带有时间窗口的富网络配送问题研究及仿真

通过建立GIS富网络路网属性模型,并组合N阶最短近邻自适应聚类算法和遗传算法,来解决不确定车辆数目、较大规模网点和多层次交通网络的带时间窗口的联合配送问题。首先,为了解决传统带有时间窗口车辆线路调度模型中配送网点规模小(不超过20个网点)的问题,以及在建模时将各网点抽象为图的顶点的缺陷,建立基于实际道路数据的网络数据集,采用GIS技术精确计算各网点之间的距离,并建立距离OD矩阵;然后,为了降低对较大规模网点配送算法设计的复杂度,采用N阶最短近邻自适应算法确定聚类簇数,再通过聚类数划分配送网点。其次,为了确定配送车辆的种类、车辆数目以及时间窗口的限制,利用遗传算法对配送线路进行优化。最后,通过2个实例验证了所提方法的有效性。     

基于模糊C-均值聚类的TSP演化算法

提出了一种基于FCM聚类的TSP演化算法。该算法以聚类中心为新的结点组成一个简单的TSP问题,用演化算法寻求其最短路径。在最短路径中,对于每一聚类,可寻求其距前面的聚类和后面的聚类最近的两结点之间的最短距离,若其中的结点较多,则再次演化得到其最短路径,若结点较少,则可用Warshall算法可得到最短路径。通过三个阶段的演化可得到较好的结果。     

基于聚类的城市共同配送海量订单调度问题研究

针对云物流环境下城市共同配送海量订单调度难的问题,本文提出基于订单聚类的调度算法.首先针对单中心多车辆调度问题,提出基于单亲遗传的优化调度算法;在此基础上综合考虑城市配送中心的地理位置、车辆及配送点的地理位置、货物的种类、需求量,提出采用蚁群算法构建基于配送中心的海量订单聚类、优化调度算法.     

基于ACS-GA算法的车辆路径问题研究

物流配送车辆路径问题是智能交通和商业物流领域中一个重要研究方面。合理规划车辆的行驶路线,减少配送里程,降低物流成本,对提高经济效益具有重要意义。重点分析了带时间窗的物流配送车辆路径问题,建立了兼顾配送时间与配送距离最短的改进数学模型。提出了基于蚁群系统算法和遗传算法相融合的混合算法。该算法利用蚁群系统算法得到初始解,运用遗传算法中复制、交叉、变异操作对解的种群多样性进行扩充,克服了蚁群系统算法的早熟现象,增强了算法的全局搜索能力。基于标准数据集的实验结果表明,该算法与其他优化方法相比较,具有较好的搜索车辆路径最优解的能力。     

簇类特征城市群间的TSP问题研究

针对现实生活中旋行商问题(TSP)大量样本集一般具有呈区域分布的簇类特性,提出了一种基于平衡聚类的免疫遗传算法.首先分析了城市样本点的分布特征,采用平衡聚类算法将城市样本点聚成K个不同的类,并找出类与类之间的最短路径;然后采用免疫遗传算法得到类内部城市间的最短路径;最终得到全局最短路径.仿真试验证明,该算法明显提高了收敛速度.     

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。     

基于粒子群算法的满载需求可拆分车辆路径规划

为了更加合理地规划车辆配送路径,尽可能使用最少的车辆数和最短路径长度来完成整个客户点的配送任务,提出一种基于粒子群算法的满载需求可拆分车辆路径(F-SDVRP)规划策略,在配送过程中通过确保任何一辆满载的配送车辆从配送点出发后均以“最优”的配送路径进行配送来达到配送的总路径“最优”要求,并通过粒子群算法不断优化整个客户点的配送顺序.仿真结果表明,在求解相关客户点配送问题时,所提出的车辆规划策略得到的结果优于对比文献中的求解方法,在配送车辆数相同的情况下,最大的路径长度减少率达到8.21%.此外,各算例的仿真结果表明,所提出的策略的寻优结果稳定,粒子群算法可以解决满载需求可拆分车辆路径规划问题.     

