多车种随机需求车辆路由问题的遗传算法

该文给出了多种类型车辆随机节点需求车辆路由问题(VRP)的遗传算法。将各个节点的需求作为一个随机数,同一条路径上车辆允许路由失败(routingfailure)的次数作为一个可控制的参数,对于节点需求服从给定的已知分布的VRP问题,给出了一些更简单实用的递推公式,并在此基础上通过巧妙地设计交配规则,得到遗传算法,并经实例运算对比,效果很好。     

遗传算法在车辆调度优化问题中的研究

车辆调度优化问题是一个有约束的组合优化问题,属于NP难题（Nondeterministic Polynomial Problem）。随着问题输入规模的扩大,求解时间呈几何级数上升,传统的优化算法本身存在着过早收敛于局部值的问题。针对这一问题在染色体编码、算子的自适应机制和约束的处理等方面对标准遗传算法进行了改进。测试结果表明,该算法提高了优化算法的质量和搜索效率,具有良好的效果。     

基于遗传算法的不同约束条件车辆调度问题研究*

研究了不同约束条件下,车辆调度问题的最短行车距离。分别针对带有里程约束限制、带有时间窗口限制、带有满载和非满载约束限制的约束条件,建立了不同的车辆调度模型。针对车辆调度模型设计了自然数编码的遗传算法,并改进了遗传算法中的交叉算法,尽可能地保留了最优基因的遗传性,加速了算法的收敛性。最后进行算例分析,结果表明了模型和算法的有效性。     

基于遗传算法的战时备件配送车辆调度

战时备件配送的车辆调度是提高装备保障效率的关键因素.本文以装备战斗效能损失最小化为车辆调度的目标,建立了问题的数学模型,并应用遗传算法对问题进行了求解.算法中,设计了两种交叉算子,并应用了局部搜索模块作为变异算子.对算例的计算实验表明,所设计的启发式交叉算子在精度和速度两方面均优于顺序交叉算子.     

求解一般车辆优化调度问题的一种改进遗传算法

文章在对一般车辆优化调度问题(VRP)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改进遗传算法,并通过实例验证了该算法具有优良性能。     

多资源约束的车辆调度问题的改进遗传算法

随着世界经济的发展,物流产业中需要满足的需求越来越多,车辆管理调度是物流系统中一个重要环节。如何在多资源约束的情况下实现车辆的合理的调度是促进现代物流业繁荣和发展的关键问题,因此,通过研究物流配送中的车辆调度需求,针对传统的遗传算法阻碍了车辆调度的发展和改进,减缓物流业快速发展的缺点,提出一种改进的、有效的,对一般车辆调度问题具有一定适用性的遗传算法。通过实例论证表明该算法具有可行性和高效性。     

灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

病毒进化遗传算法的车辆调度优化模型

为了提高车辆调度优化效率,提出一种病毒进化遗传算法的车辆调度优化模型。建立车辆调度的数学模型,采用遗传算法对模型进行求解,并采用病毒群体感染主群体,主群体在历代个体间纵向传递信息以利于全局优化,病毒群体通过感染操作在同代个体间横向传递信息利于局部搜索,进行仿真对比实验。结果表明,病毒进化遗传算法较好地解决了标准遗传算法存在的不足,加快了车辆调度优化问题的求解效率,获得了更优的车辆调度方案,具有较高的应用价值。     

随机需求多车辆路径问题的神经网络算法

目前国内外对随机需求多车辆路径问题的研究还很少,本文针对标准hopfield神经网络容易陷入局部极值点等问题,以总路程最短和总使用车辆数最少为目标,提出了一种基于退火策略的混沌神经网络的求解随机需求多车辆路径问题的算法,该算法既可以使混沌运动有足够长的进程以提高粗搜索性能,又可以随混沌动态的减弱使收敛速度加快。实验结果表明,该算法优化车辆路径更佳,是解决随机需求多车辆路径问题的有效方法。     

基于改进遗传算法的有时间窗车辆调度问题研究*

在分析带有时间窗车辆调度问题的基础上,建立了车辆调度问题的数学模型,并构造了不同时间窗的惩罚函数.设计了针对车辆调度问题基于自然数编码的遗传算法,并改进了传统的交叉运算,避免优秀基因在交叉操作中被破坏,提高了遗传算法的寻优能力.最后,结合算例进行了仿真计算,分析了载重体积约束和时间窗约束对车辆调度的影响,验证了算法的有...     

