不确定环境下多式联运路径多目标优化

针对不确定环境下的多式联运网络,考虑转运成本、时间及运输方式班期等影响因素,构建运输总成本最小和运输总时间最小的双目标优化模型.通过蒙特卡洛方法处理网络中的不确定性,设计结合非支配排序的多目标蚁群算法求解Pareto解.为解决基本蚁群算法收敛过慢、过早收敛带来的求解质量低等问题,在状态转移策略中加入方向启发因子,在信息素更新策略引入"最大-最小蚂蚁系统",从而提高解的质量.最后通过算例检验改进蚁群算法的优化效率,并为决策人提供5个充分满足其对不同目标要求的决策路径.     

随机时变车辆路径问题的多目标鲁棒优化方法

车辆路径问题 （vehicle routing problem,VRP） 是物流配送的核心问题之一,为了提高物流配送的时效性,在传统VRP模型的基础上,同时考虑了路网交通状态的时变性和随机性,基于最小最大准则,提出了一种带硬时间窗的随机时变车辆路径问题 （stochastic time-dependent vehicle routing problem,STDVRP） 的多目标鲁棒优化模型. 设计了一种非支配排序蚁群算法 （non-dominated sorting ant colony optimisation,NSACO）,求解STDVRP多目标优化模型;通过测试算例,对比分析了NSACO算法与改进型非支配排序遗传算法 （non-dominated sorting genetic algorithm II,NSGA-II）. 研究结果表明:对于车辆数最小的Pareto边界解,NSACO算法的平均车辆数比NSGA-II算法小3.33%;对于最坏行程时间最小的Pareto边界解,NSACO算法的平均最坏行程时间比NSGA-II算法小17.49%.      

多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.      

考虑多节点时间窗差异的集装箱多式联运路径选择研究

基于多式联运网络,考虑不同运输方式的能力以及工作时间窗和发车班期,并且根据货主的具体货运需求,构建了运输成本最小、运输时间最少的多目标0-1整数规划模型。通过决策运输路线、运输方式来优化运输路径,采用非支配排序遗传算法(NSGA-II)以及二阶段编码的方式求解模型,经过多次种群进化和非支配解筛选,获得多式联运运输路线的Pareto非劣解集。最后以20个节点、39条运输弧、3种运输方式的多式联运网络为例进行算例分析,验证了算法和模型的可行性和有效性。     

不确定环境下的多车型物流配送路径优化

为实现在路段通行时间不确定背景下,配送企业对多种车型车辆的组合优化,使车辆资源利用、配送路径最优.通过建立总成本和配送时间最小的多目标模型、并考虑时间窗约束,设计提出多目标进化遗传算法求解该问题.本算法结合链表思想,同时为解决产生不可行解问题,在解编码时采用多染色体;并在算法中针对子染色体和母染色体分别设计交叉算子,运用擂台赛法则和改进精英保留策略构造非支配解集和加快算法的收敛速度.结果表明:相比单车型,多车型组合优化具有更高的经济效益,且随着不确定参数的变化,运输成本上升,多车型配送满载率受影响较小.     

多式联运运输方式选择的模型和算法

在对多式联运运输方式选择问题分析的基础上,运用图论技术构建基于多种运输方式的运输网络.综合考虑了运输成本、运输时效性和运输风险,建立了基于综合运输成本最小和运输风险最小的多目标综合优化模型.通过主要目标法,将模型进行转化.设计了基于克隆增扩的人工免疫算法对问题进行求解.最后通过算例验证了模型和算法的有效性.     

基于改进蚁群算法的多车型供应链物流运输调度建模研究

通过对基础蚁群算法的启发信息函数和信息素更新模型实施改进,获得改进蚁群算法,在此基础上,将所设定运输成本和运输时间、车辆油耗、最高配送距离与承载量等约束因子融入到算法内,构建包含多个约束因子的调度模型,实现对多车型供应链物流运输的调度,结果表明,该模型具有较高的收敛速度与路径寻优性能,所搜寻的路径质量较高,可针对不同零售商网点分布情况搜寻最优路径,并针对所寻的不同路径调度不同车型车辆,调度结果可满足车辆各自的最高配送距离与承载量等约束,实现多车型的供应链物流运输优化调度,达到降低运输成本与运输时间等目标.     

基于蚁群算法的冷链物流路径优化研究

在实际生活中,如何选择最优的物流配送路线是物流车辆调度系统中的重要问题之一.针对物流配送路径优化问题,依据冷链物流配送基础理论,考虑成本、货物损失及制冷时长等因素,构建基于多配送中心的最小配送成本模型,建立由运输成本、制冷成本、损坏成本及绿色低碳成本组成的复合目标模型.利用蚁群算法求解,以某类冷链物流企业为例,通过MATLAB软件进行仿真实验,验证模型和算法的科学性及有效性,得出最短运输距离为39.06 km、成本为1437.48元的结论.相对于搜索禁忌算法和遗传算法,蚁群算法在多配送中心冷链物流路径优化方面,能够平均减少1.11 km的运输距离和51.21元成本,更好地解决物流路径优化问题,提高物流服务质量.     

铁水运输调度双层多目标约束优化模型

为实现铁水运输作业排程与资源分配的协同优化，基于约束程序累积调度和字典序多目标优化理论，研究了铁水运输调度双层多目标约束优化方法.首先，基于铁水罐周转率最高和作业效率最高2个字典序优化目标，考虑作业时序、作业实施逻辑、铁水温降时限、铁水罐作业次数限制、资源容量限制和铁水罐资源池等约束条件，建立了上层的铁水运输作业排程约束优化模型；其次，以资源利用均衡度最高为目标，将作业实施唯一性和资源容量限制作为约束条件，建立了下层的铁水运输资源分配约束优化模型；最后，通过约束传播与多点构建性搜索的混合算法迭代求解整个模型.通过实例验证表明：设计的混合算法求得的铁水罐周转率目标和运输作业效率目标，比基本深度优先回溯算法分别提高了14.29%和60.53%；字典序多目标模型比加权和单目标模型求解效率和求解质量分别提高了20.3%和11.11%.     

城市轨道交通多编组列车开行方案优化研究

针对城市轨道交通全日客流时间分布不均衡下的列车开行方案优化问题,以 乘客等待时间和企业成本最小为优化目标,以运输供给、列车最小发车间隔、最大服务间 隔,以及列车数为约束条件,构建基于多编组模式下的多目标列车开行方案优化模型,并 设计两阶段求解算法.案例分析表明：与传统单一编组列车开行方案相比,基于多编组的 轨道交通列车开行方案使乘客等待时间和车公里数分别减少17%和27%,列车运行小时 增加20%;当客流不均衡系数大于1.48时,宜采用多编组运输组织方式.