确定车辆数的有时间窗车辆路径问题的遗传算法

给出了有时间窗车辆路径问题（vehicle routing problem with time window，VRPTW）的通用数学模型，通过引入新的CX交叉算子，能有效避免传统遗传算法“早熟收敛”的局限。特别是在确定车辆数时，实现了VRPTW的路径长度和车辆数的同时优化，改善了优化结果，提高了优化速度。实验结果表明，该方法明显减少了迭代次数。     

有时间窗约束的车辆路径问题的改进遗传算法

针对有时问窗约束的车辆路径问题，在标准遗传算法的基础上，将分组信息与每一个染色体结合，并辅之以λ-交换局部搜索技术，构造了一种改进遗传算法。该算法使得求解结果更接近最优解。实验表明，本算法是有效的。     

遗传算法在车辆调度问题中的应用

在消防、救护等场合经常需要以最短的时间到达目的地。章针对这类问题提出了一个调度算法来解决车辆派遣的问题，并在此基础上利用遗传算法给出车辆行驶的次优路径。给出了车辆调度相应的数学模型。     

一种改进遗传算法在物流配送车辆调度中的应用研究

物流配送是物流活动中一个重要的环节,因此有必要对物流配送车辆进行优化调度,合理规划车辆的行驶路线,实现运输成本最小。首先分析传统的遗传算法求解物流配送问题的不足之处,然后针对染色体中某些需求点编号可能重复出现的情况,设计新的染色体结构,并通过基因的混合交叉方法进行基因重组。通过实例可以看出,改进遗传算法的程序通用性更好,能有效提高搜索到最优配送路径的概率。     

改进混合遗传算法在车辆路线问题中的应用研究

物流配送车辆路线问题,是物流配送优化中不可缺少的环节.针对传统的遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合遗传算法进行优化求解.即采用二重结构编码,可以使问题变得更简洁,提高遗传法的搜索效率.用个体数量控制选择策略,以保证群体的多样性,用改进的顺序交叉算子避免优良基因片断在顺序交叉时被破坏,保证算法能够收敛到全局最优.结合具体实例,通过实验计算证明了该改进算法的良好性能.     

车辆路径问题Clarke-Wright算法的改进与实现

对车辆路径问题Clarke-Wright算法进行改进，增加体积约束条件以提高算法的适用性，用Java语言实现，并且应用于车辆调度系统。     

改进自适应遗传算法研究及其应用

针对标准遗传算法收敛慢，提出了一种改进自适应遗传算法，即通过全局变异算子和局部变异算子共同作用，改善种群的分布特性，加强算法的全局收敛能力。应用概率模型的遗传算法对4个名的测试函数进行优化计算，实验结果表明：该算法不易陷入局部极值，收敛速度快，且实现简单。     

基于改进遗传算法的最优路径求解

动态路径诱导系统(dynamic route guidance system,DRGS)是通过提供基于实时交通信息的最优路径来引导交通流的,因此,最优路径的求解是关键.而遗传算法具有全局寻优和潜在并行的特点,对求解最优路径具有一定优势.但采用序号编码方式进行遗传操作时会产生大量无效路径.文中结合城市道路交叉口左转、右转、直行等转向行为,设计了一种新的基于转向行为的编码方式,减少了染色体在交叉、变异时的无效路径的生成.算例表明,这种编码方式可以有效提高算法收敛性,更容易获得最优解.     

病毒进化遗传算法在动态路径规划中的运用研究

针对车辆导航的动态最优路径问题,设计一种病毒进化遗传算法,提出相应的编码方案和适应度的计算。通过运用改进A*最短路径算法解决遗传算法中初始种群的产生,同时在遗传算法中增加病毒感染操作,在同一代群体中进行横向传播进化信息。该算法不仅能够较快求出最优路径,而且对路网没有任何的约束条件,同时对离散和连续的动态网络模型有效。最后给出病毒进化遗传算法的试验仿真结果。     

改进节约蚁群算法求解物流配送车辆路径问题

针对节约蚁群算法在求解车辆路径问题易陷入局部极值的不足,提出一种基于连接表扰动策略和吸引力因子局部搜索的改进节约蚁群算法.该算法在陷入局部最优后,引入连接表扰动策略以帮助算法跳出局部最优,该策略在每只蚂蚁进行解构建之前,随机禁忌若干条吸引力因子较大的边以增加算法的勘探能力;同时采用吸引力因子局部搜索优化每只蚂蚁的解,该局部搜索利用吸引力因子引导局部搜索.实验结果表明,改进节约蚁群算法求解车辆路径问题时优于原有节约蚁群算法以及多种已有算法.     

