随机需求多车辆路径问题的重优化算法

针对随机需求的多车辆路径问题(MVRPSD),提出了一种简单有效的重优化新算法.该算法先用预优化策略给出一个预优化的单车辆路径,然后重复使用 rollout 算法对该路径进行进一步优化,将其划分为满足约束条件的多条子路径,不仅能满足实际需求,而且极大提高了优化性能.与现行方法对比实验结果表明,本算法可以对多车辆路径更为合理的优化,明显减少行驶费用,是求解随机需求的多车辆路径问题的一种有效算法.

随机需求多车辆路径问题的神经网络算法

目前国内外对随机需求多车辆路径问题的研究还很少,本文针对标准hopfield神经网络容易陷入局部极值点等问题,以总路程最短和总使用车辆数最少为目标,提出了一种基于退火策略的混沌神经网络的求解随机需求多车辆路径问题的算法,该算法既可以使混沌运动有足够长的进程以提高粗搜索性能,又可以随混沌动态的减弱使收敛速度加快。实验结果表明,该算法优化车辆路径更佳,是解决随机需求多车辆路径问题的有效方法。

带软时间窗的集货与送货多车辆路径问题节约算法

研究了物流配送中多车运输的集货与送货车辆路径规划问题,以增加时间惩罚费用的方式插入软时间窗约束,将租车费用、货车运输费用和时间惩罚费用三者之和最小作为优化目标,建立数学模型。采用启发式节约算法求解该模型,考虑时间惩罚费用和运输费用,比较每一配送节点上直接送货和间接送货的节约费用关系,求出最优配送路径。试验结果表明:当配送次数达到50次时,货车平均装载率仍能达到80%以上,该节约算法能减少货车空程行驶和租车次数,优化了全局费用。