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。

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。

基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization,IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization,ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search,LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.

基于自适应大邻域搜索算法的无人机-卡车-代收点协同配送

针对农村地区物流配送成本高、效率低等问题,对无人机-卡车-代收点的协同配送进行了研究,以助力“乡村振兴”战略。充分考虑农村道路条件、农户地理分布等特征,构建了面向农村的无人机-卡车-代收点协同配送整数规划模型,同时对无人机路径、卡车路径、代收点选址及分配、无人机发射点及回收点等进行决策。针对问题特点设计了初始解生成策略及改进的自适应大规模邻域搜索算法。此外,通过敏感性实验分析代收点服务范围和无人机飞行能力对配送系统的影响。最后,通过与精确算法求解器Gurobi、自适应大规模邻域搜索算法和两阶段构造搜索算法进行对比,验证了所设计算法的有效性。

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。

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。

混合优化算法求解同时送取货车辆路径问题

为了给各物流企业在车辆配送路径规划方面提供合理有效的决策支持,针对单配送中心的配送模式,研究带时间窗约束的同时送取货车辆路径问题(VRPSDPTW),建立以总配送成本最小化为目标的数学模型。根据模型的特征,提出基于模拟退火(SA)与自适应大规模邻域搜索(ALNS)相结合的混合优化算法(SA-ALNS)。采用基于时间与距离加权的插入启发式算法构造问题的初始解;引入多种删除、插入算子,以自适应选择策略进行路径优化,并通过反馈机制,逐渐调整各操作算子被选择的概率,使算法更倾向于选择寻优效果较好的算子;使用模拟退火机制的Metropolis准则控制解的更新。仿真实验中测试了56个大规模算例,对比了p-SA算法、DCS算法和VNS-BSTS等其他智能优化算法并进行统计分析,结果证明该算法在求解带时间窗约束的同时送取货车辆路径问题的可行性和优越性,研究成果极大丰富了车辆路径问题(VRP)的相关研究。

装备联合配送路径优化及算法分析

针对传统的装备配送模式存在着分区复杂、物资无法共享以及配送路径优化不合理等问题,提出了装备联合配送的方式,综合考虑配送时间、部队服务满意度和配送成本的目标,构建带时间窗的联合配送路径优化模型。并针对模型,提出了一种自适应改进遗传算法。该算法利用PFIH算法构建初始解,采用新颖的变异算子和自适应的交叉变异概率,利用relocate和2-opt进行中间解的优化,加快算法收敛。多目标权重处理采用RCA算法进行量化。最后实验证明该算法性能优良,求解高效,能够应用于军用装备联合配送的实际场景。

基于配送员等级的多目标众包配送路径优化研究

目前,众包平台已经到了平稳发展阶段,该阶段平台的重点已经转为如何降低总成本和提高顾客满意度。该文将众包配送员等级与最大承单量、配送时间及额外成本支出挂钩,并考虑了跑腿订单,针对取送交叉的路径优化问题,构建总成本最低和顾客满意度最高的多目标函数,同时设计多种移除修复算子,利用自适应大邻域搜索算法求解。最后通过M平台的实际数据设计了的数值仿真试验,同时与改进的遗传算法进行对比,验证了该算法解决该模型的有效性。

考虑真实场景动态事件的动态取送货问题

实时城市配送决策高度依赖于环境的变化,须及时处理配送系统中由各种动态事件带来的需求和环境变化.综合考虑新请求逐渐出现、旧请求修改或取消、交通拥堵状况和车辆抛锚4种动态事件对车辆路径规划和配送服务的影响,重新建立考虑实时场景多项动态事件的取送货(DPDP-MDE)动态车辆路径规划模型.设计动态算法框架求解该模型,给出调度时域内静态子问题执行规则和计算规则;针对具体静态子问题,采用构造型启发式算法生成初始可行解,分别采用禁忌搜索算法和自适应大规模邻域搜索算法2种智能优化算法,改善初始可行解质量;在更新路径规划方案时,运用未固定动态插入法,解决处于规划中的未固定请求和新请求同步处理问题.数值实验表明,所提出的模型及设计的动态算法框架能有效解决带时间窗的动态取送货问题(DPDP-TW).

