带软时间窗的开放式满载车辆路径问题研究

为满足某些生产制造企业的满载运输需求,针对运输任务对车辆具有独占性的特点,分析得到总运输费用的大小取决于车辆的空车行驶费用,在此基础上,将带软时间窗的开放式满载车辆路径问题转化为带软时间窗的多车场开放式车辆路径问题,在非对称图上建立了相应的数学模型,并设计了近邻粒子群算法对模型进行求解。设计算例对算法进行了验证,实验结果表明：该算法可以快速求得软时间窗的开放式满载车辆路径问题的满意解。     

多车场车辆路径问题的改进粒子群算法

多车场车辆路径问题是一类实用性很高的NP难解问题。针对标准粒子群算法易早熟、收敛速度慢的缺陷,提出了一种新的改进算法,该算法采用协同进化思想,同时在搜索陷入局部最优的情况下引入了模式搜索方法。针对多车场车辆路径问题构造了一种新的粒子编码方法,建立了相应的数学模型,并介绍了该算法的详细实现过程。仿真结果通过和遗传算法和标准粒子群算法比较,表明该算法具有更好的寻优速度和寻优效率,从而证明了提出的算法用于优化多车场车辆路径问题是可行和有效的。     

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。     

带软时间窗的多车场开放式车辆调度

带软时间窗的多车场开放式车辆调度问题是在开放式车辆路径问题的基础上,考虑了多车场和客户服务时间的约束,是一类典型的NP难解问题。针对该问题,提出了一种改进的蚁群算法求解方案,并建立了相应的数学模型。首先通过设置一个虚拟车场将多车场VRP转化为单车场VRP,然后利用参数控制的改进蚁群算法与2-opt算法结合来对模型求解。算法先利用K-means与细菌觅食算法相结合的聚类技术判断蚁群状态,进而动态调整算法参数,使其快速收敛到全局最优解附近,再依据混沌理论的特点来调整参数,使其跳出局部最优。最后,再利用2-opt算法对最优解进行优化。实验结果验证了该算法求解MDOVRPSTW问题的有效性。     

求解车辆路径问题的一种混合方法

提出一种求解带软时间窗车辆路径问题的混合算法。采用蚁群系统算法产生阶段最优解,以此作为粒子模板,随机生成粒子群,利用粒子群算法在阶段最优解基础上进一步优化。且在蚁群系统算法中,当容量超过限制后,从剩余的客户里选择需求量最大的作为新的起点继续探索路径,直到所有客户都被访问一遍。实验表明,该混合算法是解决带软时间窗车辆路径问题的一个有效算法。     

蚂蚁算法在带时间窗车辆路径问题中的应用及参数分析

带时间窗的车辆路径问题是一个典型的NP-Hard问题,本文将蚂蚁算法应用于带时间窗车辆路径问题,构造了该问题的表达方法,建立了相应的算法模型,对算法参数进行了分析并提出了相应的参数改进方案。仿真实验表明,改进后的算法可以快速、有效地求解带时间窗车辆路径问题,具有较好的可行性和适用性。     

基于并行粒子群算法的带时间窗车辆路径问题

提出求解带时间窗车辆路径问题的多群并行的粒子群算法。为了提高算法的收敛速度,在每个粒子群中嵌入了记忆功能。针对基本粒子群算法在求解有时间窗车辆路径问题时初始解的单一性导致局部收敛的问题,对两个种群采用了两种不同的初始化方法,并在进化过程中,两个种群相互用记忆粒子替换对方种群中的较差粒子。最后将该算法的运行结果与其他算法进行比较,表明该算法的有效性。     

带时间窗车辆调度问题的改进粒子群算法

带时间窗车辆调度问题是一类典型的NP难解问题。为了克服标准粒子群算法存在早熟收敛和易陷入局部解等问题,提出了一种改进的粒子群优化算法。该算法在惯性权重递减的基础上通过群体极值进行[t]分布变异,使算法跳出局部收敛,将该算法应用于带时间窗的车辆调度问题优化。算例证明了改进粒子群算法应用于求解带时间窗的车辆调度问题的可行性和有效性。     

考虑时变速度的多车场绿色车辆路径模型及优化算法

针对多车场绿色车辆路径问题,根据顾客的坐标位置,采用K-means聚类方法将顾客分配给不同的车场;考虑时变速度和实时载重对车辆油耗和碳排放的影响,确定车辆油耗和碳排放的度量函数;在此基础上,以车辆油耗成本、碳排放成本、车辆使用成本、驾驶员工资以及时间窗惩罚成本之和最小化作为优化目标,构建多车场绿色车辆路径模型,并根据模...     

