大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

一种面向维修资源配送调度的遗传-烟花混合算法

为减轻资源供应不及时对维修活动顺利开展的影响,本文针对配送式供应保障,基于带时间窗的多配送中心车辆路径规划问题提出了一种半开放式的协同配送调度模型,使得多个资源库存中心之间达成了协同合作与互相保障,从而减少了资源的供应时长和调度成本,提高了全局调度效率。为高效地求解该模型,本文提出了一种遗传-烟花混合算法,混合算法在经典遗传算法的基础上引入了烟花算法的爆炸算子以增加种群优秀个体的数量,丰富种群基因的多样性,从而提高算法的寻优能力。通过仿真实验对比,证明了爆炸算子对遗传算法容易“早熟”的缺点有所改善,且混合算法具有更高的求解效率。     

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。     

军用补给舰船路径规划改进混合算法

针对军用补给舰船路径规划问题,需要找出各个配送节点之间的最短路径,用以指导军用补给舰船的调度,提出一种将粒子群优化算法与改进的遗传算法相结合的新方法,规划补给舰船的路径,使其能够快速有效地为战斗舰船配送军用物资。对基本遗传算法进行了改进,然后将其与粒子群算法中相结合,同时利用粒子群算法来对遗传算法的变异方向进行引导,加快了其收敛速度,使得算法的效率和功能得到了很大提高。通过对该改进混合算法求解海战军用物资运输路径优化问题的性能进行仿真,并与自适应遗传算法和免疫遗传算法进行对比分析,验证了提出的算法的优点和有效性。     

基于时空聚类求解带容积约束的选址-路径问题

选址-路径问题是供应链管理和物流系统规划中的一个重要问题,对总成本具有十分重要的影响.对考虑配送中心容积约束的带时间窗的选址-路径问题进行研究,建立以总成本最小和客户满意度最大为目标的多目标规划模型,提出两阶段算法对其进行求解.首先,利用k-means聚类算法确定配送中心选址;然后,提出一种基于时间-空间双因素的客户划分方法以确定配送中心所服务客户;最后,利用粒子群算法对各配送中心的配送路径进行规划.数值算例表明,所提出的算法较其他已有算法,均能有效地降低物流运作总成本及总配送路径长度,为解决带容积约束及时间窗的选址-路径问题提供了一种新的解决思路.     

考虑动态拥堵的多车型绿色车辆路径问题优化

为降低物流配送成本,促进碳减排,提出一种考虑动态拥堵的多车型绿色车辆路径优化方法.针对常发性道路拥堵状况,将配送时间划分为若干时段,以道路拥堵系数反映不同时段的拥堵状况,同时考虑到碳排放、多车型和客户时间窗的影响,建立以系统总成本最小为目标的绿色车辆路径优化模型,设计求解模型的头脑风暴优化算法.结合算例,对该问题进行仿真,将结果与遗传算法进行对比,验证了模型的可行性和算法的有效性,表明考虑多车型配送和动态拥堵可以有效降低系统成本.     

考虑客户满意度的多配送站低碳物流路径规划

针对电商物流路径规划设计问题,首先,基于综合模态排放模型(CMEM),建立包含多个配送站的碳排放量模型,将碳税成本作为物流配送过程中的一部分.其次,考虑到客户的时间窗限制,构建客户时间窗扰乱罚金函数,根据客户时间窗限制和碳排放量模型,建立考虑客户满意度的多配送站低碳物流路径规划模型.再次,在算法设计阶段,考虑到问题的NP-Hard特性,设计了矩阵编码方式和贪婪启发式初始化策略,设计了多个果蝇种群同时进化的多种群进化机制,并设计了子种群个体之间的交流互动机制.最后,通过实例验证了模型和多种群果蝇优化算法的有效性,并就物流成本、环境保护、客户满意度三者之间的均衡关系进行了探讨.     

两阶段组合优化算法的农产品物流配送中心选址研究

提出两阶段组合优化算法的农产品物流配送中心选址算法。以农产品物流配送中心选址假设为基础,采用基于聚集度的启发式算法划分客户类别,确定备选配送中心的配送界限;以配送服务的可靠性最大化为目标,以配送总成本为约束条件,建立农产品物流配送中心选址的优化模型,使用免疫算法求解优化模型。实验结果表明,算法可有效获取最佳农产品物流配送中心选址,所选取配送中心到各配送点的运输费用较低,到达各个配送点的运输距离均未超过600元/吨;所选取配送中心到各个配送点的距离最小。     

基于模糊时间窗的智慧物流越库调度仿真研究

在越库配送中商品和货物到了配送中心后直接可在站台上向客户配送,能够有效降低库存和运输成本,但是对车辆调度效率要求较高。若进出站台的车辆得不到精准排序,会直接影响货物出站时间。为进一步提升越库调度效果,提出基于模糊时间窗的智慧物流越库调度方法。基于物流越库类型的分析结果,结合模糊时间窗制定调度目标函数以及约束条件,构建物流越库调度模型。引入萤火虫算法对调度模型求解,获取模型最佳目标函数值,输出模型调度结果,实现智慧物流的越库调度。实验结果表明,上述方法对物流越库调度模型的求解与最优解的差距最小,且物流调度范围对其影响不大,可在10s之内完成智慧物流的越库调度,应用效率较高。     

