考虑动态拥堵的城市配送绿色车辆路径问题研究

针对目前研究城市配送车辆路径多未考虑交通动态拥堵对运营成本的影响,本文将道路拥堵因素引入绿色车辆路径问题(GVRP)的优化数学模型中,以不同的拥堵速度来反应各时间段的交通状况,并考虑碳排放和客户时间窗的影响,建立了以总成本最小化为目标的优化模型,设计了蚁群-遗传混合算法(ACO-GA)进行求解。并结合案例进行分析,将所得结果与蚁群算法(ACO)、遗传算法(GA)进行比较,验证了模型和算法的可行性和有效性,降低了总成本和碳排放,为企业节约成本和绿色转型提供了有力支持。

最小-最大车辆路径问题的蚁群算法

为了最小化车辆路径问题中行程最长子线路的长度,提出了一种可应用于不同数据集特点的参数自适应最大最小蚂蚁系统。针对聚类分布和随机分布的客户,分别采用顺序法和并行法构建路线,同时在算法执行过程中对期望启发式因子、选择概率、信息素持续参数和蚂蚁数量等参数进行自适应调整,既强化最优解附近的搜索,加快算法的收敛速度,也从一定程度上保证解的多样性,避免陷入局部优化。将该算法应用于7个经典算例的最小-最大车辆路径问题,计算结果表明,不仅可以取得较好的计算结果,而且算法的计算效率较高,收敛速度较快。

最小-最大车辆路径问题的禁忌搜索算法

在对最小-最大车辆路径问题进行描述的基础上,建立了该问题的基本数学模型。针对最小-最大车辆路径问题的目标是最小化整个线路的最长子线路,本文提出了改进的禁忌搜索算法,并用一些典型算例进行了验证。计算结果表明,用该算法求解最小-最大车辆路径问题,不仅可以取得较好的计算结果,而且算法的计算效率较高,收敛速度较快。

一类最小-最大车辆路线问题的启发式算法研究

针对个性化和多样性的需求,建立以缩短最长子线路为目标的最小-最大车辆路径问题模型,并提出启发式算法求解。首先,采用自然数编码,使问题变得更简洁;用最佳保留选择法,以保证群体的多样性;引入爬山算法,加强局部搜索能力;其次,对遗传算法求得的精英种群再进行禁忌搜索,保证算法能够收敛到全局最优。最后,通过实例的计算,表明本算法均优于遗传算法和禁忌搜索算法,并为大规模解决实际问题提供思路。

最小最大车辆路径问题的动态自适应蚁群优化算法

为求解最小最大车辆路径问题,提出动态自适应蚁群优化算法.该算法采用动态最大最小蚂蚁系统策略调整最优解,每次迭代更新τmin,将τmin作为当前信息素矩阵最大值的函数,根据当前最优弧调整选择弧的概率.采用一种灰色模型预测及控制信息素矩阵的边界,以增强蚁群算法参数的自适应性能.对信息素浓度相对较高的多个节点及其附近的边,利用信息素关联累积规则进行信息素更新.将文中算法进行场景的实例测试,仿真结果表明,该算法与线性规划、其他相关的蚁群算法相比,收敛速度更快,具有更好的优化性能和应用效果.

定位-车辆路径问题的两阶段混合启发式算法

定位-车辆路径问题(LRP)集成了设施定位分配和车辆路径决策,属于NP-hard难题.为有效求解实际大规模的具有设施容量约束和车辆容量约束的LRP问题,设计了基于禁忌搜索及双种群蚁群算法的两阶段混合启发式算法.算法第1阶段采用禁忌搜索算法确定设施定位及客户分配,算法第2阶段采用双种群蚁群算法优化车辆路径,蚁群间的通信与协调通过信息素共享来实现.通过仿真试验并与其他启发式算法进行对比,结果表明,该算法是可行和有效的.

