基于蚁群算法的农机混流车间配送路径研究

为解决农机装备混流车间线边库存高、配送路径难规划的问题,以最小配送距离和线边库存为优化目标,考虑运载能力约束和线边生产需求,对配送路径进行研究,建立了基于配送路径和线边库存的优化模型。使用蚁群算法设计栅格环境地形,规定车间内配送小车的可行区域,在可行区域内进行工位间配送路径规划,确定工位间最短配送路径和距离,通过改进蚁群算法的状态转移概率,引导蚂蚁提高装载率,有助于蚂蚁寻找全局最优解。以某拖拉机总装车间为实例,验证了优化模型和改进蚁群算法的有效性。     

基于蚁群算法的供应链物资配送系统优化

针对供应链物资配送系统的优化问题，提出了综合配送中心选择和配送路线优化，即在通过遗传算法选好配送中心的基础上，进一步通过蚁群算法（Ant Colony Algorithm）来优化配送路线。并重点讨论了蚁群算法对配送路线的优化。     

面向ASP应用的多目标物流配送路径算法研究

探讨了在将第四方物流和ASP引入到物流配送活动中后，如何规划物流配送中车辆安排和路线优化的MVRP问题。提出了一种先分类再确定路线的二阶段法优化算法，该算法首先采用“容重比平衡法”确定车辆配装，然后设计一种改进遗传算法对配送路线进行优化。通过改进遗传算法进行“群体位元交配”、变异率逐代递减等操作来优化多车辆配送路线，避免搜索范围过小和陷入局部最优现象，最后采用固定字串长度(FSL)的二元矩阵编码方式解决了各车辆配送站点数目不相同的问题。     

空港物流暂存区货物分拨配送问题研究

空港物流地面暂存区爆仓和配送车辆装载率低的问题一直亟待解决。基于航空公司暂存区货物入库和出卡流程,考虑航班的到达时间、货物目的地、货物件数和货物重量等信息,以货物在暂存区的滞留时间成本和配送车辆运输成本之和最小化为目标建立混合整数规划模型,并设计了聚类算法。基于MU航空公司的真实数据生成算例进行模拟计算,并与该航空公司实际分拨配送方案进行对比,验证了所提方法的有效性。结果显示,优化后货物分拨配送方案的货物在暂存区的平均滞留时间减少了32%,配送车辆装载率提升了32%,总成本降低了31%,为解决空港物流地面暂存区爆仓问题提供了决策支持。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型。提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路。最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比。试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型.提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路.最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比.试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的.     

三维装载约束下基于运输资源共享的车辆路径问题

针对车辆路径问题研究在三维装载方式和运输资源共享模式结合方面存在的不足,提出三维装载约束下基于运输资源共享的车辆路径优化策略。首先,结合客户点地理位置特征和服务时间窗属性确定多个服务周期,建立了多个服务周期内物流运营成本最小化和车辆使用数最小化的双目标优化模型。其次,设计了集成k-means时空聚类的Clarke-Wright—非支配排序遗传算法求解模型,该算法引入Clarke-Wright节约算法以提高初始解的质量,并结合非支配排序遗传算法提高了混合算法寻找优化解的全局和局部空间搜索能力。最后,结合实例数据对所提方法进行了计算验证,给出了三维装载约束下基于运输资源共享的车辆路径优化方案并探讨了不同车厢空间分区模式下物流运营总成本、车辆使用数、车辆平均装载率和车辆平均使用频次的变化情况。研究表明：根据客户需求货物种类数和货物规格划分配送车辆装载空间,可有效降低物流运营总成本,减少配送车辆使用数,增加车辆共享频次和有效提高车辆平均装载率,并可为基于运输资源共享的三维装载物流网络优化问题提供决策参考和方法支持。     

