基于自适应大规模邻域搜索算法的多等级引航员排班问题

引航服务不仅是保障船舶和港口安全的必要手段,也直接影响船舶进出泊位的效率。本文聚焦引航服务日常运作管理中面临的引航员调度排班问题,考虑引航员等级、服务时间窗、航道宽度等现实因素,以服务延迟成本、引航员出工成本、引航员交通成本、单次服务成本和当日未服务惩罚成本的总加权成本最小为目标构建了一个混合整数规划模型。结合问题特征,本文选择采用自适应大邻域搜索算法对模型进行求解,并针对模型特点设计多种破坏算子和修复算子进一步提高算法的运行速度与精度。最后,本文通过一系列数值试验验证了算法的高效性和准确性,并通过参数进行敏感性分析给出相应的管理启示,为港口企业运营决策提供参考和建议,从而提高引航服务水平。

考虑载重成本与时间窗的集送货问题的自适应大邻域搜索算法

物流配送需求的快速增长使得集送货问题的应用越来越广泛。针对配送过程中货物载重影响运输成本的情况,研究考虑载重成本的有时间窗的集送货问题。构建该问题的最小化车辆数量和总运输成本的双目标混合整数规划模型,在该模型中,运输成本为车辆载重量与车辆行驶距离的函数。设计两阶段自适应大邻域搜索算法对其求解,通过设计基于模型特点的多种高效的破坏算子和修复算子,引入模拟退火接受准则避免陷入局部最优解来提高算法性能。测试不同规模及特点的标杆算例,结果表明,所提出的两阶段自适应大邻域搜索算法能够高效求解小规模、中等规模和大规模算例,并分析了货物载重以及不同运量系数对运输成本的影响,为物流企业的集送货车辆路径优化提供参考。

取送货路径优化问题的候鸟群自适应变邻域搜索算法

具有时间、车容量和后进先出约束的多车辆取送货路径优化问题在现实中具有广泛的应用,针对现实问题中规模性和模型的复杂性使其在短时间内无法精确求解的问题,提出了候鸟群自适应变邻域搜索算法(MBO_AVNS)。以三种贪婪插入算法构建初始种群,确保种群的多样性和初始解的质量,对传统候鸟优化算法的邻域搜索算法进行改进,加强了算法的局部搜索能力。通过真实数据进行实验分析表明,与模拟退火算法(SA)和一般自适应变邻域搜索算法相比,MBO_AVNS算法在求解具有时间和后进先出约束的取送货路径问题上更具有优越性。

基于自适应大规模邻域搜索算法的带时间窗的车辆路径问题

引入自适应大规模邻域搜索算法进行带时间窗的车辆路径问题的求解,通过移除和插入规则,分别在客户层级和路线层级上,不断地摧毁和重建解决方案,并通过局部优化策略来提高解的质量,最终得到最优的解决方案。结果表明,相较于传统的启发式算法,该算法求解此类问题的速度更快、结果更好。

自适应大邻域搜索算法在无人机物流路径规划问题中的应用

近年来无人机在物流运输领域发展十分迅速,这其中一个重要原因是无人机可以应对各种复杂的交通环境如城市的交通拥堵和乡村偏远地区的较差路况.而路径规划则是其在实际应用过程当中的一个重要环节,本文针对于此设计了一种自适应大邻域搜索算法来解决该问题.该算法通过引入自适应的机制来对传统的邻域搜索进行改善,使其能具有找到更好的解的潜力.在一些经典数据集上的仿真实验显示,本文提出的算法具有较强的鲁棒性和稳定性.另外通过该算法和其他元启发式算法的对比实验验证了本算法能够有效地减少使用无人机进行物流配送的费用.

