改进的蚂蚁算法车辆运行调度算法研究

研究车辆调度优化问题,考虑时间能合理安排运输线路.针对传统的蚁群算法收敛速度慢、易陷于局部最优、影响优化调度线路识别等缺陷,提出了一种改进的蚂蚁算法车辆调度优化方法模型.对城市车辆调度建立优化数学模型,将车辆运行调度归并为制造系统中的FLOWSHOP调度问题,构建一种动态开放的车辆调度系统优化模型,并采用改进的蚂蚁算法对数学模型进行仿真.仿真结果表明,提出的新的算法不仅能有效的求解车辆调度优化模型,可以快速得到近似最优解,而且计算机复杂度较低,收敛速度较快,是一种有效地车辆调度优化手段.     

神经网络算法在物流配送车辆优化调度中应用

研究物流配送车辆调度优化问题,车辆调度存在空驶率,运输路径不合理。为了有效节约车辆运输成本,优化城市车辆调度,传统的调度算法存在计算复杂度高,不利于实际应用等问题,提出了一种改进的神经网络车辆调度优化算法模型。首先对城市车辆调度建立优化数学模型,建立了一种解决非满载车辆卸货路线优化的神经网络模型,采用改进的神经网络进行优化车辆调度,并给出了解决配送车辆优化调度问题的具体步骤。仿真结果表明,提出的改进的算法不仅能有效地求解车辆调度优化模型,而且计算机复杂度较低,算法的计算效率较高,收敛速度较快,验证了改进算法的实用性和有效性。     

车辆调度优化模型仿真研究

研究车辆调度优化问题,针对运输车辆的空间排放和时间安排等,要达到运输路径最短,费用最省的要求.为了实现城市车辆优化调度,节约运输成本,同时传统的车辆调度算法存在计算复杂度高,不利于实际应用等问题,提出了一种改进的车辆调度优化算法模型.首先对城市车辆调度建立优化数学模型,建立一种动态开放的车辆调度系统,并采用匈牙利算法对数学模型进行求解.仿真结果表明,提出的新的算法不仅能有效的求解车辆调度优化模型,而且计算机复杂度较低,计算效率较高,收敛速度较快,验证了算法的实用性和有效性.     

基于改进模拟退火算法的针织生产线调度研究

针对含有多阶段生产流程的针织服装生产线调度问题，构建包含机器资源约束和成批约束的四阶段异构车间调度模型，利用多种调度规则对相邻阶段调度流程进行衔接。提出一种基于织片排序的带有多邻域搜索和重升温操作的改进模拟退火算法，以最大完工时间最小化为目标对上述模型进行求解。结合企业实际背景构建10种混合式订单作为案例进行仿真实验，并与现有优化算法进行对比，证实了该算法在求解针织服装生产线调度问题的有效性。     

多车场多车型车辆调度问题的改进粒子群算法

多车场多车型车辆调度问题优化是物流配送中的典型NP难解问题,针对传统的粒子群算法存在收敛速度慢,易早熟收敛等问题,提出了一种改进的粒子群优化算法。该算法对种群中的粒子采用一定的概率进行柯西变异,使算法跳出局部最优解。将算法应用于多车场多车型车辆调度问题优化,算例证明该算法求解多车场多车型车辆调度问题是可行的,并且优于标准粒子群优化算法。     

免疫PSO算法求解多库房带时间窗VRP

为了降低物流系统的总费用,对车辆优化调度模型进行了改进,考虑了库房容量和时间窗两方面的因素,以总的耗费成本为目标,采用免疫粒子群优化（PSO）算法对此多库房车辆调度模型进行了优化求解。仿真结果表明免疫PSO比PSO更有效、更优越。     

基于暂态混沌神经网络的多车调度混合优化算法

探讨车辆调度问题的解决方法．提出一种用于求解带容量约束的多车调度问题（CVRP）的混合优化算法．该算法分为路线划分、构造初始解和改进解3个阶段：第1阶段用模糊C均值聚类算法将所有客户按车容量要求装车；第2阶段用暂态混沌神经网络方法对每条路线排序；第3阶段用禁忌搜索法改进得到的解．最后采用标准问题进行仿真计算，通过与其他算法的比较，说明该算法是求解CVRP问题可行且高效的方法．     

