基于自适应免疫遗传算法的VRP问题的研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,该问题属于NP难题,当问题规模较大,很难得到问题的最优解和满意解。应用遗传算法是被认为求解NP难题的有效手段之一,文中在求解物流配送车辆路径优化问题时,在传统遗传算法的基础上,加入自适应算子,并引入了免疫算法的思想,实验结果表明该算法具有更好的全局和局部搜索能力和收敛速度,可有效地解决物流配送车辆路径优化问题。     

粒子群算法的MDVRP仿真研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,路径优化属于NP 难题,问题规模较大,很难得到最优解和满意解.应用粒子群算法是被认为求解NP 难题的有效手段之一,为解决MDVRP(多车场车辆路径)的优化问题,在求解物流配送车辆路径优化问题时提出将粒子群算法与变异操作相结合的求解方式:通过设计一个随群体适应度方差的变化而变化的变异算子,将聚集在局部收敛点附近的粒子打散,进而增强算法跳出局部最优的能力和全局寻优的几率.针对多车场车辆路径问题构造了一种新的编码方式以减少算法的无效迭代.仿真结果表明,采用全局搜索能力有显著提高,并能有效避免早熟收敛问题.     

求解非满载车辆调度问题的改进遗传算法

车辆路径问题(VRP)是一个典型的NP问题,采用传统方法求解往往找不到满意解.在分析现有求解该问题的遗传算法的基础上,对现有的变异算子进行了改进,并设计了基于自然数编码的遗传算法,用来求解非满载的车辆路径问题.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.     

一种物流配送车辆路径智能优化算法研究

针对遗传算法局部搜索能力不足,运行效率较低的缺点,论文提出将最速下降法与遗传算法相结合构成混合遗传算法.通过对物流配送车辆路径的特点分析,建立了物流配送车辆路径优化问题数学模型,利用改进的混合遗传算法对模型进行求解.仿真实验结果表明,混合遗传算法求解物流配送路径优化问题,可以较好地克服遗传算法局部搜索能力方面的不足和最速下降法在全局搜索能力方面的不足,得到质量较高的解.     

改进蚁群算法求解有时间窗的物流配送路径问题

物流配送车辆路径优化问题已被证明是一个NP难题,很难得到最优解。应用蚁群算法对带时间窗的物流车辆路径优化问题进行了算法设计,建立了车辆路径优化问题的蚁群算法数学模型及解决方案。通过对蚁群算法的分析,提出了改进的蚁群算法,并结合实例对该算法进行测试和分析,检验其有效性,结果表明了改进蚁群算法的可行性,符合实际的需要。     

基于并购算法的物流配送路径优化的研究

优化物流配送路径是一个经典的NP问题,构造基于并购算法的物流配送路径优化的模型。经过多次模拟实验,可以快速获取物流配送路径优化问题的最优解或近似最优解。由此得出并购算法在求解物流配路径优化方面有较强的优越性。     

基于梯森分割的城市物流配送路线优化选择

物流配送车辆路径优化问题是一个典型的NP难题,也是近年来物流研究中的一个热点。文章利用先分组再排路线的思想,把城市零售商品物流配送车辆路径优化问题分解成一个分派问题和一个类似旅行商问题(TravelingSalesm an Problem,TSP)。应用空间分析中的梯森分割(Thiessen Tessellation)理论解决分派问题,同时改进用于求解TSP问题的插队算法,将其应用于对车辆巡回路线寻优问题的求解,最后,对此算法进行了应用举例。     

混合算法在车辆路径优化问题中的应用

研究车辆路径优化问题,物流配送不仅要求配送及时,而且要求运输成本低,且路径最优。车辆路径优化是解决物流配送效率的关键,传统优化方法寻优效率低,耗时长,难以得到车辆路径最优解,导致物流配送成本过高。为了提高车辆路径寻优效率,降低物流配送成本,提出一种混合算法的车辆路径优化方法。首先建立车辆路径优化数学模型,然后用遗传算法快速找到问题可行解,再将可行解转换成蚁群算法的初始信息素,最后采用蚁群算法从可行解中找到最优车辆路径。仿真结果表明,混合方法提高车辆路径寻优效率,有效地降低物流配送成本。     

混合量子遗传算法及其在VRP中的应用

物流配送车辆路径问题(VRP)是一类典型的NP问题.针对提高寻优能力问题,构造了一种混合量子遗传算法(HQGA),即在传统量子遗传算法(QGA)随机全局搜索的基础上引入一个免疫算子,通过该算子的局部搜索操作实现线路内次序的再优化.给出了该算法的具体实现方法和流程,并用实例进行测试.仿真结果表明混合量子遗传算法的寻优性能优于传统量子遗传算法(QGA)及文献中的其它方法,可以避免出现早熟收敛,是求解车辆路径问题的一种有效的算法.     