不确定需求下快递配送网络鲁棒优化

“双十一”期间,分拨中心“爆仓”现象表明：确定需求下的车辆路径不适合解决需求激增的配送问题。以需求确定模型为基础,构建基于情景集的鲁棒优化研究模型,并根据变化的快件数量,重新分配客户服务时间;通过计算每条路径的旅行时间,在满足时间窗的基础上,实现对自有车辆的最大利用。改进蚁群算法利用Matlab求解,分析发现：优先考虑运输时效所产生的成本与成本最优值存在较小差距,但总旅行时间优势明显;公司规模与业务量和总成本之间存在相关性,业务量增加并不会引起利润快速增长。     

有时间窗车辆路径问题的混合智能算法

有时间窗的车辆路径问题属于组合优化领域中的NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,提出了一种求解该问题的混合智能算法。该算法通过使用蚁群算法和遗传算法交替优化,并且及时交换信息,弥补了蚁群算法和遗传算法各自的不足,达到了优势互补的效果,增强了算法的寻优能力,避免了停滞现象。实验结果表明,该算法能有效解决有时间窗的车辆路径问题。     

基于遗传算法的集送一体化的车辆路径问题

有时间窗的集送货一体化的车辆路径问题(VRPPDTW)是对经典的车辆路径问题(VRP)的扩展,是一类重要的组合优化问题,但是目前对该问题的研究非常有限。论文采用了新的染色体编码方法,设计了遗传算法对该问题进行求解。在求解过程中,对集送一体化、多种配送车辆类型的问题进行了有效处理,同时考虑了车辆载重量和时间窗等约束。最后的实验结果表明,该算法可以求得这类车辆路径问题的最优解或次优解。     

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。     

求解带容量和时间窗约束车辆路径问题的改进蝙蝠算法

带时间窗和容量约束的车辆路径问题是车辆路径问题重要的扩展之一,属于NP难题,精确算法的求解效率较低,且对于较大规模问题难以在有限时间内给出最优解.为了满足企业和客户快速有效的配送需求,使用智能优化算法可以在有限的时间内给出相对较优解.研究了求解带容量和时间窗约束车辆路径问题的改进离散蝙蝠算法,为增加扰动机制,提高搜索速度和精度,在对客户点按其所在位置进行聚类的基础上,在算法中引入了变步长搜索策略和两元素优化方法进行局部搜索.仿真实验结果表明,所设计算法具有较高寻优能力和较强的实用价值.     

VRPSTW的混合改进蚁群优化算法*

软时间窗车辆路径问题（VRPSTW）是VRP的一种重要扩展类型,定义了其惩罚函数并建立数学模型。设计用于求解该问题的混合改进型蚁群算法并求解标准数据库中的紧时间窗实例。经过大量数据测试,获得了较好的效果,并验证了蚁群算法用于求解软时间窗车辆路径问题的成功实现。     

战时物流配送车辆路径优化问题

采用一种新的信息素更新方式对传统蚁群算法进行改进,有效解决了带硬时间窗的车辆路径优化问题;建立考虑战场环境中敌方火力打击影响的物流配送车辆路径优化模型,采用所提算法得出优化路线;进一步考虑不同作战单元对物资需求的可能变化,将排队策略用于算法求解过程,得出适应需求变化的后续配送路线,并通过仿真实验结果验证了相应配送路线的合理性.     

时变路网下带混合时间窗的车辆路径问题

针对时变路网下带混合时间窗的车辆路径问题,综合考虑多中心联合配送、混合时间窗、车辆行驶速度连续变化及车辆行驶速度、载重量对油耗的影响,以车辆派遣成本、油耗成本及时间窗惩罚成本之和最小为目标建立优化模型,并设计自适应遗传-大邻域搜索算法对其进行求解。该算法采用自适应交叉、变异以加快种群寻优速度,并引入时差插入法改进交叉算子和变异算子,嵌入移除算子和插入算子对可行解进行摧毁和重建以增加种群的多样性。通过多组算例验证算法的有效性,并分析了混合时间窗客户的比例变化及车辆行驶速度变化对车辆调度方案的影响,结果表明自适应遗传-大邻域搜索算法较基本算法有着更好的求解性能。该研究成果可丰富车辆路径问题的相关研究,为物流企业优化决策配送方案提供理论依据。     

应急物流车辆调度多目标鲁棒优化研究

针对应急物流车辆调度问题中对于经济性、时效性、可靠性和鲁棒性的多种要求，考虑了含有时间窗、不确定需求、不确定行驶时间，以及路段含有失效风险的多目标鲁棒车辆路径优化问题，通过定义新的成本函数、满意度函数、风险度函数和鲁棒度函数作为四个优化目标来构建模型，并基于鲁棒优化理论将不确定模型转化为确定性鲁棒对应模型求解，为解决不确定环境下优化问题提供了新的思路。算法方面，主要基于SPEA2算法框架求解该多目标模型，针对算法缺陷提出多种改进策略，并通过对比实验证明了改进策略的有效性。     

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。