基于多态变异的单亲遗传算法解CVRP问题

针对遗传算法求解带容量约束的车辆路径规划问题(CVRP)时存在收敛速度慢、易早熟等问题,提出一种基于多态变异的单亲遗传算法(PM-PGA).将多种算子分组构成局部搜索、整体搜索和随机移动三种策略,使种群发生多态变异,增强种群多样性,提高寻优能力;采用个体浓度控制和Metropolis准则相结合的混合跳跃策略,避免陷入局部最优;为提高解的质量,设计了基于迭代次数和车辆超载量的自适应罚函数.选取CVRP问题算例进行仿真实验,结果表明PM-PGA算法在收敛速度和求解精度方面得到明显改善和增强.

一种求解CVRP的动态图转换模型

带容量的车辆路径问题是组合最优化问题中的经典问题,多年以来一直被反复研究。最近,Transformer已经成为解决车辆路径问题的主流深度学习架构。然而,由于一个实例在模型不同构造步骤中会发生改变,相应的节点特征也需要更新,传统位置编码方法不适用于提取动态优化问题的位置信息。因此,现有方法在提高学习效率方面效果较差。以最小化路径长度为目标,提出一种动态图转换模型(DGTM)和动态位置编码(DPE)方法,并使用一种双重损失REINFORCE算法训练DGTM模型。此外,强化学习、图神经网络和Transformer架构相结合,提高了模型的训练效率,增强了神经网络对带约束路径问题信息的表征能力。实验结果表明,DGTM模型在此问题上的优化效果超越了目前基于深度强化学习的方法和部分传统算法,整体性能优于专业求解器的,且具有较好的泛化性能,为求解图上组合最优化问题提供了一种有效方法。

变邻域量子烟花算法求解CVRP

针对带容量约束的车辆路径问题,提出一种融合量子进化算法和变邻域优化策略的变邻域量子烟花算法。该算法采用等分随机键与最大位置法结合的实数编码方式,通过量子旋转门和非门变异提高算法全局搜索能力,同时运用结合2-Opt的变邻域优化策略加强局部搜索能力。选取17个基准算例进行参数实验和对比实验,实验结果表明,相对于对比算法,所提出的算法具有较好的寻优能力和收敛速度。

一种新的免疫克隆算法在CVRP问题中的应用

基于克隆选择学说,通过引入克隆算子提出一种新的免疫克隆算法,并将其用于求解CVRP问题.该算法采用了克隆增殖、高频变异和克隆选择算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.仿真结果表明,该算法具有良好的全局收敛性和较快的收敛速度,能有效解决CVRP问题.

基于改进蚁群算法的CVRP问题研究

车辆路径优化问题归属于NP-hard问题;针对基本蚁群算法求解效率低下,可行解质量不高,容易陷入局部最优解的情况,在充分考虑具有一般性的车辆路径优化问题的数学模型与解决方案后,提出了一种带有轮盘赌运算与2-opt优化运算相结合的改进蚁群算法,算法在运算过程中对选取路径的概率进行二次计算,扩大了全局的搜索范围;同时对得到的路径进行内部优化,增强了局部搜索能力,提高了解的质量;通过MATLAB软件进行仿真实验的结果表明:相较于基本的ACO算法以及遗传算法得到的结果,改进的蚁群算法在性能上和求解的质量具有很大的优势,可以更好地解决带有容量约束的车辆路径优化问题,为相应的企业更好地节省物流成本。

CVRP问题的一种启发式算法

推广了DenieIe Vigo提出的解决ACVRP的方法,给出一种解决CVRP的启发式算法,并且举例 说明了这种算法的有效性与优越性。

蚂蚁优化算法在解决CVRP中的应用

针对基本蚁群算法收敛性差,易于停滞的缺陷,通过引入信息素窗口限制信息素的最大最小值,只对迭代最好解进行信息素更新,判断汇聚情况进行信息素重新初始化,在每次迭代中加入局部搜索优化,在选择概率中加入与问题相关的参数等措施对蚁群进行优化,提高蚁群算法的收敛性,避免了算法的停滞现象。

基于改进蚁群算法的CVRP问题

为了能够更好地求解CVRP问题,对蚁群算法进行了一定程度的改进。改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中与禁忌搜索算法结合,添加新的参数负信息素来记忆已经访问过的客户。同时,使用局部信息素更新和全局信息素更新相结合的信息素更新方式,并且全局信息素更新添加了动态更新的新模式。使用2-opt搜索对结果进行进一步的探索,扩大搜索的范围,增加了得到最优解的概率。

