面向复杂物流配送场景的车辆路径规划多任务辅助进化算法

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

带时间窗的时间依赖型同时取送货车辆路径问题研究

针对带时间窗的时间依赖型同时取送货车辆路径问题(Time Dependent Vehicle Routing Problem with Simultaneous Pickup-Delivery and Time Windows,TDVRPSPDTW),本文建立以车辆固定成本、驾驶员成本、燃油消耗及碳排放成本之和为优化目标的数学模型;并在传统蚁群算法的基础上,利用节约启发式构造初始解初始化信息素,改进状态转移规则,引入局部搜索策略,提出一种带自适应大邻域搜索的混合蚁群算法(Ant Colony Optimization with Adaptive Large Neighborhood Search,ACO-ALNS)进行求解;最后,分别选取基准问题算例和改编生成TDVRPSPDTW算例进行实验。实验结果表明:本文提出的ACO-ALNS算法可有效解决TDVRPSPDTW的基准问题;相较于模拟退火算法和带局部搜索的蚁群算法,本文算法求解得到的总配送成本最优值平均分别改善7.56%和2.90%;另外,相比于仅考虑碳排放或配送时间的模型,本文所构建的模型综合多种因素,总配送成本平均分别降低4.38%和3.18%,可有效提高物流企业的经济效益。

多中心半开放式同时送取货的车辆路径问题研究

研究了带软时间窗约束的多配送中心半开放式同时送取货的车辆路径问题,所有客户点均存在送取两种需求,并采用同一辆车同时提供送取服务.车辆服务完路线上所有客户点后,不一定返回起始配送中心,可就近返回任意配送中心.在此条件下,构建了以车辆运输成本、车辆租赁成本、时间窗惩罚成本等总和最小为目标的优化模型.根据问题特征,设计了自适应精英遗传算法对该问题进行求解,引入自适应机制,根据个体的适应度动态地调节交叉和变异概率,采用精英保留策略将优秀个体进行遗传保留,不仅增强了算法的全局优化能力,还均衡了算法的局部搜索能力.通过案例仿真,验证了模型和算法的可行性和有效性.研究成果丰富了车辆路径问题的相关研究,为物流企业提供了一种决策参考.

DCS算法求解带软时间窗的送取货一体化VRP

为求解带软时间窗的送取货一体化车辆路径问题,提出一种离散布谷鸟(DCS)搜索算法。该算法在基本布谷鸟搜索算法基础之上,对莱维飞行获取新鸟巢和以一定概率抛弃鸟巢的迭代公式进行重新定义;同时设计客户序列和车辆序列双倍体鸟巢,并对客户序列采用交换、逆序、插入操作和对每辆车的访问路线采用2-Opt操作。通过5个算例的仿真实验和相关文献比较,结果表明所提DCS算法行之有效。

客车代运与送提一体下的山区农村寄递网络优化

高效畅通的“最初—最后一公里”是农村寄递物流体系可持续运行的关键。针对山区农村寄递需求量小分散、客运班线空载率高的现实特征,本文构建以总成本最小为目标的客车代运与送提一体模式下的寄递网络优化模型,对中转点和服务站位置、代运车辆以及配送车辆路径进行决策。据此,采用有效不等式和热启动策略设计加强Benders分解(Benders Decomposition,BD)算法进行模型求解。通过四川省青川县某乡镇的实例分析验证了模型和算法的有效性。结果表明:客车代运与送提一体下的网络设计模式更具成本优势,可以带来至少4.91%的总成本节约,加强BD算法的求解时间较传统BD算法平均低66.06%。敏感性分析发现,总成本随着客车可用于装货容量的增加呈现阶梯性的降低趋势;总成本增加幅度随着覆盖半径的减小呈现先减后增的趋势。

