动态环境下有时间窗的成套配送车辆路径问题

为解决成套配送车辆路径优化问题,针对配送线路动态变化的特点进行行程时间分析,根据服务时间窗设计满意度函数,在基本VRP模型中增加满意度目标,建立动态环境下的仿真模型;采用"预优化阶段+实时优化阶段"两阶段求解策略,利用分解法进行问题分解,设计禁忌搜索算法求解,对已产生的路径进行优化调整;仿真计算验证了模型和算法的有效性与研究的实用价值。     

考虑交通时变特性的城乡快递无人机配送优化研究

针对农村快递网点运营成本高、网点建设滞后导致的电商物流配送成本高问题,提出了城乡客运班车+无人机的快递配送模式。在考虑了配送过程中路网交通的时变特性的情况下,以无人机—车辆配送系统总成本最小为优化目标,建立了时变网络下带时间窗的无人机—车辆路径问题（TDVRPDTW）模型,并提出一个由基于最近邻思想的改进CW算法和动态规划启发式算法构成的两阶段启发式算法来求解TDVRPDTW。最后,通过算例求解验证构建模型的合理性和求解算法的有效性,为制定农村物流配送的城乡客运班车+无人机快递配送方案提供决策支持。     

生鲜电商配送的开放式时变车辆路径问题研究

针对生鲜电商配送的“最后一公里”难题,考虑到生鲜农产品的易腐易损性与生鲜电商通常采用普通车辆配送等现实情况,引入常温条件下生鲜农产品的鲜活度度量函数;分析城市路网的时变特性,设计时变路网条件下的车辆行驶时间计算方法;综合考虑客户需求量、时间窗、生鲜农产品送达客户时的鲜活度、开放式车辆路径与车辆灵活出发时间等因素,以总配送成本最小为目标构建具有鲜活度限制的开放式时变车辆路径问题优化模型,并根据模型特点设计一种改进蚁群算法求解。仿真实验结果表明：与封闭式车辆路径策略相比较,基于开放式车辆路径策略的改进蚁群算法能有效降低生鲜电商的总配送成本,减少车辆使用数量,缩短车辆行驶距离,具有合理性与可行性。     

供应链环境下带越库配送的车辆路径问题

从零售业纵向供应链整合入手,考虑供应商、零售商和配送中心构成的协同配送网络,研究带越库配送的车辆路径问题。分析越库配送实施要求和操作准则,设置协同到达作业时间,将配送过程分为集货、分拣和送货三个阶段,建立最小化车辆运输成本和固定成本为目标的越库配送路径优化模型。考虑模型的复杂性,设计改进遗传算法进行求解。最后由仿真实例验证模型可行性和算法有效性。结果表明,越库配送模式能有效服务城市区域零售门店的及时供货情况,在配送时间和运输成本方面有着显著优势。     

考虑客户价值的卡车与无人机联合配送时变路径优化方法

针对拥堵情况日益严重导致的物流业配送时效不高、客户价值低等问题,综合考虑客户价值和成本等因素,提出了一种卡车与无人机联合配送时变路径的优化方法。考虑到配送过程中不同时段的拥堵情况,采用速度分布函数刻画车辆的行驶速度,同时考虑客户的时间窗、车辆的载重和无人机的载重等约束条件,建立了成本最小的数学模型。根据模型的特点,引入K-means对客户的位置进行聚类,设计混合的粒子群算法对模型进行求解。最后通过Solomom数据进行模拟仿真实验,对模型和算法的有效性进行验证。实验结果表明,与未考虑客户价值静态路网模型相比,该模型在降低9.32%成本的情况下,同时提高了16.83%的客户价值和21.28%的客户满意度,所提算法在降低配送成本和提高企业经济效益方面具有一定的有效性。     

基于深度强化学习的电力物资配送多目标路径优化

针对现有电力物资车辆路径问题（EVRP）优化时考虑目标函数较为单一、约束不够全面,并且传统求解算法效率不高的问题,提出一种基于深度强化学习（DRL）的电力物资配送多目标路径优化模型和求解算法。首先,充分考虑了电力物资配送区域的加油站分布情况、物资运输车辆的油耗等约束,建立了以电力物资配送路径总长度最短、成本最低、物资需求点满意度最高为目标的多目标电力物资配送模型;其次,设计了一种基于DRL的电力物资配送路径优化算法DRL-EVRP求解所提模型。DRL-EVRP使用改进的指针网络（Ptr-Net）和Q-学习（Q-learning）算法结合的深度Q-网络（DQN）来将累积增量路径长度的负值与满意度之和作为奖励函数。所提算法在进行训练学习后,可直接用于电力物资配送路径规划。仿真实验结果表明,DRL-EVRP求解得到的电力物资配送路径总长度相较于扩展C-W（ECW）节约算法、模拟退火（SA）算法更短,且运算时间在可接受范围内,因此所提算法能更加高效、快速地进行电力物资配送路径优化。     