考虑逆向物流第三方配送的选址路径问题研究

针对电子商务退货的大量产生,提出一种送取一体化的配送方式,第三方物流和自建物流结合的逆向物流配送策略。选址和路径问题LRP（Location Routing Problem）成为了很多物流配送企业正在面对和急需解决的难题。为了降低配送方式成本以及提高客户满意度,利用改进的遗传算法,首先在自建物流成本中加入时间窗惩罚函数,偏远地区的配送采用第三方物流配送方式,建立送取货为一体的逆向物流选址路径模型;然后针对问题的复杂性设计一种改进的遗传算法对模型进行求解,采用时间分布思想初始化种群,引入局部搜索算法,设计自适应的改进遗传算法;最后采用实验进行数据分析,通过物流成本的降低、运行时间的减少、运行效率的提高等数据验证了模型的可行性以及算法的有效性。     

Routing with time-windows for multiple environmental vehicle types

With the goal of reducing cost, improving customer satisfaction and controlling the environmental pollution, a environmental routing optimization problem with time windows and multiple vehicle types is proposed by considering the concept of low-carbon logistics. A multi-objective vehicle routing problem (VRP) model with soft time-windows for multiple environmental vehicle types is presented, and a hybrid genetic algorithm (GA) is designed. Based on the experiments, the effectiveness of the algorithm is examined. With Pareto analysis, the relationship among the three objectives (distribution cost, customer satisfaction and environmental pollution) is examined. Sensitivity analysis is conducted to identify the influence of different type vehicle on the environmental performance. The results shows that the vehicle speed has strong correlation with the operation cost and environmental pollution, while the load capacity affects the operation cost, customer satisfaction and environmental pollution.     

时变路网下带混合时间窗的车辆路径问题

针对时变路网下带混合时间窗的车辆路径问题,综合考虑多中心联合配送、混合时间窗、车辆行驶速度连续变化及车辆行驶速度、载重量对油耗的影响,以车辆派遣成本、油耗成本及时间窗惩罚成本之和最小为目标建立优化模型,并设计自适应遗传-大邻域搜索算法对其进行求解。该算法采用自适应交叉、变异以加快种群寻优速度,并引入时差插入法改进交叉算子和变异算子,嵌入移除算子和插入算子对可行解进行摧毁和重建以增加种群的多样性。通过多组算例验证算法的有效性,并分析了混合时间窗客户的比例变化及车辆行驶速度变化对车辆调度方案的影响,结果表明自适应遗传-大邻域搜索算法较基本算法有着更好的求解性能。该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理论依据。     

基于配送收益均衡的多目标绿色车辆路径优化算法

针对电商平台物流中的碳排放成本较大以及配送过程中配送员收益不均衡的情况,为满足平台减少物流成本和人力成本的需求,提高车辆配送效率,降低碳排放量,实现低碳绿色出行,研究带有时间窗、配送收益均衡的多目标绿色车辆路径规划问题,并设计混合智能求解算法.首先,建立基于行驶速度的燃油消耗、基于模糊客户满意度的惩罚成本和配送收益均衡函数,构建以最小化燃油消耗量、惩罚成本和配送收益方差为目标的多目标绿色车辆路径模型;然后,将变邻域搜索算子融入NSGA-II算法,设计求解上述模型的多目标进化优化算法,以提高算法的寻优性能;最后,选择Solomon中的18个测试数据集进行实验,通过与2个模型和3种算法的超体积值和knee点值进行对比,验证所提出模型的可行性和算法的有效性,为降低碳排放量、实现低碳绿色出行提供新方案.     

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。     

一种基于蚁群算法的物流配送VRP 解决方案

物流配送是目前物流发展的新趋势,在物流配送中,配送路径规划对于顾客的满意度以及经营总成本有相当大的影响。通过应用蚁群算法,实现了物流配送VRP的优化过程,建立的算法能在短时间内找到最佳车辆数及对应的最佳配送路径。通过数据测试,发现该算法收敛性较好,在较高服务水平的基础上,明显降低了配送成本。     

基于改进粒子群算法的物流配送车辆调度优化

车辆优化调度是提高物流企业运营效益的重要因素,针对标准粒子群优化算法存在的不足,提出一种改进粒子群算法（IPSO）的物流配送车辆调度优化方法。建立物流配送车辆调度优化的数学模型,将车辆与车辆路径编码成粒子,通过粒子之间的协作找到最优物流配送车辆调度优化方案,并对粒子群算法存在的不足进行了相应的改进,最后给出仿真实验对其性能进行测试。实验结果表明,IPSO算法不仅加快了物流配送车辆调度优化问题求解的速度,而且获得了最优解的概率,具有比其他调度算法更明显的优势。     

B2C电子商务中物流配送路径优化的模型与算法

通过将B2C电子商务企业的实际物流配送网络描述为由配送中心和顾客两类节点构成的不完全无向图，建立了0 1整数规划的物流配送路径优化模型．该模型属于一类改进的多设施车辆路径优化模型，具有NP难性质．为了求解上述模型，首先利用FLOYD算法求得不完全无向图中各节点间的最短路径和最短路径长度，然后设计了捕食搜索算法对模型进行求解．通过仿真实例计算，并与遗传算法比较，取得了满意的结果．     

基于小生境遗传算法的物流配送路径优化研究

通过对物流车辆配送过程的分析,建立了带时间窗约束的物流配送路径优化问题的数学模型。针对遗传算法具有早熟的缺点,将小生境技术引入遗传算法,构建小生境遗传算法。最后,将小生境遗传算法应用于所建立的物流配送路径优化模型的求解,实验结果表明小生境遗传算法在一定程度上可以避免标准遗传算法早熟现象的发生,提高了其求解物流配送路径优化问题的效率。     

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。