考虑订单发货区域的物流配送调度问题研究

研究了一种考虑订单发货区域的物流配送问题,针对问题建立了两阶段多目标整数规划模型：订单车辆指派模型和车辆配送调度模型。基于对模型及问题特点的分析,构造了一种两阶段优化算法：第一阶段,基于聚类-约束满足优化算法为待发货订单指派最佳车辆;第二阶段,基于单亲遗传算法为车辆指定最佳的物流配送方案。通过数据仿真验证,模型和算法是可行且有效的。     

基于深度强化学习的电力物资配送多目标路径优化

针对现有电力物资车辆路径问题（EVRP）优化时考虑目标函数较为单一、约束不够全面,并且传统求解算法效率不高的问题,提出一种基于深度强化学习（DRL）的电力物资配送多目标路径优化模型和求解算法。首先,充分考虑了电力物资配送区域的加油站分布情况、物资运输车辆的油耗等约束,建立了以电力物资配送路径总长度最短、成本最低、物资需求点满意度最高为目标的多目标电力物资配送模型;其次,设计了一种基于DRL的电力物资配送路径优化算法DRL-EVRP求解所提模型。DRL-EVRP使用改进的指针网络（Ptr-Net）和Q-学习（Q-learning）算法结合的深度Q-网络（DQN）来将累积增量路径长度的负值与满意度之和作为奖励函数。所提算法在进行训练学习后,可直接用于电力物资配送路径规划。仿真实验结果表明,DRL-EVRP求解得到的电力物资配送路径总长度相较于扩展C-W(ECW)节约算法、模拟退火（SA）算法更短,且运算时间在可接受范围内,因此所提算法能更加高效、快速地进行电力物资配送路径优化。     

基于DNA计算的层次图聚类算法

为解决使用DNA计算图聚类问题,提出一种基于DNA计算的层次图聚类算法。在分裂层次聚类中,使用DNA分子对图中顶点、边进行编码,在试管中并行产生最小生成树,根据给定阈值,通过切割树枝得到聚类结果。在凝聚聚类中使用DNA计算产生哈密尔顿路径,通过寻找最短哈密尔顿路径得到聚类结果。实验结果验证了该算法的可行性。     

公路交通中车辆路径A＊算法优化的研究

公路交通管理中,最短路径是进行车辆路径优化的基础.论文在简单分析了一些经典的最短路径算法和这些最短路径算法单独应用于车辆路径优化存在的局限性的基础上,提出了一种改进A＊算法的方法[1～2],并用它来解决城市间道路网中实时最短路径问题,并以实例加以阐述.     

考虑乘客信任程度的营运车辆合乘线路规划

车辆合乘是解决交通拥堵的有效方法,然而乘客对车辆合乘行为缺乏信任是影响合乘发展的难题。针对这一问题,通过引入信任度权重和用户偏好来衡量合乘的信任水平,以车辆的总行驶距离最短以及总信任度值最高为目标函数,同时考虑了车辆搭载容量约束、车辆行驶距离约束、乘客需求响应约束以及车辆站点服务约束,构建了考虑乘客信任程度的合乘模型,然后针对该模型采用改进的遗传算法进行求解。最后采用北京市新发地周边地区的营运车辆数据进行算法验证。结果表明,该模型能够在有效减少车辆总行驶距离的同时保障较高的乘客合乘信任水平,相较于仅考虑距离优化的模型,距离成本增加了14.8%,信任水平提升了3.3倍。通过对优化结果的对比分析,验证了模型和算法的有效性。     

基于无人机-配送车联合配送的优化算法研究

针对物流配送领域的一种新型交付方式--无人机联合配送车协同配送包裹,研究无人机与配送车联合路径以最小化交付时间的问题,提出了一种新型优化迭代算法。该算法将问题分为两步,首先确定配送车路线及客户节点分配,然后固定配送车路线及无人机节点,确定二者汇合节点生成无人机配送路线。算法最后保留满足约束条件的无人机路线及对应配送车路线,得到联合配送总耗时。以此方式从最少的配送车节点开始迭代,通过更新全局上界得到最优解。通过对10、11节点的示例验证,表明该算法能够有效缩小搜索范围,提高运行效率,在合理时间内求解中小规模示例。     

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。     

需求可拆分车辆路径问题的聚类求解算法

针对传统的车辆路径问题通常假设客户的需求不能拆分,即客户的需求由一辆车满足,而实际上通过需求的拆分可使需要的车辆数更少,从而降低配送成本的问题,分析了需求可拆分的车辆路径问题的解的特征,证明了客户需求不宜拆分应满足的条件,设计了符合解的特征的聚类算法,并对其求解.通过实验仿真,将所提出的聚类算法与蚁群算法和禁忌搜索算法进行比较,所得结果表明了所提出的算法可以更有效地求得需求可拆分车辆路径问题的优化解,是解决需求可拆分车辆路径问题的有效方法.     