带有时间窗的多配送中心车辆调度问题研究

在分析时间窗的惩罚函数基础上,建立了带有时间窗的多配送中心车辆调度模型,针对模型设计了两阶段求解算法,先通过扫描算法把客户化分到不同的配送中心负责配送,然后采用改进的遗传算法求解带有时间窗的单配送中心的车辆调度模型,最后,结合算例仿真计算验证了算法的有效性。     

装配线物料搬运的拉格朗日松弛算法

为提高汽车制造企业混流装配线的运行效益,提出了基于看板模型的多封闭循环路径多载量小车物料配送调度方法—–装配线物料配送调度的拉格朗日松弛算法.首先对问题域进行了描述并做出了具体假设,以最小化配送系统总成本为目标,建立了混合整数规划模型.在此基础上,针对该模型提出了两种算法—–次梯度和随机步长拉格朗日松弛算法,将松弛问题分解为两个决策子问题分别进行求解.仿真实验表明提出的两种调度算法均适用于该研究问题域,并在求解时间及稳定性上表现出良好的性能.     

基于两阶段求解算法的动态车辆调度问题研究

在分析需求动态变化的基础上,根据需求信息的提出顺序,将动态配送问题转换成不同时刻的静态车辆调度问题,建立基于时间轴的动态车辆调度模型;利用量子理论改进遗传算法,设计量子遗传算法;针对动态车辆调度问题实时性强的特点,设计＂初始优化阶段＋实时优化阶段＂的两阶段求解策略,通过信息更新插入动态需求客户,并对已产生的计划路径进行局部优化调整.通过仿真计算,验证了模型和算法的有效性.     

多行程多交货期的成品油配送优化

研究多行程多交货期的成品油配送优化问题,已知油库使用带运输时间窗的多舱车辆配送各加油站的多个订单, 每个加油站具有各自的优先级,且加油站的各个订单带有交货期.综合考虑客户优先级、订单交货期和车辆运输时间窗等因素,以配送收益最大化为目标,建立多行程多交货期的成品油配送优化模型,并设计带交货期移除算子的改进变邻域搜索算法进行求解.基于前向插入启发式算法构造初始解,设计基于订单交货期的邻域扰动算子和基于单位时间收益最大化的贪婪策略,以增强算法的局部寻优能力,并提出基于逆序访问的后期优化策略,从而在保证解的质量情况下加快算法收敛速度.通过不同规模下的仿真实验验证了所提出模型和算法在最大化配送收益的同时,能够有效地提高配送及时性.     

电动汽车分时租赁用户预约分配问题的新型电磁场优化算法求解

针对电动汽车电量对于行驶里程的限制问题,建立用户预约分配模型,以得到利润最大时的订单分配结果。该类问题属于NP-hard问题,求解具有一定困难。因此,设计一种新型离散电磁场优化算法求解方法。在基本电磁场优化算法的基础上使用二进制编码方式,改变粒子移动方式,并对负电磁场中的电磁粒子增加更新过程。将提出的新算法与遗传算法、二进制粒子群算法、改进二进制布谷鸟算法及二进制狮群算法进行对比,数值实验表明新算法具有更高的计算效率。此外,与传统分配模型相比,新订单分配模型能够获得更高的利润,说明了该模型的有效性。     

带时间窗的多车场车辆路径优化的粒子群算法

带时间窗的多车场车辆路径问题在基本车辆路径问题的基础上增加了“多车场”与“时间窗”两个约束条件,是一个典型的NP难解问题。将粒子群算法应用于带时间窗的多车场车辆路径优化问题,构造了一种适用于求解车辆路径问题的粒子编码方法,建立了相应的数学模型,在此基础上设计了相应的算法。算例通过和遗传算法、蚁群算法进行比较,证明了其搜索速度和寻优能力的优越性。     

