改进樽海鞘算法求解带时间窗的应急选址路径问题

目的为使应急物资及时高效地送到灾区,针对多目标应急选址-路径问题,在考虑灾区的时间窗及物资运输过程中道路安全的情况下,以最小化经济成本、最小化时间惩罚成本及最大化道路安全性为目标,构建多目标优化模型。同时,设计改进的樽海鞘算法求解问题,以验证模型的可行性和算法的有效性。方法根据模型的特征对樽海鞘算法进行改进,运用随机生成和贪心算法相结合的方式生成初始解,利用交叉算子和邻域搜索算子改进原始算法的位置更新操作,引入非支配排序遗传算法(NSGA-Ⅱ)的精英保留策略,以提高算法的性能。结果经过多个算例测试,该算法能快速获得一簇Pareto解,与基本樽海鞘算法进行对比后可知,改进后的算法性能更优越。结论对于灾后及时响应的应急选址路径问题,采用改进的樽海鞘算法具有一定优越性,并在多个目标权衡的情况下,可供决策者根据目标的偏好找到较满意的解,对于研究应急选址路径问题具有一定的参考价值。

动态价格约束下生鲜无人零售点选址-路径方法研究

“新零售”创新了生鲜无人零售的渠道和销售模式,通过研究网络化无人售货的技术优势,引入在线动态定价机制,解决了生鲜无人销售品控难、客户黏度低的问题,有效减低了系统综合成本;同时构建了一种面向生鲜商品的无人零售的干线和支线混杂配送模型,在多目标求解、问题解耦和PSO全局优化等方面进行突破,建立了一种动态价格约束下的带时间窗选址-路径二级运输模型(2E-dPLRPTW),并进行了案例验算,确认该方法能有效提升生鲜商品无人售卖的效益。

带退货和软时间窗的多仓库选址-路径问题研究

选址-路径问题(location routing problems,LRP)是集成物流网络研究中的难题,也是任何一个大型物流配送企业必须面对的管理决策问题。本文在仓库容量约束和车辆容量约束的基础上,结合送取货一体化的配送模式和客户服务时间要求,建立了带退货和软时间窗的多仓库选址-路径(MDLRP)数学模型。针对MDLRP问题求解的复杂性,引入局部搜索算法和重组策略,设计了自适应混合遗传算法,对模型进行整体求解。最后进行数值实验,表明本文提出的模型和改进算法具有实用性和优越性,可为选址和车辆运输决策提供重要参考依据。

灾后带有时间窗的多目标选址-路径问题

灾后救援物资的分布在灾后的救援工作中尤为重要。提出一个带有半时间窗的多目标非线性选址-路径模型,其中受灾点可以被访问多次即需求可分的,目标是最小化运输总成本,最大化受灾点需求物资的满足率和路径的通过能力,路径的通过能力用车辆速度来表示。最后采用遗传算法解决随机产生的若干算例,结果显示该算法解决本文问题稳定有效。

求解带硬时间窗车辆路径问题的改进UMDA算法

针对带硬时间窗的车辆路径问题(VRPHTW)求解,提出了一种混合单变量边缘分布算法(hybrid UDMA,h UDMA),改进了基本UMDA的概率模型.统计节点按路径分布的概率,使其能够在解空间上找到节点—路径的分布关系,提高了UMDA的全局搜索能力.采用两阶段插入法进行最佳节点搜索和路径分配完成UMDA采样操作,通过种群进化来获取最优解.计算Solomon 100客户的6类问题56个算例的实验结果表明:在最优解的取得方面,C类算例能够全部取得最优解,R、RC类算例能以50%左右概率取得最优解;在平均误差方面,C类算例计算结果与已知最优解一致,R、RC类算例计算误差率与已知最优解比较接近,平均误差率为1.03%.

基于嵌套Logit选择模型的城市配送自提柜选址-路径问题

为了分析城市配送中顾客选择末端交付方式和配送时间窗的相关性对自提柜选址、时间窗分配与路径规划等运营决策的影响,首先使用嵌套Logit选择模型量化顾客对配送服务选项的选择行为,提出了城市配送两层嵌套Logit选择模型;然后以配送数量最大化和配送成本最小化为目标,建立了自提柜选址-时间窗分配-路径规划集成优化模型;最后采用非支配排序、动态网格和拥挤距离等技术,构建了多目标粒子群优化(MOPSO)算法进行仿真分析,获取了末端交付方式和配送时间窗相关性对运营决策的影响。研究表明:随着送货上门服务尺度因子逐渐增大,顾客需求在不同配送时间窗之间的替代性变小,无论是追求配送成本最小化、还是追求配送数量最大化,获取的最优方案均倾向于提高配送准时性,配送数量逐渐上升;相反,随着自提柜服务尺度因子逐渐增大,不同于送货上门服务,获取的最优方案倾向于降低配送准时性,配送数量逐渐下降。

一种改进的种群增量学习算法求解带软时间窗的车辆路径优化问题

针对求解带软时间窗车辆路径问题(Vehicle routing problem with soft time windows,VRPSTW),提出一种改进的种群增量学习算法(Improved population-based incremental learning algorithm,IPBIL)优化运输总成本。提出一种新型的3维种群增量学习模型引导算法执行全局搜索,发现解空间中的优质解区域;设计一种基于客户间距离和惩罚成本相关度的交换操作进一步提高解的质量;提出一种关于时间窗问题性质的插入和逆转操作,对优质解区域进行细致搜索。最后,通过仿真实验和算法比较,验证了该文所提出的IPBIL的有效性。

