时间窗约束下农产品物流配送路径优化研究

农产品需求量增加对物流配送提出较高挑战,基于此提出时间窗约束下农产品物流配送路径优化方法研究。依客户预期服务时间需求,取混合时间窗约束函数确定时间窗、物流配送车辆最大载重、配送路径长度与物流配送车辆约束条件,构建农产品物流配送路径优化模型;基于农产品物流配送需求改进传统遗传算法,求解构建模型,即获农产品物流配送路径优化结果。实验结果显示：相较生鲜农产品多车型冷链物流车辆路径优化,所提方法最优农产品物流配送路径获取迭代次数更少、配送路径长度更短、总成本更低,应用性能更佳。     

带软时间窗的旅行商问题的双种群遗传算法

论文运用双种群遗传算法求解带软时间窗的旅行商问题,通过加入带有时间窗约束条件的惩罚函数,初始化两个种群,分别选择不同的交叉、变异概率。每次迭代后,交换种群间的优势个体所携带的遗传信息,以打破种群内的平衡状态,跳出局部最优解。双种群遗传算法比标准遗传算法显著提高了全局收敛性能。实验结果比较显示,该算法行之有效,具有较好的性能。     

带多软时间窗VRP及其禁忌搜索算法

分析了带多软时间窗VRP实际应用背景和特点,以使用的车辆数、行驶费用和偏离时间窗的惩罚费用为优化目标,结合车辆载重、最大路长等限制,建立该问题的数学模型,并设计求解该问题的自适应禁忌搜索算法。为增强算法的全局寻优能力,设计了多邻域结构并在算法中嵌入一种有限地接受不可行解的自适应机制。分别用文献中的算例和以Solomon标准算例为基础构建的新算例测试该算法,并将结果与其他方法进行对比分析。对比结果表明,所提出的算法性能较好,能在可接受的时间内求出运输成本更少、满意度更高的解。     

有时间窗物流配送路径优化问题的并购算法

通过对市场资源优化配置中市场行为的了解,提取企业在市场中的行为之一并购行为的精华,并简化并购行为的模型。根据计算得到的企业劣信度,企业间进行合理的并购和重组,也是对市场资源再整合,使资源得到充分的优化配置,进而提高整体企业的市场竞争力。在建立有时间窗物流配送路径优化问题的数学模型基础上,构造有时间窗物流配送路径优化的并购算法模型。该模型包含编码、初始化、预处理、劣信度评估、并购操作、重组操作以及选择操作等七个模块。在Solomon数据集上进行多次实验,并与目前实验已经获得的最优解做比较,获取有时间窗物流配送路径优化问题的最优解或近似最优解。     

带时间窗物流配送车辆路径问题的蝙蝠算法

带时间窗车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）是一个重要而实际的研究课题,该问题在有能力约束模型的基础上增加了时间约束,要求配送系统总费用最低。蝙蝠算法（Bat Algorithm,BA）是一种新型的智能优化算法,目前尚未被应用到求解VRPTW问题中。根据VRPTW问题的数学模型及其具体特征,重新设计了BA的操作算子,给出了求解VRPTW问题的改进蝙蝠算法,并通过仿真实例和与其他算法进行比较的方式,验证了蝙蝠算法在VRPTW问题中的求解性能,拓展了蝙蝠算法的应用领域。     

有时间窗物流配送车路由问题的改进遗传算法

给出了有时间窗物流配送车路由问题的数学模型．通过引入新颖交叉算子RC，构造了一种改进的遗传算法．实验结果表明．该算法在解决有时间窗的物流配送车路由问题时，比PMX及RC算子具有更优的性能，在满足所有需求点的前提下达到各评价指标的综合最优，是求解配送车路由问题的一个较好方案．     

求解带软时间窗车辆路径问题的融合算法

设计了遗传算法与变异蚂蚁算法的一个融合算法,该算法采用优良基因保护策略,引入蚂蚁寻径变异机制,并改进了信息素的更新方式,提高了寻径速度以及寻径的全局性。经过对比实验,验证了本融合算法可以有效而快速地获得问题模型的最优解或近似最优解。     

改进蚁群算法求解有时间窗的物流配送路径问题

物流配送车辆路径优化问题已被证明是一个NP难题,很难得到最优解。应用蚁群算法对带时间窗的物流车辆路径优化问题进行了算法设计,建立了车辆路径优化问题的蚁群算法数学模型及解决方案。通过对蚁群算法的分析,提出了改进的蚁群算法,并结合实例对该算法进行测试和分析,检验其有效性,结果表明了改进蚁群算法的可行性,符合实际的需要。     

基于第三方带软时间窗约束的车辆路径问题研究

在分析电商企业的“自建物流+第三方物流”配送模式的基础上,对自建物流成本和第三方物流成本分别展开研究,并在自建物流成本中设计了软时间窗惩罚函数.建立了基于第三方带软时间窗约束的车辆路径模型,设计了基于自然数序列的改进遗传算法对模型进行求解,改进交叉与变异操作来保护优秀基因,提出了种群扩张机制.最后,算例结果表明模型可以有效减少物流配送成本,提高配送效率,改进遗传算法还在提高计算时间方面有显著的成效.     

