基于场景动态度的两级配送路径问题

针对城市配送过程中出现的交通限行和需求不确定性等问题,将配送周期划分为初始配送阶段和动态补货阶段,路径中包含枢纽型物流中心、配送型物流中心和客户,研究其共同构成的两级车辆配送路径优化问题.考虑到问题的动态性,提出前摄性需求配额策略及响应性补货策略,构建基于场景动态度的两级动态车辆路径问题数学模型.设计融合扫描算子的禁忌搜索算法,完成车辆初始阶段的配送路径优化;根据场景动态度,设计修复/更新性动态客户的响应策略,快速响应动态需求.最后,通过仿真算例验证模型和算法的有效性,实验结果表明,所提出的设计策略能够有效降低动态客户对低动态度应用场景初始路径的干扰,并简化高动态度场景下的路径优化复杂度.     

不确定环境下多品类共同配送路径优化

针对动态事件对配送过程的干扰问题，提出多品类共同配送车辆路径优化问题。基于对不确定环境下动态客户时空特性的分析，提出利用时空泊松分布生成动态客户的方法；并从整体运营成本及车辆固定成本入手，建立不确定环境下多品类共同配送模型；鉴于考虑模型的特殊性，设计遗传-禁忌搜索组合优化算法，结合具体算例对模型和算法性能进行验证。结果表明，提出的多品类共同配送方法优于单品类配送方法，且改进后的遗传-禁忌搜索算法具有更强的寻优能力。     

基于两阶段求解算法的动态车辆调度问题研究

在分析需求动态变化的基础上,根据需求信息的提出顺序,将动态配送问题转换成不同时刻的静态车辆调度问题,建立基于时间轴的动态车辆调度模型;利用量子理论改进遗传算法,设计量子遗传算法;针对动态车辆调度问题实时性强的特点,设计＂初始优化阶段＋实时优化阶段＂的两阶段求解策略,通过信息更新插入动态需求客户,并对已产生的计划路径进行局部优化调整.通过仿真计算,验证了模型和算法的有效性.     

集货需求模糊的异型车同时配集货路径优化

针对集货需求模糊的异型车同时配集货车辆路径问题(HFVRPSDDFP),基于先预优化再重优化的思路构建模型.预优化阶段根据可信度理论和车型选取方法为客户点分配车辆,生成配送方案.重优化阶段利用随机模拟算法(SSA)确定客户集货需求,对服务失败的客户点,制定服务策略,将模糊问题转化为确定型的异型车辆路径问题(HFVRP),并规划路径.设计遗传变邻域算法,通过测试确定邻域结构构造,将自适应搜索策略应用到邻域搜索过程中,保证迭代前期收敛速度和后期全局搜索能力.通过算例验证了本文模型及算法的有效性.     

一类非确定性车辆路径问题模型及其算法设计

提出一类路网结构未定、需求随机的非确定性车辆路径问题(N-DVRP),通过分析路网结构变动和需求随机双重不确定性对车辆路径选择的影响,建立N-DVRP的优化模型,并设计求解该问题的动态加速自适应遗传算法.仿真实验结果验证了该问题模型及其求解算法的合理性和有效性.     

基于双层模糊聚类的多车场车辆路径遗传算法

对大规模多车场车辆路径问题,设计了基于双层模糊聚类的改进遗传算法求解框架,上层静态区域划分利用k-means技术将多车场到多客户的问题转化为一对多的子问题,下层模糊聚类从保证客户满意度和整合物流资源的角度出发,利用模糊聚类算法根据客户需求属性形成基于客户订单配送的动态客户群。进一步,通过改进选择算子和交叉算子来设计车辆路径优化的遗传算法。通过随机算例仿真实验,证明了提出方法和求解策略的有效性。     

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.     

不确定环境下的危险品运输车辆路径优化

针对非满载危险品运输车辆路径优化问题,通过模糊变量刻画运输过程中的人口密度、行驶速度与运输时间以及客户需求量等方面的不确定因素,考虑载货量变化对风险评估的影响,建立基于动态载货量的风险评估模型,以运输总风险、车辆总行程、车辆使用数最小为优化目标,同时兼顾时间窗、事故概率、载货量等约束构建了不确定环境下的危险品运输车辆路径多目标优化模型。将NSGA-Ⅱ算法与LNS算法相结合,设计混合NSGA-Ⅱ算法求解模型。结果表明,混合NSGA-Ⅱ算法可以获得空间分布均匀且收敛性较好的Pareto解集,不同运输参与者可根据自身偏好在解集中选择相应的配送方案;该算法得到的最优总风险、总行程及车辆使用数目分别比NSGA-Ⅱ算法优化了11.5%、1.0%和14.3%,算法搜索性能和求解精度明显提高。     

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.     

