多中心联合取送货车辆路径优化与利润分配

共享模式是电商逆向物流的新发展趋势,在共享车辆与客户订单的条件下,考虑带时间窗约束的客户同时取送货情景,建立了MJVRPSDPTW（multi-centers joint vehicle routing problem with simultaneous delivery and pick-up and time window）模型。接着设计一种基于大邻域搜索的混合遗传算法进行求解,针对“多对多网络”设置虚拟中心并利用整体法优化,同时融合大邻域搜索算法中的“破坏”与“修复”算子,增强算法寻优能力。通过多组算例对比实验,证明该算法优于两阶段规划法与经典遗传算法。基于优化后的网络,利用Shapley值法对不同联盟情况下的各物流企业进行利润分配,结果证明大联盟最稳定且共同利润最大。     

考虑同时取送货的车机协同路径优化问题

考虑到传统同时取送货问题模式单一,无法应对复杂多变情况的现实需要,研究了一种考虑同时取送货的路径优化问题(vehicle routing problem with drones for simultaneous pickup and delivery, VRPD-SPD)。首先,以车辆与无人机总成本最小为优化目标,建立了考虑无人机单架次访问顺序约束的混合整数线性规划模型。其次,提出了一种基于遗传思想的两阶段启发式算法(two-stage heuristic algorithm based genetic, TSHAG),第一阶段结合贪婪算法和节约算法生成初始解,第二阶段通过改进的遗传算法优化初始解,设计了多元组编码方式来提高解码效率,改进了交叉算子来增加邻域解的搜索空间,设计了新的变异算子来提高算法全局寻优性能。最后,算例实验结果表明了TSHAG算法能够有效地解决VRPD-SPD问题。     

多目标同时取送货车辆路径问题的改进蚁群算法

为使同时取送货车辆路径问题(vehicle routing problem with simultaneous pickup and delivery, VRPSPD)的运输成本和各路径间最大长度差最小化,建立同时考虑车辆容量和距离约束的VRPSPD双目标模型,通过软件测试验证了模型准确性.针对问题的特点构造一个嵌入禁忌表、且具有贪婪转移准则的多目标蚁群算法,对蚂蚁产生的解执行多目标迭代局部搜索程序,以在多个邻域上优化该解或产生新的Pareto解.采用响应曲面法拟合算法参数对目标值影响的数学关系,确定最优参数组合.用该算法求得文献中12组Solomon算例的Pareto解集,并以绝对偏向最小化总成本的解与文献中仅最小化总成本的几种算法的计算结果进行比较,结果表明算法可求得权衡各目标且使单一目标近似最优的Pareto解.     

超启发式分布估计算法求解带软时间窗的同时取送货车辆路径问题

本文针对带软时间窗的同时取送货车辆路径问题(VRPSPDSTW),以最小化车辆行驶总里程和最大化服务准时率为优化目标,提出一种超启发式分布估计算法(HHEDA)进行求解.全局搜索阶段,首先,提出3种启发式规则生成初始个体,以确保初始种群的质量和分散性;其次,根据问题特点,构造3个概率矩阵分别学习和积累优质解的排序信息、...     

同时取送货的三维装载约束下车辆路径问题

同时取货和送货的三维装载约束下车辆路径问题（3L-VRPSDP）是经典车辆路径问题（VRP）的一个扩展,在3L-VRPSDP中,顾客可能要求同时取货和送货,而且货物装载要考虑其三维大小、先进后出、底面支撑等装载特性。针对这类问题,提出了基于左底优先和最大接触面优先的装载算法,在装载时要考虑其配送特征;在此基础上,设计了对应的禁忌搜索算法对初始结果进行优化,通过实验验证了算法的有效性。     

带时间窗的同时取送货车辆路径问题建模及模因求解算法

为解决逆向物流背景下的带时间窗的同时取送货车辆路径问题（VRPSPDTW）,根据实际情况建立了相应的车辆路径问题模型,并采用模因算法进行求解。在模型的求解过程中使用引导弹射搜索（GES）生成初始种群,在种群进化的过程中采用边界组合交叉（EAX）产生子代,并采用多种邻域结构对子代进行修复、教育,以提高解的质量和算法的搜索效率。通过在Wang和Chen测试数据集上与遗传算法（GA）、并行模拟退火（p-SA）算法、离散布谷鸟（DCS）算法进行比较,实验结果显示：在小规模算例进行求解时,所提算法全部取得了当前最优解;对标准规模算例进行求解时,所提算法使70%的算例更新或获取了当前最优解,获得的最优求解算例结果与当前最优解相比有超过5%的提升,充分验证了所提算法求解VRPSPDTW的良好性能。     

模糊需求下低碳取送货车辆调度问题与算法

针对物流配送过程中的高碳排放问题,从低碳视角出发,构建考虑模糊需求的低碳取送货车辆调度(LCVRPPD)模型,并提出一种基于2-OPT的差分算法对问题进行求解.该算法中,采用自然数编码方式并设置三种不同的适应度函数;随后,引入2-OPT算法取代差分算法原有的变异机制,并结合二项交叉算子和贪婪选择算子,从而提高改进算法的...     