带时间窗的多中心半开放式车辆路径问题

针对多中心协同配送下的车辆路径问题，建立了总成本最小化模型，所建模型满足多中心、多需求点和半开放式的特征。考虑到问题的复杂性，设计了一种三阶段求解算法：将K-mediods聚类算法用于原始数据分解，将原规模较大的多配送中心路径问题转换成多个单配送中心路径问题；设计了改进多蚁群算法来求解单配送中心路径问题，得到初始方案；在调整阶段，利用节约算法优化初始方案。分析了算例，并同其他文献的算法求解结果进行对比，结果表明，所提算法比GA-ACO算法求解得到的单中心配送最优路径值减小32.16%，总成本减小30.42%；比狼群算法解得的最优路径值和总成本均减小8.99%；比蚁群算法求得的最优路径值减小24.76%，最小配送成本减小3.40%，从而验证了所建模型的合理性和所设计多阶段算法的有效性。     

多中心冷链共同配送路径优化及利润分配研究

针对多中心冷链共同配送车辆路径优化研究在生鲜商品新鲜度、资源共享以及合作利润分配机制方面研究的不足，提出了新鲜度约束下多中心冷链共同配送车辆路径优化及利润分配问题。首先，在满足生鲜商品新鲜度要求的前提下建立以车辆配送总成本最小为目标的车辆路径优化模型。其次，根据模型特点，应用K-means聚类算法确定客户点的服务关系，设计改进的混合蚁群算法进行求解。最后，利用Shapley值利润分配模型计算不同联盟体下各企业的利润分配值。结果表明冷链物流企业之间通过联盟合作，可以增加企业利润，且联盟规模越大，企业获利越多。     

考虑碳排放的多产品多目标供应链协同优化

针对供应链配送环节车辆产生的碳排放量问题,以时变网络下车辆变化的速度为关键变量,建立了考虑碳排放量目标的,将生产时间、库存时间和配送路径协同优化的模型,同时考虑了产品种类、客户需求时间窗、车辆满载率及装卸时间等约束。提出了粒子群算法与蚁群算法相结合的混合粒子群算法对模型进行优化计算,并设计了两段实数的编码、解码方式。使用蚁群算法的信息素强度方式更新粒子群算法的粒子方向,使粒子在更新过程中保留方向性和记忆性。通过对数值算例的仿真优化与结果对比分析,验证了模型的合理性和算法的有效性。     

混合时间窗下多中心混合车队车辆路径优化

针对混合时间窗下多中心混合车队车辆路径优化问题，综合考虑多中心联合配送、客户混合时间窗、配送中心运力平衡和车辆装载量对油耗的影响，构建以车辆派遣成本、油耗成本、电动车能耗成本和时间窗惩罚成本之和最小化为目标的优化模型。设计遗传—大邻域混合算法求解模型，该算法采用聚类法生成初始解，基于运力平衡的返回策略设计交叉和变异算子，并引入变邻域搜索结构和大邻域搜索算法的移除与插入算子进行搜索优化。通过对比和分析多组算例验证了算法的有效性，并分析了运力平衡策略和混合时间窗对制定配送方案的影响。研究成果可丰富车辆路径问题的相关研究，为物流企业优化决策配送方案提供了理论依据。     

基于蚁群算法的车间配送路径优化的仿真研究

介绍了蚁群算法的基本原理及算法的实现,并用蚁群算法来解决车间配送系统中的路径优化问题.通过VC6.0进行实例仿真,取得了很好的搜索效果,表明该方法能有效的发现最优解.     

车辆货物配装过程建模与优化决策

以家电企业配送为例研究车辆和多品种货物的配装问题。以配送中心车辆运力最大化为目标,研究如何对货物进行装车调配、优化处理来提高车辆的装载效率,以降低配送运输成本。对车辆类型、体积、载重额、客户优先级以及按区域配送线路等约束条件和目标函数进行系统分析,建立车辆货物配装数学模型。运用物流仿真软件建立货物配装的动态仿真模型,用遗传算法对配装过程进行优化,得出装载货物顺序编号的决策方案。仿真统计结果分析表明该仿真模型可以使顾客需求货物满足车辆容重约束并按优先级依次装车时的价值最大,车辆的载重量和有效容积利用率达到90%以上,降低了配送成本。     