求解不确定TSP问题的蚂蚁算法

提出了不确定旅行商问题模型,该模型将路径长度看作动态可变的。从实际应用来说,该模型考虑了交通运行中的不确定情况,比经典旅行商问题更具有灵活性及实用价值,利用该模型得到的结果将更适于指导车辆对运行路线的选择。同时提出了一种基于蚂蚁算法的混合方法求解不确定旅行商问题,并给出了解的评价标准。实验结果显示,该方法能够加速蚂蚁算法的收敛性,可以有效求解不确定旅行商问题。     

动态车辆路径问题中实时信息生成算法

实时信息的产生对动态车辆路径问题仿真器的研究起着非常重要的作用。为此,提出了实时信息的生成算法,包括随机公路网络的生成,实时交通信息的生成和随机客户需求的生成等。实验结果表明,算法所产生的实时信息和现实中的实时信息比较接近,能够满足动态车辆路径问题仿真器的要求。     

强化学习在车辆路径问题中的研究综述

车辆路径问题是物流运输优化中的核心问题,目的是在满足顾客需求下得到一条最低成本的车辆路径规划。但随着物流运输规模的不断增大,车辆路径问题求解难度增加,并且对实时性要求也不断提高,已有的常规算法不再适应实际要求。近年来,基于强化学习算法开始成为求解车辆路径问题的重要方法,在简要回顾常规方法求解车辆路径问题的基础上,重点总结基于强化学习求解车辆路径问题的算法,并将算法按照基于动态规划、基于价值、基于策略的方式进行了分类;最后对该问题未来的研究进行了展望。     

随机需求车辆路径问题的价值逼近在线决策

随着高效实时物流的发展,不确定车辆路径问题面临着兼顾决策精度和实时响应能力的新挑战.本文以应用最为广泛的随机需求车辆路径问题为例,研究提出一种有效的在线决策方法.首先,考虑多车辆同时在线,以总旅行成本最小化为目标,建立马尔科夫决策模型,并引入可信度约束和邻域半径减少策略缩小行动空间,提高求解效率.其次,设计强化学习中的...     

模糊需求条件下车辆路径问题的模糊模拟

研究具有模糊需求的车辆路径问题,针对具有不确定需求的单车辆单车场的车辆路径问题,建立了基于模糊可信性理论的模糊机会约束规划模型,并提出了求解该问题的一种基于模糊模拟的混合遗传算法。同时,在最小化车辆总行驶距离的目标下,通过实验研究决策者主观偏好对决策目标的影响,并给出最佳主观偏好值。     

动态车辆调度系统设计与开发

针对市内货物配送和收集这一典型的VRPB问题,在Dijstra算法结合A*算法计算距离矩阵的基础上,以混合禁忌搜索算法为理论基础进行静态调度求解,并以局部调整策略实现VRPB的动态调度计算。开发基于GPS/GIS/GPRS技术的动态车辆调度系统。该系统能监测新增的客户发货需求,实时跟踪车辆位置,以这些参数为输入动态地优化车辆行驶路径,并通过GPRS将调度结果快速准确地传送给车辆。     

配送中心多车辆集散货物路线的禁忌搜索研究

多车辆集散货物路线问题是客户可以同时取货和发货,而且客户发货量在路线安排前是不确定的。提出了一种改进的禁忌搜索算法,该算法将路径问题按不同的车辆-顾客分配结构分解成若干子问题,然后用禁忌搜索算法求解每个子问题,最后从所有子问题的最优解中选出全局最优解。     

面向全局搜索的自适应领导者樽海鞘群算法

针对实际配送过程中客户需求、车辆服务时间随机可变,提出带软时间窗的随机需求和随机服务时间的车辆路径问题.以配送车辆行驶路径为研究对象,建立基于配送成本、时间惩罚成本、修正成本的配送车辆路径优化模型,并提出一种混合禁忌搜索算法.该算法将最近邻算法和禁忌搜索算法相结合,将时间窗宽度及距离作为最近邻算法中节点选择标准;并对禁忌搜索算法中禁忌长度等构成要素进行自适应调整,引入自适应惩罚系数.实验结果表明,改进后的混合禁忌搜索算法具有较强的寻优能力、较高的鲁棒性,同时算法所得车辆行驶路径受客户需求变动影响较小.     

Open vehicle routing problem with demand uncertainty and its robust strategies

We investigate the open vehicle routing problem with uncertain demands, where the vehicles do not necessarily return to their original locations after delivering goods to customers. We firstly describe the customer’s demand as specific bounded uncertainty sets with expected demand value and nominal value, and propose the robust optimization model that aim at minimizing transportation costs and unsatisfied demands in the specific bounded uncertainty sets. We propose four robust strategies to cope with the uncertain demand and an improved differential evolution algorithm (IDE) to solve the robust optimization model. Then we analyze the performance of four different robust strategies by considering the extra costs and unmet demand. Finally, the computational experiments indicate that the robust optimization greatly avoid unmet demand while incurring a small extra cost and the optimal return strategy is the best strategy by balancing the trade-off the cost and unmet demand among different robust strategies.