物流配送路径优化问题求解的量子蚁群算法

物流配送路径优化是一类实用价值很高的NP完全难题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种量子蚁群算法的物流配送路径优化方法（QACA）。在物流配送路径优化问题分析的基础上建立相应的数学模型,通过量子蚁群算法对其进行求解,对各路径上的信息素进行量子比特编码,采用量子旋转门及最优路径对信息素进行更新,对QACA的性能进行仿真测试。仿真结果表明,QACA具有较强的全局搜索能力和收敛速度,可以有效解决物流配送路径问题。     

物流配送车辆路径问题的优化研究

物流中的车辆路径问题(VRP)是目前组合优化领域的研究热点问题,VRP为NP-hard问题。本文在对VRP分析的基础上,建立数学模型,提出了一种适合求解该问题的蚁群遗传融合优化算法。提出的优化算法首先采用蚁群算法在局部阶段产生最好解,然后利用遗传算法的优良基因在全局阶段对优化解进一步优化,以获取最好路径解。实验结果表明,提出的融合算法能高效解决VRP问题,且优化效果比单算法好。     

电商配送中的车辆调度问题优化研究

电子商务环境下的物流配送产生了新的特点,在传统方式下建立的物流配送系统已不能完全满足电子商务的需要。针对电商配送终端客户具有配送需求量小、品种多、位置较分散的新特点,研究电子商务环境下的车辆调度问题,用聚类分析法划分配送区域,建立VRPTW模型,采用遗传算法对模型加以求解。通过仿真实验,与传统的VRP模型求解进行比较,发现优化后的成本比未优化的成本低,验证了关于VRPTW优化模型求解方法的有效性。     

METAHEURISTIC APPROACH FOR THE MULTI-DEPOT VEHICLE ROUTING PROBLEM

Distribution logistics comprises all activities related to the provision of finished products and merchandise to a customer. The focal point of distribution logistics is the shipment of goods from the manufacturer to the consumer. The products can be delivered to a customer directly either from the production facility or from the trader's stock located close to the production site or, probably, via additional regional distribution warehouses. These kinds of distribution logistics are mathematically represented as a vehicle routing problem (VRP), a well-known nondeterministic polynomial time (NP)-hard problem of operations research. VRP is more suited for applications having one warehouse. In reality, however, many companies and industries possess more than one distribution warehouse. These kinds of problems can be solved with an extension of VRP called multi-depot VRP (MDVRP). MDVRP is an NP-hard and combinatorial optimization problem. MDVRP is an important and challenging problem in logistics management. It can be solved using a search algorithm or metaheuristic and can be viewed as searching for the best element in a set of discrete items. In this article, cluster first and route second methodology is adapted and metaheuristics genetic algorithms (GA) and particle swarm optimization (PSO) are used to solve MDVRP. A hybrid particle swarm optimization (HPSO) for solving MDVRP is also proposed. In HPSO, the initial particles are generated based on the k-means clustering and nearest neighbor heuristic (NNH). The particles are decoded into clusters and multiple routes are generated within the clusters. The 2-opt local search heuristic is used for optimizing the routes obtained; then the results are compared with GA and PSO for randomly generated problem instances. The home delivery pharmacy program and waste-collection problem are considered as case studies in this paper. The algorithm is implemented using MATLAB 7.0.1.     

求解VRP问题的混合鱼群遗传优化算法

首先对物流配送中的一般车辆优化调度问题（VRP）进行了分析,并为之建立了相应的数学模型。随后设计了一个人工混合鱼群算法,并研究了如何应用该算法解决车辆优化调度问题,该算法在初期阶段应用人工鱼群算法迅速获得阶段最优解,在后期阶段应用遗传算法寻求最优解。最后通过仿真实验验证了该算法具有求解速度快,性能稳定等优点。     

求解VRP的蚁群算法研究

车辆路径问题是物流配送中一个至关重要的问题。由于它是一个NP-Hard问题,启发式算法成为求解VRP的主要方法。蚁群算法是近年来发展起来的一种可以用来求解VRP的启发式算法。实验证明,该方法能够很好地解决车辆路径问题。本文详细阐述了蚁群算法的基本原理和求解VRP的蚁群算法过程。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。     

可选时间窗VRP的禁忌搜索算法

车辆调度问题（VRP）是广泛应用于物流配送等领域的一类组合优化问题。对实际中广泛存在的可选时间窗的车辆调度问题（VRPATW）进行了研究,建立了VRPATW问题的数学模型,并利用PFIH算法和禁忌搜索的混合算法进行求解,最后通过实验说明此算法解决VRPATW问题的有效性和可行性。