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。     

汽车零部件Milk-run车辆调度优化模型和算法

为了寻求汽车零部件采用循环取货时车辆的最优路径,提出将每个供应商零部件循环、分批提取使车辆尽可能满载的建模思路,建立具有车辆容积、车辆到达时间窗、供应商供货动态时间窗、车辆最大行程约束的车辆调度优化模型,设计了用于求解该模型的改进启发式节约算法。最后通过算例验证了多重约束模型及算法的有效性。     

基于免疫萤火虫算法的RFID仓储车辆动态调度

针对物流配送实时仓储车辆调度问题,提出了一种基于RFID技术的免疫萤火虫车辆动态调度框架。建立了基于配送成本的带约束条件车辆路径问题数学模型,运用免疫萤火虫优化算法求解该模型,免疫萤火虫优化算法将萤火虫优化及免疫克隆技术融合,采用多层进化模式,在低层萤火虫操作中及高层免疫操作中分别引入多态子种群自适应机制和全局极值筛选策略,以提高算法全局收敛效率,在此基础上设计了仓储车辆动态调度框架,将车辆动态调度过程分为车辆调度任务控制和路径优化两个阶段,给出了车辆动态调度任务处理流程。实验仿真表明,该车辆动态调度算法能够有效地解决大规模动态物流车辆调度问题。     

电子商务下多约束有时间窗车辆问题优化研究

传统的基于行车路线最短的车辆调度优化模型难以满足电子商务物流配送实际需要,导致实际配送成本居高不下;或是过于强调线路最短,而难以按照客户的要求准时送货,失去市场竞争力。将传统车辆调度模型进行修改,以提高模型的适用性和通用性。由于车辆调度问题是NP难问题,采用改进遗传算法进行优化求解,结合具体实例,通过实验计算证明了该改进算法的良好性能。     

Customer satisfaction in dynamic vehicle routing problem with time windows

The dynamic vehicle routing and scheduling problem is a well-known complex combinatorial optimization problem that drew significant attention over the past few years. This paper presents a novel algorithm introducing a new strategy to integrate anticipated future visit requests during plan generation, aimed at explicitly improving customer satisfaction. An evaluation of the proposed strategy is performed using a hybrid genetic algorithm previously designed for the dynamic vehicle problem with time windows that we modified to capture customer satisfaction over multiple visits. Simulations compare the value of the revisited algorithm exploiting the new strategy, clearly demonstrating its impact on customer satisfaction level.     

基于种群分类粒子群算法的物流车辆调度优化

为了获得更加理想的配送车辆调度方案,提出一种基于种群分类粒子群算法的配送车辆调度优化方法。首先建立多约束配送车辆调度的数学模型,并以配送路径最短作为目标函数,然后采用粒子群算法对模型进行求解,并对每次迭代产生的粒子群进行分类,根据分类结果对粒子群进行不同的操作,加快了算法的搜索速度,以避免陷入局部最优,最后进行仿真对比实验。结果表明,种群分类粒子群算法获得比较理想的配送车辆调度方案,具有一定的实用价值。     

基于云计算神经网络物流车辆调度算法研究

研究了物流车辆调度优化问题。针对云计算下任务调度算法没有考虑调度的服务质量和用户满意度的问题,特别是在物流任务调度问题中存在复杂的计算网络,造成计算率降低,为了解决上述问题,提出了一种新的有关云计算和神经网络相结合的物流作业调度算法。算法充分考虑了调度的服务质量以及用户满意度,建立一个参数化的处理模型,计算用户在各个资源上的综合满意度,再将任务分配到满足用户需求和使系统资源达到均衡的资源上执行,最后采用改进的神经网络进行优化车辆调度。实验结果表明,改进算法不仅能满足用户的多种需求,提高了用户的满意度,同时也提高了资源调度率和系统资源的利用率。     

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.     

