小件货物运送车辆调度优化

针对城市小件货物运送车辆调度优化方法进行了研究,分析了C-W节约算法在解决小件货物运送车辆调度问题的局限性。基于货物的体积和形状对车辆调度的影响,提出用货物的体积进行车辆容量检验,改进了C-W节约算法,使其更加符合小件货物运送车辆调度的实际。     

带有路径和运输方式选择的供应链排序算法研究

主要研究了在供应链中具有单台机器的单个制造商、多个客户的生产和运输的集成排序问题。以生产排序和运输的总费用达到最小作为目标函数。其中生产排序费用是用工件送达时间的函数表示,发送费用是由固定费用和可变费用组成,可变费用与路径和运输方式的选择有关。对该问题的两类特殊情形给出了基于动态规划的多项式时间算法。     

区间数刻画属性值下的两种多属性决策新算法

为了解决区间信息多属性决策问题,建立了两种多属性决策算法(算法1和算法2).算法1: 首先利用区间数的积型贴近度公式将属性的区间信息数据转换为精确数值,然后使用Maclaurin对称平均算子集结属性的精确数值,进而通过比较其数值大小来判断方案的优劣.算法2: 首先利用区间数的积型贴近度公式算出各方案在所有属性上的积型模糊互补判断矩阵,然后通过求解积型模糊互补判断矩阵的排序向量来判断方案的优劣.研究表明,两种算法的决策路径虽然不同,但其排序结果相同,即不同决策路径不会影响方案的排序结果,因此决策者可以根据实际问题需要选择适当的决策算法及排序规则,以更好地满足决策需求.     

物流配送车辆路径问题(VRP)算法研究

物流配送车辆路径问题(VRP)属于NP-hard问题.文章介绍了当前最具有代表性的算法,分析并总结了各种算法的优缺点及目前的改进情况,指出目前启发式算法是求解车辆路径问题的主要方法,至于大规模客户集的配送路径优化问题或者是多约束的复杂VRP问题,可以考虑利用多种算法相结合的办法来解决.     

动态车辆路径问题的多目标优化模型与算法

以快递服务相关的动态车辆路径问题为研究对象,建立多目标优化模型,设计了相应的求解流程.多目标优化模型包括最大化服务客户数、最小化客户等待时间和最小化总旅行时间3个优化目标.采用基于词典式的排序方法,开发了改进的Or-opt局部搜索启发式算法.在不同基准问题数据集上进行仿真实验,结果表明,多目标优化模型与单目标模型相比,能明显降低被拒绝的客户数和等待时间,而总旅行时间未发生明显增长.     

基于C-W算法的汽车零部件循环取货车辆路径优化研究

针对汽车零部件取货具有多频次和时间窗限制的特点,利用先进的循环取货方式对零部件进行取货.并构建数学模型优化取货路径,利用C-W算法,获得符合所有约束条件的满意解.使其在配送总量一定的情况下,运输总里程大大降低,从而节约了运输成本.最后给出一个算例.     

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.     

低油耗多车型车辆路径问题及算法

为了解决以低油耗为优化目标的具有固定车辆数的多车型车辆路径问题,从低碳环保角度出发,建立以固定发车费用和油耗费用为优化目标的数学模型,并提出了一种融合邻域搜索算法的混合模拟退火算法,解决了传统模拟退火算法全局搜索能力差的缺点。模型中的油耗费用考虑了车辆车载率和行驶里程,算法中客户采用自然数编码方式,首先采用前向插入算法产生初始解;然后在解变换过程中融合了3种邻域搜索算子即互换、逆转、插入操作生成新解;最后通过实例对算法性能进行测试。通过与其他算法的计算结果对比验证了模型的实用性与算法的有效性。     

基于遗传算法的服装配送路径优化策略

针对服装配送网络中的车辆路径优化问题,以路径最优和服装配送车辆消耗费用最低为目标,对服装配送车辆数目不确定的配送路径选择问题建立模型,并利用遗传算法对配送路径进行优化.最后以实例为研究对象,建立服装配送的模糊数学模型,并通过MATLAB对其进行模拟仿真,并验证算法的可行性和优越性,解决了服装配送路径优化的实际问题.     