求解CVRP的改进蚁群系统算法

针对基本蚁群算法在求解CVRP时收敛速度慢、求解质量不高的缺点,提出了一种改进的蚁群系统算法求解CVRP,该算法引入基于DT策略的候选列表,以提高构建路径的质量,在每次迭代中加入GIIM算子,增强局部搜索能力。实验结果表明,改进的蚁群系统算法在收敛能力和收敛速度方面都较基本蚁群算法更有优势。

面向不同目标偏好的CVRP多目标模型及其求解方法

为了更有效地求解车辆路径问题、全方位地评估物流运输成本,提出了面向不同目标偏好的车载能力约束车辆路径问题的多目标优化模型(MOCVRPFDTP),其包括三种不同的偏好结构:装载与CVRP联合优化、绝对最小车辆数偏好及路径优化偏好。为了求解该模型,设计了算法架构及具体算法。在实验中,该模型及其求解方法对CVRP国际标准算例VRPLIB的测试结果显示了令人满意的性能,并且它更适用于实际CVRP问题的求解。

一种基于图神经网络的改进邻域搜索算法

近年来图神经网络与深度强化学习的发展为组合优化问题的求解提供了新的方法。当前此类方法大多未考虑到算法参数学习问题,为解决该问题,基于图注意力网络设计了一种智能优化模型。该模型对大量问题数据进行学习,自动构建邻域搜索算子与序列破坏终止符,并使用强化学习训练模型参数。在标准算例集上测试模型并进行三组不同实验。实验结果表明,该模型学习出的邻域搜索算子具备较强的寻优能力和收敛性,同时显著降低了训练占用显存。该模型能够在较短时间内求解包含数百节点的CVRP问题,并具有一定的扩展潜力。

针对CVRP的2-OPT算法的时间复杂度均值分析

分析了需求不可分割带能力约束的车辆路径问题(CVRP)的 2 - OPT算法计算时间的平均复杂度。利用需求分布独立于客户的空间分布的特点 ,将车辆路径问题 (VRP)转化为多旅行商 (MTSP)问题 ,并通过分析 MTSP进行 2 -OPT操作的可行性条件 ,建立起该算法运行所需的迭代次数的分布函数 ,进而求得平均运算时间复杂度的上界。该文为有效评价针对 VRP的 2 - OPT算法 ,提供了理论依据 ,并为VRP领域的启发式算法的复杂度分析 ,提供了一种新思路。

融合A^(*)和禁忌搜索的药房批量取药路径规划算法研究

考虑药房取药场景的实际复杂情况,综合批量取药、多趟取药、药品重量限制等因素,将药房批量取药路径规划问题转换为一个带最大容量约束和多循环约束、以重量加权距离为目标的车辆路径问题,设计了一种融合A^(*)和改进禁忌搜索的混合算法,并在算法设计和工程实现两个角度上进行优化,提高算法性能。最后使用JAVA语言进行仿真实验和可视化展示,验证了算法对于构造的不同规模的所有算例,均能在合理时间内给出可行有效的取药路径,具有较好的路径规划效果。

多模式物流系统的末端配送优化算法研究

近年来,全国各地都开始试配多模式的物流系统以提高配送效率,而“最后一公里”的末端配送往往是最重要的,为提高这一过程中物流配送中车辆路径的寻优效率,提高物流经济效益,使用GUROBI进行运筹优化建立模型并使用CVRP模型求解。研究结果表明,所建立的模型及设计算法有效,可以为末端配送的车辆路径优化提供理论依据。

连锁快餐饮企业生鲜品配送路径优化研究

连锁餐饮企业的核心竞争优势就是食品安全以及出餐效率,而这两项优势都得益于生鲜品的有效储存配送,没有高效的配送优势都是无稽之谈。本文基于车辆载荷的限制和距离控制建立蚁群算法的数学模型,对其配送状况、餐厅经营状况进行了一系列分析,并对配送路径进行优化,降低配送过程产生的成本,提高配送效率。理论上为整个连锁餐饮行业的生鲜品配送方案提供了一个可行性的改进模式,指出了配送路径对餐厅运营效率、经营成本等问题的绝对影响力,同时也明确了配送路径的优化的结果对提升企业竞争力的关键性。

