基于遗传算法的3L-CVRP优化问题研究

为提高物流配送效率,降低配送成本,探讨了三维装箱约束下的车辆路径优化问题.在装箱问题与车辆路径优化问题研究现状的基础上,将三维装箱与车辆路径优化进行整合,考虑客户需求、货物装载顺序、车辆尺寸、车辆重心等约束,建立以路径最短、车辆装载容积利用率和载重率最大的多目标组合优化模型,引入权重系数体现决策者偏好并归一化目标函数.设计适用的染色体编码规则,确定遗传操作中选择、交叉、变异方法,选取目标函数为适应度函数,引入最优个体保存策略防止算法的过早收敛,提高算法的准确性,通过Matlab编程实现该优化模型的求解.案例数值试验表明,该模型与算法能够实现装箱与车辆路径的组合优化,算法运行时间为17s左右,相较于引导式局部搜索遗传算法减少了5 s,车辆总行驶里程缩短了7 km.      

多目标低碳车辆路径优化模型及求解算法

为有效降低物流配送过程产生的能耗和碳排放,控制配送成本,以传统带时间窗车辆路径问题为基础,研究低碳条件下的车辆路径问题.通过三角概率分布在合理速度区间内对车辆速度进行估算,综合考虑车辆行驶速度、载重量及运行里程构建碳排放计算模型,建立以系统总成本最低、车辆周转时间最小的多目标低碳车辆路径优化模型.将新兴多因子优化算法中协同进化和信息交互的思想应用于NSGA-II算法,提出增强型NSGA-II算法.算例结果表明,多目标优化模型可以更好地兼顾不同物流配送参与者的利益,更符合实际决策过程,所提出的ENSGA-II算法在经济成本上平均节省超过3%,在车辆周转时间上平均改进达到5.02%,表现出较好的求解性能.      

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树（RRT）算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数（即降低路径曲率和远离障碍物）,并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明：优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT*算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。     

智能车辆局部路径规划算法研究综述

为提高智能车辆行驶的平稳性和合理性,文章对近年来智能车辆常用的局部路径规划算法进行了分类和总结。首先对各类传统算法的原理进行了阐述,分析其优缺点,并指出传统算法在智能车辆上应用时的不足;其次整理分析了各类传统算法应用至智能车辆上时各学者所提出的改进算法;最后提出基于离散优化的算法是未来智能车辆局部路径规划的应用趋势,多算法融合是复杂场景下智能车辆局部路径规划的研究方向。文章的研究结果为智能车领域的研究人员在选择局部路径规划算法时提供参考。     

基于动态行程时间可靠性的单车辆路径选择算法研究

为了提高出行者的路径选择效率,从微观层面对随机动态路网条件下的单车辆路径选择问题进行深入研究。随机动态路网条件下,作为车辆路径构成单元的路段,不同时刻车辆在其上的行程时间具有明显的动态变化特征,若使用传统的最短路算法进行车辆路径选择,将某一时点的路段行程时间作为路段权值不能反映路段行程时间动态变化产生的影响,车辆路径选择结果容易造成误判。为解决此问题,按照集散波理论对于路段车辆运行状态的划分方式,首先以路段下游信号转换时刻目标车辆与排队车流队尾的相对位置关系为切入点,对路段行程时间进行分状态分类随机动态预测,然后建立对应可接受水平下的路段行程时间可靠性计算模型,最终分别针对简单网络和复杂网络的单车辆路径选择问题提出使用行程时间可靠性作为关键控制变量的三阶段车辆路径选择模型和权值异化的Dijkstra车辆路径选择算法。通过案例及对比分析表明,在出行者面临的简单网络中使用行程时间可靠性进行车辆路径选择可纠正仅仅按照单一行程时间进行车辆路径选择造成的选择误判,在复杂网络中使用行程时间可靠性作为路段权值异化的Dijkstra算法可迅速求出最可靠路径,有效解决了随机动态路网环境下的单车辆路径选择问题,是对路径选择问题研究的深入拓展。     

