行驶时间和服务时间随机的集配货一体的分批配送车辆路径优化

将铁路物流中心集配货路径问题抽象为行驶时间和服务时间随机的集送货一体的分批配送车辆路径问题进行优化.根据问题特点建立带修正的随机规划模型,对迭代局部搜索算法进行改进,设计允许分批配送的初始解构造算法、局部搜索算法和扰动机制.算例测试证实:分批配送在中等规模和大规模算例中能发挥较好的作用,大部分中等规模和大规模算例都比不允许分批配送时所得到的解更优,部分中等规模和大规模算例车辆数有所减少;配送点数随着算例规模的扩大而增加,但是配送点数占顾客点数的比例却逐步降低;随机因素随机性增加将导致目标函数增大,对分批配送点数的影响不大.     

需求点位置随机的分批配送VRP优化

将需求点位置随机的分批配送车辆路径问题视为分区路径问题进行求解。文章建立多目标随机规划模型,并设计改进的局部迭代搜索算法求解。在调整的Solomon算例测试集及调整的Gehring和Homberger算例测试集上进行测试,结果表明本文设计的算法能有效解决此类问题,同时由于分批配送的引入,32个测试算例中50%以上的算例得到更优的解。同时,使用具有实际意义的系数在算例集上进行求解,最优解平均比构造算法提高9.75%和14%的最优解质量。     

需求点随机的分批配送VRP模型与算法研究

针对城市配送中需求点不确定的现象, 在分批配送车辆路径问题中引入随机需求点进行研究.建立带修正的随机规划模型, 采用先验优化策略, 根据分批配送的特点, 在自适应大邻域搜索算法中引入改进的分割插入算子进行求解.在调整的Solomon算例上进行的测试表明, 允许分批配送在大部分算例中的费用低于不允许分批配送的情形.通过分析计算过程中各个算子权重变化, 确定性最差删除算子和随机删除算子在求解此类问题时表现较好; 贪婪插入算子、后悔插入算子表现较好; 而分割插入算子虽然权重较低, 但能对解产生质的影响.     

行驶时间随机的分批配送车辆路径问题模型与算法

为研究分批配送和等待时间对行驶时间随机的车辆路径问题（VRP）的影响,针对行驶时间随机的分批配送车辆路径问题,在软时间窗下考虑等待时间,建立带修正的随机规划模型;同时设计改进的粒子群优化（PSO）算法进行求解：使用需求点可多次出现的整数编码,设计改进的相对位置索引算法进行解码以解决粒子中出现分批需求点问题;将自适应选择用于速度更新以解决各向量长度不同的问题;将路径重连算法用于位置更新过程以解决粒子在离散空间和连续空间转换时信息丢失的问题,适应允许分批配送的特点。通过对调整的Solomon算例测试,考虑等待时间将造成总费用平均增加约3%,且更倾向于分批配送。分批配送能有效降低总费用（2%）和减少使用的车辆数（0.6）;在部分算例,特别是R2类算例中,分批配送能有效降低等待时间,平均降低0.78%。     

粒子群算法求解需求随机的分批配送VRP

对需求随机的分批配送车辆路径问题进行研究,建立带修正的随机规划模型。设计与局部搜索算法相结合的粒子群算法进行求解,算法使用整数编码和基于Bellman方程的允许分割需求的解码方法。并针对允许分批配送时导致的粒子速度、粒子自身最优位置、局部最优位置及全局最优位置等向量非零元素个数不同的问题,设计可行的统一向量长度的方法。算法在调整的Solomon算例测试集和调整的Christiansen和Lysgaard算例测试集上进行测算,测试有效参数、速度长度及速度更新方程。同时与现有结果进行对比,虽然计算效率较低,但在测试的26个算例中,有14个算例的最优解得到更新,剩余的算例最优解与现有最优解相差小于1%。