分支定价方法求解带二维装箱约束的车辆路径问题EI北大核心CSCD

面向家具、电器等货物的物流配送场景,研究带二维装箱约束的车辆路径问题(2L–CVRP),构建了2L–CVRP的混合整数线性规划模型.为求解大规模2L–CVRP,构建了该问题集合划分模型,提出基于分支定价的方法.针对分支节点的松弛模型,基于列生成策略将其分解为线性规划主问题、带资源和二维装箱约束的最短路径子问题,并提出基于ng-route松弛策略的标签算法和基于禁忌搜索的装箱算法有效求解复杂子问题.仿真结果表明,提出的方法可高效求解大规模2L–CVRP,其中ng-route松弛策略能有效提升算法求解效率,研究成果为装箱约束下大规模车辆路径问题的高效求解提供了有效途径.     

基于一种新型分支定价算法的电动车支线镇际快递配送路径规划研究

针对由电动汽车支持的支线镇际快递配送系统,提出一类新型的分支定价算法实现对车辆和货物的路径规划.研究利用时空网络将时间离散化构建模型,同时考虑了车辆资源、仓储资源和充电桩资源的管理问题.在分支定价算法中,分支策略和割平面策略的结合有效削弱了时间离散化所带来的对称性问题.强化策略则通过对生成路径变量进行有效筛选,并利用求...     

单车场多送货点车辆路径问题的改进遗传算法

针对单车场多送货点容量约束的车辆路径问题提出了一种改进的遗传算法。该算法基于自然数编码的染色体,采用了改进的交叉和变异法、内部扰动和外部扰动等技术,提高了遗传算法的优化效率和优化效果。介绍了此算法的原理,给出了具有两个代表性算例试验结果和结果分析。试验结果表明了该改进遗传算法对求解单车场多送货点容量约束的车辆路径问题的有效性。     

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。     

基于改进遗传算法的农产品运输车辆路径优化研究

随着人们物质生活水平的提高,线上购买农产品的方式备受推崇,对农产品配送上门的需求也随之增加。如今的农产品配送,不仅需求大,而且农产品本身存在保鲜期短、容易腐烂等问题。为了使客户满意,需要在客户规定接货时间内尽快完成配送任务。针对此问题,基于带时间窗的农产品运输车辆路径问题模型,本文设计了改进的遗传算法进行求解。在标准遗传算法基础上,根据种群变化情况改变变异概率,同时加入局部搜索操作以改善标准算法局部寻优能力弱的不足。基于国际通用算例进行仿真验证,测试结果均得到了近似最优解,证明了该算法具有有效性,且算法收敛性能有所提高。     

基于改进蚁群算法的车辆路径优化问题研究

物流活动中需要找出各个配货节点之间的最短路径,用以指导物流车辆调度,进而节约物流成本。提出解决车辆路径优化问题的方法,针对蚁群算法的缺点,分别对信息素更新策略、启发因子进行改进,并引入搜索热区机制,有效解决了蚁群算法的缺陷。最后,以哈尔滨市局部地图为原型,应用MATLAB软件对改进蚁群算法求解车辆路径优化问题的性能进行仿真,并与基本蚁群算法对比分析,验证了改进蚁群算法的有效性和可行性。     

物流配送车辆路径优化问题的仿真研究

研究物流配送车辆路径优化问题,由于物流行业要求货物及时配送,又要降低物流运输成本.物流配送车辆路径选择是重点解决的问题,传统优化方法搜索时间长,难以找到最优路径,造成物流配送成本高.为了降低物流配送成本,提高车辆路径优化效率,提出一种蚁群算法的物流配送车辆路径优化算法.首先对物流配送车辆路径问题进行分析,然后建立相应的数学模型,最后采用蚁群算法对车辆路径问题的数学模型进行求解.通过具体实例对算法进行实验,实验结果表明,蚁群算法提高寻优效果,找到的物流配送车辆路径的最优解短于其它算法,降低物流配送成本,并为物流配送车辆路径选择提供了一种有效算法.     

带装载量约束的物流配送车辆路径优化研究

建立了物流配送车辆路径模型,设计了一种禁忌搜索算法,进行了多个算例测试和比较。测试表明模型的正确性,显示出禁忌搜索算法在物流配送车辆路径优化中计算时间节省、路程里程节省、总费用最小化等方面比遗传算法、模拟退火算法、蚁群算法及其混合算法具有明显的优势,能很好地适应现代物流对配送环节快速、低成本的要求。     

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。     

基于蚂蚁算法的车辆路径问题应用研究

引入了蚂蚁算法来解决基本车辆路径问题,设计了合适的算法程序,通过实验表明了蚂蚁算法能够有效地求解VRP问题。     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.     