多车场多车型装卸混合车辆路径问题研究

为满足电子商务客户多样化和个性化的需求,建立了多车场、多车型的装卸混合车辆调度模型,并使用混合遗传启发式算法求解．首先采用混合编码,使问题变得更简洁;利用个体数量控制选择策略,以保证群体的多样性;引入２-交换变异策略,并结合爬山算法,加强染色体的局部搜索能力．然后,对混合遗传算法求得的精英种群进行禁忌搜索,提高了搜索效率．最后,通过实例计算表明了上述模型和算法的有效性．     

面向全局搜索的自适应领导者樽海鞘群算法

针对实际配送过程中客户需求、车辆服务时间随机可变,提出带软时间窗的随机需求和随机服务时间的车辆路径问题.以配送车辆行驶路径为研究对象,建立基于配送成本、时间惩罚成本、修正成本的配送车辆路径优化模型,并提出一种混合禁忌搜索算法.该算法将最近邻算法和禁忌搜索算法相结合,将时间窗宽度及距离作为最近邻算法中节点选择标准;并对禁忌搜索算法中禁忌长度等构成要素进行自适应调整,引入自适应惩罚系数.实验结果表明,改进后的混合禁忌搜索算法具有较强的寻优能力、较高的鲁棒性,同时算法所得车辆行驶路径受客户需求变动影响较小.     

Integrated production and delivery with single machine and multiple vehicles

This paper considers a class of multi-objective production–distribution scheduling problem with a single machine and multiple vehicles. The objective is to minimize the vehicle delivery cost and the total customer waiting time. It is assumed that the manufacturer’s production department has a single machine to process orders. The distribution department has multiple vehicles to deliver multiple orders to multiple customers after the orders have been processed. Since each delivery involves multiple customers, it involves a vehicle routing problem. Most previous research work attempts at tackling this problem focus on single-objective optimization system. This paper builds a multi-objective mathematical model for the problem. Through deep analysis, this paper proposes that for each non-dominated solution in the Pareto solution set, the orders in the same delivery batch are processed contiguously and their processing order is immaterial. Thus we can view the orders in the same delivery batch as a block. The blocks should be processed in ascending order of the values of their average workload. All the analysis results are embedded into a non-dominated genetic algorithm with the elite strategy (PD-NSGA-II). The performance of the algorithm is tested through random data. It is shown that the proposed algorithm can offer high-quality solutions in reasonable time.     

病毒进化遗传算法的车辆调度优化模型

为了提高车辆调度优化效率,提出一种病毒进化遗传算法的车辆调度优化模型。建立车辆调度的数学模型,采用遗传算法对模型进行求解,并采用病毒群体感染主群体,主群体在历代个体间纵向传递信息以利于全局优化,病毒群体通过感染操作在同代个体间横向传递信息利于局部搜索,进行仿真对比实验。结果表明,病毒进化遗传算法较好地解决了标准遗传算法存在的不足,加快了车辆调度优化问题的求解效率,获得了更优的车辆调度方案,具有较高的应用价值。     

基于运输成本的高速公路车辆协同调度与速度规划

针对路网中大规模的货运车辆,给出一种新的综合油耗成本与时间成本的车辆协同调度方案,以便在最大化节约运输成本的前提下解决车队的协调优化问题.首先,建立基于油耗成本和时间成本的车辆运输成本模型,通过微调部分车辆的速度与路径,循环计算任意两辆车组队行驶的运输成本节约率,将符合组队条件的车辆构造为车辆组队协调图;然后,采用一种基于中心聚类划分的算法将车辆的组队问题转化为聚类求解问题,求解出节约运输成本最大化的领头车,使其在公共路段组成车队行驶;最后,考虑道路坡度及速度限制等条件,采用基于空间采样的动态规划方法对合并车辆的速度进行优化,从而进一步降低车辆的运输成本.仿真结果验证了所提出的优化方案及求解思路的可行性和有效性.