多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型.提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路.最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比.试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的.     

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题。首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大－最小蚁群算法,算法结合自适应方法和最大－最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和“局部最优”以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比。实验结果表明：自适应的最大－最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势。     

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题.首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大-最小蚁群算法,算法结合自适应方法和最大-最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和"局部最优"以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比.实验结果表明:自适应的最大-最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势.     

基于改进蚁群算法的带时间窗废品收集车辆路径问题

建立了以最小化燃油消耗为优化目标的带时间窗、司机休息时间以及多个中转处理中心的废品收集车辆路径问题模型。提出了一种改进最大最小蚁群算法,针对时间窗特点,设计了两类满足时间窗约束的动态候选列表以提高算法的搜索效率。在最大最小蚁群算法的概率状态转移规则中引入了带距离限制的最近邻域搜索。10个基准实例中的9个实例比当前文献的最优解更好,从而验证了该模型和算法的可行性和有效性。     

求解多车场累积时间车辆路径问题的Memetic算法

在应急救援车辆路径优化问题中,为了及时救援,缩短所有受灾点的总等待时间,提出了多车辆车场累积时间车辆路径问题。它是多个车场通过多个运输车队,使所有受灾点等待时间总和最短的运输问题。针对该NP难问题提出了一种Memetic算法求解。先用改进的最优切割算法MDVRP-Split将受灾点分配至各车场,通过选择、交叉及局部搜索得到最优路径。标准算例的测试结果表明,提出的算法注重了求解质量与求解效率的平衡。     

基于改进蚁群算法求解带软时间窗的车辆路径问题

针对带软时间窗的车辆路径问题(VRPSTW),建立以配送成本为优化目标的混合整数规划模型，提出一种改进蚁群算法(IACO)求解该问题。在传统蚁群算法(ACO)的基础上，改进蚂蚁状态转移概率公式，通过自适应调整信息素挥发系数改进信息素更新策略，设计插入算子和交换算子嵌入变邻域局部搜索，并设置开始和退出局部搜索的条件，更新当前局部最优解。选取Solomon标准测试集里3类不同规模的算例，测试算法改进效果，以客户规模为100的C类算例验证所提算法求解较大规模算例的可行性，并与传统蚁群算法以及其他文献中的算例结果进行对比。实验结果表明，改进蚁群算法的寻优能力高于其他算法，求解得到的最优配送方案能够实现更低的车辆配送成本，从而验证了改进蚁群算法的有效性。     

考虑客户满意度的低碳冷链车辆路径优化

在考虑冷链配送客户满意度的基础上,以车辆载重、客户时间窗和冷链产品变质率为约束,构建在客户服务时间范围内以碳排放量最小为优化目标的冷链车辆路径优化模型。将信息素浓度上下限融入传统蚁群算法,并结合领域搜索加快收敛速度、提高算法全局搜索能力。通过实例仿真表明,在低碳冷链VRP问题的求解过程中,改进型蚁群算法能够以更高的效率搜索最优成本。模型同时满足企业经济及社会效益,在不同规模实验场景下取得良好的路径优化效果,验证了模型的有效优化能力。     

带时间窗的多中心半开放式车辆路径问题

针对多中心协同配送下的车辆路径问题，建立了总成本最小化模型，所建模型满足多中心、多需求点和半开放式的特征。考虑到问题的复杂性，设计了一种三阶段求解算法：将K-mediods聚类算法用于原始数据分解，将原规模较大的多配送中心路径问题转换成多个单配送中心路径问题；设计了改进多蚁群算法来求解单配送中心路径问题，得到初始方案；在调整阶段，利用节约算法优化初始方案。分析了算例，并同其他文献的算法求解结果进行对比，结果表明，所提算法比GA-ACO算法求解得到的单中心配送最优路径值减小32.16%，总成本减小30.42%；比狼群算法解得的最优路径值和总成本均减小8.99%；比蚁群算法求得的最优路径值减小24.76%，最小配送成本减小3.40%，从而验证了所建模型的合理性和所设计多阶段算法的有效性。     

混合时间窗下多中心混合车队车辆路径优化

针对混合时间窗下多中心混合车队车辆路径优化问题，综合考虑多中心联合配送、客户混合时间窗、配送中心运力平衡和车辆装载量对油耗的影响，构建以车辆派遣成本、油耗成本、电动车能耗成本和时间窗惩罚成本之和最小化为目标的优化模型。设计遗传—大邻域混合算法求解模型，该算法采用聚类法生成初始解，基于运力平衡的返回策略设计交叉和变异算子，并引入变邻域搜索结构和大邻域搜索算法的移除与插入算子进行搜索优化。通过对比和分析多组算例验证了算法的有效性，并分析了运力平衡策略和混合时间窗对制定配送方案的影响。研究成果可丰富车辆路径问题的相关研究，为物流企业优化决策配送方案提供了理论依据。     

求解带时间窗车辆路径问题的改进型烟花算法

针对带时间窗车辆路径问题,为寻求组合优化问题最优解,构建总运输成本最小数学模型。由于烟花算法搜索半径不能自适应调整,算法后期易陷入局部最优,故对爆炸算子进行改进,使最优烟花搜索半径自适应调整,增强后期局部搜索能力;同时利用分布式信息共享机制避免算法早熟并引入变异火花增强种群多样性。利用标准测试集进行验证后,结果表明该算法在求解带时间窗车辆路径问题时不仅具有可行性和有效性,并且收敛速度快、搜索质量高。     

蚁群算法及其在有硬时间窗的车辆路径问题中的应用

为求解有硬时间窗的车辆路径问题,提出了一种基于可行解两阶段构造策略的自适应混合蚁群算法.在第一阶段,用蚂蚁的局部遍历代替传统的全局遍历,每个蚂蚁采用蚁群算法进行局部遍历,构造一个回路,蚂蚁转移采用回路两阶段构路策略;在第二阶段,由前一阶段所构造的回路通过采用近似解可行化策略来组合形成可行解.此外,为提高算法的寻优能力,在转移规则中引入了基于时间窗的紧迫性因子和匹配度因子,并与节约算法和爬山法有机结合.实验结果表明,自适应混和蚁群算法性能优良,能够有效地求解有硬时间窗的车辆路径问题.     