基于改进遗传算法的农产品运输车辆路径优化研究

随着人们物质生活水平的提高,线上购买农产品的方式备受推崇,对农产品配送上门的需求也随之增加。如今的农产品配送,不仅需求大,而且农产品本身存在保鲜期短、容易腐烂等问题。为了使客户满意,需要在客户规定接货时间内尽快完成配送任务。针对此问题,基于带时间窗的农产品运输车辆路径问题模型,本文设计了改进的遗传算法进行求解。在标准遗传算法基础上,根据种群变化情况改变变异概率,同时加入局部搜索操作以改善标准算法局部寻优能力弱的不足。基于国际通用算例进行仿真验证,测试结果均得到了近似最优解,证明了该算法具有有效性,且算法收敛性能有所提高。     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造了有时间窗车辆路径问题的混合遗传算法,并进行了实验计算。结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到了质量较高的解。     

蚁群算法和遗传算法融合及其在有时间窗的车辆路径问题中的应用

针对基本蚁群算法搜索时间长、易陷入局部最优的缺点,提出了一种蚁群算法和遗传算法相融合的混合算法.该算法利用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,以加快算法的收敛速度,提高求解效率.实例运行结果验证了算法的有效性.     

基于遗传算法的物流配送路径优化问题的研究

建立优化物流配送路径的数学模型,然后构造求解该问题的遗传算法。进行多次实验和计算,证明用遗传算法优化物流配送路径,可以有效地求得问题的最优解或近似最优解。     

分批配送的有时间窗车辆路径问题的遗传算法

给出了分批配送的有时问窗车辆路径问题（BVRPTM）的数学模型。通过引入改进的路径可行化方法和MRC交叉算于，构造了一种适于求解BVRPTM的遗传算法。实验结果表明，该算法能有效地解决BVRPTM，并取得了较好的优化结果。     

基于遗传算法的物流配送路径优化问题研究

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在选址问题、配送问题、调度问题、运输问题、布局问题方面意义重大。在建立物流配送路径优化问题数学模型的基础上,构造了求解该问题的遗传算法。该遗传算法采用常用的二进制编码,在个体选择上结合使用最优个体保留策略和轮盘赌法。最后以这种方法进行了实验计算,通过计算结果表明,用遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

Multi-Objective Genetic Algorithms for Vehicle Routing Problem with Time Windows

The Vehicle Routing Problem with Time windows (VRPTW) is an extension of the capacity constrained Vehicle Routing Problem (VRP). The VRPTW is NP-Complete and instances with 100 customers or more are very hard to solve optimally. We represent the VRPTW as a multi-objective problem and present a genetic algorithm solution using the Pareto ranking technique. We use a direct interpretation of the VRPTW as a multi-objective problem, in which the two objective dimensions are number of vehicles and total cost (distance). An advantage of this approach is that it is unnecessary to derive weights for a weighted sum scoring formula. This prevents the introduction of solution bias towards either of the problem dimensions. We argue that the VRPTW is most naturally viewed as a multi-objective problem, in which both vehicles and cost are of equal value, depending on the needs of the user. A result of our research is that the multi-objective optimization genetic algorithm returns a set of solutions that fairly consider both of these dimensions. Our approach is quite effective, as it provides solutions competitive with the best known in the literature, as well as new solutions that are not biased toward the number of vehicles. A set of well-known benchmark data are used to compare the effectiveness of the proposed method for solving the VRPTW.     

有时间窗的开放式车辆路径问题及其遗传算法

针对物流配送中的开放式车辆路径问题提出了OVRP的处理方法,并且根据容量和时间窗约束的特点设计了GA算法,设计了动态染色体,采用改进的交叉变异过程,利用随机参数的波动来协调容量约束和时间窗约束,并且加入了内部和外部扰动操作来跳出局部收敛点。通过试验,表明用GA在优化有容量和时间窗约束的OVRP的有效性。