于距离准则的聚类中心—前置仓库最佳匹配机制,从成本最小化视角给出负载均衡策略;然后,构建两级车辆路径优化模型,基于禁忌搜索算法设计多层求解策略;最后,通过数值实验与灵敏度分析验证所构模型及方法的有效性,通过对照实验分析仅考虑区域划分、同时考虑区域—负载均衡、不考虑区域—负载均衡三种情景下优化结果。研究成果揭示了区域—负载均衡与路径结果的内在关系,可为实现多阶段物流运输效率与成本的双重优化提供理论及方法支撑。     

求解车辆路径问题的改进遗传算法

车辆路径问题是一个典型的组合优化类问题,遗传算法是求解此类问题的方法之一。针对遗传算法容易出现“早熟”现象的问题,借鉴免疫算法通过抗体浓度抑制以保持种群多样性的优势以及模拟退火算法的个体选择策略,提出了一种改进的遗传算法,并将其用于解决车辆路径问题。实验验证了算法的有效性以及求解的效率和解的质量。     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

混合算法在车辆路径优化问题中的应用

研究车辆路径优化问题,物流配送不仅要求配送及时,而且要求运输成本低,且路径最优。车辆路径优化是解决物流配送效率的关键,传统优化方法寻优效率低,耗时长,难以得到车辆路径最优解,导致物流配送成本过高。为了提高车辆路径寻优效率,降低物流配送成本,提出一种混合算法的车辆路径优化方法。首先建立车辆路径优化数学模型,然后用遗传算法快速找到问题可行解,再将可行解转换成蚁群算法的初始信息素,最后采用蚁群算法从可行解中找到最优车辆路径。仿真结果表明,混合方法提高车辆路径寻优效率,有效地降低物流配送成本。     

突发事件下车辆路径问题的动态规划算法

突发事件下的车辆运输具有紧迫性、动态性和随机不确定性等特点.本文研究了突发事件下动态车辆路径问题的数学模型,构建了一种基于混沌优化的动态规划算法,为此通过路径计算和动态规划两个模块来实现车辆路径的动态规划.为实现从混沌运动空间向问题可行解空间的有效映射,提出了相应的编码方法和操作算子.最后进行仿真,通过对静态环境、道路受损和道路拥塞三种情况的分析,验证了实时修订路经的有效性和实用性,为突发事件提供参考.     

基于带时间窗口车辆路径问题的蚁群算法

带时间窗口的车辆路径问题（VRPTW）是一个NP-Complete优化问题。VRPTW的主要目标在于利用最少的车辆数以及最短的行程来服务客户,客户有固定的需求和被服务的时间限制。基于该问题提出了一种并行多蚁群算（PMACS-VRFTW）：首先利用QUICK-ACS生成初始解,然后利用ACS-VEI和ACS-TIME分别优化车辆数和行程距离。试验表明,所提出的算法基于Solomon的VRPTW基准实例获得了很好的结果。     

多策略优化的蚁群算法求解带时间窗车辆路径问题

提出一种新的蚁群算法求解带时间窗的车辆路径问题.在状态转移规则中,引入了时间启发函数,修改Ant Cycle模型信息素增量公式,引入等待或延误时间对信息素增量的影响.为避免算法陷入早熟,通过混沌扰动适当减小随机选取的最优路径上的信息素,按照客户坐标和时间窗改变已有解的组合方式对最优解进行调整.通过对相关文献实验数据的测试并与其他启发式算法所得结果进行比较,获得了较好的效果.     

动态车辆路径问题的分区灵活分批TSP 策略

动态车辆路径问题是当前车辆路径问题的新兴热门问题,但其实时优化策略研究仍然有较大的改进空间。鉴于此,在一般分区分批旅行商问题(TSP)策略的基础上,提出了分区灵活分批TSP策略,并对策略有效性进行了分析。最后进行了实例仿真验证,结果表明,所提出策略能够减少车辆服务顾客的平均行驶距离,从而减少顾客的平均系统时间。     

蜂群优化算法在车辆路径问题中的应用

车辆路径问题（VRP）是组合优化中典型的NP难题。根据车辆路径问题的实际情况,考察车辆数和总行程两个目标函数,给出了该问题的一种新的算法,蜂群算法。通过计算若干benchmark问题,并将结果与其他算法相比较与分析,验证了算法的有效性。蜂群算法是刚刚起步的智能优化算法,目前国内外关于蜂群算法的文献较少,故不仅是拓宽蜂群算法的应用范围的有效的尝试,同时也给车辆路径问题提供了一种新的解决方法。     

带时间窗的粮食物流车辆路径问题的研究

带时间窗的粮食物流车辆路径问题是一个典型的NP—难问题。针对粮食物流批量大、多点对多点等特点,建立了带时间窗的粮食物流车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTM）的数学模型,进一步构造粒子群算法（Particle Swarm Optimization,PSO）用于问题求解,并将求解结果与遗传算法进行比较。结果表明,粒子群算法可以快速、有效地求得带时间窗的粮食物流车辆路径问题的优化解,降低配送成本。     