改进野马算法求解低碳开放式送取货选址路径问题

目的针对当前物流背景下普遍出现的送货公司外包、退换货频繁等问题,结合现有的碳排放政策,提出低碳背景下开放式同时送取货选址−路径模型(Low-Carbon Open Location-routing Problem with Simultaneous Pickup and Delivery Problem,LOLRPSPD),并通过改进野马算法进行求解。方法首先设计一种新的解码方式,使得原离散问题可以采用连续算法求解。之后,运用哈尔顿序列生成初始解,改进非线性进化概率因子,使用模拟二进制交叉,增加变异操作,以及精英保留、设置连续失败重新初始化等步骤,改进野马算法。最后,通过6组不同大小的算例将改进野马算法与原始野马算法、模拟退火算法、粒子群算法、遗传算法进行对比。结果针对中大型算例,改进野马算法远超原始野马算法。针对小型算例,在确保准确率的同时,改进野马算法对比各经典算法也在速度上具有优势。结论提出的LOLRPSD模型具备合理性,改进的野马算法针对选址路径问题具有较好的搜索能力。

集配一体化车辆路径规划的混合进化多目标优化

为了给各物流企业在车辆配送路径规划方面提供合理有效的决策支持,提出了一种多区域混合采样策略的全局搜索和基于个体间路线序列差异局部搜索相结合的混合进化多目标优化算法。对问题进行合理的数学模型构建,利用全局搜索策略使得种群个体从多个方向快速收敛至Pareto前沿面,并使用局部搜索策略来引导种群中表现差的个体朝着表现好的个体的方向进化,从而提高了个体的质量和算法的局部搜索能力。所提算法在集配一体化车辆路径问题的标准测试数据集上进行了一系列的实验,结果表明所提方法在收敛性上明显提升,同时搜索到的解具有良好的分布性能。

改进烟花算法求解同时送取货选址路径问题

针对同时送取货的选址路径问题(Location-routing Problem with Simultaneous Pickup and Delivery,LRPSPD),设计一种改进烟花算法(Improved Firework Algorithm,IFWA)求解。首先,考虑仓库建设、车辆启用、车辆路径等成本因素,建立最小成本的LRPSPD模型,该模型强调需求点的送货需求和取货需求只能由一辆车同时进行服务。其次,设计一种改进烟花算法,该算法结合贪心聚类算法生成初始解,由烟花爆炸算子操作生成邻域解,利用变异操作协助产生新种群。最后,通过使用混合免疫算法、模拟退火算法求解相同算例,对结果进行分析比较,验证模型的可行性和改进算法的有效性。

深度强化学习Memetic算法求解取送货车辆路径问题

带时间窗约束的同时取送货车辆路径问题(VRPSPDTW)是NP难问题,属于约束较复杂的车辆路径问题,在现代物流中有广泛应用。提出深度强化学习Memetic算法求解该问题,将Memetic算法求解VRPSPDTW问题中的大邻域搜索过程建模成马尔可夫决策过程,构建编码器-解码器架构的深度神经网络模型完成大邻域搜索中的移除操作。编码器对当前解中各结点的个体特征和位置特征进行信息交互,解码器输出需要移除的结点,设计了非自回归和自回归两种网络结构,采用强化学习算法训练神经网络模型。设计了混合策略,将人工设计的启发式策略与深度强化学习到的策略相结合,以提高寻优能力。实验结果显示提出的算法具有更强的跳出局部最优的能力,能在有效的时间内获得比对比算法更优的解,特别是在大规模问题上。最后,对提出算法的新组件进行了消融实验,证明了算法的有效性。

考虑客户价值分类的同时取送货路径优化研究

随着电商行业的崛起,客户对物流时效的要求不断提升,但在现实中,企业往往过于关注总成本的控制,在一定程度上忽略了高价值客户对服务质量和时效性的高要求。因此,本文针对客户满意度下降和优先级策略缺失等现状,探讨了在考虑客户价值分类的同时取送货路径优化问题。基于客户取送需求量的特征构建客户价值分类方法,评估其当前价值和潜在价值,将客户分为VIP客户、主要客户和一般客户三类,并分别对应设置不同的满意度敏感系数,构建了物流成本最低、客户满意度最高的双目标取送货路径优化模型。针对模型特点,设计并改进了NSGA-Ⅲ算法,融入熵权法以便更好地求解。结果表明,本文提出的路径优化模型及改进型NSGA-Ⅲ算法在实际运作中帮助企业在提升客户满意度与降低成本的双目标之间取得了最佳平衡。

