三维装载约束下带时间窗的车辆路径问题

为提高配送车辆的效率,集成研究了三维装载约束下带时间窗的车辆路径问题。提出了该问题的描述性模型,设计了一个混合禁忌搜索算法。该算法以空间装载算法、基础启发式算法和禁忌搜索算法为基础。针对测试数据集的计算结果表明,该算法有效地解决了三维装载约束下带时间窗的车辆路径问题。     

基于核心路径禁忌算法的开放式车辆路径问题研究

描述了开放式车辆路径问题,提出了核心路径的概念和原理,并设计了解决有能力约束和距离约束的开放式车辆路径问题的禁忌算法.该算法基于核心路径原理,应用改进的广义插入法产生初始解和进行邻域操作,设计了3种邻域,利用能力约束控制单条路径配送点数,采用惩罚函数处理距离约束.应用该算法求解了多个开放式车辆路径问题算例,并与参考文献中的算例进行了比较.经分析表明,该算法可以更有效地求得开放式车辆路径问题的优化解,是解决有能力约束和距离约束车辆路径问题的有效方法.     

求解带能力约束车辆路径优化问题的改进模拟退火算法

为高效求解带能力约束的车辆路径优化问题,提出一种带有回火操作的改进模拟退火算法.解析多约束条件下的路径优化特点,构建了结构简单且功能模块相对独立的模拟退火框架,以便相关约束及其算法的耦合嵌套.在此基础上,改变较优解在迭代过程中的接受规则,引入回火操作使全局搜索与局部搜索实现平衡;设计强制的随机邻域变换策略,以提高多约束...     

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题.首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大-最小蚁群算法,算法结合自适应方法和最大-最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和"局部最优"以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比.实验结果表明:自适应的最大-最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势.     

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题。首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大－最小蚁群算法,算法结合自适应方法和最大－最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和“局部最优”以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比。实验结果表明：自适应的最大－最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势。     

基于运动约束的移动机器人路径规划

针对A^*算法路径规划中存在的转折冗余、安全性低、不符合移动机器人非完整约束模型等问题,提出一种基于运动约束的路径规划算法。首先,通过挪移处理使A^*算法规划的路径点适度远离障碍物。然后,剔除无障碍路径点间节点,获取路径必经转折点。最后考虑机器人运动约束,以转折点位姿为局部目标,引导混合A^*二次规划路径。实验结果表明,改进算法比传统A^*算法提高了65%的安全距离,无冗余转向,路径具有位姿连续性,可以保证机器人的平稳、高效、安全的移动。     

基于改良C-W节约算法的甩挂运输车辆调度模型

为研究甩挂运输车辆调度模型,以带有时间窗的车辆配送模型为基础,构建了包括油耗成本、过路费成本、装卸停歇时间成本和延时惩罚成本在内的总成本最小目标函数,建立了基于不同载重油耗方程的甩挂运输车辆调度模型。在算法上,构建了改良型的C-W节约算法,并用该算法找出了一个9客户案例的最优物流配送路径。     

基于混合启发式算法的集装箱装载优化

针对多约束条件下大规模的集装箱装载问题,以集装箱的空间利用率最大化为目标提出了基于块装载算法的剩余空间启发式算法与模拟退火算法相结合的混合启发式算法。剩余空间启发式算法的核心是在满足多约束条件下,根据块装载算法生成简单块和复合块,有效降低大规模集装箱装载的维度,并且通过剩余空间的分割和合并方法确定块装载的目标空间,利用装载序列优化装载方案中的块选择,得到优化的初始装载方案。模拟退火算法结合剩余空间启发式算法采取领域操作策略优化装载序列寻找最优装载方案。实验结果表明,与混合遗传模拟退火算法相比,混合启发式算法在大规模多约束算例上装载率提高了4.90%,稳定性也得到了提高。     

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。     

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。     

求解车辆路径问题的混合遗传算法

针对物流配送中具有容量限制的车辆路径问题,设计了一种结合2-OPT子路径优化的混合遗传算法.在该算法中,提出了一种新的双层染色体编码方案.该染色体编码方案能确保子路径为满足车辆容量约束的可行路径,并且该编码方案只需根据客户编号生成染色体,无需预先知道有容量限制的车辆路径问题所需的最小车辆数,更适于求解实际中的车辆路径优化问题.采用2-OPT算法作为遗传算法的变异算子以优化子路径,从而提高算法的收敛速度.基于典型基准测试实例的计算结果表明,该算法是求解有容量限制的车辆路径问题的有效方法.     

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.     

