多需求点车辆调度模型及其群体智能混合求解

建立货运关系明细的多需求点车辆调度模型, 模型求解过程是先由粒子群算法的粒子位置向量得到单车运送的货物, 再由蚁群算法优化单车路径, 根据优化目标筛选粒子, 直到终止条件, 实现所有货物对所有车辆的分配. 实例求解结果表明混合求解得到的车辆总路径小于蚁群算法得到的结果.     

基于改进蚁群算法的物流配送路径优化

随着社会的不断进步,配送车辆最短路径优化问题已广泛应用于交通运输、网络购物、物流配送等与生产生活息息相关的问题,然而配送车辆路径优化的计算比较复杂.文中建立在带约束条件的多车辆物流配送问题模型的基础上,运用改进的蚁群算法解决物流配送过程中的路径选择问题.通过对信息索的全局和局部更新规则进行改进,和传统的最值蚁群算法进行比较,算法的收敛速度和全局搜索能力得到提高.文中最后成功将改进后的蚁群算法应用于多车辆物流调度路径优化问题.结果表明该优化算法性能受优.     

公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

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。     

面向冷链物流配送路径优化的知识型蚁群算法

生鲜电商、冷链宅配的盛行使冷链物流订单呈现出"小批量、多批次、易腐坏"的特点,进一步增大了城市冷链物流配送路径优化的必要性与难度.鉴于此,同时考虑顾客满意度和道路拥堵状况,构建最小化总成本的冷链车辆路径优化数学模型.为求解该问题,将知识型精英策略下的禁忌搜索算子和动态概率选择的知识模型融入蚁群算法,设计一种新的知识型蚁群算法.通过对模拟实例和真实实例进行仿真实验,对传统蚁群算法、基于禁忌搜索改进的蚁群算法与所提出的知识型蚁群算法进行对比分析,验证了所构模型和知识型蚁群算法的有效性.     

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。     

多时间窗车辆路径问题的混合蚁群算法

研究了多时间窗车辆路径问题,建立了多时间窗车辆路径问题的数学模型,并基于蚁群算法设计了一种混合蚁群算法对问题进行了求解。该算法首先利用基本蚁群算法求解,然后采用2-opt算法和元胞自动算法对结果进行优化,同时加入变异算子。实验结果表明该算法可以有效地求解多时间窗车辆路径问题。     

基于混合蚁群算法的异质车队低碳VRP研究

针对货运车辆在配送调度过程中产生大量碳排放的问题，建立模型将多种影响碳排放量的因素协同优化。模型中考虑了不同载重量的异质车队，两个节点之间有多条道路的柔性路径，以及车辆重量随卸货而减少的动态负载等因素，以碳排放量、行驶时间和行驶路程为优化目标，并加入了节点需求时间窗、根据速度变化划分路段、交接和卸货时间的约束。提出了一种混合蚁群算法，利用蚁群算法信息素强度更新方式保持群体记忆性，利用粒子群算法的快速收敛特性增加计算效率。通过随机数值算例的仿真优化与对比分析，验证了算法和模型的有效性。     

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。     

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。     

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。     

基于改进型蚁群算法求解车辆路径优化问题的研究

针对蚁群算法在求解路径优化问题中存在收敛速度慢、易陷于局部最优路径等缺点进行了局部改进和优化,通过建立最近邻配送点矩阵来降低蚁群搜索空间,提高收敛速度。实验结果表明,改进型蚁群算法性能显著提高,能在较短时间内求得车辆路径问题较为满意的最优解。     