基于车辆路径问题的带近邻因子的粒子群算法

提出了一种改进的粒子群算法。该算法通过引入近邻因子,增强了当前粒子的学习功能,克服了基本粒子群算法易陷于局部最优的缺陷,提高了算法进化的收敛精度。将该算法用于解决车辆路径问题,实验结果表明具有较好的性能和很好的应用价值。     

避免车辆路径拥塞的动态蚁群算法

运用蚁群算法,对非闭合线路避免拥塞现象的车辆路径问题进行研究,提出了深度为1的树结构指针推进策略和相应的路径优化算法,为交通管理和车辆导航提供决策依据。仿真结果表明该算法具有较强的道路拥塞识别能力,能够有效缓解道路拥塞现象。     

需求可拆分的开放式车辆路径问题研究

传统的开放式车辆路径问题假设客户的需求不可拆分、车辆类型相同,但在实际的物流配送中,车辆类型不完全相同,对需求的拆分能充分利用车辆的装载能力,降低运输成本。为此,提出需求可拆分的不同种车辆的开放式车辆路径问题,给出整数规划的数学模型,利用禁忌搜索算法对该问题求解,改进算法中初始解和邻域结构的产生过程。通过实验验证模型的有效性,并将结果与传统的开放式车辆路径问题进行比较,表明该算法可有效减少运输成本。     

配送中多车场多任务多车型车辆调度研究

多车场多车型多任务的车辆调度优化是城市配送中的典型问题。针对该问题从空驶成本、运输成本和时间成本三个维度构建了一个VRP的数学模型,并采用自适应多态蚁群算法对模型加以求解。通过实例仿真,将仿真优化结果与未优化的随机结果进行了比较。结果发现优化后的成本比未优化的成本低,并且证明了对多车场多车型多任务的VRP模型进行优化非常必要。     

考虑紧急度的救灾车辆路径问题建模与优化

为了减少救灾物资配送的延误时间和救灾车辆的总运输时间，引入紧急度的概念，建立了基于紧急度的救灾物资车辆路径问题模型，并设计了一种改进遗传算法对该模型进行求解。首先，采用多种策略生成初始种群；然后，提出一种基于紧急度的任务再分配算法作为局部搜索算子，该算法依据紧急度为延误安置点重新安排配送车辆或调整配送顺序从而减少延误时间，对无延误的车辆优化其路线从而减少总运输时间，以达到延误时间和总运输时间两者最优。在17个数据集上与先来先服务（FCFS）算法、按紧急度排序（URGS）算法和遗传算法（GA）三种算法进行了对比。实验结果表明，具有基于紧急度的任务再分配策略的遗传算法（TRUD-GA）与GA相比，平均延误时间减少25.0%，平均运输时间减少1.9%，与FCFS、URGS算法相比改进则更加明显。     

应急物流车辆调配问题的研究

对于应急物流配送车辆调度优化问题的研究可以在满足应急物流时间要求的前提下,更合理地安排车辆的调度运行,可以最大程度地节省物流成本。通过分析应急物流车辆调度问题的特点,结合实际情况,确立了一般性非满载应急物流车辆调度优化的数学模型,并采用人工免疫算法对该问题进行求解。仿真结果表明,该算法是可行和有效的。     

求解带时间窗车辆路径优化问题的改进细菌觅食算法

为求解带时间窗的车辆路径问题（VRPTW）,提出一种改进的细菌觅食算法。将待配送的客户点依据地理位置进行K-means聚类,使得到的分类结果在满足时间窗的要求下,按顺序插入配送路径的最佳位置中,构造VRPTW问题的初始解,同时通过结合趋化操作与大邻域搜索中的removal算子进行距离寻优,扩大算法搜索范围并提高运行效率。实验结果表明,在规定时间窗内,改进算法能合理安排配送路径并最小化总配送成本。     

The impact of particular components of the PSO-based algorithm solving the Dynamic Vehicle Routing Problem

This paper presents and analyzes a Two-Phase Multi-Swarm Particle Swarm Optimizer (2MPSO) solving the Dynamic Vehicle Routing Problem (DVRP). The research presented in this paper focuses on finding a configuration of several optimization improvement techniques, dedicated to solving dynamic optimization problems, within the 2MPSO framework. Techniques, whose impact on results achieved for DVRP is analyzed, include: solving the current state of a problem with a capacitated clustering and routing heuristic algorithms, solving requests-to-vehicles assignment by the PSO algorithm, route optimization by a separate instance of the PSO algorithm, and knowledge transfer between subsequent states of the problem. The results obtained by the best chosen configuration of the 2MPSO are compared with the state-of-the-art literature results on a popular set of benchmark instances.Our study shows that strong results achieved by 2MPSO should be attributed to three factors: generating initial solutions with a clustering heuristic, optimizing the requests-to-vehicle assignment with a metaheuristic approach, direct passing of solutions obtained in the previous stage (times step) of the problem solving procedure to the next stage. Additionally, 2MPSO outperforms the average results obtained by other algorithms presented in the literature, both in the time limited experiments, as well as those restricted by the number of fitness function evaluations.