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。     

多车型动态需求车辆路径问题建模及优化

针对现代物流配送系统中客户需求动态变化、配送中心车型多样化以及车辆行驶路线开放式的特点,建立了多车型开放式动态需求车辆路径问题的两阶段数学规划模型。制定了相应的预优化路线调度和实时动态调度的两阶段求解策略,提出了混合2-OPT量子进化算法的求解方法,设计了一种将常用的整数编码转换为量子比特的编码方法,每一个染色体都代表一种行车路线方案,对于量子进化算法求得的行车路线方案,引入2-OPT优化方法,对线路内的子路径进行局部调整,进一步提高了算法的收敛速度。最后通过实例测试及与其他算法的比较,验证了该方法的有效性。     

基于车辆共享的软时间窗动态需求车辆路径问题

为解决配送机构的乍辆有时不能满足客户需求的问题,同时降低物流配送成本,节约资源,基于产品服务系统的理念.引入车辆共享机制,结合时间窗、多配送中心和现代物流客户需求动态变化的特点,建立了基于车辆共享的软时间窗多配送中心动态需求车辆路径问题的两阶段数学模型,并设计了混合3-OPT量子进化算法对各阶段模型进行求解.通过算例测试及与其他算法进行比较,表明该算法能快速有效地求解此类动态需求的车辆路径问题.最后对影响算法性能的种群规模参数进行了分析.     

动态需求低碳开放式选址—路径问题

针对需求动态变化对选址及配送路径碳排放的影响,提出了预优化和实时优化的两阶段选址—路径问题,建立了相应的低碳动态需求开放式选址—路径模型,设计了四阶段混合量子差分进化算法进行求解。通过构造最优差分变异策略,并将其与动态量子旋转门及贪婪量子选择方式相结合进行解的更新及改善。仿真实验结果表明碳排放量与需求正相关,采用实时响应策略使目标成本降低15.05%;与其他3种算法相比,所提算法具有较好的搜索能力,能满足实时调度的要求。     

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...     

基于多层分解法和遗传算法的动态智能补货模型

为提高协同补货的高效性和智能性,运用多层分解法模型,建立了基于多智能体的分销链协同补货模型.在借鉴前人库存成本优化理论的基础上,以需求预测更新、惩罚或激励机制为前提,给出了基于传统规划理论的动态补货Agent和基于不同权重的协同补货Agent.案例分析了以补货量为变量的分销链两层公司广日j的补货期望成本优化问题,并运用遗传算法进行模拟,验证了动态补货Agent中的随机需求变化和协同补货Agent中的权重变化对分销链补货量和补货成本的动态影响.该模型和仿真结果表明,基于多智能体的动态协同补货模型具有动态性、交瓦性和智能性的特性,是有效可行的.     

一种有效混合量子进化算法求解带容量约束的车辆路径优化问题

针对带容量约束的车辆路径优化问题,提出一种有效混合量子进化算法。设计了基于二维量子位观测模型和可见度的解生成方式,实现了由该模型引导的全局搜索,将其用于发现解空间中的优质解区域;构造了一种基于客户间距离相近度的交换操作来提高解的质量;提出基于问题性质的交换和逆转操作来构造两阶段混合变邻域局部搜索,可对优质解区域进行快速细致的搜索,使算法的全局和局部搜索能力得到平衡。通过不同规模经典测试问题上的仿真实验和算法比较,验证了所提算法的有效性和鲁棒性。     

一种新的求解多目标随机需求车辆路径问题的算法

为优化带时间窗的随机需求车辆路径问题,建立了基于模糊满意度的多目标数学规划模型,并提出了一种基于量子进化算法和粒子群算法分段优化的方法求解Pareto解。第一阶段使用量子进化算法获得一定规模和精度的Pareto候选解,提出了概率选择最优解和可变旋转角改进变异算子;第二阶段通过转换将候选解映射到连续空间,利用粒子群算法继续搜索Pareto最优解。引入了节点交换策略进行邻域搜索,避免算法早熟。为保持Pareto解的分散性,提出了一种自适应网格算子。通过对benchmark仿真与非支配排序的遗传算法的比较,验证显示了算法的有效性。     

动态物流网络多目标优化模型及求解算法

针对动态物流网络优化问题,构建了多阶段三级物流网络模型。为了同时保证物流网络的效益和效率,以产品供应总成本最小和供应总时间最短为目标建立多目标优化模型。针对该模型多目标、多约束且存在时变参数的特点,提出了动态自适应多目标差分进化算法(DSMODEA)对模型进行求解。DSMODEA算法为元启发式智能优化算法,通过比较种群个体的Pareto支配关系和拥挤度距离来判断个体优劣,采用差分进化策略不断迭代收敛。同时,提出了环境变化检测算子、环境变化响应策略和自适应策略以保证算法能很好地求解动态优化问题。算例表明,DSMODEA算法能够求得各阶段物流网络的最佳可行供应方案,且所采用的响应策略和自适应飞行策略大大提高了算法的性能。     

