带时间窗车辆路径问题的改进粒子群算法研究

设计了一种引入局部近邻机制并且能够优化不可行解的粒子群算法。该算法将粒子群分成相互重叠的子群,在各个子群内寻找近邻,提高了粒子的学习功能和寻找近邻的速度;同时将产生的不可行解进行局部优化,增强了粒子寻找最优的能力。实验结果表明：该算法可以快速求得带时间窗车辆路径问题的满意解。     

免疫PSO算法求解多库房带时间窗VRP

为了降低物流系统的总费用,对车辆优化调度模型进行了改进,考虑了库房容量和时间窗两方面的因素,以总的耗费成本为目标,采用免疫粒子群优化（PSO）算法对此多库房车辆调度模型进行了优化求解。仿真结果表明免疫PSO比PSO更有效、更优越。     

求解带时间窗车辆路径问题的改进粒子群算法

通过分析已有粒子群算法对有时间窗约束的车辆路径问题求解质量不高的原因,提出了一种基于粒子交换原理的整数粒子更新方法。采用构造的双层粒子进化算法分别对8个和20个任务点的有时间窗约束的车辆路径问题求解,数值实验结果表明算法的求解精度和耗时均优于已有算法。     

带时间窗的粮食物流车辆路径问题的研究

带时间窗的粮食物流车辆路径问题是一个典型的NP—难问题。针对粮食物流批量大、多点对多点等特点,建立了带时间窗的粮食物流车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTM）的数学模型,进一步构造粒子群算法（Particle Swarm Optimization,PSO）用于问题求解,并将求解结果与遗传算法进行比较。结果表明,粒子群算法可以快速、有效地求得带时间窗的粮食物流车辆路径问题的优化解,降低配送成本。     

求解带时间窗车辆路径问题的混合蚁群优化算法

为求解带时间窗车辆路径问题,提出一种混合蚁群优化算法,利用两个隔离的种群同时进化的方式,有效避免了两种算法的缺点,种群Ⅰ应用蚁群算法可以丰富解得多样性,种群Ⅱ则应用粒子群算法来强化进化过程.种群Ⅰ通过局部搜索、复制、重组和选择等操作来保持种群广泛搜索的能力,种群Ⅱ则依靠复制、局部优化、交叉和选择等操作以快速获得高质量解并经常更新得到的解.对100个基准问题进行仿真测试,实验结果表明,与其他算法相比,利用蚁群粒子群混合优化算法能够快速有效地获得近似最优解.     

带变异粒子群算法在车辆路径问题中的应用

在分析常规粒子群优化算法的基础上,针对午辆路径的优化问题,采用一种带变异因的粒子群优化算法,并根据粒子群的群体适应度标准差和理论最优值,给出收敛判断的依据。实验表明陔算法具有简单、高效、快速的特点。     

改进的蚁群算法求解带时间窗的车辆路径问题

设计了一种改进的蚁群算法,将蚁群系统(ACS)与最大最小蚂蚁系统(MMAS)相结合,在状态转移规则中引入时间窗跨度与服务等待时间因素,并在算法的不同阶段采用不同的信息素蒸发策略以防止算法陷入局部最优.使用路径内2-opt优化方法以及路径间2-opt*优化方法对每次迭代过程所得到的最优解进行局部优化.通过对相关文献实验数据的测试结果表明,该算法在求解效果及运算效率上优于遗传算法与禁忌搜索算法.     

基于Memetic算法的带时间窗车辆路径问题研究*

提出一种模拟文化进化的Memetic算法求解带时间窗的车辆路径问题。设计了一种实数编码方案,将离散的问题转为连续优化问题。采用邻域搜索帮助具备一定学习能力的个体提高寻优速度;采用禁忌搜索帮助部分个体跳出局部最优点,增强全局寻优性能。实验结果表明,该算法可以更有效地求出优化解,是带时间窗车辆路径问题的一种有效求解算法。     

基于并行粒子群算法的带时间窗车辆路径问题

提出求解带时间窗车辆路径问题的多群并行的粒子群算法。为了提高算法的收敛速度,在每个粒子群中嵌入了记忆功能。针对基本粒子群算法在求解有时间窗车辆路径问题时初始解的单一性导致局部收敛的问题,对两个种群采用了两种不同的初始化方法,并在进化过程中,两个种群相互用记忆粒子替换对方种群中的较差粒子。最后将该算法的运行结果与其他算法进行比较,表明该算法的有效性。     

