自适应混合蚁群算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(capacitated vehicle routing problem,CVRP),提出了一种自适应混合蚁群算法.由蚁群算法生成子回路,为增强跳出局部最优能力,在蚁群算法的状态转移规则和信息素更新规则中引入了自适应机制.基于子回路组合,由遗传算法构造近似解,根据问题编码特性设计了适应度函数和遗传算子,提高了构造效率,并采用Clark和Wright节约算法将近似解修复成可行解.采用扫描法和2-opt局部优化方法提高可行解的质量.标准算例的实验结果表明,该算法在求解CVRP问题上具有良好的寻优精度和寻优效率.灵敏度分析结果表明蚂蚁数量对算法性能具有显著影响.

求解带容量约束车辆路径问题的多模态差分进化算法

针对带容量约束车辆路径问题(CVRP)中交通拥堵、资源供给、客户需求等不确定性因素的影响容易导致单一最优解不可行或非最优的问题,提出一种多模态差分进化(MDE)算法,以同时求解得到目标值相近的多个备选车辆路径方案。首先结合CVRP的特点,构建高效的解个体编解码策略,并基于修复机制提升解个体的质量;然后在差分进化(DE)算法框架下,基于多模态优化视角引入动态半径小生境生成方法,并采用杰卡德系数来度量解个体之间相似性,进而实现对于解个体之间距离的计算;最后,改进邻域搜索策略,采用精英存档和更新策略来得到多模态最优解集。基于典型数据集的仿真实验与分析结果表明,所提MDE算法寻优得到的平均最优解个数达到1.7434个,平均最优解与已知最优解的平均偏差为0.03%,而差分进化(DE)算法二者分别为0.8486和0.63%。可见,所提算法在求解CVRP上表现出较高的有效性和稳定性,能同时得到CVRP的多个近似最优解。

基于改进遗传算法求解容量约束车辆路径问题

为克服传统遗传算法在求解容量约束路径问题时易收敛和搜索能力不足的缺点,提出了动态调参的方式对算法进行改进。首先采用局部搜索算法生成初始解,提高初始解的质量,并动态调整选择、交叉、变异操作的参数,既保留了种群多样性,又避免了优秀个体被破坏,最后通过变邻域搜索算法提高算法搜索能力。实验表明,所有算例实例求得的最优解误差不超1.0%,并与其他经典的启发式算法进行了比较。

有容量约束车辆路径问题的蒙特卡洛模拟算法

带容量约束的车辆路径问题是一个NP-hard问题。针对此问题将蒙特卡洛模拟方法与流行的节省算法结合。提出Flag-MCS-CWS算法,该方法通过对CWS算法得到的节省序列进行蒙特卡洛模拟,适用于不同节点数、不同车辆载重量的车辆路径问题。在标准数据集测试,相比当前最优解有平均0.75%的改进,为车辆路径问题提供了更加有效的解决方案。

求解电动汽车车辆路径问题的双种群协同进化算法

绿色物流领域新兴的电动汽车车辆路径问题,由于需要对车辆路径和充电决策同时优化,搜索空间急剧增大,且需要同时满足容量和电量双重约束,现有方法难以快速找到质量较优的可行解。为此,提出一种基于双种群的协同进化算法,通过忽略电量约束构造简单带容量约束的车辆路径问题,辅助原始复杂问题的快速求解。为实现其间信息交互,设计一种基于改进距离邻接矩阵的解序列特征表示方法,旨在同时获取客户访问顺序和车辆指派信息;利用降噪自编码器构建2个问题解之间转换关系,以实现问题域间知识迁移。将该算法与目前常用的3种启发式算法和2种进化算法在不同规模测试集上进行对比,试验结果表明所提算法具有更快收敛速度且所获解集具有更好收敛性。

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。

求解带容量和时间窗约束车辆路径问题的改进蝙蝠算法

带时间窗和容量约束的车辆路径问题是车辆路径问题重要的扩展之一,属于NP难题,精确算法的求解效率较低,且对于较大规模问题难以在有限时间内给出最优解。为了满足企业和客户快速有效的配送需求,使用智能优化算法可以在有限的时间内给出相对较优解。研究了求解带容量和时间窗约束车辆路径问题的改进离散蝙蝠算法,为增加扰动机制,提高搜索速度和精度,在对客户点按其所在位置进行聚类的基础上,在算法中引入了变步长搜索策略和两元素优化方法进行局部搜索。仿真实验结果表明,所设计算法具有较高寻优能力和较强的实用价值。

带容量约束的车辆路径问题算法综述

CVRP的研究带动了确定性算法和启发式算法的发展。简要回顾了这些新算法的发展,总结对比现有方法,提出可能的研究方向。

面向复杂物流配送场景的车辆路径规划多任务辅助进化算法

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

自适应大邻域搜索的人工蜂群算法求解带容量约束车辆路径问题

为解决带容量约束的车辆路径问题(CVRP)求解时收敛能力与探索能力不足、耗时长等问题,提出一种基于大邻域搜索的人工蜂群优化算法。设计了5个移除算子和2个插入算子,采用算子区别应用机制、仔细侦查蜂机制、更新策略宽松机制优化算法。所提算法能够快速搜索到可接受解,在实验数据集上能收敛到大部分已知最优解,并更新了4个已知最优精准解。实验结果表明,3种优化策略均能有效提升算法效率,算法具有较好的综合性能。