不确定条件下的应急物资配送选址-路径问题

研究在突发事件背景下的应急物流选址-路径问题。假定每个需求点的应急物资需求量与两点之间车辆运输时间是不确定的,利用机会约束方法建立了在一定应急限制期下,时间最小化和成本最小化的双目标随机规划模型,并设计了遗传算法对模型进行求解。通过算例分析验证了模型和算法的可行性与有效性。

带时间窗的低碳车辆配送路径优化研究

针对当前环境问题日益严峻,低碳车辆配送路径优化在减少碳排放方面有着重要意义。在以往的车辆配送路径问题中只考虑经济成本最小而忽略了碳排放。本文首先将碳排放转化为碳排放成本,构建了总成本最小的目标优化模型,其次采用蚁群算法对优化模型进行求解,最后通过算例验证了模型的有效性,为减少车辆碳排放提供参考和决策支持。

多配送中心下生鲜农产品同步取送选址-路径优化

多配送中心下生鲜农产品配送工作中配送中心选址和车辆取送是两项最为重要的工作,故本文研究带同步取送的生鲜农产品选址-路径问题。首先,建立考虑车辆容量、货物作业时间、取送作业时间窗等约束条件的非线性规划模型,模型以各配送区域内产生的运输成本、惩罚费用、货损费用总和最小为目标函数。然后,根据模型特点设计融合中心评估指数和改进遗传算法的启发式算法,算法先利用中心评估指数确定配送中心和车辆的配送区域,将区域划分的信息传递给改进遗传算法进行各区域内的路径优化。最后,通过对比取送分离和同步取送两种配送方式验证本文提出的配送模式及模型是合理有效的,可为企业的生鲜农产品配送提供决策依据。

救援物资运输最短时间优化模型

针对在紧急救援期最短完成时间对救援物资运输的重要性,建立了基于最短完成时间的多目标0-1混合整数规划模型,考虑运输工具有限等约束条件,采用二分法搜索最优的选址-路径方案及相应的调运量.结果表明:模型算法快速可行地减少了迭代次数,通过算例验证模型符合救援物资运输的时效性与弱经济性,从而为救援物资运输最短完成时间的决策提供了一种切实有效的方法,也为后续救援工作争取了宝贵的时间.

求解带时间窗车辆路径问题的有效混合PBIL算法

针对带时间窗车辆路径问题(vehicle routing problem with time windows,VRPTW),提出了混合种群增量学习算法(hybrid population-based incremental learning algorithm,HPBIL),用于同时最小化车辆数和总行驶距离.在HPBIL中,通过改进标准的PBIL概率模型以提高算法的全局探索能力,同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力.仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.

基于时空聚类求解带容积约束的选址-路径问题

选址-路径问题是供应链管理和物流系统规划中的一个重要问题,对总成本具有十分重要的影响.对考虑配送中心容积约束的带时间窗的选址-路径问题进行研究,建立以总成本最小和客户满意度最大为目标的多目标规划模型,提出两阶段算法对其进行求解.首先,利用k-means聚类算法确定配送中心选址;然后,提出一种基于时间-空间双因素的客户划分方法以确定配送中心所服务客户;最后,利用粒子群算法对各配送中心的配送路径进行规划.数值算例表明,所提出的算法较其他已有算法,均能有效地降低物流运作总成本及总配送路径长度,为解决带容积约束及时间窗的选址-路径问题提供了一种新的解决思路.

备件物流系统选址库存路径问题模型及算法

考虑到备件需求的随机性和时间紧迫性,以供应链二级分销网络的备件物流系统为研究对象,以系统总成本最低为目标,建立了带软时间窗的选址-库存-路径问题模型。由于该模型属于NP-Hard问题,因此提出了基于禁忌搜索算法和改进的C-W算法的两阶段混合启发式算法。通过实例演算,结果表明了该算法的实用性与有效性。

改进模拟退火算法在物流优化中的应用

考虑到客户对送货时间的要求,在现有物流优化中无时间约束的选址-库存-路径模型上进行拓展,引入了软时间窗,建立了带软时间窗的选址-库存-路径问题模型,并设计了内嵌禁忌搜索的改进模拟退火算法对模型进行求解。最后,实例演算的结果证实了模型的科学性和算法的有效性,通过与禁忌搜索和模拟退火算法分别进行比较,表明了本文的算法较这两种算法的优越性。

细菌觅食优化算法求解物流配送问题

针对物流配送问题,在综合考虑时间、成本两个影响因素的前提下,提出一种针对离散多目标选址-路径问题(LRP)的改进细菌觅食优化算法。该算法通过构建相应的带软时间窗选址-路径问题模型,并根据Pareto支配关系对标准细菌觅食优化算法(BFOA)进行了改进,此外,在个体互不支配的时候,采用归一化方法进行择优处理,通过引入惩罚函数来约束车辆所负责的客户需求不超过其载重限制。设计的相应多目标细菌觅食优化算法(MOBFO)对物流配送问题进行了求解,并通过使用CVRP库中的算例,对算法的有效性和优劣性也进行了验证,对于LRP模型问题提供了一定的参考。实验结果表明,设计的多目标细菌觅食优化算法在求解物流配送问题上具有一定的优越性,同时对于多个目标的优化问题也具有一定的优势。