基于ACS-GA算法的车辆路径问题研究

物流配送车辆路径问题是智能交通和商业物流领域中一个重要研究方面。合理规划车辆的行驶路线,减少配送里程,降低物流成本,对提高经济效益具有重要意义。重点分析了带时间窗的物流配送车辆路径问题,建立了兼顾配送时间与配送距离最短的改进数学模型。提出了基于蚁群系统算法和遗传算法相融合的混合算法。该算法利用蚁群系统算法得到初始解,运用遗传算法中复制、交叉、变异操作对解的种群多样性进行扩充,克服了蚁群系统算法的早熟现象,增强了算法的全局搜索能力。基于标准数据集的实验结果表明,该算法与其他优化方法相比较,具有较好的搜索车辆路径最优解的能力。     

基于改进蚁群算法的物流配送问题研究

对带时间窗的物流配送车辆路径优化调度问题进行了描述,给出了数学模型,在最大～最小蚁群算法的基础之上,提出了一种改进的蚁群算法,在物流配送路径优化问题初始解的构造、路径优化、转移规则、信息素更新方式、算法终止判断等进行了改进,并通过引入信息熵的概念,利用与算法运行过程有关的信息熵的值表示选择过程中的不确定性,来控制路径选择和局部随机变异扰动的概率,以实现算法的自适应调节,同时结合局部优化方法对解进行二次优化,通过这些改进,提高了算法的搜索效率,实验仿真整明了该改进算法的有效性.     

基于改进蚁群算法的车辆路径仿真研究

针对基本蚁群算法收敛速度慢、易陷于局部最优等缺陷,提出了一种改进蚁群算法.通过车辆的满载率调整搜索路径上的启发信息强度变化,对有效路径采取信息素的局部更新和全局更新策略,并对子可行解进行3-opt优化,在实现局部最优的基础上保证可行解的全局最优.通过对22城市车辆路径实例的仿真,仿真结果表明,改进型算法性能更优,同基本蚁群相比该算法的收敛速度提高近50%,效果显著,该算法能在更短时间内求得大规模车辆路径问题满意最优解,说明其具有较好的收敛速度和稳定性.     

基于城市配送的单车线路算法研究

对单车线路优化问题进行重点阐述。求解过程采用了最节约插值法与混合遗传算法,较好地解决了单车配送线路优化问题。通过实例数据测试,表明两种算法的结合优化效果显著。     

约束法蚁群算法在多目标VRP中的研究

多目标车辆路径问题(MVRP)在物流研究领域具有重要的理论和现实意义,但由于各目标之间的相互联系和制约使得建模和求解具有很大的难度.在众多求解方法中,蚁群算法对解决类似组合优化问题具有明显的优势,蚁群算法已成功应用于一系列单目标优化问题,但对多目标问题的研究还处于起步阶段.侧重结合目标约束法与蚁群算法来研究多目标车辆路径问题,使各优化目标之间形成既彼此独立,又相互联系和制约的机制,最终求得多目标优化意义下的一种平衡解.仿真结果证明该算法具有良好的收敛性和运行效率,对于物流运输的实际运作具有重要的现实意义.     

求解车辆路径问题的离散粒子群算法

考虑车辆行驶时间和顾客服务时间的不确定性,建立了以车辆配送总费用最小为目标的机会约束规划模型,将其进行清晰化处理,使之转化为一类确定性数学模型,并构造了求解该问题的一种离散粒子群算法。算法重新定义了粒子的运动方程及其相关离散量运算法则,并设计了排斥算子来维持群体的多样性。与标准遗传算法和粒子群算法比较,该算法能够有效避免算法陷入局部最优,取得了满意的结果。     

基于时空聚类的带时间窗车辆路径规划算法

针对带时间窗车辆路径问题,设计了一种同时考虑顾客的时间和空间邻近性的路径改进方法。首先设计了一种顾客间时空距离的表达方式,然后利用遗传算法对顾客点进行时空聚类,并将聚类结果应用于路径调整中,使得顾客尽可能被加入到时空距离近的顾客所在路径中,这样既能有效减小搜索范围,又能更快到达更好的解。以含1000个点的标准问题集作为算例,计算结果表明,与不采用时空聚类的方法相比,该算法能在更短的时间内取得更好的解,显示了在解决大规模车辆路径问题时具有很好的潜力。     

求解车辆路径问题的改进扰动机制的ILS算法

针对车辆路径问题,提出一种改进的迭代局部搜索(ILS)算法。该算法基于破坏再重建(Ruin and Recreate)的思想,设计了一种新的扰动机制。扰动过程包含破坏和重建两个阶段,即先使用一种兼顾随机性和相关性的破坏方法对解进行破坏,并引入扰动因子控制解的破坏强度,然后再随机选择基本贪婪插入和改进贪婪插入算法完成解的修复。利用国际标准测试案例对常规扰动机制和改进后的扰动机制进行了测试,并与量子进化算法、蜂群算法进行了比较,实验结果表明改进后的ILS算法更加有效。     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.