带时间窗的中转联盟运输调度问题的混合算法研究

介绍中转联盟运输调度问题的优越性和重要研究意义,建立了带中转点的优化运输调度问题的数学模型,并构造了求解该模型的优化算法,算法针对城市货物运输的特点,首先结合sweep算法和saving算法确定需求点与中转点之间的分派,随后采用改进的蚁群算法对每个中转点的运输路线进行优化。实例计算表明,提出的模型和算法能够有效的求解中转联盟运输调度问题。     

中转联盟运输调度的遗传算法研究

介绍中转运输调度问题的优越性。在此基础上建立了优化确定运输调度问题中转点的数学模型,并构造了求解该模型的遗传算法,算法中针对城市货物运输的具体特点,采用较新的交叉算子。实例计算表明：文中提出的模型和算法能够有效地解决AVRP中转点的确定问题。     

带中转点的联盟运输调度的遗传算法研究*

结合城市货物运输的具体特点,分析了多供应点、多中转点的联盟运输调度问题的优越性.在分析联盟运输调度特点的基础上,建立了优化确定联盟运输调度问题中转点的数学模型,并构造了求解该问题的有效遗传算法.算法中针对具体问题的特点,采用较新的交叉算子.实例计算表明,提出的模型和算法能够有效地解决AVRP中转点的确定问题.     

优化烟花算法在医疗物资应急调度中的应用

新冠肺炎疫情的爆发对医疗物资的应急管理提出了新的挑战,运输难、调度慢、中转效率低等问题普遍存在,严重影响了疫情排查和患者救治。为解决突发公共卫生事件下医疗物资应急调度问题,以需求点满意度最大化为主要目标,车辆行驶时间最小化为次要目标,建立了双目标医疗物资应急调度模型。为保证模型的准确性及简便性,采用了传染病模型（SEIR）预测需求点所需医疗物资数量,并利用理想点法将双目标问题转化为单目标问题。针对模型的特点,提出了一种优化烟花算法对模型进行求解,该算法通过改变变异策略增加其局部寻优能力,此外引入了禁忌表的概念,避免了算法陷入局部最优。最后通过仿真实验证明了优化烟花算法具有更加高效的性能,可以更好地突出模型的公平性及合理性,从而快速、合理地完成医疗物资分配,最大限度地保障患者生命安全。     

交通救援应急中转路径调度数学模型构建仿真

由于交通状况往往是动态变化的,包括交通拥堵、道路封闭等情况,救援应急时导致车辆中转路径调度救援应急难度加大。为进一步提升应急救援时救援车的救援效果,提出交通救援应急中转路径实时调度数学建模方法。根据城市交通中信号交叉口车辆的微观运行特征,确定车辆应急救援时道路交叉路口应急安全状态;设计救援应急中转路径调度模型,将模型分为上下两个层级,结合混合布谷鸟算法求解模型,完成救援应急中转路径实时调度。实验结果表明,利用上述方法开展救援应急中转路径实时调度时,路径中转次数最多仅为10次,耗时为150ms,调度效果好、性能高。     

基于变精度粗糙集的应急调度模型

以应急调度为背景,为了提高不同精度下的不确定信息处理能力,研究了变精度应急调度问题.针对多物资、多出救点、多受灾点和时变供求约束等特点,构建了应急时间最短、成本最少的多目标应急调度模型.证明了应急响应总时间的取值范围,以此推导出模型中运输时间与运费的取值范围.在上述定理证明前提下,设计了粒子群优化算法对该模型进行求解,并将其最优目标函数值与随机模式下最优目标函数值进行对比,显现出本文所提模型与设计算法的有效性.     

汽车整车配载与运输路线优化方案及算法研究

对于运输车辆的调度与运输路线优化问题,借鉴成熟启发式算法的思想,将汽车整车的合理装载和运输路线优化问题结合到一起考虑,确定整车配载和运输路线优化模型并给出模型求解算法,设计出一个有效的求解方案,即把运输任务进行分解,对满载运输采用经典的Dijkstra算法;对于非满载运输,借鉴改进的C-W节约算法的基本思想等.实验表明,此方案及算法对于编制汽车整车运输计划、求解整车配板与运输车辆路线问题达到了比较理想的效果.     