带软时间窗的开放式满载车辆路径问题研究

为满足某些生产制造企业的满载运输需求,针对运输任务对车辆具有独占性的特点,分析得到总运输费用的大小取决于车辆的空车行驶费用,在此基础上,将带软时间窗的开放式满载车辆路径问题转化为带软时间窗的多车场开放式车辆路径问题,在非对称图上建立了相应的数学模型,并设计了近邻粒子群算法对模型进行求解。设计算例对算法进行了验证,实验结果表明：该算法可以快速求得软时间窗的开放式满载车辆路径问题的满意解。     

基于Spark的改进蚁群算法对带时间窗车辆路径问题的求解

为应对大数据时代对带时间窗车辆路径问题（VRPTW）的实时求解要求,提出基于Spark平台的改进蚁群算法.在算法层面,利用改进的状态转移规则和轮盘赌选择机制构建初始解,结合k-opt邻域搜索进行路径构建优化,改进最大最小蚁群算法中的信息素更新策略;在实现层面,利用Spark提供的API对蚁群RDD进行操作,实现蚁群分布式并行求解.在标准算例Solomon benchmark和Gehring&Homberger benchmark的实验结果表明,该算法在大规模问题的求解精度和速度上有明显提升.     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

Multi-Objective Genetic Algorithms for Vehicle Routing Problem with Time Windows

The Vehicle Routing Problem with Time windows (VRPTW) is an extension of the capacity constrained Vehicle Routing Problem (VRP). The VRPTW is NP-Complete and instances with 100 customers or more are very hard to solve optimally. We represent the VRPTW as a multi-objective problem and present a genetic algorithm solution using the Pareto ranking technique. We use a direct interpretation of the VRPTW as a multi-objective problem, in which the two objective dimensions are number of vehicles and total cost (distance). An advantage of this approach is that it is unnecessary to derive weights for a weighted sum scoring formula. This prevents the introduction of solution bias towards either of the problem dimensions. We argue that the VRPTW is most naturally viewed as a multi-objective problem, in which both vehicles and cost are of equal value, depending on the needs of the user. A result of our research is that the multi-objective optimization genetic algorithm returns a set of solutions that fairly consider both of these dimensions. Our approach is quite effective, as it provides solutions competitive with the best known in the literature, as well as new solutions that are not biased toward the number of vehicles. A set of well-known benchmark data are used to compare the effectiveness of the proposed method for solving the VRPTW.     

考虑时变交通状况的低碳车辆路径优化

研究了由常发性交通拥堵造成的实时交通状况变化对低碳车辆路径优化的影响。用道路交通状态指数表示城市实时交通状况，以低碳和配送时间最短为目标建立整数规划模型进行路径优化。设计了改进的粒子群算法进行求解，得到帕累托前沿解集。数值算例表明，改进的粒子群算法能有效找到满意解。通过帕累托解集可以证明该方法可以在牺牲少量配送时间的前提下减少碳排放量。随着交通状态指数的增大碳排放量的优化效果更加明显。     

带硬时间窗模糊车辆路径问题的多目标优化

针对带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立多目标模糊期望值模型,提出求解该问题的自适应混合多目标粒子群优化算法.该算法根据相位空间的思想给出一种实数编码方式,设计双存档机制,分别存储演化过程中产生的非支配解和有益不可行解,并引入自适应局部搜索、变异和粒子全局向导选择策略.仿真实验结果表明,与多目标进化算法相比,该算法可以获得更优的Pareto解集.     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造了有时间窗车辆路径问题的混合遗传算法,并进行了实验计算。结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到了质量较高的解。     

基于遗传算法求解带时间窗的车辆路由问题

提出一种改进的遗传算法，用于求解带时间窗的车辆路由问题．在算法中采用了直观的自然数缟码机制、三复本锦标赛的选择方法和改进的启发式交叉算子，实验表明该方法用于求解带时间窗的车辆路由问题的有效性．     

有时间窗物流配送车路由问题的改进遗传算法

给出了有时间窗物流配送车路由问题的数学模型．通过引入新颖交叉算子RC，构造了一种改进的遗传算法．实验结果表明．该算法在解决有时间窗的物流配送车路由问题时，比PMX及RC算子具有更优的性能，在满足所有需求点的前提下达到各评价指标的综合最优，是求解配送车路由问题的一个较好方案．     

融合邻域搜索策略蚁群算法求解带时间窗口的车辆路径问题

对于求解带时间窗口车辆路径问题,提出一种融合邻域搜索策略的改进蚁群算法,针对时间窗口特性,将等待时间加入到蚁群算法的状态转移规则之中。为提升算法的局部寻优能力,设计多种节点删除操作和插入操作对得到的路径进行邻域搜索。最后利用Solomon标准算例对改进算法进行测试,与目前已知最优解对比,实验结果表明改进后的蚁群算法对带时间窗口的车辆路径问题有较好的适用性。