配送中多车场多任务多车型车辆调度研究

多车场多车型多任务的车辆调度优化是城市配送中的典型问题。针对该问题从空驶成本、运输成本和时间成本三个维度构建了一个VRP的数学模型,并采用自适应多态蚁群算法对模型加以求解。通过实例仿真,将仿真优化结果与未优化的随机结果进行了比较。结果发现优化后的成本比未优化的成本低,并且证明了对多车场多车型多任务的VRP模型进行优化非常必要。     

基于车辆配送线路的区域协同配送方法

针对单物流中心大规模多区域的物流配送中存在的车辆路径规划不合理、装载率不高的问题,提出了一种基于车辆配送线路的区域间协同配送方法。该方法通过配送区域间的拓扑关系生成区域协同配送网络,进而依据一次配送中的有货区域信息生成车辆初始配送线路,并对具有相邻关系的线路进行配送线路间调整,从而形成最终的车辆途径配送区域的配送线路。在此基础上,依据配送区域内订单的分布情况以及单一区域扫描-遗传算法的配送方法,设计了沿配送线路的区域间协同配送方法。最后,通过选取“步步高”商业物流管理系统中的实际配送数据对模型和算法的有效性进行了验证分析。     

应急物资配送车辆调度模型与优化综述

抢险救灾行动的有效规划和调度在挽救人民群众生命和减轻财产损失中起着重要作用,利用数学建模方法和计算机仿真技术,辅助决策者完成应急物资配送车辆调度已成为学术界的共识。围绕模型和优化两个关键点,分析了近年来应急物资配送车辆调度的研究现状,归纳出了应急物资配送车辆调度模型的主要优化目标和影响因素,对比分析了多种优化算法的应用效果,提出了现有研究中存在的问题,最后研讨了应急物资配送车辆调度研究的发展趋势。     

C-W算法在配送车辆优化调度中的应用

物流配送车辆优化调度是物流配送中非常关键的一个环节。文章简单介绍了当前最具有代表性的算法,指出目前启发式算法是求解车辆路径问题的主要方法,并以C-W算法为典型,结合实例验证了其对解决配送车辆调度问题的适用性。     

基于强化协同算法的多目标生产调度模型研究

针对流程工业生产调度具有复杂性、多约束性和多目标性难以优化的特点,提出了一种新型强化协同优化算法 (N C O ),并将该算法应用于求解多目标优化问题,提出了基于N C O 算法的多目标协同优化方法(M O N C O )。研究表明, M O N C O 算法应用于车间调度问题,不仅可以优化生产工序,还能减少迭代次数,提高计算效率。     

物流企业配送车辆调度问题研究综述

物流配送车辆优化调度问题（Vehicle Routing Problem，简称VRP）是一个研究热点，许多学者采用了各种优化方法来解决实际问题。该文首先综述了车辆优化调度问题的起源、研究动态及水平，然后再综述了物流配送车辆调度问题的各种优化方法，然后对所述的几种优化方法的优缺点、适用性等都作了说明，并对它们作以比较分析。     

物流企业配送车辆调度问题研究综述

物流配送车辆优化调度问题(Vehicle Routing Problem,简称VRP)是一个研究热点,许多学者采用了各种优化方法来解决实际问题。该文首先综述了车辆优化调度问题的起源、研究动态及水平,然后再综述了物流配送车辆调度问题的各种优化方法,然后对所述的几种优化方法的优缺点、适用性等都作了说明,并对它们作以比较分析。     

需求驱动下的城市配送车辆动态调度研究

城市配送与车辆管理面临着需求与供应不相匹配、需求的时效性和随机性越来越强、车辆利用率低的实际情况。针对该问题提出了在不考虑城市各路段拥堵的情况下的需求驱动下的城市配送车辆动态调度模型。该模型首先用客户订单分类法和自组织特征映射神经网络（SOFM）对客户订单聚类,聚类后确定各个组别的服务优先级;再采用“分派-节约启发式算法”寻找城市配送车辆动态调度问题的满意解。通过Matlab和Lingo软件对实际算例进行数值分析,验证了“需求驱动下的城市配送车辆动态调度模型”对于降低运作成本、缩短运作时间以及减少延期到货等方面具有一定的作用。     

多agent动态调度控制模型

结合多agent理论和企业的生产实际，建立了一种多agent动态调度控制模型MADSCM，详细探讨了MADSCM中agent的逻辑模型和具体结构，通过引入等待时间．提出了一种可以减少协商次数的协商机制。该模型可以较好地适应生产过程中的动态变化。     

基于多Agent协同跟踪调度技术研究

为了减少时效性要求较高的动态目标跟踪的调度时间,提出了一种基于多Agent的自适应协同跟踪平台选择算法。首先,提出Agent模型的应用;然后,以最小化调度时间和跟踪误差为目标建立适应度函数,采用合同网结合二值粒子群优化的方法,选出针对特定目标的最佳跟踪平台组合。仿真结果表明,与现有的几个算法相比,该方法有效减少了调度时间,提高了跟踪精度,适用于实时性高的高速运动目标跟踪。     

