基于拥堵指数的改进蜂群算法在DVRP中的应用

城市道路在不同时段、突发情况下的通畅程度存在较大的差异,对物流成本的影响已不容忽视.静态车辆路径规划不能反应路况的变化,因此本文引入分时段的拥堵指数,以总成本最小为目标函数,并采用规避高峰期区域的种群初始化算法,构造出改进的蜂群算法.实验结果表明,采用改进蜂群算法进行路径规划,由于能回避拥堵路段,因此虽然不是最短的运输路径,但却能实现更低的总体运输成本.

改进变邻域搜索算法求解动态车辆路径问题

针对动态车辆路径问题DVRP(Dynamic Vehicle Routing Problem)的优化问题,提出一种改进算法。该算法在分析路径寻优问题的局部特性的基础上,利用变邻域搜索算法VNS(Variable Neighbourhood Search)对路径空间进行"局部探索",结合变异机制对路径空间进行"全局开采",最后根据近邻优先原则将动态路径片段安插到适宜的路径中。实验结果验证了算法的有效性。

一类非确定性车辆路径问题模型及其算法设计

提出一类路网结构未定、需求随机的非确定性车辆路径问题(N-DVRP),通过分析路网结构变动和需求随机双重不确定性对车辆路径选择的影响,建立N-DVRP的优化模型,并设计求解该问题的动态加速自适应遗传算法。仿真实验结果验证了该问题模型及其求解算法的合理性和有效性。

带时间窗动态车辆路径问题的优化调度策略

针对带时间窗动态车辆路径问题(DVRPTW),根据优化时间点的选取建立DVRPTW的一系列静态子模型,研究优化调度策略,分别是基于新顾客插入后的重复优化方法、批处理的方法或两者的混合。通过定义紧急顾客,提出一种新的紧急顾客插入和分批驱动调度策略,该策略只需实时插入紧急顾客,具有快速响应、计算负荷小和路径计划更新频率低的优点。仿真对比实验比较了4种策略的优劣,并探讨分批优化间隔长度对调度性能的影响。

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段:一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.

求解动态需求车辆调度问题的自适应量子遗传算法

针对物流配送过程中存在的动态车辆调度问题,即带载车量约束的实时优化车辆路径问题,提出一种自适应量子遗传算法,用于最小化配送成本。根据搜索点目标函数的变化率,提出一种自适应量子旋转门更新方式,并通过子种群适应度值的变化确定量子旋转角的方向和大小,进而引导种群进化方向,提高算法的全局搜索广泛性;设计了一种变异操作,用于保持自适应量子遗传算法的种群多样性,进而提高算法全局搜索的宽泛性;引入基于两元素搜索原则的局部搜索方法来增强算法的局部优化能力。仿真实验和算法比较验证了所提算法的有效性和优越性。

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。

基于实时信息的城市配送车辆动态路径优化

针对城市物流配送的现状,研究了信息在配送过程中实时变化的动态车辆调度问题。分析了需求量在配送途中发生变化、需求点增减、道路交通中断、车辆在行驶过程中出现故障四种动态事件情形下的配送线路实时优化问题。通过引入虚拟顾客,将动态车辆路径问题转化为经典的静态单车型车辆路径问题,提出了动态车辆路径问题的模型构建方法。分构建初始线路和对线路进行实时优化两阶段完成对配送线路的规划,并运用混合遗传算法对其寻优。实验结果表明,本文模型和算法可以有效降低企业配送成本。