基于自适应大邻域搜索的遗传算法求解VRPTW研究

针对传统遗传算法在求解带时间窗的车辆路径问题(vehicle routing problems with time window,VRPTW)上存在的易陷入局部最优及求解质量不高等问题,本文主要对基于自适应大邻域搜索的遗传算法求解带时间窗车辆路径问题进行研究。通过将自适应大邻域搜索算法与遗传算法相结合,称为ALNS-GA设计了3个移除算子和2个重插算子,以提高遗传算法的局部搜索能力,并优化了初始种群生成策略。同时,为了验证算法的有效性,分别对比了传统遗传算法和基于大规模邻域搜索的遗传算法(LNS-GA、LNS*-GA),并选取Solomon数据库上VRPTW测试算例,在Matlab R2016b上进行实验验证。实验结果表明,当终止条件为迭代100次时,ALNS-GA的求解质量高于传统遗传算法,大部分案例中,ALNS-GA所求的最好值优于LNS-GA和LNS*-GA,且ALNS-GA平均用时均小于LNS-GA和LNS*-GA,特别是当顾客规模为100时,ALNS-GA的平均用时更少,虽然小部分案例的平均值略高于LNS-GA和LNS*-GA,但从整体上看,ALNS-GA的寻优速度和质量均优于LNS-GA和LNS*-GA,说明经过改进后,遗传算法的局部搜索能力明显提高,可以有效改善遗传算法在带时间窗车辆路径问题上的应用。该研究具有一定的创新。

改进的自适应大规模邻域搜索算法求解动态需求的混合车辆路径问题

为了给物流企业在车辆配送方案制定上提供决策支持,针对电动物流车与燃油物流车混合配送的模式,研究了带时间窗的动态需求车辆路径问题,建立了以配送总成本最小化为目标的两阶段整数规划模型。针对模型特点,设计了改进的自适应大规模邻域搜索(improved adaptive large neighborhood search,IALNS)算法,提出新的删除、修复算子及动态阶段加速策略,分别针对大规模的静态算例与动态算例进行算法性能测试。结果表明,与无改进策略的IALNS(IALNS-ND)相比,静态问题中在相同的求解时间内75%的算例(12个算例中9个)IALNS得到的最小值和平均值优于IALNS-ND,动态问题中95%(60个算例中57个算例)的算例可以得到成本和时间均优于IALNS-ND的解;与三种算法——自适应大规模邻域搜索算法(ALNS)、大规模邻域搜索算法(LNS)以及变邻域搜索算法(VNS)相比,静态问题中所有算例IALNS获得的总成本的最小值和平均值均优于三个对比算法,动态问题中58%(60个算例中35个算例)的算例IALNS能够以少于三个对比算法1.5倍甚至10倍的时间获得更优的解。同时随着问题动态度的提高,IALNS的速度更快,质量更好,证明了该算法在求解时效性要求高的动态需求车辆路径问题的优越性。

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法(NLSSA)。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。

混合策略改进的麻雀搜索算法及其应用

针对麻雀搜索算法(sparrow search algorithm,SSA)在优化过程中易陷入局部最优、寻优精度低等问题,提出了一种混合策略改进的麻雀搜索算法(MSSA)。为了使麻雀个体在搜索空间中能够进行充分搜索,在算法寻优过程中引入存档阶段去接收麻雀发现者向安全区域移动时可能被捕获而残留的位置信息;在算法的迭代过程中对当前最优个体作自适应邻域搜索,通过充分探索优质个体周围的位置信息来增强算法跳出局部最优的能力。通过九个基准测试函数进行性能评估,将MSSA、SSA以及四个改进的麻雀搜索算法,即混沌麻雀搜索算法、混合策略改进的麻雀搜索算法、改进的麻雀搜索算法、增强型的麻雀搜索算法,进行性能评测比较。实验结果表明,MSSA相较于其他对比算法在近80%的测试函数上都有更好的收敛精度和稳定性,并且在Friedman检验中MSSA的排名均获得了第一。最后,将MSSA应用于障碍物环境下的无线传感器网络(wireless sensor network,WSN)覆盖优化问题,MSSA比五个对比算法的覆盖率分别提高了9.77%、4.25%、6.62%、3.02%、7.38%。

