带回送和时间窗的车辆路径问题的模型及算法

在分析具有回送运输和时间窗的车辆路径问题特点的基础上，建立了该问题的优化数学模型，并通过设置与发货点距离为零的虚拟集货点使问题简化．在此基础上，构造了求解问题的改进遗传算法．在算法中，结合问题的特点设计了确保个体编码有效性的OX交叉算子，并采用基于Metropolis判别准则的复制算子，确保个体多样性和避免算法过早收敛．算例表明算法有效可行．     

求解软硬时间窗共存配送路径问题的改进遗传算法

探讨用于求解软硬时间窗共存情况下的车辆路径问题的改进遗传算法。对基本遗传算法的交叉、变异操作的交叉概率和变异概率进行改进,使之更加具有自适应性,能根据种群染色体的优劣程度自动进行调整。通过算例证明改进的算法比原算法在计算软硬时间窗共存配送路径问题上更具有效性。     

带硬时间窗车辆路线问题的混合遗传启发式算法

为了提高物流配送效率, 建立了集货和配送一体化的带硬时间窗的车辆路线问题的数学模型, 提出了混合遗传启发式算法, 并对模型进行了求解。采用改进节约法与随机法相结合的手段构造了初始解群体以增加解的多样性, 对遗传算法中较优的一部分染色体进行了禁忌搜索以使搜索更容易跳出局部最优, 同时加快搜索初期的搜索速度。仿真计算结果表明: 混合遗传启发式算法具有更好的适应性, 采用改进交叉算子使解的精度提高11.0%;在宽时间窗情形下采用倒位变异可使解的精度提高11.6%。     

带时间窗的随机需求车辆路线问题的模型研究

车辆路线问题是考虑在车队为一些有需求的顾客运送货物时如何安排行驶路线,从而使服务效率达到最高,在原有车辆路线问题的基础上,着重考虑车辆路线问题中顾客需求的随机性及顾客接受服务的时间窗约束,运用机会约束规划的方法,建立了新的随机模型,并用遗传算法进行启发式求解,得到了良好的数值解,为车辆路线问题的进一步研究提供了参考．     

带软时间窗车辆路径问题及禁忌搜索算法

考虑不同容量和运输成本的多车型车辆,建立容量限制和软时间约束,并以最小化车辆在路段上的运输量和该路段的长度乘积为目标的数学模型,给出求解该问题的禁忌搜索算法。在算法中考虑使用车辆最少的插入算法生成初始解。最后,通过仿真算例,检验模型和算法的有效性。     

带软时间窗的集货与送货多车辆路径问题节约算法

研究了物流配送中多车运输的集货与送货车辆路径规划问题, 以增加时间惩罚费用的方式插入软时间窗约束, 将租车费用、货车运输费用和时间惩罚费用三者之和最小作为优化目标, 建立数学模型。采用启发式节约算法求解该模型, 考虑时间惩罚费用和运输费用, 比较每一配送节点上直接送货和间接送货的节约费用关系, 求出最优配送路径。试验结果表明: 当配送次数达到50次时, 货车平均装载率仍能达到80%以上, 该节约算法能减少货车空程行驶和租车次数, 优化了全局费用。     

带时间窗的动态车辆路径问题的局部搜索算法

为有效求解带时间窗的动态车辆路径问题, 建立了该问题的数学模型, 通过计划周期分片, 将动态问题转换为一系列的静态子问题, 采用插入法构造初始解, 并将重定位法、节点交换法和2-opt*法3种线路间局部搜索方法, 以及2-opt法和Or-opt法2种线路内局部搜索方法的不同组合应用于初始解的改进, 分析了客户出现时间、地理位置分布与不同客户时间窗范围对线路选择的影响, 比较了标准算例的求解结果。结果表明: 在线路间进行局部搜索时, 重定位法的效果最好, 2-opt*法次之, 节点交换法的最差; 在线路内进行局部搜索时, 2-opt法优于Or-opt法; 当客户请求出现时间越早, 客户比较集中, 客户时间窗较宽的情况下, 使用的车辆数量较少, 整个线路的行驶距离较短, 客户延迟时间也较短。     

