基于VIP客户的多配送中心车辆路径问题的优化

在配送过程中,VIP客户订货量较大,为其提供快速及时的服务能提高VIP客户的满意度,所以研究基于VIP客户的多配送中心车辆路径问题(Multiple Depot Vehicle Routing Problem based on VIP clients,MDVRPVC)模型具有现实意义.由于基本的蚁群优化(Ant Colony Optimization,ACO)搜索初期信息匮乏,导致信息素累积时间长,求解速度慢,所以结合具有快速全局搜索能力的遗传算法,自适应地改变信息素的挥发系数,引入平滑机制,有助于对搜索空间进行更有效的搜索,构成一种混合自适应蚁群优化算法(Hybrid Adaptive Ant Colony Optimization,HAACO).应用GA和HAACO对MDVRPVC求解,实验证明,求解算法HAACO是有效可行的,且HAACO优于GA.

货物不相容车辆路径问题的优化

考虑现实生活中每个客户定制的货物不可用同一辆车混装,或者多个客户的货物不可混装的问题,建立了基于车辆载重、行驶里程、多种车型等约束条件的货物不相容的多车型车辆路径问题的数学模型,应用基于精英选择、混沌变异及模拟退火机制的混合遗传算法求解。将该算法应用到benchmark算例上,并与分支定界算法求解的结果比较,结果表明提出的算法优于分支定界算法。

带外包的服饰运输调度问题的优化

由于服饰产品是一种时效性很强的商品,而且服饰产品在配送过程中可以外包给快递公司进行配送,对带外包和硬时间窗的服饰运输调度问题(Apparel products Vehicle Routing Problem with Hard Time Windows and Outsourcing,AVRPHTWO)进行分析,并构建了AVRPHTWO、一般性VRP(Vehicle Routing Problem)和VRPSTW(Vehicle Routing Problem with Soft Time Windows)的数学模型,通过对基本的人工鱼群算法(artificial fish swarm algorithm,AFSA)进行改进,混沌搜索被引入人工鱼群算法来提高算法的全局收敛性,反馈策略用来指导人工鱼的移动,以此来提高收敛精度。应用混沌人工鱼群算法(chaotic artificial fish swarm algorithm,CAFSA)及遗传算法(genetic algorithm,GA)对所建立的三种模型求解,通过对实验数据进行处理,证明了AVRPHTWO模型和混沌人工鱼群算法求解此类模型的有效性,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型简单时,遗传算法更优;问题模型复杂时,混沌人工鱼群算法更优。

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。

家政服务人员的排班优化问题

家政服务公司的员工排班是一项非常重要的工作,其实质在于通过周密的组织和精确的计划,综合考虑成本最低和服务人员工作时间均衡,实现公司员工的优化配置,其合理性关系到家政服务公司的口碑和效益。本文提出了家政服务人员的排班优化问题,应用分支定界法、遗传算法和基于自适应的混合遗传算法求解,其中基于自适应的混合遗传算法结合了遗传算法和局部搜索的优点,遗传算法用来执行全局搜索使解跳出局部最优,局部搜索进行性能微调,并采用自适应策略改进算法。针对不同的算法,建立相应的数学模型,仿真结果表明通过三种算法都能得到最优解,基于自适应的混合遗传算法性能更优,而且,模型的正确性和算法的合理性也得到了验证。