随机需求订单可拆分的多目标车辆路径问题

考虑现实中需求随机,司机的工作量和收入可能受线路长度影响,研究基于需求随机订单可拆分的多目标车辆路径问题,添加司机工作线路长度均衡为目标,这种考虑需求随机和线路均衡的双目标模型比原来的单目标模型更具有现实应用意义。此外订单可拆分可提高车辆装载率,降低配送费用。基于以上考虑,本文构造考虑随机需求订单可拆分的双目标车辆路径问题模型,提出订单拆分车辆配对服务策略。针对本文研究问题特点,设计大规模邻域自适应搜索算法进行仿真实验,并通过修订的Solomon算例验证模型和算法的有效性。

道路养护中的带随机时间变量的弧路径规划问题

研究高速路网日常维护中的养护车辆路径优化问题,考虑车辆养护服务时间和移动时间的不确定性,通过科学的规划手段和精确有效的决策方法,可以减少以前依赖人工决策导致的资源浪费。将问题定义为一个带随机时间变量的限容量弧路径规划问题,分别使用机会约束规划模型和带修正的随机规划模型进行描述。针对问题的随机性,提出自适应大规模邻域搜索算法,在优化过程中根据各个删除策略和插入策略对解的表现对其进行评分,根据轮盘赌原则自适应地选择删除策略和插入策略。与分支切割算法进行比较,解的差距只有1.45%~3.15%,但计算时间有显著提升,证明了自适应大规模邻域搜索算法的有效性,能够适用于中大规模问题。通过真实路网算例,显示了带修正的随机规划模型在特定情况下相对于机会约束规划模型的优越性。还对置信水平α和变异系数CV这2个重要变量进行了敏感性分析,显示了其对解的影响程度。

考虑充电等待成本的电动汽车路径问题

随着电动汽车规模化发展,配套充电设施的不足严重制约了电动汽车用户的出行计划。为了提高电动汽车出行效率,分析了电动汽车在行驶过程中的充电需求问题,建立考虑时间窗特征及充电等待成本的电动汽车路径规划问题模型。该模型考虑充电站内车辆排队等待时间这个影响因素,采用M/G/1排队系统对等待时间进行模拟,以能源消耗与成本最低为目标,采用自适应大规模邻域搜索算法对路径规划问题进行求解,并以物流电动汽车为例进行仿真验证。结果表明:针对不同的行驶路径,该模型在电能消耗和等待成本等方面具有较好的表现,可为电动汽车充电路径规划选择提供借鉴。

模糊需求下时间依赖型车辆路径优化

针对客户需求模糊且有时间窗约束的时间依赖型车辆路径问题(TDVRP),基于先预优化后重调度的思想构建模型.在预优化阶段,依据可信性理论构建模糊机会约束优化模型处理客户点模糊需求;针对不同时间段道路的交通情况,采用Ichoua速度时间依赖函数表征车辆的行驶速度,并设计自适应大规模邻域搜索算法(ALNS)对其求解.在重调度阶段,应用随机模拟算法模拟客户点的真实需求,采用点重调度策略对预优化方案进行调整.通过改进的Solomon算例实验验证模型和算法的有效性.研究成果可丰富TDVRP问题的相关研究,为现实配送方案的优化决策提供理论依据.

面向多个无人机站点的车辆与无人机联合配送路径问题研究

车辆与无人机联合配送模式在产业界受到青睐,该模式有效地降低了配送成本,但却有极大的调度难度,问题的求解也非常复杂。本文对问题进行明确定义并建立模型,根据问题特性设计了一个自适应大规模邻域搜索(Adaptive Large Neighborhood Search,ALNS)算法,进行了大量的实验的对比和分析。研究结果表明,ALNS算法相比Gurobi在运行时间上有明显优势,结果相同甚至更优;车辆与无人机联合配送模式也较仅卡车配送模式节约了成本。

碳排放约束下无人机-卡车联合配送问题

无人机配送兼具配送时间短、成本低、降低道路拥堵程度等优点,多辆卡车和无人机联合配送以服务社区内的客户群体是解决最后一公里配送难题的突破口。考虑配送过程中碳排放总量的约束,以配送总成本最低为目标函数,构建以弧为基础的混合整数规划模型,并利用自适应大规模邻域搜索算法求解出无人机-卡车联合配送的最优路径,验证了碳排放约束下的无人机-卡车联合配送路径优化模型在降低配送成本、实现降碳目标上的有效性。