考虑随机旅行时间与二维装载约束的越库配送车辆路径优化

面向越库配送模式下二维装载和车辆路径联合优化,考虑现实配送过程的不确定性因素,提出考虑随机旅行时间和二维装载约束的越库配送车辆路径问题.基于蒙特卡洛模拟与场景分析方法,建立以运输成本、车辆固定成本以及时间窗期望惩罚成本之和最小化为目标的带修正随机规划模型.继而根据问题特征,设计改进的自适应禁忌搜索算法和基于禁忌搜索的多重排序最佳适应装箱算法进行求解.其中,改进的自适应禁忌搜索算法在禁忌搜索算法的基础上引入自适应机制,对不同邻域算子进行动态选择,并提出基于移除-修复策略的多样性机制以增强算法的寻优能力.数值实验表明,所提出的模型与方法能够有效求解考虑随机旅行时间和二维装载约束的越库配送车辆路径问题,自适应与多样性机制能一定程度上增强算法的全局搜索能力.     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

基于多种群遗传算法的水面无人艇航迹控制方法

针对水面无人艇(USV)的航迹控制问题,提出了一种由视线导向法和多种群遗传算法整定的PID航向控制器组成的航迹跟踪控制方法.该方法采用多种群遗传算法克服了传统遗传算法容易陷入局部最优的问题,增强了算法的全局寻优能力;并根据模型特点改进了适应度函数,使得对控制器性能的评价更加合理.与标准遗传算法和粒子群算法的对比仿真表明,多种群遗传算法在PID参数整定方面寻优能力更强、稳定性更高;同时,整定出的PID控制器针对不同的模型参数,均表现出收敛速度快、无超调、无稳态误差的优良特性.航迹仿真结果表明,设计的航迹控制方法能够有效跟踪给定航迹.     

物流配送路径优化问题求解的量子蚁群算法

物流配送路径优化是一类实用价值很高的NP完全难题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种量子蚁群算法的物流配送路径优化方法（QACA）。在物流配送路径优化问题分析的基础上建立相应的数学模型,通过量子蚁群算法对其进行求解,对各路径上的信息素进行量子比特编码,采用量子旋转门及最优路径对信息素进行更新,对QACA的性能进行仿真测试。仿真结果表明,QACA具有较强的全局搜索能力和收敛速度,可以有效解决物流配送路径问题。     

基于两阶段优化的并发流任务计算卸载策略

计算卸载作为移动边缘计算中最关键的技术之一而备受研究人员的关注,然而现有研究较少同时考虑拓扑结构、优化目标多样性及计算资源竞争的特性。针对移动边缘计算场景下的并发型数据流任务计算卸载及资源竞争问题,设计一种基于并发型数据流任务的多目标计算卸载混合整数模型,并给出一种基于多目标优化和多属性决策的两阶段优化框架对该模型进行求解。在多目标优化阶段,提出改进动态多种群并行NSGA-II（DMP-NSGA-II）算法,包括多种群多交叉策略、动态调整种群规模与二次局部搜索的改进策略,以解决局部收敛和全局搜索难以平衡的问题,同时设计一种基于混合式求解框架的DMP-NSGA-II算法求解多目标混合整数模型。在多属性决策阶段,提出一种基于模糊C均值聚类和灰关联投影法的后验选解方法,以选出在不同偏好下具有代表性的最优卸载决策。在测试函数和模型实例上的实验结果表明,设计的两阶段优化框架能够有效地求解所提出的模型,在ZDT系列测试函数上DMP-NSGA-II算法的HV和SP指标表现全面优于NSGA-II、MOEA/D和MOEA/D-DE算法,在模型实例上DMP-NSGA-II算法的Meantime和Meanenergy指标相较于基于混合式求解框架的NSGA-II算法,分别提升了30.1%和8.9%。     

考虑载重影响耗电率的电动车车辆路径问题

随着新能源和绿色物流等政策的出台,电动车逐渐成为物流配送的主要运输工具.考虑到电动车的电池容量、充电时间、耗电率和充电站位置等因素,研究载重影响耗电率的电动车车辆路径问题,建立以总成本最小化为目标的混合整数规划模型.结合禁忌搜索算法的思想,设计改进的自适应大邻域搜索算法对其求解,在该算法中,开发多种基于模型特性的破坏算子和修复算子以提高求解效率.通过算例求解验证模型和算法的有效性,为物流企业电动车配送方案的规划提供一定的决策依据.