考虑同时取送和时间窗的车辆路径及求解算法

针对带时间窗的同时取送货车辆路径问题(vehicle routing problem with simultaneous pickup-delivery and time windows,VRPSPDTW),构建了以车辆使用成本、车辆行驶距离成本总支出最小化的路径优化数学模型,提出自适应头脑风暴算法(adaptive brain storm optimization,ABSO)进行求解。全局搜索阶段,采用多项惩罚方式扩大搜索区域,并使用聚类及三种路径搜索策略进行全局搜索;局部搜索阶段,将六种破坏-修复算子作为备选集合,进而设计自适应动态选择邻域搜索机制,增强局部搜索效能。选取测试数据集和实际案例对算法性能进行测试,实验结果表明针对小规模标准算例,所提算法全部取得了当前已知最优解;对于大规模标准算例,通过与遗传算法、并行模拟退火算法、离散布谷鸟算法对比,所提算法实验计算结果有7.52%~12.03%的提升;对于实际案例,所提算法在收敛速度和寻优能力方面均展示出优越性,充分验证了所提算法对解决VRPSPDTW问题的有效性。

卡车搭载无人机的同时取送货路径规划研究

降低“最后一公里”配送和“最初一公里”取货成本是物流行业亟待解决的难题,无人机配送不受地形限制、速度快、能耗小,据此提出卡车搭载无人机的同时取送货运输模式。以总运输成本最小为求解目标,建立混合整数规划模型,通过K-means聚类算法求出无人机的起降点,采用遗传算法求出卡车和无人机的运输路径。在仿真实验中,提出的卡车搭载无人机同时取送货运输模式的成本比取货-送货分离运输模式降低了26.78%,比卡车与无人机独立的同时取送货运输模式降低了21.91%。

考虑软时间窗的同时送取货随机旅行时间车辆路径问题

考虑车辆总旅行时间约束和车辆载重限制以及客户对服务时间窗的要求,研究带有软时间窗的同时送取货随机旅行时间车辆路径问题(STT‒VRPSPD),建立机会约束规划模型。将禁忌搜索算法与分散搜索算法相结合,构建混合分散禁忌搜索(HSTS)算法,并采用C‒W节约算法生成初始解。基于经典的Dethloff算例和Solomon时间窗生成方法,分别生成包括50个客户、200个客户各20组算例,算例测试结果验证了混合分散禁忌搜索算法的有效性。

考虑同时取送货的车机协同路径优化问题

考虑到传统同时取送货问题模式单一,无法应对复杂多变情况的现实需要,研究了一种考虑同时取送货的路径优化问题(vehicle routing problem with drones for simultaneous pickup and delivery, VRPD-SPD)。首先,以车辆与无人机总成本最小为优化目标,建立了考虑无人机单架次访问顺序约束的混合整数线性规划模型。其次,提出了一种基于遗传思想的两阶段启发式算法(two-stage heuristic algorithm based genetic, TSHAG),第一阶段结合贪婪算法和节约算法生成初始解,第二阶段通过改进的遗传算法优化初始解,设计了多元组编码方式来提高解码效率,改进了交叉算子来增加邻域解的搜索空间,设计了新的变异算子来提高算法全局寻优性能。最后,算例实验结果表明了TSHAG算法能够有效地解决VRPD-SPD问题。

基于狼群算法的同时取送货模糊绿色车辆路径问题

文章提出了带模糊需求的同时取送货绿色车辆路径问题,并将碳排放作为优化目标,建立了相应的模糊规划模型。然后给出了解决问题的狼群算法,定义了人工狼的游走行为、召唤行为、围攻行为。最后通过仿真实验,验证了该算法的有效性,并将其与其他算法进行了对比,分析了决策者主观偏好值的变化对目标值的影响。