运钞车车辆路径规划策略

针对实际运钞网点数每天动态变化问题,提出一种先划分、再优化的动态运钞车路线规划策略。第一阶段先采用Dijkstra算法求出两点之间的最短路径,再利用最近邻算法和均衡工作量因子求出动态需求车辆的车辆数和每条路径上的网点;第二阶段利用前置交叉的改进遗传算法,分别优化每条路径并求出每条路径上的网点顺序,获得距离最短和时间最少的路径。实验结果表明,该策略能有效解决车辆数目和路径根据需求动态变化的问题,达到节约和合理利用资源的目的。     

A genetic algorithm for PDA optimal path generation using GPS

Many web-sites provide a variety of electronic mapping services. Currently, many studies are underway to develop vehicle navigation software for PDA maps using GPS data. Popular among these services is one that computes the optimal route between two locations input by a user. This service of computing the optimal route plays an important role in vehicular navigation and distribution and delivery industries. The calculation and manipulation of the optimal route for navigation and vehicular delivery system improve the efficiency of vehicle use and delivery times, thereby reducing costs. The purpose of this study is to compute the optimal route by considering the direction of distribution vehicles and the delivery location and develop a genetic based algorithm that quickly generates the shortest route for delivery. The algorithm also generates the optimal route for itineraries having several destinations.     

Heuristic shortest path algorithms for transportation applications: State of the art

There are a number of transportation applications that require the use of a heuristic shortest path algorithm rather than one of the standard, optimal algorithms. This is primarily due to the requirements of some transportation applications where shortest paths need to be quickly identified either because an immediate response is required (e.g., in-vehicle route guidance systems) or because the shortest paths need to be recalculated repeatedly (e.g., vehicle routing and scheduling). For this reason a number of heuristic approaches have been advocated for decreasing the computation time of the shortest path algorithm. This paper presents a survey review of various heuristic shortest path algorithms that have been developed in the past. The goal is to identify the main features of different heuristic strategies, develop a unifying classification framework, and summarize relevant computational experience.     

多中心半开放式送取需求可拆分的车辆路径优化

针对多中心半开放式送取需求可拆分的车辆路径问题,构建了以车辆配送距离最短为目标的多中心半开放式送取需求可拆分的数学模型。设计大变异邻域遗传算法进行求解,采用二维染色体编码及顺序交叉策略,同时运用大变异策略和邻域搜索策略提高算法全局和局部的寻优能力,通过算例对比验证了所提模型与算法的有效性。算例实验表明,大变异邻域遗传算法在求解多中心物流配送车辆路径问题上求解质量较优、求解效率较高、求解结果较为稳定,同时验证了联合配送下多中心半开放式送取需求可拆分的配送模式优于独立配送下单中心送取需求可拆分的配送模式。研究成果不仅拓展了车辆路径问题,还可为相关快递物流企业配送优化提供决策参考。     

基于AGNES聚类的能耗均衡WSNs优化路由算法

无线传感器网络的生命周期与节点的能耗直接相关。为解决能量消耗分布不均,影响网络寿命的问题,提出一种基于AGNES聚类的能耗均衡WSNs优化路由算法(EBRAA)。通过AGNES聚类算法获得网络均匀分簇,根据簇内节点的剩余能量和节点与基站距离及两者权重因子,完成分布式簇头选举,采用改进后的Dijkstra算法产生簇头间最短路径的多跳路由。仿真结果表明,与LEACH和KBECRA算法相比,EBRAA算法的簇分布更加合理,能耗更加均衡,延长了网络生命周期。