三维装载约束下基于运输资源共享的车辆路径问题

针对车辆路径问题研究在三维装载方式和运输资源共享模式结合方面存在的不足,提出三维装载约束下基于运输资源共享的车辆路径优化策略。首先,结合客户点地理位置特征和服务时间窗属性确定多个服务周期,建立了多个服务周期内物流运营成本最小化和车辆使用数最小化的双目标优化模型。其次,设计了集成k-means时空聚类的Clarke-Wright—非支配排序遗传算法求解模型,该算法引入Clarke-Wright节约算法以提高初始解的质量,并结合非支配排序遗传算法提高了混合算法寻找优化解的全局和局部空间搜索能力。最后,结合实例数据对所提方法进行了计算验证,给出了三维装载约束下基于运输资源共享的车辆路径优化方案并探讨了不同车厢空间分区模式下物流运营总成本、车辆使用数、车辆平均装载率和车辆平均使用频次的变化情况。研究表明:根据客户需求货物种类数和货物规格划分配送车辆装载空间,可有效降低物流运营总成本,减少配送车辆使用数,增加车辆共享频次和有效提高车辆平均装载率,并可为基于运输资源共享的三维装载物流网络优化问题提供决策参考和方法支持。

三维装载约束下带时间窗的车辆路径问题

为提高配送车辆的效率,集成研究了三维装载约束下带时间窗的车辆路径问题。提出了该问题的描述性模型,设计了一个混合禁忌搜索算法。该算法以空间装载算法、基础启发式算法和禁忌搜索算法为基础。针对测试数据集的计算结果表明,该算法有效地解决了三维装载约束下带时间窗的车辆路径问题。

同时取送货的三维装载约束下车辆路径问题

同时取货和送货的三维装载约束下车辆路径问题(3L-VRPSDP)是经典车辆路径问题(VRP)的一个扩展,在3L-VRPSDP中,顾客可能要求同时取货和送货,而且货物装载要考虑其三维大小、先进后出、底面支撑等装载特性。针对这类问题,提出了基于左底优先和最大接触面优先的装载算法,在装载时要考虑其配送特征;在此基础上,设计了对应的禁忌搜索算法对初始结果进行优化,通过实验验证了算法的有效性。

三维装载约束的车辆路径问题的模拟退火算法

传统的车辆路径问题只考虑物品装载的质量属性约束,而忽略其他装载属性约束。针对这种情况,研究了三维装载约束的车辆路径问题,提出了三维装载的处理算法,基于模拟退火算法设计了一种两阶段启发式算法进行求解:第1阶段通过启发式算法得到初始解;第2阶段通过模拟退火算法对初始解进行改进,构造了测试集对结果进行验证。实验结果显示该算法是能够有效的求解该问题。

带运力限制车辆路径问题的简易蚁群算法实现

以求解旅行商问题的蚁群算法为基础,根据带运力限制车辆路径问题的实际应用条件,提出一种较为简易的求解带运力限制车辆路径问题的蚁群算法,并对其中的信息素更新策略进行了分析,对蚁群中的精英蚂蚁(搜索出最优解的蚂蚁个体)所经过路径的信息素进行加强,提高了算法的全局收敛性能和收敛速度,允许蚂蚁在搜索的最初阶段有较大的自由以扩大最优解的寻找空间,提出改进蚁群算法.实验结果表明,该方法能在较短的时间内达到已知最优解的1.5%误差范围.

基于禁忌搜索的三维装载车辆路径问题研究

针对三维装载约束下的车辆路径问题(VRP),在考虑车辆容量、三维装载、物品装卸顺序、最小支持面和物品是否易碎等约束的情况下,提出一种求解该问题的禁忌搜索算法,其中包括2种三维装载算法、2种初始解构建算法、禁忌搜索邻域结构以及导向禁忌搜索机制。实验结果表明,该算法能够有效求解三维装载约束的VRP,且求解精度较高。

求解三维装载约束下车辆路径问题的混合禁忌搜索算法

三维装载约束下车辆路径问题是车辆路径问题集合中极为复杂的问题。针对这一问题,提出了三种混合禁忌搜索算法。该算法首先设计了空间处理方式,通过在初始解构造阶段采用不同的装载规则来实现客户货物的装载,然后引入禁忌搜索算法对解空间进行搜索。最后,扩展了Solomon的标准用例对三种算法进行了实验,实现结果显示提出的算法是求解该问题的有效算法,同时其中一种算法相对而言具有一定的优势。

三阶段优化算法求解带三维装载约束的MDVRP

对带三维装载约束的多车场车辆路径问题,以最小化车辆行驶总里程为优化目标,建立问题模型,并提出一种三阶段优化算法进行求解。第一阶段设计带循环平衡的K-medoids聚类算法,将原问题分解成多个带三维装载约束限制的车辆路径子问题。第二阶段提出一种双层结构的超启发式蚁群算法用于求解各子问题,以确定各车辆的配送路径。在该算法中,低层设计9种启发式操作,并将其所构成的排列作为高层个体;同时,高层采用蚁群算法更新高层个体,以引导算法搜索方向。第三阶段以第二阶段所得阶段解作为初始解,设计组合启发式装箱算法对带容积约束的装箱过程进行优化,进而将第二、三阶段确定的解合并为原问题的解。最后,仿真实验和算法比较验证了所提算法的有效性。

智能优化算法求解车辆路径问题的对比分析

利用智能优化算法解决车辆路径问题(VRP)是组合优化领域的一个研究热点。论文介绍了蚁群算法,粒子群算法和模拟退火算法的算法原理和求解流程,选用了Solomon数据集的三种不同客户规模,通过利用python编制程序对三种智能优化算法的求解性能进行了测试。研究表明粒子群算法对各规模CVRP问题求解的效果均不尽人意;模拟退火算法在中小规模时算法求得最优解能力更好,蚁群算法求解大、中、小规模CVRP问题的综合评价最高。研究结果对于带容积限制的车辆路径问题的算法选择具有一定的参考价值。

带三维装载和一对一取送约束的车辆路径优化研究

本文提出了三维装载约束下一对一取送货车辆路径问题的优化方法;引入货物后进先出、易碎性、稳定性、装载重心等约束,建立以路径长度最小为目标的货物配送方案混合整数规划模型;设计了以分组遗传算法(grouping genetic algorithm,GGA)为框架的混合算法(tree searchgrouping genetic algorithm,TS-GGA)。GGA作为外层算法通过遗传操作优化车辆路径。针对路径上客户的货物,内层算法树搜索(tree search,TS)尝试构建满足装载约束的布局方案,检验优化后的路径合法性。考虑取货点、送货点的3种分布特征,对每一特征下的配送方案进行了优化。54个算例的计算结果表明,与目前关于该问题的算法相比,提出的混合算法在有效降低路径长度的同时,整体提升了装载空间利用率,对于客户数量较多的大规模算例,平均求解用时缩短了58.87 s,验证了算法的求解效率。