基于最大最小蚂蚁系统的动态车辆路径问题研究

在描述动态车辆路径问题的基础上,通过对计划周期分片,将动态车辆路径问题转换为一系列的静态子问题,并采用改进的最大最小蚂蚁系统对静态子问题进行求解。在最大最小蚂蚁系统中,针对聚类分布和随机分布的客户,分别采用顺序法和并行法构建路线,信息素的更新量随着可选客户数量的不同而改变,同时在算法执行过程中对期望启发式因子、选择概率、信息素持续因子和蚂蚁数量等参数进行自适应调整。以整个路线的行驶距离作为目标,采用该算法对9个算例进行测试,与其他文献中算法的计算结果相比较,在使用车辆数量基本一致的情况下,9个问题都得到了最好解和最好平均解,表明了算法的有效性。

车辆路径问题的最大—最小蚁群算法研究

蚁群算法能很好地解决车辆路径问题,但算法搜索时间长,易出现停滞现象。通过对蚁群算法的改进和调整,构造出最大—最小蚁群算法,实例验证该算法能更快地收敛到全局最优解。

油耗最小化多车型车辆路径问题研究

研究最小化油耗的多车型车辆路径问题,将车辆使用费用分为固定费用和以油耗为主的可变费用。建立了该问题的数学模型,运用禁忌搜索算法进行模型求解。算法采用随机选择车型产生初始解,设计三种Or-opt邻域结构,利用罚函数接受导致不可行解的变换。通过案例测试验证了模型的正确性和算法的有效性。结果表明,采用最小化油耗为目标比最小化距离为目标更加经济和环保。

模糊需求下的多中心冷链配送车辆路径问题

针对多配送中心下冷链配送的车辆路径问题,考虑到低碳冷链运输的时效性以及需求不确定性,以碳排放成本、制冷成本、时间惩罚成本等在内的总配送成本最小和客户满意度最大为总目标,建立基于可信性测度理论的模糊机会约束模型。在需求模糊的情况下,利用改进的遗传-大规模邻域搜索算法得到初始计划路线,再通过随机模拟算法得到实际需求,进行路线调整。通过与其他文献求解结果对比,以及分析算例来验证所建算法的有效性和模型的合理性,同时分析模型相关参数对目标值的影响。实验结果表明,嵌入局部搜索的改进遗传算法避免了局部最优,加快了收敛性。而且在需求不明时,多配送中心的冷链配送模式要优于单配送中心。

最小支撑树混合贪婪算法求解车辆路径问题

优化车辆路径可降低物资配送的服务成本,提高服务效率.建立了车辆路径问题的数学模型.针对一定规模客户的情形,先用最小支撑树算法将客户分区;然后对每个区域中路线用的贪婪算法进行优化;最后通过实例验证,该方法比四叉树混合蚁群算法的计算结果更优、计算速度更快.

求解带时间窗的客户需求可分条件下的车辆路径问题

物流运输中的车辆路径问题历来是一个重要的理论和实际问题,在同时考虑客户需求可分以及客户方和配送中心时间窗限制的前提下,重新构造了问题模型,并结合蚂蚁算法中转移概率的改进和最大—最小蚂蚁系统,设计了问题求解过程和分割点选取规则,计算结果显示出算法的可行性。另外还与客户需求不可分的情况进行了对比,从而说明在大规模物流运输需求下,可分能带来更好的效果。

多约束下多车场车辆路径问题的蚁群算法研究

为节约物流配送费用,提出一类多约束条件下的多车场车辆路径问题。首先建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题的数学模型;然后提出了一种自适应的最大-最小蚁群算法,算法结合自适应方法和最大-最小蚁群算法的优点,能适时地控制蚁群算法中的信息素更新过程,扩大搜索范围,避免基本蚁群算法易陷于早熟和"局部最优"以及求解速度慢的不足;最后通过一个实例与禁忌搜索算法进行了对比。实验结果表明:自适应的最大-最小蚁群算法在车辆数、路径长度、路径时间和计算速度方面具有优势。