一对多集送货VRP的两阶段贪心算法研究

针对一对多集送货点的车辆路径优化问题研究两阶段贪心算法TPGA。第一阶段确定任务内部的路径;第二阶段选择任务间的优化路径。建立了开放式、单车场、单车型环境下,有最大行驶里程约束、有时间窗约束问题的数学模型。案例验证了算法的可行性和有效性;通过对TPGA和改进C-W运算结果的分析比较,说明TPGA算法获得较好的优化结果。     

开放式带时间窗车辆路径问题及变邻域搜索算法

针对配送服务中开放式带时间窗车辆路径问题,构建了最小化车辆行驶成本的集分割模型,并提出变邻域搜索算法进行求解.该算法包括抖动和邻域搜索两个阶段,其中,抖动阶段通过当前解与种群历史最优、与个体历史最优之间的路径重连来实现,邻域搜索阶段通过同一条路径内以及不同路径间的交换、插入、2-opt三个操作算子来实现.通过与已有文献进行对比,结果表明该算法在求解开放式带时间窗车辆路径问题时,能得到更高质量的解,而且算法的收敛性和稳定性均较好.由此验证了该算法的可行性和有效性.     

多车场与多车型车辆路径问题的多染色体遗传算法

针对目前多车场、多车型车辆路径问题存在的求解效率低和解的质量差等不足,建立了该问题的整数规划模型,提出了多染色体遗传算法,统一了多车场、多车型问题与传统单车场、单车型问题的求解算法。通过算例对多染色体遗传算法进行了实验,并将其与传统算法进行了对比分析。实验表明,该算法不仅呈现出搜索效率高和收敛速度快的特点,而且解的质量和稳定性高,从而验证了算法的有效性和实用性。     

有时间窗车辆路径问题的改进遗传算法

给出了有时间窗车辆路径时间通用数学模型，该模型不仅能够满足大多 数实际问题的需要，而且通过对特定参数的设定，还能够转换成其他几种典型的组合优化问题的数学模型，通过引入新颖交叉算子，构造了一种进遗传算法，该算法摆脱了对群体多样性的要求，不存在传统遗传算法常见的“早熟收敛”问题，该算法已用于解决有时间窗的车辆路径问题，实验结果表明，它可以有效地求得有时间窗车辆路径问题的优化解，最求解车辆路径问题的一个较好方案。     

基于改进蚁群算法的机器人末端路径排序优化

建立了针对机器人加工时的末端运动路径排序优化问题的数学模型,将该模型转化为广义旅行商问题并用蚁群算法求解。同时对经典的蚁群算法进行了改进,即采用多阶段搜索策略、邻域搜索策略及多蚁种搜索策略,使改进后的蚁群算法能为机器人求取一条更优的末端运动路径。计算机仿真与机器人加工实验结果表明,改进蚁群算法所得的末端运动路径比基本蚁群算法所得结果缩短了3%以上。     

基于车辆共享的软时间窗动态需求车辆路径问题

为解决配送机构的乍辆有时不能满足客户需求的问题,同时降低物流配送成本,节约资源,基于产品服务系统的理念.引入车辆共享机制,结合时间窗、多配送中心和现代物流客户需求动态变化的特点,建立了基于车辆共享的软时间窗多配送中心动态需求车辆路径问题的两阶段数学模型,并设计了混合3-OPT量子进化算法对各阶段模型进行求解.通过算例测试及与其他算法进行比较,表明该算法能快速有效地求解此类动态需求的车辆路径问题.最后对影响算法性能的种群规模参数进行了分析.     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

基于模糊时间窗的多中心开放式车辆路径问题

针对受时间窗影响的多中心开放式车辆路径问题,采用时间窗模糊化处理方法,假设时间窗是一个梯形模糊数,定义客户满意度函数和时间惩罚费用函数,建立有鲁棒优化模型。基于整体法假设虚拟配送中心,设计改进的蚁群算法求解,选取合适的测试算例实验。实验结果表明,所提算法能获得较好的解,是求解该类问题的有效方法;所建模型满足问题的多中心、多需求点和开放式特征,模型合理有效;与软时间窗和硬时间窗设置相比,模糊时间窗设置合理有效,同时展示了模糊时间窗设置下客户满意度对模型求解结果的影响。     

基于遗传模拟退火算法的大件公路运输路径选择优化

针对大件公路运输路径选择优化难题,以最小化运输成本为目标,在考虑带配送时间窗、客户服务时限、车辆超载惩罚、车辆载重限制、车辆容积限制的基础上,构建了大件公路运输路径选择优化模型,并提出改进遗传模拟退火算法对此类问题进行优化.该算法首先基于满足车辆容积和承载量的两层编码方式产生多个初始种群,然后各种群之间通过相互竞争实现优秀个体的迁移共享,最终搜索到最优解.最后,通过实例仿真验证了该算法解决此类特殊运输问题的有效性,并通过与其他算法进行比较,证明了该算法的先进性,为大件公路运输路径选择问题提供了新的解决思路.