基于混合启发式算法的快递末端选址路径优化研究

传统快递末端配送模式存在快递网点建设冗余、派送路径重叠等问题,而共同配送模式可有效解决此类问题,因此对共同配送模式下同时收派件且收件需求为不确定情形的快递末端网点选址路径问题进行研究。首先,建立了两阶段数学优化模型,引入随机机会约束来处理收件量不确定的问题。其次,设计基于遗传算法和自适应大邻域搜索算法的混合启发式算法。最后,通过数值实验表明:所设计的混合算法比传统遗传算法具有较快的收敛速度和较好的求解质量;决策者对随机需求下的优化方案风险接受程度过高或过低都会导致成本上升;随客户收派量之比的增加,快递末端配送成本呈先降低后增高的趋势;采用最近网点返回策略可有效降低企业配送成本。

基于GA-ALNS算法的带可容忍时间窗的VRP求解

针对带可容忍时间窗的车辆路径规划问题,建立最小化配送总成本的规划模型,结合遗传算法构造改进自适应大邻域搜索算法对该问题求解.利用遗传算法构建高质量解开始自适应大邻域搜索寻优,减小算法计算时间成本;加入3种破坏算子和3种修复算子,以增加种群多样性;嵌入模拟退火接受准则以一定概率接受较差解,自适应更新破坏和修复算子权重,避免算法陷入局部最优.选取Solomon标准测试集进行3组实验,与已知最优解比较距离成本验证算法可行性;在单边容忍度时间窗模型下,与基础ALNS算法对比验证算法改进效果;在双边可容忍时间窗模型下,与相关文献的最优结果对比.实验结果表明,提出的GA-ALNS算法改进效果较为显著,求得的最优解同其他算法相比优化率较好,计算得到的最优方案能实现更低的车辆配送总成本,具有一定的可行性和有效性.

基于两阶段启发式算法的省电力物资周转库选址-路径优化研究

省电力物资周转库是仓储网络架构的关键节点,文中研究带库存容量限制的周转库选址与考虑时间窗和装载量约束的车辆配送路径优化的组合决策问题,构建以配送总成本最小为目标的选址-路径问题模型,设计两阶段启发式算法进行求解。第一阶段设计聚类-重心-搜索算法,求解带库存容量限制的省周转库选址问题;第二阶段采用自适应大邻域搜索算法,解决考虑时间窗和装载量约束车辆配送路径优化问题。基于S省2022年历史物流数据和已有仓储资源规模,采用两阶段启发式算法确定省电力物资周转库选址和配送路径。结果表明该算法能够有效降低仓储网络的总配送成本。

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.

基于变邻域搜索的可重入流水车间调度

与传统的流水车间调度问题中工件在每个机器上只能加工一次不同,考虑了机械制造中工件需要在一个机器上进行多次重复加工的实际情况,研究了工件可重入的流水车间调度问题。针对该问题,基于对邻域搜索性能的分析和学习,提出了一个自适应变邻域搜索算法,并在算法中嵌入了一个精英解集合,以增强算法的跳出局部最优的能力。基于随机测试问题的实验结果表明,所提出的自适应策略能够明显增强变邻域搜索算法的搜索效率,使得算法能够快速获得高质量的近优解,并且其性能要优于CPLEX优化软件。

混合乌鸦算法求解带软时间窗的车辆路径问题

为求解带软时间窗的车辆路径问题,提出一种混合乌鸦搜索算法(hybrid crow search algorithm, HCSA)。设计最小惩罚成本与最小距离成本两种种群初始化规则,根据乌鸦在搜寻食物时的确定性搜索与随机性搜索两种智能搜索行为,将固定感知概率改进为可自适应调整的动态参数,引入自适应大规模邻域搜索策略,设计多种确定性与随机性邻域搜索算子。与已有文献算例结果及Solomon测试数据库进行对比,其结果表明,HCSA的优化质量优于其它文献算法,可有效求解带软时间窗的车辆路径问题。

基于自适应大邻域搜索算法的外卖配送车辆路径优化

目前我国外卖配送体量已达到单日数千万单的级别,外卖配送车辆的有效调度优化显得至关重要。针对外卖需求产生时间集中、配送时间要求严格的特点,设定顾客期望送餐时间窗以及时间惩罚成本,在考虑成本因素分析基础上,建立物流配送平台总成本最低为目标的数学模型。设计三种订单删除操作及两种订单插入操作,运用自适应大邻域搜索算法对不同规模算例进行求解。最后,利用CPLEX对算法结果进行最优验证,证明了算法的效率和精度。相关方法与结论可为即时配送调度优化提供决策支持。