数字经销平台统采共配双层拍卖机制设计

针对当前都市圈经销商因“孤立式发展、分散化建网”而导致无法满足碎片化订单、多渠道履约及高频高效配送要求等痛点,提出了一种数字经销平台统采共配双层拍卖机制。在上层机制中,考虑一家数字经销平台(卖者)与多家经销商(买者),以社会福利最大化为目标,构建了单边组合Vickery-Clarke-Groves(O-VCG)拍卖机制,实现了多物品多单元环境下的供需匹配。在下层机制中,考虑一家经销商(卖者)与多家承运商(买者),基于O-VCG拍卖机制的思想,实现了从城市集拼仓到门店、从门店到客户的两级城配运输服务采购。特别地,下层机制采用多轮O-VCG竞拍以满足多家经销商的运输需求。所提出的O-VCG拍卖机制可以实现激励相容、个体理性和配置效率。经销商构建基于需求预测及控制合理库存的上层拍卖投标策略。构建两级基于车容的城配车辆路径问题(Two-Echelon Capacity-Based Vehicle Routing Problem,2E-CVRP)近似优化算法,用于求解下层拍卖机制中基于库存限制的竞价生成问题(Bid Generation Problem,BGP)。针对双层拍卖中的胜者确定问题(Winner Determination Problem,WDP),提出有效的WDP算法。最后,基于全球最大的医药流通集团的真实数据进行数值仿真实验,结果表明:数字经销平台统采共配的双层拍卖机制可以高效分配货权及运单,合理确定批发价及城配运价,提高社会总效益,降低两级城配运输成本。

核中心驱动混合蛙跳算法及其应用

针对混合蛙跳算法(SFLA)青蛙个体当前位置提供的惯性以及跳跃步长引起的进化速度慢,易陷入局部收敛的缺陷,将青蛙个体跳跃进化行为定义为量子力学行为,提出一种核中心驱动混合蛙跳算法(NCSFLA)。在全局寻优中,以原子核为中心的同心圆作为电子轨道构成青蛙族群;在局部寻优中,分别以跃迁步长为半径向局部最优个体跳跃,以驱动步长为半径向全局最优个体跳跃,随机产生不重复的青蛙个体分量等三种不同的局部搜索策略对族群内最差个体进行更新。以电子轨道中心即局部最优个体为跃迁的惯性指导,使得族群内的收敛更加有利于寻找局部最优解,提升搜索能力;如果陷入局部最优,则以原子核中心即全局最优个体为驱动的惯性指导,使得青蛙个体尽可能聚集在原子核中心周围,从而加快收敛速度。将该算法应用于解决容量限制车辆路径问题(CVRP),提出一种核中心驱动混合蛙跳算法的容量限制车辆路径优化算法(NCSFLA-CVRP)。实验结果显示,在单峰值、多峰值函数以及复合函数等20个测试函数上,改进后的核中心驱动混合蛙跳算法相比其他五种算法具有收敛速度快、精度高的特点。Solomon算例标准测试数据测试结果表明该方法可有效提高容量限制车辆路径的优化性能。

基于最近邻居选择、信息素动态更新和局部启发搜索的蚁群算法

文章使用最近邻居选择、信息素动态更新和局部启发搜索法对MMAS算法进行优化,得出NDLACO算法.此算法运用于解CVRP问题时,取得了较好的效果.在关于参数值的问题上取得了一定的成效,也有效地解决了蚁群算法的收敛过快和早熟、停滞问题.

基于容量约束的城市共同配送路线优化

在城市共同配送中,对配送路线进行优化十分重要。介绍了CVRP模型以及城市共同配送的路线优化方法,着重分析了节约里程法的原理和计算步骤,最后通过实例,描述了不同优化方法的应用,并选出了最优的方法。

蚁群优化算法NDLACO

ACO算法在解NP-hard问题上虽然取得了广泛应用,但在解同一类型的不同问题时,需要更改α,β,ρ等参数的值才能取得相应问题的最优解或更接近最优解的解。通过使用最近邻居选择、信息素动态更新和局部启发搜索法对MMAS算法进行优化,得出NDLACO算法。此算法运用于解CVRP问题时,取得了较好的效果。在关于参数值的问题上取得了一定的成效,也有效地解决了蚁群算法的收敛过快和早熟、停滞问题。