车辆路径问题的双种群遗传算法求解方法

针对标准遗传算法在求解车辆路径问题中出现的早熟、收敛,易陷入局部极值点的问题,提出双种群遗传算法求解车辆路径问题的方法。在求解过程中,初始化两个种群,分别选择不同的交叉、变异概率,在一次迭代完成后,交换种群间的优秀个体所携带的遗传信息,以打破种群内的平衡态,跳出局部最优解。通过实验仿真,将双种群遗传算法与其他各种启发式算法进行比较,双种群遗传算法比标准遗传算法显著提高了全局收敛性能,是解决车辆路径问题的有效方法。     

求解车辆路径问题的免疫遗传算法

VRP问题是一类典型的NP问题.本文通过引入免疫算子,构造一种新的免疫遗传算法(IGA)求解VRP问题.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了基本遗传算法的群体多样性.实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,并能有效解决VRP问题.     

超启发式遗传算法求解带软时间窗的车辆路径问题

针对车辆路径问题中传统软时间窗惩罚函数过于线性的问题,考虑客户容忍水平,提出一种折线型软时间窗,并构造出相应的惩罚函数。在此基础上,以运输配送总成本最小为目标,构造出一种带折线型软时间窗的车辆路径问题通用数学模型。同时,提出一种具有一定通用性的超启发式遗传算法,该算法以遗传算法作为上层搜索算法,以3种启发式算法——CW节约法、MJ插入法和Kilby插入法作为底层搜索规则,并通过预排序、局部搜索和全局优化来优化算法。最后,通过Solomon标准题库中的R101算例分析并验证了所提算法的可行性和有效性。     

有时间窗车辆路径问题的改进遗传算法

给出了有时间窗车辆路径时间通用数学模型，该模型不仅能够满足大多 数实际问题的需要，而且通过对特定参数的设定，还能够转换成其他几种典型的组合优化问题的数学模型，通过引入新颖交叉算子，构造了一种进遗传算法，该算法摆脱了对群体多样性的要求，不存在传统遗传算法常见的“早熟收敛”问题，该算法已用于解决有时间窗的车辆路径问题，实验结果表明，它可以有效地求得有时间窗车辆路径问题的优化解，最求解车辆路径问题的一个较好方案。     

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。     

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.     

多车场与多车型车辆路径问题的多染色体遗传算法

针对目前多车场、多车型车辆路径问题存在的求解效率低和解的质量差等不足,建立了该问题的整数规划模型,提出了多染色体遗传算法,统一了多车场、多车型问题与传统单车场、单车型问题的求解算法。通过算例对多染色体遗传算法进行了实验,并将其与传统算法进行了对比分析。实验表明,该算法不仅呈现出搜索效率高和收敛速度快的特点,而且解的质量和稳定性高,从而验证了算法的有效性和实用性。     

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。     

[供应链调度]装卸一体化车辆路径问题的自适应并行遗传算法

为了同时实现总配送成本最低、车辆行驶距离最短、车辆数最小等目标,综合考虑车辆指派成本及运输路径成本,建立了装卸一体化车辆路径问题的混合整数规划模型。针对该问题搜索空间的离散性和求解算法的局部收敛性,提出了一种自适应并行遗传算法。算法以C-W节约法为基础,设计了三种基于双重需求的启发式种群初始化方法,缩小搜索空间并优化初始解;引入多样性种群和高质量种群的双种群并行策略,实现深度与广度的同步搜索;设计自适应交叉变异操作,改善高质量种群个体搜索停滞,并针对全局最优个体采用特殊变异的后优化操作以进一步提高全局优化性能。采用标准数据集作为算例进行寻优测试,验证了所提算法的可行性和有效性。     

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。     

基于改进遗传算法求解堆垛机路径优化问题

通过对遗传算法进行自适应改进,算出能够随时适应的遗传算子,克服了传统遗传算法的早熟收敛问题.通过运用序号法设定各货位在立体仓库中的位置,建立堆垛机拣选作业的数学模型,运用改进遗传算法对初始路径进行改进,得出最优解,并运用Matlab遗传算法工具箱对此进行仿真.     