半开放式燃油车和电动车混合车辆路径优化问题研究

随着物流行业的迅速发展,物流运输车辆不断增加,而传统燃油汽车的使用对环境造成了一定的压力,近年来,物流电动汽车由于其节能环保的特性,得到了广泛的应用。然而由于电动汽车的充电时间较长以及运输行业的发展现状,电动汽车目前无法完全取代传统燃油汽车,两种车型同时存在于物流配送领域。文章针对半开放式多配送中心的燃油汽车和电动汽车混合车型的车辆路径优化问题进行研究,同时考虑了客户需求量、车辆载重量以及电动汽车的充电需求等约束条件,以碳排放成本、运输成本以及时间窗惩罚成本之和最小为目标建立线性整数规划数学模型,针对该问题的NP难特性,设计了改进的粒子群算法进行求解。应用佳点集理论产生初始种群,增加粒子群算法的多样性,在迭代过程中,增加局部搜索策略,避免粒子群算法陷入局部最优。实验结果表明:改进的粒子群算法获得的总成本相比标准粒子群算法获得的总成本降低5.69%,证明了该设计的改进粒子群算法在求解开放式混合车型车辆路径优化问题时的有效性;相比于不考虑碳排放的情况,考虑碳排放时传统燃油车的使用数量有所下降;相比于单一配送中心路径优化情况,开放式的多配送中心路径优化,更有利于降低物流成本。     

求解带时间窗车辆路径问题的狼群算法

针对城市物流配送和交通运输中广泛存在的带时间窗车辆路径问题,为寻求最佳路径规划,应用惩罚函数,构建了以总运输成本最小为目标的数学模型。在车辆路径优化求解方面,根据问题具体特征设计了1种二维编码方式,并采用近邻初始化方式构建初始解从而提升寻优速率;随后,结合狼群算法觅食行为中的游走、召唤及围攻3种行为,重新定义其智能行为,设计了一种求解带时间窗车辆路径问题的狼群算法。由于原始狼群算法的召唤行为引入距离判定因子来增大种群搜索空间,但也增加了算法复杂性且易陷入局部最优,故本研究舍弃了距离判定因子,采用猛狼1次奔袭便进入围攻状态来降低算法复杂度,并在算法中进一步增强了种群间信息交互。最后,应用该狼群算法求解多个测试算例。结果表明:狼群算法在求解带时间窗的车辆路径问题时是可行的、有效的;与禁忌搜索算法、遗传算法、改进蚁群算法和混合粒子群算法等常见智能优化算法相比,狼群算法不仅具有收敛速度快和搜索质量高等优点,而且拥有良好的稳定性和求解效果。     

自动驾驶车辆循迹路径生成算法研究

在无人驾驶领域中,已经实现了车辆按照已有路径进行循迹无人驾驶,通常已有路径是由车辆实际采集获得。文章采用Matlab编写了循迹路径的生成算法,解决了循迹路线必须由车辆采集获取的问题,使车辆控制更加高效。再循迹路径生成算法中结合了车辆的左右转最小拐弯半径约束和允许倒车的情况,得到了无人驾驶车辆可行驶的路径。最后通过算法生成的路径进行了实车实验,车辆能够按照算法生成的路径进行自动驾驶,最后对算法生成的路径和车辆实际路径进行了对比,验证了算法的可行性。     

求解不确定车辆数车辆调度问题的蚁群算法

为同时优化所用的车辆数和行驶总路径,基于问题特征,用人工蚂蚁模拟车辆,在1次循环中利用不同蚂蚁个体的相互协作建立1个完整的解方案,使参与服务的蚂蚁数隐含了所使用的车辆数,从而能够通过优化参与服务的蚂蚁数量确定所使用的车辆数。在算法中,通过构造与算法实施相适应的禁忌表、启发函数以及为了提高搜索效率而引入中心节点虚拟需求量等策略,设计了求解具有不确定车辆数的车辆调度问题的蚁群算法。通过给定的实例对算法进行了验证,结果表明算法是有效和可行的。     

