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。

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。

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%。

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。

同时取送货配送路径优化的两阶段混合策略搜索算法

为解决物流配送中较大规模同时取送货路径优化问题,文章提出一种两阶段混合策略搜索算法提高对求解效率和精度的需求适应。首先,以最小化配送成本为目标构建了该问题的配送路径优化模型,基于先分解再求解的思想提出两阶段算法策略,使用区域划分聚类算法将大规模车辆路径问题划分为多个子问题,之后利用混合搜索策略的变邻域算法来求解每个子问题,提高对不同子问题结构的适应能力。在算例中,通过多个不同规模的算例进行仿真实验,并与同类算法进行对比,实验结果验证了文章中模型与算法能够有效解决较大规模同时取送货物流配送路径优化问题。

多策略改进麻雀搜索算法的同时取送货车辆路径规划

文章主要关注软时间窗约束下的同时取送货车辆路径规划问题(Vehicle Routing Problem with Simultaneous Pickup-Delivery and Soft Time Window,VRPSPDSTW),这是物流配送活动的核心问题,尤其在互联网催动下的物流行业发展中尤为重要。文章首先构建了一种以最低总成本和最大顾客满意度为目标的取送货车辆路径规划模型,其次,提出了一种改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),该算法融合了立方混沌映射、精英反向学习策略和正余弦优化算法,以提升种群质量、加速收敛、平衡开发与探索能力,并能有效跳出局部最优,最后,将此算法应用于M物流企业的实际订单数据,并与麻雀搜索算法(Sparrow Search Algorithm,SSA)、遗传算法(Genetic Algorithm,GA)和鲸鱼优化算法(Whale Optimization Algorithm,WOA)的解决方案进行比较。实验结果证明,所提出的ISSA能够有效地解决VRPSPDSTW问题。

基于离散布谷鸟算法求解带时间窗和同时取送货的车辆路径问题

为求解带时间窗和同时取送货的车辆路径问题(VRPSPDTW),提出一种离散布谷鸟(DCS)算法,该算法在标准布谷鸟算法的基础上,在Lévy飞行位置更新过程中,使用路径内搜索2-opt法和路径间搜索swap/shift法改进当前巢穴;在寄生巢位置更新过程中,使用路径内搜索relocate/exchange法和路径间搜索GENE法,随机产生新巢穴。选取Wang和Chen测试数据集,对算法性能进行测试,并与遗传算法和并行模拟退火算法进行比较。测试结果显示,在9个中小型顾客规模算例中,DCS算法获取了所有的当前国际最优解,在56个大型顾客规模的算例中,DCS算法在5个算例中更新了当前国际最优解,在17个算例中获取了当前国际最优解。通过Rank值法对这3种算法进行Friedman检验和Wilcoxon秩检验,结果表明所提DCS算法的有效性。

多车型同时取送货问题的低碳路径研究

针对现代物流配送系统中提倡节能减排、配送中心多车型、车辆数量有限以及客户存在取送货需求的特点,建立了多车型同时取送货的低碳路径问题的模型,同时建立了考虑车辆装载量、车型和距离的碳排放量的计算方法.基于问题的性质,采用了量子进化算法对其进行求解,量子进化算法是一种通过将常用的整数编码转换成量子比特位的编码方式,每一个染色体都代表某种车型的行车路线方案,通过基准测试实例验证了算法的有效性和可行性,实验分析表明,针对多车型同时取送货问题,以总碳排放最小为目标函数,采用随机选取车辆路径安排比传统的车辆路径安排更加经济和环保.

时间依赖型同时取送货VRP及超启发式算法

为有效地协调正逆向物流,更好地体现城市物流配送速度时变的特点,降低物流配送成本,以时间依赖型同时取送货车辆路径问题为对象,建立其数学规划模型;设计了基于禁忌搜索的超启发式算法对其进行求解。在算法高层,设计了基于禁忌搜索评分制的选择策略及模拟退火的接收准则,实时监控底层启发式算子的性能并选择最优算子。通过基准实例测试及实验对比分析,表明了该算法能快速地找到满意解,所设计高层策略能保证算法跳出局部最优并快速收敛,从而证明了所提算法求解该问题的有效性。