基于改进GA的救援物资中转网点定位

针对大规模救援物资调运的多目标中转运输网点定位问题,考虑运输费用、中转网点的作业变动费用和运输时间,建立一个救援物资中转运输网点的非线性多目标混合整数规划模型。为有效求解该模型,提出一种基于矩阵编码的遗传算法,利用费用矩阵标杆的寻优导向信息提高遗传变异算子的局部搜索能力,提高全局收敛速度。通过算例分析验证该模型和算法的有效性。     

联盟运输调度问题模型结构与算法研究

联盟运输调度问题是在基本运输调度问题基础上衍生出的最具现实意义的一类组合优化难题,是近年来物流控制优化领域的研究热点。依据运输调度问题分类方法,描述了联盟运输调度问题的结构;通过分析遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法、粒子群算法的特点及其求解运输调度问题的现状,讨论了它们求解联盟运输调度问题的可能性;展望了联盟运输调度问题发展的前景,指出改进原算法、提出新算法、并行算法是解决联盟运输调度问题的重要手段。     

联盟运输调度问题模型结构与算法研究

联盟运输调度问题是在基本运输调度问题基础上衍生出的最具现实意义的一类组合优化难题，是近年来物流控制优化领域的研究热点。依据运输调度问题分类方法，描述了联盟运输调度问题的结构；通过分析遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法、粒子群算法的特点及其求解运输调度问题的现状，讨论了它们求解联盟运输调度问题的可能性；展望了联盟运输调度问题发展的前景，指出改进原算法、提出新算法、并行算法是解决联盟运输调度问题的重要手段。     

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.     

多集散点单车路径优化研究

为使多集散点车辆路径优化结果全局最优,详细化表示货运关系,建立多集散点单车路径优化模型,并以订单为基准建立蚁群算法的二维禁忌表,确定状态转移规则;在满足车辆约束条件下,以最短路径完成所有订单货运的单车路径搜索。车辆路径全局优化是由于模型货运关系明细化及算法中车对所需运送订单的全局访问。实例求解结果表明,改进的优化模型及蚁群算法可以有效获得多集散点单车路径。     

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。     

模糊需求下转运联盟车辆路径及混沌粒子群优化

建立了基于模糊需求的企业间转运联盟车辆路径问题,并基于模糊结构元理论将模糊需求问题转化为清晰需求问题．针对该模型,提出了一种混沌粒子群算法,该算法在经典粒子群算法的基础上融入了两次混沌变换,有效的利用了粒子群算法和混沌算法各自的优势．     

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。     

模糊需求下企业间联盟车辆路径及遗传算法

建立了基于模糊需求的企业间联盟车辆路径问题, 并基于模糊结构元理论将模糊需求问题转化为清晰需求问题. 针对该模型, 提出一种基于二维结构的编码表示方式和遗传算子, 并用计算实例进行了验证.     

带软时间窗的多车场开放式车辆调度

带软时间窗的多车场开放式车辆调度问题是在开放式车辆路径问题的基础上,考虑了多车场和客户服务时间的约束,是一类典型的NP难解问题。针对该问题,提出了一种改进的蚁群算法求解方案,并建立了相应的数学模型。首先通过设置一个虚拟车场将多车场VRP转化为单车场VRP,然后利用参数控制的改进蚁群算法与2-opt算法结合来对模型求解。算法先利用K-means与细菌觅食算法相结合的聚类技术判断蚁群状态,进而动态调整算法参数,使其快速收敛到全局最优解附近,再依据混沌理论的特点来调整参数,使其跳出局部最优。最后,再利用2-opt算法对最优解进行优化。实验结果验证了该算法求解MDOVRPSTW问题的有效性。     

基于改进粒子群算法的物流配送车辆调度优化

车辆优化调度是提高物流企业运营效益的重要因素,针对标准粒子群优化算法存在的不足,提出一种改进粒子群算法（IPSO）的物流配送车辆调度优化方法。建立物流配送车辆调度优化的数学模型,将车辆与车辆路径编码成粒子,通过粒子之间的协作找到最优物流配送车辆调度优化方案,并对粒子群算法存在的不足进行了相应的改进,最后给出仿真实验对其性能进行测试。实验结果表明,IPSO算法不仅加快了物流配送车辆调度优化问题求解的速度,而且获得了最优解的概率,具有比其他调度算法更明显的优势。