基于改进遗传算法的带硬时间窗车辆路径问题研究

建立了带硬时间窗车辆路径问题数学模型。针对传统遗传算法在局部搜索能力上存在不足这一问题,根据相关文献将爬山算法的思想融入遗传算法中,构造了求解该问题的改进遗传算法。仿真结果表明,该算法在局部搜索过程中能够避免早熟,一定程度上克服了传统遗传算法在局部搜索能力上的不足。     

农村最后一公里物流拆分装载策略

针对当前部分地区农村最后一公里物流领域末端配送中的需求存在分散、供需地之间距离远、运营成本居高不下等问题,提出对农村物流需求进行拆分装载,即通过多次运输而非一次性运输对某些订单进行配送,从而为减少车辆的使用频率和降低运输成本创造机会。通过建立模型,分析采取拆分装载策略对农村最后一公里物流运输成本的影响,并将这一策略应用到宜昌秭归地区农村最后一公里物流配送的实际案例中,揭示了拆分装载策略在农村最后一公里物流中存在的潜在效益。结果表明,拆分装载策略对不同大小范围内的需求订单会不同程度地节省成本,当需求订单的大小刚好超过车容量的一半时,能够最大程度地节省成本。     

考虑空间装载约束的智能车间物料调度优化研究

针对离散制造装配车间物料配送过程中存在的不准确、不及时等问题,研究了空间装载约束下车辆数目优化偏好型的车间物料调度优化问题。首先,构建了以车辆派遣数目、配送成本为双重优化目标的路径-装载数学模型;然后,引入了随机交换算子、随机插入算子与2-opt算子相结合的邻域搜索策略和模拟退火(SA)算法接受劣质解准则,对鲸鱼优化算法(WOA)进行了改进;提出了两阶段混合算法,将改进的鲸鱼优化算法与装箱检验算法进行了有机融合;最后,采用MATLAB对某零件加工车间的生产数据进行了实验分析,对改进后的鲸鱼优化算法的性能进行了验证。研究结果表明：采用改进的鲸鱼优化算法求解的结果优于其他混合算法,且算法收敛速度快,不易陷入局部最优;采用改进后的两阶段混合算法求得的最优总配送成本为2 526元,使总配送成本降低6%,工位服务满意度提高5%;该研究成果可为智能车间提供物料调度优化方案。     

复杂情况下的三维集装箱装载问题混合算法

对复杂情况下的三维集装箱问题进行了描述,其约束主要包括重心位置约束、单箱重量约束、摆放方位约束、卸货顺序约束和集装箱型号和数量约束。基于禁忌规则,提出了求解该问题的模拟退火算法。设计了货物的摆放规则和序列生成方式,采用4种邻域,根据邻域的不同,构造了3种禁忌表,根据问题的特点,在模拟退火算法抽样过程中加入了禁忌规则。本文介绍了算法的原理,给出了具有代表性算例试验结果并且进行了分析。试验结果表明所提出的混合算法对复杂情况下的集装箱三维装载问题的有效性。     

混料托盘装载问题的建模

托盘装载问题属于NP－hard问题已被研究多年，针对机器人混合码垛的工程实践需要，提出了混料多盘装载问题的新概念，建立了该问题的混合整数规划模型，并给出了求解模型的启发式策略，运用算例检查了模型的有效性。     

基于模糊期望值模型的车辆路径问题

针对模糊需求的车辆路径问题,基于模糊可信性理论对车辆服务失败事件进行可能性分析,建立了一个模糊期望值模型,提出一种带双层禁忌搜索的并行粒子群算法。该算法引入两种不同的禁忌空间,采用新的粒子迭代公式,并利用轮盘赌策略设计了两类邻域算子。通过仿真对比实验表明了该算法的有效性。     

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。     

基于强化学习的超启发算法求解有容量车辆路径问题

为了更高效地求解物流优化领域中的有容量车辆路径问题,减少陷入局部最优的情况,提出一种基于强化学习的超启发算法。设计了算法的高层启发式策略,包括选择策略和解的接受准则:基于学习机制,使用强化学习中的深度Q神经网络算法构造该算法的选择策略,对底层算子的性能进行奖惩评价;利用奖惩值以及模拟退火作为算法的接受准则,对优质解建立序列池,从而引导算法更有效地搜索解空间,并采用聚类思想提升初始解的质量。对有容量车辆问题的标准算例进行计算,并与其他算法对比,统计分析了最优值、误差率和平均值,实验结果表明了所提算法在该问题求解上的有效性和稳定性,总体求解效果优于对比算法。