物流配送路径多目标优化的聚类-改进遗传算法

探讨运输车辆路线安排调度问题的解决方法，提出一种先用优先级综合聚类分析法将客户分类，再用带有控制开关系统的改进遗传算法求解多目标VRP的优化方法。构造了一种随机开关，以此控制遗传算法中的变异运算，增加了群体的多样性，避免了遗传算法中“局部最优现象”的发生。计算机仿真实验证明了该算法的有效性。     

基于两阶段改进遗传算法的一类特殊LRP问题研究

提出了一种带有随机开关的两阶段改进遗传算法并应用于集成化物流中的定位 运输路线安排 (LRP)优化问题. 该方法采用随机开关控制遗传算法中的变异运算, 实现了空间的有效搜索, 并且在一定程度上, 避免了“局部最优现象”的发生. 通过计算机仿真实验, 证明了该算法求解LRP问题的有效性和准确性.     

电子商务中物流配送路径优化研究

电子商务环境下的物流配送具有客户位置分散、订单多、批量小和重复线路多的特点，传统的线路优化方法都在不同程度上遇到各种问题。该文针对电子商务环境下的配送特殊性，采用改进两阶段算法进行求解。结合具体实例，实验证明了该改进算法的有效性。     

定位2运输路线安排问题的两阶段启发式算法

重点研究了集成化物流中一类特殊的定位一运输路线安排问题(LRP)的解决方法．LRP问题包括设施定位和运输路线优化两方面决策，属于NP-hard难题．由于问题的复杂性，提出基于假设前提的LRP模型及其两阶段启发式求解算法．该方法分两步实现：首先，采用基于最小包络聚类分析的启发式方法确定被选择的潜在设施及由每一个选中的设施所要提供服务的客户群；其次，运用带有控制开关的遗传算法求解每一确定客户类中的优化运输路线．提出利用两阶段启发式算法求解LRP问题，此方法实现容易、运算简单，一定程度上避免了遗传算法中的“局部最优现象”．仿真实验证明了该算法求解单目标LRP的有效性和准确性．     

基于免疫计算的物流配送车辆路径优化

为解决物流配送车辆路径优化问题,给出了一种基于免疫计算的车辆路径优化方案,设计了车辆路径问题的数学模型,给出了非劣邻域支配的多目标免疫优化算法的框架、基于实数编码的比例克隆算子和领域变异算子以及支配抗体的拥挤距离公式,并在仿真环境下进行了实验;结果表明,算法能使多目标优化同题收敛到Pareto最优解集,并在Pareto曲线上有均匀的分布,具有较好的应用价值.     

定位-运输路线安排问题的遗传算法研究

定位—运输路线安排问题(LRP)是分销网络设计和物流管理决策中的难题。由于LRP是NP-complete问题,对它的求解方法大多局限于将其分解为定位—分配问题和车辆运输路线安排问题,或者是基于这种分解思想。文章通过对遗传算法(GA)中树编码、免疫遗传算法以及GA阶段进化策略深入地分析和研究,构建了定位—运输路线安排问题的遗传算法,它与以往算法最大的不同点就是并没有基于两阶段求解的思路,而是将LRP的解看作一个整体,从而减小了在进化过程中停滞于局部最优解的概率,提高了GA的计算效率和计算速度。文中详细叙述了针对LRP问题的树编码、交叉、变异、爬山、免疫、合并小路线等各种算子设计过程,并利用一实例来验证算法的可行性。该算法为LRP问题以及相关大规模组合优化问题的求解开辟了一个新的思路,同时也为GA中树编码在实际中应用做了有益的尝试。     

军事物流系统架构及其调度决策

本文介绍了国内外军事物流系统现状及其发展趋势,根据实际情况提出构建军事物流指挥调度系统的可行性方案。现代物流调度指挥系统建设中,核心技术是物流系统的建模和优化以及指挥调度的智能化,本文提出了多目标优化的方法,用于解决物流管理中关键的定位—运输路线安排问题。     

基于遗传算法的物流配送路径优化问题研究

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在选址问题、配送问题、调度问题、运输问题、布局问题方面意义重大。在建立物流配送路径优化问题数学模型的基础上,构造了求解该问题的遗传算法。该遗传算法采用常用的二进制编码,在个体选择上结合使用最优个体保留策略和轮盘赌法。最后以这种方法进行了实验计算,通过计算结果表明,用遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