基于多车辆路径问题模型的信通机房巡检路线优化

对信通机房巡检路线进行优化,利用巡检路线优化问题具有带容量约束的多车辆路径问题特点,以巡检总天数最少、总巡检工作时间最短为目标,建立信通机房巡检路线规划问题优化模型,并利用改进粒子群算法对优化模型进行求解。通过海宁地区一个巡检路线优化实例进行验证,结果表明,所提改进粒子群算法能有效求解优化问题,应用该优化模型可以缩短巡检天数,提高巡检工作时间利用效率。     

A hybrid electromagnetism algorithm for multi-depot periodic vehicle routing problem

Electromagnetism algorithm is a meta-heuristic proposed to derive approximate solutions for computationally hard problems. In the literature, several successful applications have been reported for graph-based optimization problems, such as scheduling problems. This paper presents a novel hybrid electromagnetism algorithm called SA_EM to solve the multi-depot periodic vehicle routing problem (MDPVRP). The main feature of the hybrid algorithm is to hybridize the solution construction mechanism of the electromagnetism (EM) with simulated annealing (SA). Moreover, during implementing the hybrid algorithm, cyclic transfers, an effective class of neighborhood search is applied. The objective consists of two terms as follows: total traveled distance at each depot and total waiting time of all customers to take service. Distances are assumed Euclidean or straight line. These conditions are exactly consistent with the real-world situation and have little attention in the literature. Finally, the experimental results have shown that the proposed hybrid method is competitive to solve the vehicle routing problem compared with the best existing methods in terms of solution quality.     

开放式动态网络车辆路径问题的粒子群算法

针对现有车辆路径问题模型对动态性和开放性的约束限制,建立了开放式动态网络车辆路径的数学模型,使用连续时间依赖函数表示动态网络,并提出了基于惯性权重自适应调整和状态分类更新的粒子群算法求解该问题。根据社会认知理论,每个粒子依据当前位置与种群最优位置和自身历史最优位置的相对关系,动态调整自身的惯性权重。为避免早熟收敛,增加群体的多样性,使用分类更新策略。对于优秀的粒子,通过计算信息熵,使用特殊的状态更新公式计算其状态;对于适应度低的粒子,通过公告板统计出现的频率,进行粒子更新。通过实验仿真,对算法的参数进行了分析,并通过与其他算法的比较,验证了该算法的有效性。     

逆向需求动态出现的混合集散货物路线问题

研究了逆向需求动态出现的混合集散货物路线问题.将问题的求解过程分为静态和动态两个阶段,每个阶段分别用记录更新算法求解.记录更新法中采用随机大邻域搜索法及重起和扰动策略来提高解的质量,并通过约束邻域搜索范围和设计常量可行性检查两种策略来减少计算时间.通过算例表明了该算法的有效性,同时也表明将动态出现的逆向需求实时整合到已有路线中,比为动态需求单独安排配送更为经济.     

基于混合粒子群算法的多目标车辆路径研究

为解决多目标下带时间窗车辆路径的优化问题,提出了将粒子群算法与变异操作相结合的求解方式.设计了一个随迭代次数增加而变化的变异算子,采用轮盘选择机制,以使多目标离散问题能收敛到Pareto最优解集,并在Pareto曲线上有均匀的分布.采用随机键,将连续的粒子位置向量转化为离散的解向量,并通过提出相对最短距离法来评价解集的优劣.所提出的无间隔编码方式,减少了算法的无效迭代.通过实验,验证了该方法的简单有效性.     

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。     

高超声速飞行器多学科优化建模方法

为建立高超声速飞行器多学科设计优化软件系统,研究了一种面向多学科设计优化的建模方法.通过分析系统分解带来的学科设计冲突,建立了两种多学科连续性条件.据此连续性条件,结合现有飞行器设计流程,提出了一套建立多学科设计优化模型的方法,包括系统分析模型和系统优化模型.针对高超声速飞行器方案设计,研究了包含弹道/控制、气动、超燃冲压发动机、结构、热保护系统等五个学科的多学科设计优化问题.采用所研究的多学科设计优化建模方法,构造了系统级模型,并在框架软件中按照此模型集成各学科软件,建立了高超声速飞行器多学科设计优化软件系统.     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

随机动态装卸车辆路径问题的启发式求解策略及仿真研究

以同时最小化顾客期单等待时间和车辆期望等待时间为目标函数,建立了随机动态装卸车辆路径问题的数学模型,提出了求解该问题的两种启发式求解策略--最近邻策略和堆栈策略,推导出两种策略总期望等待时间的上界,并对两种策略在不同需求情形下的表现,以及目标函数与参数之间的关系进行了仿真.仿真结果表明,需求密集和需求稀少时最近邻策略优于堆栈策略,需求中等时堆栈策略优于最近邻策略;两种策略分别存在最优服务强度,且最近邻策略的最优服务强度大于堆栈策略的最优服务强度;堆栈策略存在最优堆栈长度,且最优堆栈长度同时受服务强度和顾客平均到达率的影响.