求解带时间窗车辆路径问题的改进型烟花算法

针对带时间窗车辆路径问题,为寻求组合优化问题最优解,构建总运输成本最小数学模型。由于烟花算法搜索半径不能自适应调整,算法后期易陷入局部最优,故对爆炸算子进行改进,使最优烟花搜索半径自适应调整,增强后期局部搜索能力;同时利用分布式信息共享机制避免算法早熟并引入变异火花增强种群多样性。利用标准测试集进行验证后,结果表明该算法在求解带时间窗车辆路径问题时不仅具有可行性和有效性,并且收敛速度快、搜索质量高。     

求解物流配送路径优化问题的一种改进蚁群算法

物流配送路径优化是现代物流配送服务的关键环节之一,由于需求的小批量和动态变化等特点,需要设计一个快速有效的求解算法。为此,构建了物流配送路径优化问题的数学模型,设计了一个改进的蚁群算法来求解该问题,引进了选择算子、插点操作和动态改变算法参数等改进措施,开发和实现了一个试验软件包。仿真试验结果表明,该算法具有较好的全局寻优能力,收敛速度快,是解决物流配送路径优化问题的有效算法。     

求解卸装一体化的车辆路径问题的混合粒子群算法

提出了结合粒子群算法(PSO)和变邻域下降搜索(VND)的混合粒子群算法(PSO-VND),用以解决卸装一体化车辆路径问题(VRPSDP)。在此混合算法的前半部分,运用粒子群算法对解空间进行搜索,找到相对较优的一组解。在PSO过程中对于可行化和优化后的粒子添加速度分量,并依据相似度进行变异。在此算法的后半部分,运用变邻域下降搜索对得到的较优解再进行深度搜索,以得到理想的解。在变邻域下降搜索(VND)过程中使用3种不同的邻域结构:插入、交换和交叉,依次对解进行迭代优化。最终采用标准算例进行了仿真试验,验证了混合算法的可行性和有效性。     

求解卸装一体化的车辆路径问题的混合粒子群算法

提出了结合粒子群算法（PSO）和变邻域下降搜索（VND）的混合粒子群算法（PSO-VND）,用以解决卸装一体化车辆路径问题（VRPSDP）。在此混合算法的前半部分,运用粒子群算法对解空间进行搜索,找到相对较优的一组解。在PSO过程中对于可行化和优化后的粒子添加速度分量,并依据相似度进行变异。在此算法的后半部分,运用变邻域下降搜索对得到的较优解再进行深度搜索,以得到理想的解。在变邻域下降搜索（VND）过程中使用3种不同的邻域结构：插入、交换和交叉,依次对解进行迭代优化。最终采用标准算例进行了仿真试验,验证了混合算法的可行性和有效性。     

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.     

基于遗传算法的物流中心选址和车辆调度综合问题研究

将采用循环取货方式的车辆优化调度和物流中心选址两方面相结合,考虑建立成本模型,并把遗传算法引入到该模型的求解中,运用Matlab软件编写相关程序并结合企业的实际情况进行优化,以实现在考虑最优车辆路径规划前提下的物流中心选址问题.     

基于遗传算法的物流中心选址和车辆调度综合问题研究

将采用循环取货方式的车辆优化调度和物流中心选址两方面相结合,考虑建立成本模型,并把遗传算法引入到该模型的求解中,运用Matlab软件编写相关程序并结合企业的实际情况进行优化,以实现在考虑最优车辆路径规划前提下的物流中心选址问题.     

供应链中车辆路径问题的研究进展及前景

车辆路径问题是供应链研究的一项重要内容。本文概述了近年来车辆路径问题的现状;介绍了车辆路径问题主要的几种分类方法;总结了车辆路径问题中几种常见的附加条件。分别介绍了确定车辆路径问题、随机车辆路径问题和模糊车辆路径问题出现的背景及其具体应用场合,讨论并总结了针对这些问题的不同建模方法和算法求解思路,以及这些算法的优点、局限和适用范围。简要介绍了国内该领域的发展现状,并结合供应链应用的需要,指出车辆路径问题的研究发展方向。     

基于NSGA Ⅱ的物流配送中车辆路径问题研究

车辆路径问题已经被证明属于NP—Hard问题。针对这一问题建立了多目标优化的数学模型;构造了带精英策略的快速非支配排序遗传算法,以求解车辆路径问题的数学模型,针对物流配送路径优化,将该算法从解决连续问题扩展为解决离散问题;进行了算法设计,提出了离散问题的快速非支配排序和锦标赛选择结合的子代选择方法,并修正了以往的初始群体生成、交叉和变异的方法。通过实例比较证明,该算法可以更好地解决物流配送路径优化的多目标问题,较快找到更优解,避免早熟收敛并改进算法性能,达到较高的搜索效率。