学习型蚁群算法求解一类复杂两级车辆路径问题

针对考虑同时取送货的绿色两级车辆路径问题,以最小化带碳排放成本的总运输成本为优化目标,提出一种结合聚类分解的学习型蚁群优化算法。针对两级问题相互耦合的特点,采用基于距离的聚类算法将原问题分解为一组子问题,提出一种学习型蚁群优化算法对各子问题进行求解,进而获得原问题的解。提出一种考虑问题结构特征的三维概率矩阵作为信息素矩阵,用于学习优质解的优良特征信息,以提高算法的全局搜索能力;提出一种考虑算法行为特征的局部搜索策略,用于学习所设计的六种邻域算子的搜索信息,以提高算法的局部搜索能力。通过仿真实验和算法比较,验证了所提算法的有效性。

服务差异二级选址路径问题及大邻域搜索算法

在电子商务背景下,物流公司为了实现及时交付并缓解交通拥堵,可按照客户不同的服务需求,将其分为自取型和配送型,进而选择开放自助点或配送点对客户进行服务。自助点和配送点作为二级物流设施,配送中心作为一级物流设施,由此形成了二级选址-路径问题。在配送车数量约束、自助点容量约束等限制下,兼顾客户点物品回收,以总物流成本最小为目标,建立考虑服务差异的二级选址-路径问题模型。设计自适应大邻域搜索算法进行求解,通过Nguyen的2E-LRP算例进行测试,更新了1个算例的全球最优解,其余算例达到或接近最优解,平均Gap值在1.22%以内,验证了算法的有效性及良好的收敛性。实际案例模拟分析验证了模型的有效性和适用性,可以为相关物流企业提供决策依据和参考。

改进蘑菇算法求解开放式同时送取货选址-路径问题

研究了开放式同时送取货的选址-路径问题,车辆在服务完路线客户点之后不返回起始仓库,直接返回第三方物流公司。同时,车辆服务的每个客户点都有不可拆分的送货需求和取货需求,两种需求由一辆车在客户点同时服务。在此条件下,建立最小成本选址-路径模型,并针对该模型设计了一种改进蘑菇算法进行求解。首先,运用三段式生成策略生成初始解;然后,利用模拟退火算法的接受准则考虑是否接受子代解替代父代解;最后,由两种算子操作生成邻域解,产生新种群。与混合免疫算法、模拟退火算法、蚁群算法的比较结果验证了改进蘑菇算法的有效性。

时变网络下多车型同时取送货车辆路径优化

为降低物流企业配送成本,以车辆固定成本、车辆派遣成本和时间惩罚成本之和最小为目标,考虑路段和时段对车速的影响、客户的取送货需求和时效要求、车型多样性,在此基础上从客户关系出发,研究两种取送货情况下的车辆路径优化问题,建立时变路网下多车型同时取送货车辆路径模型,设计改进的自适应遗传算法进行求解,通过构建算例对比验证了算法的有效性和建立多车型模型的合理性。

多需求点间车辆调度模型及优化算法混合求解研究

为解决多需求点间同时集送货问题,建立考虑需求拆分和转运的车辆路径模型.在模型中,加入车辆装载量动态变化约束、节点可多次访问约束和需求可拆分转运约束,提高问题的普遍性.在模型的优化算法中,算术、蚁群优化算法混合求解.通过算术蚁群算法嵌套优化模式,外层算术优化算法得到配送车辆的任务量,内层蚁群算法优化路径,并将结果反馈给外层算法继续更新求解,直至达到终止条件.同时,添加概率系数、增加算子位置更新公式和更新动态禁忌矩阵对混合算术蚁群算法改进,增加解的多样性,提高算法的求解效率.最后通过实例验证并与混合鲸鱼算法等比较,改进的算法解决本文问题效果更好.