Particle Swarm Optimization for the Vehicle Routing Problem with Stochastic Demands

This paper introduces a new hybrid algorithmic approach based on Particle Swarm Optimization (PSO) for successfully solving one of the most popular supply chain management problems, the Vehicle Routing Problem with Stochastic Demands (VRPSD). The VRPSD is a well known NP-hard problem in which a vehicle with finite capacity leaves from the depot with full load and has to serve a set of customers whose demands are known only when the vehicle arrives to them. A number of different variants of the PSO are tested and the one that performs better is used for solving benchmark instances from the literature.     

基于交叉熵法解决随机需求车辆路径问题

提出一种解决随机需求车辆路径问题(VRPSD)新方法。首先,采用预防性补救措施,建立了VRPSD模型,其次,为提高标准交叉熵(SCE)法性能,对用于更新Markov转移矩阵的路径,设计了根据分位值改变大小的自适应调整方法。仿真结果验证了该算法解决VRPSD的有效性。     

多车场车辆路径问题的遗传算法

给出了多车场车辆路径问题(MDVRP)的数学模型,提出一种基于客户的编码表示方式,可以表示出各车场出动的车辆及路径,能够有效地实现MDVRP的优化,并用计算实例进行了验证。     

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.     

A Glowworm Swarm Optimization algorithm for the Vehicle Routing Problem with Stochastic Demands

The Glowworm Swarm Optimization (GSO) algorithm is a relatively new swarm intelligence algorithm that simulates the movement of the glowworms in a swarm based on the distance between them and on a luminescent quantity called luciferin. This algorithm has been proven very efficient in the problems that has been applied. However, there is no application of this algorithm, at least to our knowledge, in routing type problems. In this paper, this nature inspired algorithm is used in a hybrid scheme (denoted as Combinatorial Neighborhood Topology Glowworm Swarm Optimization (CNTGSO)) with other metaheuristic algorithms (Variable Neighborhood Search (VNS) algorithm and Path Relinking (PR) algorithm) for successfully solving the Vehicle Routing Problem with Stochastic Demands. The major challenge is to prove that the proposed algorithm could efficiently be applied in a difficult combinatorial optimization problem as most of the applications of the GSO algorithm concern solutions of continuous optimization problems. Thus, two different solution vectors are used, the one in the continuous space (which is updated as in the classic GSO algorithm) and the other in the discrete space and it represents the path representation of the route and is updated using Combinatorial Neighborhood Topology technique. A migration (restart) phase is, also, applied in order to replace not promising solutions and to exchange information between solutions that are in different places in the solution space. Finally, a VNS strategy is used in order to improve each glowworm separately. The algorithm is tested in two problems, the Capacitated Vehicle Routing Problem and the Vehicle Routing Problem with Stochastic Demands in a number of sets of benchmark instances giving competitive and in some instances better results compared to other algorithms from the literature.     

求解车辆路径安排问题的混合遗传算法

讨论了具有容量限制的车辆路径安排问题,设计了一个高效混合遗传算法。针对简单遗传算法易收敛于局部最优解的缺点,算法设计了交叉规则和选择策略。只有当两个个体的评价函数值满足一定条件时,才能进行交叉操作。采用优良个体保留策略执行选择操作,设计了保留函数。算法依据顶点间的位置关系,设计了优化策略,在每代进化中按概率选择一定数量的个体执行优化操作。数据实验表明,该算法是一个有效的求解车辆路径安排问题的混合遗传算法。     

基于多目标遗传算法求解时间窗车辆路径问题

有别于传统的单目标方法,将带时间窗约束的车辆路径问题描述成为一个多目标最优化问题,并为之提出了一种多目标遗传算法。在算法中设计了擂台法则作为构造非支配集的方法,提出了可变爬山率的局部爬山法,并通过将组合种群分成多层非支配集来实现精英保留策略。实验结果表明,该算法能有效地求解车辆路径问题并且为决策者提供了强有力的决策支持。     

基于遗传算法求解带时间窗的车辆路由问题

提出一种改进的遗传算法，用于求解带时间窗的车辆路由问题．在算法中采用了直观的自然数缟码机制、三复本锦标赛的选择方法和改进的启发式交叉算子，实验表明该方法用于求解带时间窗的车辆路由问题的有效性．     

分批配送的有时间窗车辆路径问题的遗传算法

给出了分批配送的有时问窗车辆路径问题（BVRPTM）的数学模型。通过引入改进的路径可行化方法和MRC交叉算于，构造了一种适于求解BVRPTM的遗传算法。实验结果表明，该算法能有效地解决BVRPTM，并取得了较好的优化结果。