考虑同时取送货的城市快递共同配送路径优化

针对快递企业的配送车辆在城市配送过程中空载严重的问题,在多家快递企业实施共同配送的前提下,考虑车辆同时取送货对车辆装载率的影响,以配送系统总成本最小化为优化目标,建立考虑同时取送货的城市共同配送路径优化模型,并设计改进遗传算法进行求解,最后通过算例分析验证了模型和算法的实用性与有效性。

带软时间窗的同时取送货车辆路径问题研究

考虑软时间窗下的车辆路径问题,客户点常伴有同时取送货的双重需求。针对此类问题,通过对软时间窗、车辆在途前后时间关系及二者融合问题进行刻画,同时将车辆行驶距离、车辆使用数、违反软时间窗总时间、客户满意度等纳入综合考量,构建相应混合整数非线性规划(mixed integer nonlinear programming,MINLP)模型。设计相应多目标优化求解算法,运用理想点法对目标函数进行转化,将多目标优化问题转化为单目标优化问题。结合相应算例集,运用LINGO 17.0全局求解程序求得每组算例的全局最优解。结果表明,针对带软时间窗的同时取送货车辆路径问题(vehicle routing problem with simultaneous pick-up and delivery and soft time windows,VRPSPDSTW),所建模型及算法是有效且可行的。

同时取送货车辆路径问题的改进粒子群优化算法

同时取送货车辆路径问题(VRPSDP)是指车辆在服务过程中,对顾客同时进行取货和送货服务,针对这类问题,提出一种改进的粒子群优化算法。通过惯性权重的更新和路径链接更新策略有效地扩大算法的搜索空间,从而改进了算法的性能。另外,采用邻域搜索扩大策略(ENS)加快了算法的搜索速度。最后,应用所提出的改进的粒子群优化算法求解了两类同时取送货的车辆路径问题的算例。结果表明,该算法与经典的求解结果相比较,取得了比较好的计算结果,表明该算法是求解同时取送货车辆路径问题的有效工具。

带时间窗的同时取送货车辆路径问题建模及模因求解算法

为解决逆向物流背景下的带时间窗的同时取送货车辆路径问题(VRPSPDTW),根据实际情况建立了相应的车辆路径问题模型,并采用模因算法进行求解。在模型的求解过程中使用引导弹射搜索(GES)生成初始种群,在种群进化的过程中采用边界组合交叉(EAX)产生子代,并采用多种邻域结构对子代进行修复、教育,以提高解的质量和算法的搜索效率。通过在Wang和Chen测试数据集上与遗传算法(GA)、并行模拟退火(p-SA)算法、离散布谷鸟(DCS)算法进行比较,实验结果显示:在小规模算例进行求解时,所提算法全部取得了当前最优解;对标准规模算例进行求解时,所提算法使70%的算例更新或获取了当前最优解,获得的最优求解算例结果与当前最优解相比有超过5%的提升,充分验证了所提算法求解VRPSPDTW的良好性能。

同时取送货车辆路径问题的改进人工鱼群算法

该文在建立同时送取货车辆路径问题数学模型基础上,针对车辆负载波动性的特点,构造相应的人工鱼群算法的四元个体模型;利用动态设置视野范围、邻域搜索方法改进人工鱼群算法的觅食和追尾操作行为,仿真算例证明改进人工鱼群算法能快速收敛得到较优解,具有较强工程应用价值。

同时取送货的“最后一公里”车辆路径问题研究

在"最后一公里"配送过程中整合正向物流和逆向物流已成为近年来快递企业提升运营效率和降低物流成本的关键。因此,在研究"最后一公里"车辆路径优化问题时考虑正向和逆向物流整合具有重要意义。根据该问题的特征,将其建模为带有时间窗的同时取送货的车辆路径问题,并设计一个基于遗传算法和变邻域搜索算法的启发式方法来求解该问题;通过构建100个仿真场景,并通过统计分析的结果验证了该启发式方法具有较好的性能。

多目标同时取送货车辆路径问题的改进蚁群算法

为使同时取送货车辆路径问题(vehicle routing problem with simultaneous pickup and delivery, VRPSPD)的运输成本和各路径间最大长度差最小化,建立同时考虑车辆容量和距离约束的VRPSPD双目标模型,通过软件测试验证了模型准确性.针对问题的特点构造一个嵌入禁忌表、且具有贪婪转移准则的多目标蚁群算法,对蚂蚁产生的解执行多目标迭代局部搜索程序,以在多个邻域上优化该解或产生新的Pareto解.采用响应曲面法拟合算法参数对目标值影响的数学关系,确定最优参数组合.用该算法求得文献中12组Solomon算例的Pareto解集,并以绝对偏向最小化总成本的解与文献中仅最小化总成本的几种算法的计算结果进行比较,结果表明算法可求得权衡各目标且使单一目标近似最优的Pareto解.