平衡装载约束下的车辆路径问题研究

针对车辆三维装载约束下的车辆路径问题（3L-VRP）进行研究,引进车辆的平衡装载约束,综合考虑传统的先进后出、局部支撑、脆弱性等约束,构建平衡装载约束下的车辆路径问题（BL-VRP）模型。针对模型中的平衡约束,提出一种接触面积的装载算法。在此基础上,构建以回溯遗传算法（B-GA）为骨架的多阶段算法框架,对车辆路径优化进行求解。研究结果表明,多阶段算法不仅在解决3L-VRP上好于目前已有算法,同时对BL-VRP表现优秀。提出的多阶段算法为解决BL-VRP问题提供一条参考思路,但在时效性上需要进一步完善。     

考虑时变交通状况的低碳车辆路径优化

研究了由常发性交通拥堵造成的实时交通状况变化对低碳车辆路径优化的影响。用道路交通状态指数表示城市实时交通状况，以低碳和配送时间最短为目标建立整数规划模型进行路径优化。设计了改进的粒子群算法进行求解，得到帕累托前沿解集。数值算例表明，改进的粒子群算法能有效找到满意解。通过帕累托解集可以证明该方法可以在牺牲少量配送时间的前提下减少碳排放量。随着交通状态指数的增大碳排放量的优化效果更加明显。     

三阶段拉格朗日启发式算法求解带同时取送货的绿色车辆路径问题

针对带同时取送货的绿色车辆路径问题,以最小化带碳排放费用的配送成本为优化目标,建立混合整数规划模型,并提出一种结合数学规划方法与启发式算法的三阶段拉格朗日启发式算法进行求解.第1阶段,利用拉格朗日松弛技术得到该问题的拉格朗日对偶模型;第2阶段,设计一种改进的次梯度算法迭代求解该对偶模型,同时引入修复机制,将每次迭代所得下界对应的解修复为原问题较高质量的可行解,并在下次迭代中利用该可行解更新次梯度方向和步长;第3阶段,设计一种启发式局部搜索算法,对第2阶段得到的可行解进行优化,进一步改进解的质量,以得到原问题的近似最优解.实验表明,所提出算法能够获得问题的一个优质解,同时提供一个紧致下界,用以定量评估解的质量.     

同时送取货车辆路径问题算法研究综述

针对同时送取货车辆路径问题的研究算法进行了评述.将该问题的求解方法分为精确算法、构造型启发式、现代启发式以及并行算法四个大类.从算法的原理、性能、适用环境,以及算法之间差异性等方面对各类算法进行了较为全面的介绍.最后,说明了VRPSDP算法研究在节点具有双重需求车辆路径问题理论研究方面的意义,并提出未来VRPSDP算法研究的两个发展方向,即适合多处理器上运行的并行现代启发式算法,以及有效的混合算法如量子行为粒子群算法.     

集货需求模糊的异型车同时配集货路径优化

针对集货需求模糊的异型车同时配集货车辆路径问题(HFVRPSDDFP),基于先预优化再重优化的思路构建模型.预优化阶段根据可信度理论和车型选取方法为客户点分配车辆,生成配送方案.重优化阶段利用随机模拟算法(SSA)确定客户集货需求,对服务失败的客户点,制定服务策略,将模糊问题转化为确定型的异型车辆路径问题(HFVRP)...     

A hybrid discrete particle swarm optimization for vehicle routing problem with simultaneous pickup and delivery

Vehicle routing problem (VRP) is an important and well-known combinatorial optimization problem encountered in many transport logistics and distribution systems. The VRP has several variants depending on tasks performed and on some restrictions, such as time windows, multiple vehicles, backhauls, simultaneous delivery and pick-up, etc. In this paper, we consider vehicle routing problem with simultaneous pickup and delivery (VRPSPD). The VRPSPD deals with optimally integrating goods distribution and collection when there are no precedence restrictions on the order in which the operations must be performed. Since the VRPSPD is an NP-hard problem, we present a heuristic solution approach based on particle swarm optimization (PSO) in which a local search is performed by variable neighborhood descent algorithm (VND). Moreover, it implements an annealing-like strategy to preserve the swarm diversity. The effectiveness of the proposed PSO is investigated by an experiment conducted on benchmark problem instances available in the literature. The computational results indicate that the proposed algorithm competes with the heuristic approaches in the literature and improves several best known solutions.     

基于剩余装载能力的蚁群算法求解同时送取货车辆路径问题

建立了带车辆最大行程约束的同时送取货车辆路径问题的混合整数规划模型; 采用了基于排序的蚂蚁系统和最大最小蚂蚁系统的信息素更新策略; 设计了基于车辆剩余装载能力的启发信息策略, 可在满足车辆负载的限制下, 提高车辆的负载利用率; 并在改进阶段使用了节点交换的局部搜索策略,以提高算法收敛速度. 仿真结果表明本文算法能够在可接受的计算时间内得到满意解.     

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 particle swarm optimization for the vehicle routing problem with simultaneous pickup and delivery

This paper proposes a formulation of the vehicle routing problem with simultaneous pickup and delivery (VRPSPD) and a particle swarm optimization (PSO) algorithm for solving it. The formulation is a generalization of three existing VRPSPD formulations. The main PSO algorithm is developed based on GLNPSO, a PSO algorithm with multiple social structures. A random key-based solution representation and decoding method is proposed for implementing PSO for VRPSPD. The solution representation for VRPSPD with n customers and m   vehicles is a (n+2m)$(n+2m)$-dimensional particle. The decoding method starts by transforming the particle to a priority list of customers to enter the route and a priority matrix of vehicles to serve each customer. The vehicle routes are constructed based on the customer priority list and vehicle priority matrix. The proposed algorithm is tested using three benchmark data sets available from the literature. The computational result shows that the proposed method is competitive with other published results for solving VRPSPD. Some new best known solutions of the benchmark problem are also found by the proposed method.