基于改进蚁群算法求解带软时间窗的车辆路径问题

针对带软时间窗的车辆路径问题(VRPSTW),建立以配送成本为优化目标的混合整数规划模型，提出一种改进蚁群算法(IACO)求解该问题。在传统蚁群算法(ACO)的基础上，改进蚂蚁状态转移概率公式，通过自适应调整信息素挥发系数改进信息素更新策略，设计插入算子和交换算子嵌入变邻域局部搜索，并设置开始和退出局部搜索的条件，更新当前局部最优解。选取Solomon标准测试集里3类不同规模的算例，测试算法改进效果，以客户规模为100的C类算例验证所提算法求解较大规模算例的可行性，并与传统蚁群算法以及其他文献中的算例结果进行对比。实验结果表明，改进蚁群算法的寻优能力高于其他算法，求解得到的最优配送方案能够实现更低的车辆配送成本，从而验证了改进蚁群算法的有效性。     

基于动态需求的多车型车辆配送路径优化研究

基于实际物流配送中客户需求的动态变化特性以及配送车辆的多样化,首先,提出多车型情形下的动态需求车辆配送路径优化问题,并以配送成本最小化为目标建立了两阶段车辆配送路径规划模型;其次,在初始配送路径优化阶段,采用了遗传算法得出车辆配送线路方案;在实时优化阶段,通过关键时间点将动态变化的需求转化为静态的需求,并采用了遗传算法进行分析求解。最后通过对JLD物流公司的实际需求数据进行研究,改变JLD专线路的原则,重新规划车辆的行驶线路,并与JLD的实际配送方案进行对比分析,发现基于动态需求的多车型模型有效的减少了配送车辆数并降低了运输成本。     

汽车零部件厂内线边物料配送路线优化方法研究

针对某汽车制造公司线边物料配送存在的路线循环、资源浪费等问题,以牵引车配送路线和载重为研究对象,以牵引车路径最短为优化目标,建立物料配送路线优化问题的整数规划模型,通过改进的遗传算法进行优化求解.利用汽车公司实际数据对模型的应用情况进行了实例验证,并通过对比分析验证了模型和算法的优越性.结果表明：该模型和算法能很好地解决实际生产中的问题,提高了资源利用率.     

基于改进遗传模拟退火算法的刀具准时化配送路径规划

为了解决准时生产下的刀具准时化配送路径规划问题,在对数控车间刀具配送流程进行分析的基础上,建立以工序平均满意度和配送车辆数为优化目标的带模糊预约时间窗的刀具配送路径模型。采用改进遗传模拟退火算法对该模型进行求解,在标准遗传算法的基础上,使用模拟退火算法改进遗传算法的变异算子,通过最佳保存策略和排序选择法结合保护最优个体,并辅以自适应交叉概率。最后,通过具体实例证明了该方法解决刀具准时化配送路径优化问题的有效性与可行性。     

沿途补货的多车场开放式车辆路径问题及蚁群算法

针对大区域多仓库多需求点的物流配送系统,建立了基于沿途多点补货策略的开放式车辆路径问题模型,强化了区域之间物流资源的整合和配送路径的跨区域优化。根据该模型需货车沿途多次访问仓库补货的特点,提出了带补货控制因子的蚁群算法。利用补货控制因子对仓库和需求点的区别赋权,控制了货车对仓库的访问时机和次数,从而解决了多仓库且车辆装载能力有限的开放式配送网络中货车沿途补货的问题。仿真试验表明了该算法的有效性和稳定性。     

具有同时集送货需求的车辆路径问题的自适应混合遗传算法

为满足配送货物和收集货物的需求,给出了具有同时集送货需求的车辆路径问题的混合整数规划模型,设计了求解该模型的自适应混合遗传算法。该算法以最优划分方法计算适应值,邻域搜索法作为变异算子,设计了新颖的交叉算子和群体更新策略,定义了群体多样性结构和变异概率的变化规律。通过仿真实验,并与已有优化算法比较,表明该算法是求解具有同时集送货需求的车辆路径问题和一般车辆路径问题的一个有效方法。     

基于一种改进算法的单车场多车型车辆调度研究

针对目前配送中心对其辐射范围内的需求点合理调配各种车型及确定每辆车的配送路线问题,提出一种新的单车场多车型调度算法,该算法综合运用了最邻近算法和遗传算法的相关原理,结合二者在路径优化方面的优点,通过验证相比其他算法能够提供更加合理的配送路线,为解决此类问题提供了一套选择方案.