基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization,IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization,ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search,LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.

带时间窗口动态车辆路径规划模型及其求解算法

基于事件触发,把带时间窗口动态车辆路径规划问题(DVRPTW)分解成一系列延迟快照,在快照基础上建立相应的动态数学模型,并提出双缓冲区改进大邻域搜索算法进行求解。利用算法的特点,实现新请求无缝插入。采用Solomon设计的56个100节点范例和Lackner相应的动态测试数据,经不同类型动态实例的实验表明,所建立的模型和给出的算法是有效的。

考虑新冠疫情扩散规律的医疗物资动态配送优化

为了满足新冠疫情防控的应急性需要,基于传染病扩散模型提出了一种物资配送方案周期滚动优化模型。该模型结合医疗物资外源补给和点对点运输的特点,考虑疫区医疗物资数量和物资配送时间对新冠疫情扩散的影响,以最小化感染人数和使用车辆数为目标,联合决策配送中心物资补给数量、疫区物资配送时间及配送量。根据所提出的多目标模型的特征,提出了两阶段优化方法,分别采用同步扰动随机逼近算法与大规模邻域搜索算法对模型进行求解,并结合具体算例将所提方法与其他配送策略进行了比较分析。结果表明,相较于其他策略,所提优化模型可有效减少13.9%~40.0%的感染病例和17.6%~30.0%的调度车辆,优化后的周期滚动决策方法,在节省人力物力的同时,有效避免了配送中心出现“爆仓”现象,为后续研究和实践提供参考。

“多对多”模式下GEO卫星在轨加注任务规划

随着在轨服务技术的发展和对航天器发射运营成本的控制,航天器在轨服务模式将由“一对一”服务逐步发展为“一对多”“多对多”的服务模式。在具有多个服务目标的模式下,针对服务航天器的任务分配与规划将变得尤为关键。因此,本文研究了多服务航天器为多个地球同步轨道(GEO)卫星进行在轨加注的任务规划问题。首先,考虑服务航天器容量约束、服务路径约束等多类约束条件,以最小化燃料消耗为优化指标,以每个服务航天器的服务顺序为决策变量,建立“多对多”在轨加注任务规划模型。其次,针对遗传算法局部搜索能力差、易陷入局部最优的缺陷,设计了一种将大邻域搜索算法和遗传算法相结合的混合启发式算法(LNS-GA),用以求解该任务规划问题。该算法利用大邻域搜索算法中的“破坏”和“修复”思想,对遗传算法每一代种群中的精英个体进行进一步的迭代搜索,从而增强算法的局部搜索能力。最后,通过设定的仿真场景与单一遗传算法进行仿真对比,验证了本文所提出算法的有效性和优越性。