震后随机动态LRP多目标优化模型及算法*

为了在地震灾区快速配送救灾物资,建立了一个多产品多运输方式的随机动态应急配送中心定位—运输路线安排问题的多目标优化模型,据此得出不同阶段应急配送中心的定位以及救援物资运输路线安排决策方案。根据该模型的特点,提出一种基于动态规划和权重系数变换法的改进遗传算法,并运用罚函数法处理模型中的约束条件。算例分析表明了该模型和算法的有效性,能为应急管理部门提供辅助决策支持。     

基于遗传算法的物流配送路径优化问题的研究

建立优化物流配送路径的数学模型,然后构造求解该问题的遗传算法。进行多次实验和计算,证明用遗传算法优化物流配送路径,可以有效地求得问题的最优解或近似最优解。     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

带硬时间窗模糊车辆路径问题的多目标优化

针对带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立多目标模糊期望值模型,提出求解该问题的自适应混合多目标粒子群优化算法.该算法根据相位空间的思想给出一种实数编码方式,设计双存档机制,分别存储演化过程中产生的非支配解和有益不可行解,并引入自适应局部搜索、变异和粒子全局向导选择策略.仿真实验结果表明,与多目标进化算法相比,该算法可以获得更优的Pareto解集.     

基于遗传算法的QoS选播流路由优化算法

选播是一种网络通信服务,在视频流点播等领域发挥重要作用。该文提出QoS选播流路由优化的问题模型,给出选播流路由端到端时延、服务器负载、网络流量等优化目标和QoS约束的遗传算法表达式,说明了算法求解的关键步骤和实现过程。实验结果表明,该算法在满足QoS约束的前提下可以实现选播路由的多目标组合优化。     

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。     

An optimization-based heuristic for the Multi-objective Undirected Capacitated Arc Routing Problem

The Multi-objective Undirected Capacitated Arc Routing Problem (MUCARP) is the optimization problem aimed at finding the best strategy for servicing a subset of clients localized along the links of a logistic network, by using a fleet of vehicles and optimizing more than one objective. In general, the first goal consists in minimizing the total transportation cost, and in this case the problem brings back to the well-known Undirected Capacitated Arc Routing Problem (UCARP). The motivation behind the study of the MUCARP lies in the study of real situations where companies working in the logistic distribution field deal with complex operational strategies, in which different actors (trucks, drivers, customers) have to be allocated within an unified framework by taking into account opposite needs and different employment contracts. All the previous considerations lead to the MUCARP as a benchmark optimization problem for modeling practical situations. In this paper, the MUCARP is heuristically tackled. In particular, three competitive objectives are minimized at the same time: the total transportation cost, the longest route cost (makespan) and the number of vehicles (i.e., the total number of routes). An approximation of the optimal Pareto front is determined through an optimization-based heuristic procedure, whose performances are tested and analyzed on classical benchmark instances.     

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Spark和PSO算法的军事物流配送路径优化问题研究

军事物流配送路径优化问题是研究如何在保证各个部队所需物资的前提下,各配送车辆总行驶路径最短的问题。利用粒子群优化(Particle Swarm Optimization, PSO)算法解决该类问题时,随着部队数量的增加,程序运行时间会显著增加。考虑到PSO算法迭代计算的特点,本文提出一种在Spark集群上并行运行PSO算法的解决方案。实验证明,利用Spark集群并行运行PSO算法能够大幅降低程序运行时间,提高解决军事物流配送路径优化问题的效率。     

一种基于新型优化算法的多播路由选择方法

遗传算法、蚁群优化算法已在多播路由优化问题中得到了广泛应用,但由于算法本身的缺陷,二者在具体应用时都存在着时间性能与优化性能之间的矛盾。论文将遗传算法与蚁群优化算法二者合成,优势互补。仿真实验表明,应用这种算法于多播路由问题,可以得到比现有启发式算法更好的结果。     

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法：随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pareto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。     

基于遗传算法的QoS路由优化算法

研究了带宽、时延等QoS路由问题,提出了一种基于遗传算法的QoS路由选择优化算法。算法采用网络资源消耗和负载分布为目标函数,目的是在消耗网络资源最小的基础上,使负载均衡分布,合理利用网络资源,降低网络拥塞。仿真结果表明,该算法是有效的、稳定的。