基于改进型蚁群算法的车辆导航路径规划研究

在分析车辆路径规划问题(VLD)特点的基础上,提出了VLD的数学模型以及适用于求解VLD的蚁群算法。详细分析了蚁群算法的参数对算法收敛速度和计算结果精确度的影响,提出了一种能够提高算法的收敛速度和全局搜索能力的参数自适应调整的策略,并对原有基本蚁群算法进行了改进。随后进行了仿真试验,根据所得仿真结果将改进蚁群算法与基本蚁群算法从全局收敛能力、计算稳定性以及计算速度等方面进行了全面比较,结论表明改进蚁群算法各方面均优于基本蚁群算法,证明了改进算法的可行性及有效性。     

具有同时配送和回收需求的车辆路径问题的混合遗传算法

介绍了具有同时配送和回收需求的车辆路径问题(VRPSDP),并对其进行了描述,建立了该问题的数学规划模型。结合2-opt法和等级替换策略等设计了求解VRPSDP的一种混合遗传算法,给出了该算法初始种群的两种生成规则———随机生成和构造初始种群,设计了相应的交叉和变异算子,并详细阐述了违反约束条件的处理方法。通过随机模拟试验以及与其他方法的对比分析表明:该算法可有效缩短车辆行驶距离,而构造初始种群则在一定条件下可显著提高混合遗传算法的收敛速度并改善其运行结果。     

车辆路径问题的模拟退火算法

在构造车辆路径问题(Vehicle Routing Problem,VRP)数学模型后,采用路径间调整和路径内优化方法,结合模拟退火算法策略对该问题进行求解。重点阐述了VRP模拟退火算法的设计思路,详细分析和编制了求解程序框图,并实现了计算机求解。仿真测试结果表明:采用模拟退火算法求解VRP效果显著,计算速度较快,与有关算法对比显示了较强的实用性和可操作性,为解决大规模VRP提供了一种有效算法。     

一种多车场车辆路径问题的单亲遗传算法

提出了一种单亲遗传算法来求解多车场车辆路径问题（MDVRP）。在该算法中，对每个服务点按照其距离各个车场的远近归类到各个车场之中，通过构造染色体表达式，采用基因重组以及变异算子来进行常规遗传操作。在进化的同时，采用局部调整，使服务点在一定的范围内的不同车场中调换，保证其种群多样性，从而避免局部收敛，达到全局最优的效果。实验表明，本算法能有效解决一定规模的多车场车辆路径问题。     

带有随机需求的车辆路径选择问题算法研究

为带有随机需求的车辆路径问题（VRPSD）提供一个具有通用性的算法,将一个VRPSD问题转化成带有运力限制的车辆路径问题（CVRP）的有限集,通过解CVRP问题来解决VRPSD问题。为提高解的可靠性引入了安全库存的概念,并运用了蒙特卡罗仿真方法,得到了在不同安全库存水平下每条路径的可靠性。用实例检验所述方法的可靠性和通用性。     

蚂蚁记忆系统应用於车辆途程问题

蚂蚁演算法发表不过短短十几年,在各类型组合问题求解上皆有不错的表现,因此本研究主要目的是以蚂蚁记忆系统为基础做改良并延伸至车辆途程问题。本研究透过图像检视发现即便有候选名单的限制节点选择范围,但在不断选择节点下,仍会偏离其建构之路径,所以研究方向主要在节点选择路径公式多增加该路径第一选择节点之角度,以减少逐渐扩散之可能性。在效率提昇方面,当路线建构完成後,计算出各路线之重心,并从运量最少路线开始做区域改善,以其重心为基准对附近路线做2-opt及Swap的交换,如此将能有效降低区域改善的时间,进而提升求解效率。利用国际标竿例题来验证AMS之求解效率,在随机问题C1-C10求解平均误差为0．98％,在丛聚问题C11-C14求解平均误差为0．55％。     

遗传算法在选播路由中的应用

选播是一种新型的网络服务，它使用户通过选播地址就能访问到该地址所表示的一组服务器，而传输的实时性要求传输时延尽可能的小。文章针对这种有时延约束的选播QoS路由问题，提出了一种改进的遗传算法以求解该问题。仿真实验表明，该算法是可行且有效的。