高速公路路径标识站选址优化模型与算法研究

为了解决车辆多义性路径问题,高速公路路网中常设置标识站来精确获取车辆路径信息。在实际高速公路网中,要么在路网中所有环路段上布设标识站,造成资源浪费现象,或者布设的标识站不足,直接采用最短路的方式拆分通行费用,造成费用拆分不合理现象。因此对高速公路路网中多义性路径标识站的选址优化问题开展研究,在解决多义性路径基础上,实现标识站建设费用最小。为了研究高速公路标识站选址优化问题,以高速公路路网为基础,采用基于生成树-蚁群算法对标识站选址布局问题进行优化分析。首先,根据图论中生成树理论,确定出标识站的最少布设数量与多种选址布局方案。其次,建立了以高速公路标识站所在路段车流量最小且该路段里程最长的多目标多义性路径标识站选址优化模型,并设计了基于蚁群算法的大型高速公路路网多义性路径标识站选址优化算法的求解步骤。最后,通过算例分析,以3组不同权重值分析对比验证该模型的适用性。结果表明该模型可以用来解决高速公路标识站选址优化问题,并且能有效实现高速公路多义性路径标识站的最优选址布局。     

基于免疫单克隆算法的车辆路径优化

车辆路径问题(VRP)是物流管理研究的一项重要内容,在提高服务质量和降低成本方面起着关键作用.给出了车辆路径优化问题数学模型,介绍了免疫单克隆算法的基本原理,提出了免疫单克隆算法求解VRP的基本流程.算例计算结果表明,通过引入亲合度成熟、克隆和记忆机理,利用相应的算子,免疫单克隆算法可以快速地收敛到全局最优解,效果良好.     

渐优随机采样算法在结构化道路无人驾驶中的应用

为了解决随机采样算法在结构化道路无人驾驶应用中无法优化收敛的问题,采用渐进优化的采样算法框架设计符合驾驶需求的规划算法。针对渐进优化算法的耗时问题,首先选择不需要Steer(转向函数)的SST算法作为基础框架以规避求解边界值问题。其次,算法融入"Anytime"策略以提高优化解的利用率。再次,改进的闭环控制策略能减少车辆的实际轨迹与规划路径的误差。在设计的闭环策略中,应用4-D车辆运动模型以保证规划路径符合车辆的实际运动轨迹。为了保证驾驶的安全和舒适,设计了一个综合四重因素的代价函数,且根据不同的驾驶场景调整相应的权重参数。最后,利用真实的无人车在无人驾驶城市测试道路上进行测试,测试场景包括前方静态障碍物躲避、前方动态障碍物跟随以及超车和复合动静态障碍物。测试中,采用车辆的速度和转向数据代表算法的优化收敛特性和运动平稳性。研究结果表明:设计的算法能在时速30km·h-1下完成避障、跟车、超车等机动;无人车在跟驰决策下可保持30km·h-1的最高速度,在避障过程中可实现最高15km·h-1的速度,在跟车决策下可根据前车速度变换自身速度以保持合理的车距和运动平滑性。     

基于遗传算法的飞机滑行路径优化

研究了飞机场面安全滑行问题,将典型冲突限制规则和安全间隔作为约束条件,建立了系统的无冲突滑行路径优化模型。基于遗传算法给出了该问题的优化算法,并进行了实际算例的计算机仿真验证。与不考虑冲突约束条件的最短路径算法的对比结果表明,算法避免了最短路径算法中存在的冲突现象,可以为繁忙机场的安全运行提供决策支持。     

基于改进禁忌搜索算法的车辆路径问题模型

为了解决传统禁忌搜索算法程序复杂、独立性低下等问题,在考虑带有时间窗的车辆路径问题的基础上,提出了带有时间窗和异构车队的车辆路径问题。为了更好地解决带有时间窗和异构车队的车辆路径问题,建立了带有时间窗和异构车队的车辆路径问题的模型,此模型同时考虑了时间窗、异构车队以及车辆数量限制的多重属性,提出一种改进的禁忌搜索算法来解决这一问题,改进的禁忌搜索算法其实质是在原有禁忌搜索算法的基础上加入了保留表,等级成本结构原则和车辆排序准则对其进行了创新。通过在原有算法中加入保留表,并使用等级成本结构的原则,提出了一种新的解决车辆路径问题的算法,这种改进的禁忌搜索算法解决了传统禁忌搜索算法的弊端,不仅可以使用户点在路径上紧密排列,同时还能达到优化运输路线的目的。最后为了演算改进的禁忌搜索算法的有效性,使用具体的案例数据对改进的禁忌搜索算法进行了演算,演算结果证明了这种创新算法在解决带有时间窗和异构车队的车辆路径问题上是有效的。     