求解带容量约束车辆路径问题的离散布谷鸟算法

提出一种离散布谷鸟算法(DCA)求解带容量约束的车辆路径问题(Capacitated Vehicle Routing Problem)。该算法采用轮盘赌机制增强初始解选择的随机性,对基本布谷鸟算法的莱维飞行操作中,使用2-opt法和exchange法进行位置更新;在寄生巢位置更新中,使用shift法和reverse法增强最优解的局部开发能力。选取augerat标准数据集测试算法,并比较BA、ACO、SA及PSO算法结果。实验结果表明:离散布谷鸟算法能够有效解决带容量约束车辆路径问题,有较强的寻优能力,求解质量优于其他4种对比算法。

混合差分蜂群算法求解带容量约束车辆路径问题

为求解带容量约束车辆路径问题,提出了一种差分算法改进的人工蜂群算法(DABC).针对人工蜂群算法开发能力较弱的缺陷,采用了全局最优解引导的邻域搜索策略.为避免早熟,引入差分算法的交叉更新策略进行局域优化.仿真实验结果证明,混合差分蜂群算法在求解带容量约束车辆路径问题时,能较好地平衡了探索能力和开发能力,在求解速度和稳定性上有良好的效果.

求解带容量约束车辆路径问题的离散鲸鱼算法

论文提出了一种离散鲸鱼算法求解带容量约束的车辆路径问题(Capacitated Vehicle Routing Problem)。该算法对基本鲸鱼算法的包围捕食操作、泡泡网捕食操作、随机捕食操作进行重定义,并采用基于距离代价的K-means算法在满足车辆最大载重约束条件下将客户划分到不同区域。并引入随机交换搜索、2-opt、3-opt优化方法对每次迭代过程中得到的最优解进行局部优化,扩大算法搜索空间算法。实验结果表明:所提算法能够有效解决带容量约束车辆路径问题,有较强的寻优能力,求解质量优于所对比算法。

容量约束的车辆路径问题研究现状综述

带有容量约束的车辆路径问题(CVRP)是车辆路径(VRP)衍生问题的一种。为了理清国内外研究现状,对CVRP发表文献进行检索和归纳,总结CVRP基本类型和CVRP衍生问题。通过对CVRP的研究现状和求解方法的总结和分析,展望CVRP未来的研究趋势,并为交通运输、物流配送领域的学者提供一些见解和启示。

改进遗传算法在容量约束车辆路径问题中的应用研究

针对遗传算法求解带容量约束的车辆路径问题时,存在早熟收敛和易陷入局部最优的问题,提出了改进的遗传算法。该算法结合扫描算法思想将种群初始化进行改进,使种群从迭代之初就处于一种最优的状态,并改进了选择策略和交叉策略。通过标准测试算例验证可知,该算法求解结果同测试算例给出的当前最优值之间的偏差在-0.24%以内,且求解结果和稳定性均由于对比算法,为求解此类问题给出了更加有效的解决方案。

基于改进蚁群算法的带容量约束车辆路径问题求解

随着市场经济快速发展和现代技术的不断演变,现代物流业也得到了空前的发展。在物流配送活动的各个环节中,配送路径优化对企业提高服务质量、降低物流成本、提高经济效益起到至关重要的作用。蚁群优化算法作为群智能算法的典型代表,在路径规划求解中表现出良好的效果。本文研究了带容量约束车辆路径问题(Capacitated Vehicle Routing Problem,CVRP),并采用蚁群优化算法进行优化求解。实验结果表明,蚁群优化算法能够有效地求解带容量约束车辆路径问题。

基于自适应多态蚁群算法的多约束车辆路径问题

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(VRPMC)的数学模型.由于该模型是一个NP-hard问题,目前还没有多项式算法求解,又提出了采用自适应的多态蚁群算法(APACA)来对其进行求解的策略.首先,算法中侦察蚁完成满足约束条件的路径侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息进一步搜索可行路径,通过多态蚂蚁间的协作和自适应调整挥发系数,能更快地搜索到问题的优化解;最后通过一个实例与节约算法、遗传算法、禁忌搜索算法和基本蚁群算法进行了对比,结果表明:对VR-PMC问题,APACA算法比前述算法在算法稳定性、运行距离、计算速度方面更具有优势.

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。

一种带时间窗和容量约束的车辆路线问题及其TabuSearch算法

本文提出一种带时间窗和容量约束的车辆路线问题 (CVRPTW ) ,并利用TabuSearch快速启式算法 ,针对Solomon提出的几个标准问题 ,快捷地得到了优良的数值结果。

基于遗传算法的带时间约束的车辆路径问题优化

基于遗传算法的车辆路径优化问题,虽然已经被提出过多种思想方法,但仍有较大的改进余地.而且具体的车辆路径优化问题,往往在时间和路程两方面都有限制和要求,而在这方面的研究相对较少.针对这种问题,在传统遗传计算基础上,加入了时间约束算法,对算法的实时实现作出保证;同时根据客户点的位置改进初始群,提高了变异率,减少低效计算,极大提高了寻优速度,为多计算点的遗传操作提供有力的支持.计算机仿真实现的结果和物流公司的实际运作都证明了算法的有效性.