考虑众包场景的电动车动态需求车辆路径问题

针对企业自有车辆和社会车辆共同取送货的场景,以及国家节能环保的政策背景,考虑分时电价、部分充电、软时间窗、以及动态需求等因素,以最小化配送总成本为目标,建立考虑众包场景的电动车动态需求车辆路径问题(EDDVRP-CD)的两阶段整数规划模型。考虑动态需求的时效性,设计了启发式算法——改进的禁忌自适应大规模邻域搜索算法(IALNS-TS),增加了新的删除算子和修复算子,同时提出了加速策略。分别与两种算法——自适应大规模邻域搜索算法(ALNS)以及禁忌搜索算法(TS)进行对比,通过大量算例验证了IALNS-TS算法能够快速响应动态需求,并有效降低总配送费用。

站点可变型需求响应式公交车辆调度优化研究

站点可变型需求响应式公交是一种既有固定服务站点又允许乘客在可变站点预约的公交运营模式.传统研究聚焦于单个车次的行程规划,而忽视车辆在整个运营周期执行多个车次的接续性.本研究从系统视角建立单个运营周期内车辆发车时刻表编制和车辆调度协同优化模型,以总成本最小化为目标,构建时空网络图,清晰表达站点可变型需求响应式公交的服务逻辑和复杂的时空约束.同时根据问题特征,整合8类邻域算子和改进的最大网络流算法,设计可快速求解现实大规模复杂问题的自适应变邻域搜索算法.以中国广州市黄埔区部分路网为例进行数值实验,结果表明,相比传统两阶段车辆调度模型,本模型车辆使用率提高8.7%以上,总成本下降20%~70%;相比传统算法,在绝大多数订单规模下自适应变邻域搜索算法求解质量更优,在预约订单规模为60时,可节省总成本30%以上.

考虑充换电的模块化需求响应公交路径优化

模块车能通过中途分离与合并来调整车队容量、实现无缝换乘,兼具规模化与“门到门”灵活性优势,但其轻量化的电池设计也在一定程度上限制了车辆续航能力。为了探索模块车在需求响应公交中的应用,并解决车辆中途充电问题,本文建立了模块化需求响应公交路径规划模型,优化车辆路径计划、车队编组策略、车内换乘策略以及换电和机会充电计划。针对模型特征设计了改进的自适应大邻域搜索算法,根据各车辆路径之间需要进行编组和协同交互的特点,定制化设计了车队类修复算子和能源类修复算子等。使用安徽宣城的出行数据进行实验,结果显示:与传统公交相比,模块化需求响应公交系统使乘客总出行用时降低48.81%;与车辆单独运行的方案相比,车队编组方案能够使系统总成本平均降低13.24%;相比仅充电策略,充换电结合策略能在少量增加备用电池固定成本的情况下,使能源成本减少21.09%;此外,企业可以通过调整等待时间惩罚系数来平衡企业经营成本与乘客时间成本,达到动态最优。

考虑等待成本的卡车与多无人机联合配送农村物流路径优化

车辆和无人机联合配送模式是降低末端配送成本、提高效率的全新尝试。本文考虑卡车和无人机相互等待成本,以最小总成本为目标建立了单卡车和多无人机联合配送路径优化模型。设计了自适应大邻域搜索算法,采用三种破坏算子和修复算子,对破坏、修复后的临时解使用模拟退火接受准则。对包含10-100个节点的呈均匀分布和簇状分布的2类算例进行求解,与CPLEX求解结果对比表明提出的算法具有较快的速度、较好的精度和稳定性;分析卡车携带不同数量无人机的联合配送方案,结果显示,相较于纯卡车配送,携带1-4台无人机的联合配送可降低农村物流配送总成本17.88%~28.94%;对无人机续航里程的敏感性分析,表明随无人机续航里程的增加配送成本呈先快速降低后缓慢降低或趋于稳定。