求解带时间窗车辆路径问题的动态混合蚁群优化算法

为求解带时间窗车辆路径问题,针对传统蚂蚁遗传混合算法中参数静态设置、冗余迭代及收敛速度慢等缺点,提出一种动态混合蚁群优化算法(DHACO).该算法首先借助最大最小蚁群得到初始解,利用蚁群优化算法求解带时间窗车辆路径问题的基本可行解.然后采用遗传算法交叉和变异操作对局部解和全局最优解进行二次优化,从而得到最优解.最后利用蚂蚁遗传混合算法融合策略,动态交叉调用蚂蚁算法、遗传算法,根据云关联规则自适应控制蚁群算法参数.DHACO有效减少无效迭代次数,加快收敛速度.仿真结果表明,与其他相关的启发式算法相比,DHACO优于某些实例的已知最优解.

求解车辆路径问题的改进MMAS算法

最大-最小蚂蚁系统(MMAS)只在最优解对应的路径上更新信息素,有效地利用了最优解,但容易导致搜索过早停滞。文中分析了MMAS在求解车辆路径问题(VRP)时的表现,针对其容易陷入局部最优解、全局搜索能力差、后期收敛速度慢等不足提出改进,给出一种新的信息素更新策略,动态改变挥发系数的数值,并在较优的几条路线上进行信息素更新,从而在加速算法收敛的同时提高全局搜索能力,避免过早停滞。VRP仿真实验结果表明,改进后的算法稳定性好,收敛速度比原始MMAS算法有明显的提高。

求解软时间窗车辆路径问题的一种新方法

车辆路径问题属于组合优化领域中的NP–Hard问题.针对带软时间窗的车辆路径问题,提出了一种区域划分—路径优化的数学模型.首先结合最小支撑树算法能产生全局最优解的优点,将客户划分为若干个子区域.然后再结合贪婪算法简单迅速的特点,对每个子区域中的路径进行优化.实验结果表明,该算法收敛速度快、搜索成功率高.

基于混合蚁群算法的车辆路径问题研究

为了求解车辆路径问题,设计了一种结合节约算法和邻域搜索算法的混合蚁群算法,该算法改善了标准蚁群算法搜索时间长、容易陷入局部最优解的问题。首次引入节约算法以提高初始解的质量,使得蚁群算法在较优的路径中进行搜索,从而更有效地收敛到最优解;运用最大最小蚂蚁系统控制路径的信息素,避免算法陷入局部最优解;采用邻域搜索算法优化某阶段最优解的子路径。应用该混合蚁群算法对VRPLIB数据库实例进行了运算,取得了较为满意的结果。

带软时间窗的两阶段连锁门店配送车辆路径问题研究

针对连锁企业配送路径优化决策问题,利用分解法进行两阶段分析,建立数学模型,并引入时间窗约束。应用最小包络聚类分析方法确定供应商与配送中心的最佳位置与数量,运用禁忌搜索算法求解配送中心到门店的最佳配送路径,算例测试验证了该方法的有效性与研究的实用价值。

第三方存贮-路径问题研究综述

讨论了第三方存贮 路径问题 (IRP)与存贮问题和车辆路径问题的联系及区别 ,对国内外IRP的内涵、分类、模型。

解决需求可拆分车辆路径问题的先聚类后路径方法

介绍了求解需求可拆分车辆路径问题的"先聚类后路径"的方法,其目标是使用最少车辆获得最小总行驶距离。基于该方法,提出了三阶段算法:首先,根据使用最少车辆的原则,利用最大最小距离聚类,将所有客户点按物理位置分成若干组;然后,采用"推出"和"拉入"操作,调整各组的负荷量,形成重量平衡的聚类组;最后,优化上述组内路径。两案例组7个实例的执行验证了该算法的可行性和有效性;结果表明,该算法在总行驶距离和计算所用时间方面性能优于带有效不等式的两阶段算法、k-means聚类算法、拆分阈值聚类算法和扫描算法等。