基于时空聚类求解带容积约束的选址-路径问题

选址-路径问题是供应链管理和物流系统规划中的一个重要问题,对总成本具有十分重要的影响.对考虑配送中心容积约束的带时间窗的选址-路径问题进行研究,建立以总成本最小和客户满意度最大为目标的多目标规划模型,提出两阶段算法对其进行求解.首先,利用k-means聚类算法确定配送中心选址;然后,提出一种基于时间-空间双因素的客户划分方法以确定配送中心所服务客户;最后,利用粒子群算法对各配送中心的配送路径进行规划.数值算例表明,所提出的算法较其他已有算法,均能有效地降低物流运作总成本及总配送路径长度,为解决带容积约束及时间窗的选址-路径问题提供了一种新的解决思路.     

配送选址-多车型运输路径优化问题及求解算法

考虑到不同车型、车辆容量、时间窗等约束,研究了配送选址-多车型运输路径优化问题,采用分解法进行问题分析,建立数学模型.首先应用改进聚类分析模型确定配送中心的最佳位置与服务客户群,然后设计遗传算法进行求解.算法比较及算例测试表明它是求解选址-多车型运输路径优化问题的一种有效方法.     

基于服务半径的盐业物流配送网络优化研究

研究物流配送网络优化问题,由于配送网络分布不均,有的过于密集,导致资源浪费.传统的盐业物流配送是根据最小运输费用选取配送中转中心,不能解决配送中心修建过于密集的缺陷,导致资源的浪费和服务效率不高的问题.为了满足较低物流成本和较高服务质量的双赢,提出一种服务半径的物流配送网络优化方法,根据服务半径的概念,利用蚁群聚类算法建立物流网络的服务半径模型,然后根据模型选取最优配送中心,完成对配送网络的优化.实验证明,基于服务半径的网络优化方法能够选择合理的配送中心,降低物流成本,提高物流服务质量.     

多层级设施选址-路径规划问题建模及算法

基于有向图对物流网络多层级设施选址-路径规划问题,建立混合整数规划数学模型,提出量子进化算法与遗传算法协同的双智能算法集成求解方案.量子进化算法解决设施选址和设施分配,遗传算法进行路径规划,并提出可达配送区域的搜索策略和路径长度为权重的设施分配优化策略以提高算法效率.实例测试表明,所提出的数学模型和组合智能算法是可行而有效的,可为多层级设施选址-路径规划问题提供理论与方法指导.     

农村电商物流下无人机与车辆协同配送路径优化研究

无人机配送正在成为解决物流末端配送难题的重要手段。无人机与车辆协同配送模式克服了无人机配送能力不足、安全性不高的弊端，是无人机参与配送的重要途径之一。针对农村电商物流“最后一公里”配送难、配送贵问题，考虑无人机与车辆协同方式、多无人机多包裹配送等约束，以配送成本最小化为目标构建混合整数规划模型并提出一种两阶段算法对无人机与车辆协同配送路径优化问题进行求解。第一阶段通过带约束的自适应K-means算法确定车辆停靠点范围，第二阶段设计爬山算子与分裂算子改进遗传算法，求得无人机与车辆配送路径。最后，通过算例实验验证了模型和算法的可行性与有效性。研究成果有望为农村电商物流末端配送降本增效提供新思路和参考价值。     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

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.     

改进AHP-GA算法的多目标配送路径优化

为准确优化快递配送路径,建立了基于时间窗的快递配送路径优化的数学模型.提出改进AHP-GA算法对多目标配送车辆路径进行优化,利用中位数层次分析算法对多个子目标进行权重系数配比,避免了极端值的影响,从而将多目标优化问题转化为单目标优化问题.通过简单的自然数对车辆路径进行编码,避免了路径重复.考虑了客户对车辆到达时间窗要求,包括车辆在约定时间之前到达获得的机会成本、在约定时间之后到达的罚金成本.最后,本文以1个配送中心,20个服务客户为例,对构建的数学模型通过分别使用传统的GA算法和使用改进AHP-GA算法进行优化,仿真结果表明,利用改进AHP-GA算法进行多目标配送路径优化,可以更加高效地求得问题的最优解.     

基于改进的K-means聚类的多区域物流中心选址算法

针对当前多区域物流中心选址需建立配送中心个数不定、位置、覆盖范围不明的问题,本文提出了一种改进的k-means聚类算法,以城市经济引力模型为基础,将城市运输距离与居民消费能力的指标相结合,重新定义对象之间相似性度量的距离因子.并将密度思想引入k-means算法,提出类内差分均值的概念确定最优聚类数.实现分区后,分别在这些区域中利用重心法对配送中心进行最终的确定.最后实例分析了在西部地区37个城市创建物流配送中心的选址过程,并通过和传统的k-means聚类的选址结果对比,说明改进后的算法不仅可以节省配送时间,而且大大降低了运输成本,有很好的经济利用价值.     

基于动态规划法的物流配送路径的随机选择

物流配送是电子商务的重要环节,配送路径的选择对于提高物流企业的效率十分重要。分析适用于多阶段决策的动态规划法,在基本的动态规划算法基础上,结合物流配送的路径选择问题,引入配送途中道路的拥堵因子,随机修正配送路径的相应权值,动态调整选择配送路径。结合具体的实例,分析证明了该方法的有效性和可行性,实现物流配送过程中路径的动态选择。