动态路网选址–路径优化算法及实现

针对路段通行时间随旅行时段变化的实际城市路网环境下的选址–路径问题, 建立其混合非线性整数规划 模型; 并在双层规划模型的基础上, 利用遗传算法进行设施选址, 改进蚁群算法进行车辆路径优化, 提出一种遗传算 法与改进蚁群算法协同的求解方法(GA–IACO). 在路径优化中, 基于NNC算法生成初始可行解集; 采用Max-Min蚁 群系统策略动态更新信息素范围, 降低陷入局部最优的可能性; 并通过模拟退火过程, 对邻域解集按照Metropolis准 则进行接收, 以增强算法的全局搜索能力. 在测试集上的结果表明了算法在时变有向网络上的可行性, 为验证算法 的有效性, 通过构建杭州市路网的富属性网络模型, 在得到路网结点间OD成本矩阵的基础上进行求解, 实验结果表 明, 配送成本平均降低6.92%, 选址–路径规划总成本平均降低7.09%, 所得结论为实际优化决策提供了理论支持.     

结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题EI北大核心CSCD

针对带时间窗的低能耗多车场多车型车辆路径问题(Low-energy-consumption multi-depots heterogeneousfleet vehicle routing problem with time windows,LMHFVPR_TW),提出一种结合聚类分解策略的增强蚁群算法(Enhanced ant colony optimization based on clustering decomposition,EACO_CD)进行求解.首先,由于该问题具有强约束、大规模和NP-Hard等复杂性,为有效控制问题的求解规模并合理引导算法在优质解区域搜索,根据问题特点设计两种基于K-means的聚类策略,将LMHFVPR_TW合理分解为一系列带时间窗的低能耗单车场单车型车辆路径子问题(Low-energy-consumption vehicle routing problem with time windows,LVRP_TW);其次,本文提出一种增强蚁群算法(Enhanced ant colony optimization,EACO)求解分解后的各子问题(LVRP_TW),进而获得原问题的解.EACO不仅引入信息素挥发系数控制因子进一步动态调节信息素挥发系数,从而有效控制信息素的挥发以提高算法的全局搜索能力,而且设计基于4种变邻域操作的两阶段变邻域局部搜索(Two-stage variable neighborhood search,TVNS)来增强算法的局部搜索能力.最后,在不同规模问题上的仿真和对比实验验证了所提EACO_CD的有效性.     

时变路网条件下车辆路径问题的自适应蚁群算法

考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素,处理跨多时段的问题,建立时变路网条件下的车辆路径问题数学模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法全局收敛能力;结合油耗率,将油耗率转化成信息素挥发因子,自适应更新信息素,保证其收敛速度;通过3-opt策略,提高算法的局部搜索能力。基于以上方法构造自适应蚁群算法,对8个客户规模的实例进行仿真表明提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和蚁群算法,且因为考虑了不同运载量的油耗,为准确估计运输成本提供了方法。     

一种新的基于logistic混沌映像的自适应混沌蚁群优化算法求解动态车辆路径问题

针对车辆路径问题(VRP),提出基于logistic函数的自适应混沌蚁群优化算法。利用混沌运动的遍历性、随机性和规律性特点,把具有强局部搜索能力的logistic映像融入到蚁群算法局部信息素更新中。屏蔽logis-tic映像断点区间,克服蚁群算法搜索时间过长、易于停滞的现象,提高算法准确度。选用VRP标准库实例进行的仿真实验表明,新算法能准确找到已知最优解,与其他算法的比较实验证明了该算法的有效性。     

基于划分的蚁群算法求解货物权重车辆路径问题

考虑单产品分销网络中的车辆路径问题(VRP:vehicle routing problem).与以往诸多研究不同的是,建立了一种带货物载重量的VRP模型(weighted VRP),即车辆在两个顾客之间行驶时的载重量也作为影响运输费用的一个因素考虑.因此,需求量较大的顾客拥有较高的车辆运输优先权.在分析了问题性质的基础上,提出一种基于划分策略的蚁群算法PMMAS求解货物权重车辆路径问题,并与其他常用的启发式算法进行比较分析,表明了算法的有效性.     

VRP问题蚁群算法研究

在对一般VRP问题进行分析的基础上,针对物流配送路径优化实际问题,建立物流配送路径优化问题的数学模型。运用蚁群算法进行仿真实验,实验结果表明蚁群算法可以快速有效解决VRP问题。