带时间窗的车辆路径混合遗传算法

基于标准遗传算法, 将每一个染色体与分组信息相结合, 使染色体结构包含有更多信息, 辅以λ-交换局部搜索技术, 构造了一种新的混合遗传算法, 对带时间窗约束的车辆路径问题进行了求解, 并与标准遗传算法的求解结果进行了对比研究, 发现使用混合遗传算法, 总行驶里程为162km, 而使用标准遗传算法, 总行驶里程为182 km。结果表明混合遗传算法的求解结果比标准遗传算法更加接近最优解, 所需的行驶里程缩短, 有效降低运输企业的车辆运行成本。     

动态交通下车辆路径选择模型及算法

为优化动态交通下物流配送成本及服务水平, 依据交通流量将运输时间分为不同时段的不同分布, 建立了具有时间窗约束与物流成本最小的车辆路径混合整数非线性模型, 设计了自然数插值编码的遗传算法对模型进行求解, 对不同交通状况下配送方案选择进行了仿真比较。仿真结果显示遗传算法是收敛的, 依据交通状况选择相应的配送方案, 不仅物流成本降低了2%, 而且服务水平也提高了5%。     

带时间窗车辆调度问题的蚁群算法

为求解带时间窗约束的配送中心车辆调度问题, 运用蚁群算法把时间窗约束转化为惩罚函数形式, 将其并入目标函数后, 建立了满足客户配送时间要求条件下的运输费用最低的车辆调度模型, 提出了模型的求解程序, 并以某算例进行了仿真分析。分析结果表明: 该模型通过参数的不同标定, 可以转化成旅行商模型、硬时间窗或软时间窗的车辆调度模型; 仿真算例中, 配送路线最优行驶距离为794 km, 车辆最长行驶时间为8.2 h, 该算法能有效求解配送中心车辆调度问题。     

求解客户需求动态变化的车辆路径规划方法

对于集货过程中客户需求随时间变化的动态车辆路径规划问题, 按时间段划分为一系列车辆已驶离中心车场的静态车辆路径问题, 引入虚拟任务点与相关约束方法, 将其进一步等价转化为普通的静态车辆路径问题, 使用适用于静态问题的算法对其进行求解。应用此车辆路径规划方法, 以改进的节约法为静态算法, 对于客户数为20的动态路径规划问题进行求解, 得到重新优化路径所用的时间为0.49s, 说明这种规划方法可行。     

方格路网车辆路径在线选择模型及竞争分析

为分析城市方格路网遭遇突发性堵塞下的车辆路径选择问题, 应用在线问题与竞争策略的方法建模, 设计了2种在线路径选择竞争策略, 即方向贪婪策略和多选择移动策略, 计算了2种策略的竞争性能比。通过策略竞争分析得出: 在发生突发性堵塞的情形下, 方向贪婪策略下的费用为最优费用的3倍; 利用多选择移动策略在对网络具有实际意义约束条件下的部分情形能够得到最优费用, 且在最坏情形下的费用为最优费用的2倍; 2种策略的竞争性能比优于以往研究给出的堵塞不可恢复问题竞争比的下界。     

带时间窗VRP问题的多智能体进化算法

基于实用性和合理性的角度, 研究了单个配送中心带时间窗的车辆路径问题。以行驶时间最短和客户等待时间最小为目标函数, 以服务时间窗与车辆载质量为约束条件, 建立了双目标优化模型, 采用基于整数编码的多智能体进化算法求解模型, 并将计算结果与利用遗传算法求得的结果进行对比。计算结果表明: 当客户需求点的数量为13, 需求点的服务时间为5min, 车辆最大载质量为3t, 初始智能体个数为49, 最大进化代数为200次时, 经过30次计算后, 采用遗传算法的最差值为121.8min, 最优值为110.3min, 采用提出多智能体进化算法的最差值为113.6min, 最优目标值为103.6min。可见, 采用多智能体进化算法能够获得更高质量的最优解, 而且经过多次反复试验, 最终解的变化不大。     

考虑整理车厢成本和回程取货的车辆路径问题求解

考虑整理车厢的成本, 建立带回程取货的车辆路径数学模型, 采用禁忌搜索算法对模型进行求解, 并对某大型物流企业在北京市1 d内的配送和收集业务进行了优化, 优化计算在5 s内完成。计算结果表明: 在总路径增长7.8%的情况下, 车辆配送费用比节约算法降低了24.5%, 实现均衡值提高了9.3%。可见, 该算法降低了调度人员工作量, 节约了物流企业运输成本。