考虑碳排放的选址-路径问题研究

针对物流配送中的选址-路径问题,在车辆路径安排时加入了碳排放的考虑,建立了包含碳排放、配送成本和客户满意度的多目标优化模型,提出了一种基于禁忌搜索的超启发式算法.在超启发式算法的框架中,构建了一系列基于问题特征的底层启发式算子,设计了禁忌搜索作为高层启发式策略.以某地区物流配送实例进行仿真实验,通过超启发式算法和NSGA-II算法比较证明,所提算法可以更好地解决选址路径的多目标问题,能较快地找到更优解,达到较高的搜索效率和算法稳定性.与传统的启发式算法相比,该算法具有很好的通用性,可以很容易推广到其他选址-路径变种问题上.     

模拟退火蚁群算法在VRP问题上的应用

车辆路径问题是物流系统优化的核心问题,在满足相关需求的情况下需要达到路径最短、成本最低等目的。文章提出一种模拟退火算法和蚁群算法的组合,通过改进蚁群算法相关参数、采用邻域算法对解进行二次搜索,从而改变解的质量并进行优选,以实现在满足相关约束条件下达到路径最短的优化。将该组合算法与基本蚁群算法、改进型的蚁群算法及VRP官网算例进行比较,实验结果表明,该组合算法在时间上和准确度上都有较大的提升,具有较好的应用价值。     

车辆路径问题(VRP)的一个启发式算法

考察车辆路径问题 :足够多的车座落在一个中心车库 ,车从车库出发 ,最终返回到车库 ,满足顾客的运输需求 ,求服务所有顾客的总费用最小。每辆车的装载量不超过它的容量。本文提出一个新的VRP模型及基于贪婪算法的启发式算法 ,并给出了算法的一个下界 ,最后给出一个算例     

现代物流信息管理中配送车辆路线优化研究

在分析车辆路线问题（VRP）现有启发式算法的基础上，提出了求解该问题的一种改进遗传算法（IGA）。该方法的核心在于针对遗传算法的局部搜索能力的不足，在选择、交叉、变异等遗传操作之后，引入逆转换位算子，根据适应度是否增加，对新产生的染色体进行多次逆转操作。模拟计算结果表明，该改进遗传算法明显增强了群体演化的质量，提高了算法收敛速度。     

物流配送路线模型优化及应用

在物流配送问题中，车辆调度问题(VRP)是一个关键问题，也是组合优化领域的前沿与热点问题。该文根据MG公司配送中心的特点，建立了该公司的VRP模型，运用启发式算法中的节约算法对MG公司配送网络进行了细致的优化，找到—个满意的方案。     

并行节约算法的自适应邻域选择策略

为了提高并行节约算法的运算效率,需要运用合理的邻域选择策略和数据结构来降低算法的空间和时间复杂度。以车辆路径问题(vehicle routing problem, VRP)的数据规模和客户点的分布情况为切入点,综合考虑客户点的邻域范围与距离、规模、分布情况的关系,提出一种基于自适应思想的邻域选择策略,提高邻域选择的合理性,通过进一步优化数据存储结构降低存储空间。多组仿真测试证实,与其他邻域选择策略相比,自适应策略可以在保证运算质量的前提下,大幅度提高节约算法的运算速度,降低存储空间,且针对客户点较为集中的VRP具有明显的优势,其中rl5915表现最为突出,运算时间只需要其他邻域选择策略的50％左右。理论研究和实验结果证实自适应邻域选择策略可以有效提高节约算法的运算速率。     

物流配送车辆路径问题(VRP)算法综述

物流配送车辆路径问题(VRP)属于NP-hard问题,对这类问题如何求解,学术界提出了多种算法,这些算法可归结为2大类:精确算法和启发式算法.通过对这2类算法中最具代表性的几种算法的分析、比较和总结,指出了各种算法的优缺点、适用范围和场合、存在的问题以及改进的方案,为物流配送车辆路径问题求解过程中算法的选择提供了依据和参考.     

分段蚁群算法在运输调度问题中的应用

在基本蚁群算法的基础上提出了分段蚁群算法,通过改进选择策略和信息素更新机制以求解一类运输调度问题,实验证明结果理想.     

基于改进免疫算法的有能力约束车辆路径问题

针对遗传算法、免疫遗传算法在解决车辆路径问题(VRP)中存在的问题与不足,提出了一种改进免疫遗传算法。该算法主要在检查个体的多样性程度方面进行了简化,运用多样性指数阈值控制种群个体的多样性。通过有能力约束VRP的实验验证了新算法,得到了满意的效果。     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。