求解物流配送同时取送货低碳选址—路径问题的量子超启发式算法

为降低物流配送过程中车辆排放量,建立以碳排放为目标的同时取送货低碳选址—路径问题模型,并利用量子超启发式算法对模型进行求解。量子超启发算法以量子进化策略作为超启发式算法的高层学习策略,并结合滑动窗口机制实现底层算子的准确搜索,以提高算法框架性能。此外,为了减少计算负担,构造了能够保证可行性解的编码方式和底层算子,并不需要任何解的修复技术,在此基础上提出一种快速简单易行的适应度评价方法。通过不同规模的实例的仿真实验和对比分析,表明所提算法能够在合理的时间内获得优质解,并验证了该算法的有效性和鲁棒性。

超启发式分布估计算法求解带软时间窗的同时取送货车辆路径问题

本文针对带软时间窗的同时取送货车辆路径问题(VRPSPDSTW),以最小化车辆行驶总里程和最大化服务准时率为优化目标,提出一种超启发式分布估计算法(HHEDA)进行求解.全局搜索阶段,首先,提出3种启发式规则生成初始个体,以确保初始种群的质量和分散性;其次,根据问题特点,构造3个概率矩阵分别学习和积累优质解的排序信息、客户间的距离信息和捆绑信息,并通过采样概率矩阵生成新个体,以增强算法全局搜索发现解空间中优质区域的能力.局部搜索阶段,将11种邻域操作组成备选集合,进而设计学习型超启发式局部搜索(LHHLS),用于动态选择备选集合中的部分邻域操作构成多种新的有效启发式算法,以执行对解空间中优质区域的深入搜索.最后,仿真实验和算法比较验证了HHEDA的有效性.

多目标同时取送货选址–路径问题的多起点变邻域搜索算法

为使同时取送货的选址–路径问题(LRPSPD)的总成本和各路径间最大长度差最小化,建立同时考虑车辆容量和行驶里程约束的LRPSPD双目标模型.采用多蚁群算法构造多个以信息素为关联的初始解,作为多目标变邻域搜索算法搜索的多个起点,构造四类邻域结构进行变邻域搜索,并根据最新获得的最优邻域解更新蚂蚁信息素,从而使蚁群算法产生的多个初始解间、以及初始解与变邻域搜索产生的解之间均存在正向影响关系.用该算法求得文献中4组共128个算例的近似Pareto解集,结果证明了最小化路径间最大长度差目标对于节点及需求分布不集中算例的重要意义.以绝对偏向最小化总成本的解与文献中仅最小化总成本的几种算法的算例结果进行比较,结果表明算法可在极短的运行时间里求得权衡各目标的Pareto解,并使最小总成本目标值具有竞争性.

考虑同时取送货的城市物流共同配送路径优化

针对城市物流配送存在的空载率高、支出费用高等问题,考虑到日益拥堵的交通路况,在分析运输部门对电商订单进行送货和对同城订单进行取送货的基础上,构建了以个人客户、电商企业客户和运输部门总支出费用最小化为目标的路径优化数学模型。为求解该问题,考虑到遗传算法存在依赖初始解、易陷入局部最优解等缺点,运用插入启发式算法改良初始种群的同时,引进改良精英保留策略和蜂王进化交叉策略提升遗传算法的搜索能力,设计了一种新的改进遗传算法。以湖南省某电商公司的城市配送网络优化为数据来源,运用改进遗传算法与现有相关算法进行了对比分析,验证了模型和算法的有效性。实验结果表明,城市物流共同配送方式不仅能有效提升客户的满意度,还能降低配送车辆的空载率和三方主体支出的总费用。