应急车辆出行前救援路径选择的多目标规划模型

针对城市中应急车辆的救援路径优化问题,分析了基于交通信息中心的应急车辆最优路径的多目标属性,给出了随机网络中各属性的量化计算方法,以最小化出行时间,最大化行程时间可靠度为目标,考虑了通行可靠性、安全性、道路条件限制等因素,建立了应急车辆出行前最优路径选择的多目标规划模型.模型所求得的解是综合最优路径,反映了应急车辆路径选择的目标需求,克服了以往直接等同于图论中最短路径的缺陷,给出了算法,通过算例验证了模型的合理性和有效性.     

电动无人驾驶配送货运车辆路径优化研究

无人驾驶技术日渐成熟,将无人驾驶技术和具有广泛优势的电动汽车结合运用于物流配送中是未来的发展趋势。然而由于电动汽车电池和充电技术发展尚不完善,使得无人驾驶电动物流车的标定续驶里程普遍不高,实际续驶里程小于标定续驶里程。因此,研究其路径优化问题是十分有必要的。论文首先提出了无人驾驶电动物流车路径优化问题的数学模型,运用LINGO软件进行小规模算例测试,验证了模型的合理性。然后,对传统的节约里程法算法进行了改进,并将其用于求解本文的数学模型,运用MATLAB软件求解验证模型的小规模算例,验证了算法的可行性。最后用改进的算法求解了一个大规模算例。实验结果表明,提出的带有电量约束的车辆路径优化问题的数学模型是合理的,证明了具有电量约束的改进的节约里程法的可行性和合理性。     

规模车辆调度中两种算法的研究

物流配送车辆优化调度问题是物流中关键的一环,对其进行优化调度,可以提高物流经济效益、实现物流科学化。随着社会的发展,如何解决车辆的调度问题成为研究的热点。本文主要研究传统的节约启发式算法和遗传算法,指出算法各自的特点和存在的不同点。     

混合蚁群算法求解带时间窗的车辆路径问题

采用营运车辆的最短行驶距离作为带时间窗车辆路径问题的优化目标,在混合蚁群算法中采用信息素3层更新策略以完成对车辆的调度,信息素挥发自适应策略充分考虑实时路况,考虑信息素空间扩散特性的局部更新策略,更加忠实于自然界的真实蚂蚁系统,可以提高算法的收敛速度,采用阈值判断的全局信息素更新策略可以防止算法陷入局部最优。通过C#语言实现了混合蚁群算法的计算机求解,最后对10个仿真实例进行仿真计算,结果表明,混合蚁群算法收敛快,寻优结果稳定。     

灾害情况下基于改进蚁群算法的救援车辆路径优化

自然灾害发生后,最重要的任务是救援。但由于灾后信息传输受到阻碍,相关道路损毁分布状况、预先规划的救援路线发生损毁等信息不能及时获取,给救援救灾带来很大困难,如何根据已获得的灾区路网信息动态规划安全、快速的车辆救灾通道极为重要。文中针对灾后救援时间紧迫、救援路程中道路通过性动态变化及安全性等因素,以到达救援点时间最短为目标,建立灾害情况下车辆路径优化模型;采用基于图论的改进蚁群算法进行全局车辆路径优化,并对救援路径中规划好的救援路线出现障碍点时车辆局部路径优化进行仿真试验,验证改进蚁群算法的有效性,结果表明相对于传统蚁群算法,改进蚁群算法的寻优效果更好。     

一种基于轨迹预判的垂直泊车路径规划算法研究

为解决目前量产自动泊车系统泊车成功率低、泊车完成后车辆姿态偏斜等问题，研究搭建基于阿克曼转向几何学和车辆运动学的车辆运动模型，构建基于可行驶区域的栅格电子地图，在几何路径规划方法中融入基于轨迹预判的碰撞约束方法和路径居中算法，采用车辆膨胀轮廓模型，最大程度利用电子地图可行驶区域和保证路径安全性，设计出一种基于轨迹预判的垂直泊车路径规划算法，并通过仿真测试和实车测试验证算法的可行性。该算法可大大提高泊车成功率，能帮助解决泊车完成后车辆偏斜不居中的问题。