基于改进遗传算法的星地任务优化调度研究

星地任务优化调度是利用特定的星地资源合理地安排星地任务。由于星地任务众多而资源有限,而且星地任务受星地可见性以及多方面约束,星地任务调度问题十分复杂。针对星地任务的特点,建立了星地任务调度问题模型,提出了基于改进遗传算法的星地任务优化调度算法。算法采用按适应度排名轮盘赌选择、顺序交叉、随机对换变异的算法要素。针对遗传算法局部搜索能力弱的特点,提出了利用爬山算法优化新一代个体的方法,以增强遗传算法的局部搜索能力,给出了基于改进遗传算法的星地任务调度算法。     

基于MapInfo的城市物流配送信息查询系统研究

研究了城市物流配送信息查询系统.根据城市交通网络的特点,运用结点-弧段-有向线结构描述交通网络,利用动态分段技术建立了基于MapInfo的配货网络数据库.充分考虑了配货路线短、用时少,费用低的特点,提出了一种物流配送最优路径算法.采用Delphi和MapInfo集成开发方式,设计了城市物流配送信息查询系统,实现了输入查询信息或直接对地图操作来获得配货最优路线,提高了城市物流配送的便利性和高效性.     

基于辩论的多Agent商务谈判认知模型

针对在基于辩论的谈判中如何表示Agent的认知结构和决策机制的问题,提出一个应用于商务谈判的Agent的认知决策模型。该模型由卖方和买方Agent两部分构成,其中,Agent的认知结构用自我目标认知以及对对方的目标认知等集合来表示,Agent的决策用多目标优化模型来辅助进行。基于辩论的谈判实例验证了该模型的实用性。     

云物流模式下基于最大覆盖配送中心的选址—分配问题研究

为了实现物流资源利用率的提高和物流成本的降低,根据"云"的思想,建立了云物流下基于最大覆盖的选址—分配的多目标非线性决策模型,该模型的目标是配送中心的选址优化和整体需求覆盖最大化。设计了基于遗传和粒子群的组合式启发式算法,对算法的性能进行了Benchmark测试。通过大量算例和对比分析,验证了模型和算法的有效性和稳定性。     

多配送中心物流车辆调度的改进差分进化算法

多配送中心物流车辆调度问题是一类实用性很高的NP难解问题。针对标准差分进化算法进化过程中缺乏动态调整,进化后期由于种群多样性的降低,算法容易陷入早熟收敛的问题,提出了一种改进的差分进化算法。该算法在变异过程中动态自适应地调整缩放因子,在交叉过程中通过高斯扰动增加种群的多样性,在变异操作之后,加入新的选择机制。将该算法应用于多配送中心物流车辆调度问题,建立了数学模型,介绍了该算法的详细实现过程。仿真通过和遗传算法和标准差分进化算法比较,表明该算法具有更好的寻优效果,从而证明了该算法应用于该问题的可行性和有效性。     

网络交易中多Agent协商策略的研究

网络购物是当今社会发展的必然趋势,如何在丰富的网络资源中选择自己需求的商品达成交易是关键。因此根据Agent技术的特点,采用Agent技术对网络资源进行收集、选择、提取,获得用户满意的商品信息,并提出了一种多Agent协商策略模型,收到对方提出的意见后通过经验值和互助机制作出一定的判断,看是否达到预期的效果给出相应的反映。该模型主要通过经验值的积累,准确掌握对方的信息,制定出一套协商策略,采用利益随机调整方式选择对策,促进协商成功。经过实验证明,此算法有效。     

物流配送网络环境中移动代理路径寻优

将蚁群算法的基本原理用到物流配送网最短路径搜索中,对降低配送成本有重要意义。针对物流配送网带约束的路由选择问题,分析了自然界中蚂蚁卓越的选路行为,提出了一种基于ant-like移动代理的路径选择算法（ORA）。该算法利用ant-like移动代理采集物流配送网络中各节点的详细信息,以网络延迟和费用为QoS参数,建立了一个满足延迟约束达到费用最小化模型;同时采用多个ant-like代理选径策略来求路径最优解,以缩短路由重构的时间,延长了网络的生存时间。分析和仿真实验结果都证明该算法是有效的。     

基于分布估计蛙跳算法的云资源调度方法

针对云计算环境中的资源调度很少同时兼顾最短完成时间和最低服务成本的问题,设计能够综合反映时间和成本的适应度函数,在此基础上提出了基于分布估计蛙跳算法的云资源调度方法。结合遗传算法的交叉操作重新定义蛙跳算法的进化算子,使其适用于整数编码的调度问题;引入分布估计进化策略,突破了标准蛙跳算法搜索模式的局限,使算法具有更全面的学习能力。仿真实验结果表明,在云资源调度问题的求解中,该算法的收敛性能和寻优能力均优于标准的蛙跳算法和分布估计算法。     

沿河发展型城市物流配送路径的优化模型及算法

针对沿河发展型城市物流配送路径的优化问题,建立相应的数学模型,并在传统物流配送路径优化问题的经典算法——遗传算法的基础上,提出了一种新算法。该算法通过设计一种选择性部分匹配交叉算子和选择性倒置变异算子,加快了最优解的搜索速度,从而更快地求得最短回路,再结合沿河发展型城市的实际地理环境,得到符合实际的物流配送最优路径。通过实例和仿真分析,表明了算法的有效性和优越性。     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。