时变环境下基于自适应遗传算法的模糊绿色车辆路径问题

针对时变环境下的模糊绿色车辆路径问题,同时考虑了车速连续时变、客户需求量为模糊变量等特性,在目标函数中引入与绿色低碳有关的燃油成本,以极小化燃油成本、车辆使用成本并极大化客户满意度为目标,建立了相应的模糊规划模型,并运用自适应遗传算法进行了求解。采用仿真实例,分析了决策者主观偏好值对各个目标函数的影响,以及各个目标函数之间的相互影响。

基于狼群算法的同时取送货模糊绿色车辆路径问题

文章提出了带模糊需求的同时取送货绿色车辆路径问题,并将碳排放作为优化目标,建立了相应的模糊规划模型。然后给出了解决问题的狼群算法,定义了人工狼的游走行为、召唤行为、围攻行为。最后通过仿真实验,验证了该算法的有效性,并将其与其他算法进行了对比,分析了决策者主观偏好值的变化对目标值的影响。

双重信息引导的蚁群算法求解绿色多舱车辆路径问题

针对当前实际运输中广泛存在的绿色多舱车辆路径问题(GMCVRP),文章提出一种双重信息引导的蚁群优化算法(DIACO)进行求解.首先,在DIACO的全局搜索阶段,重新构建传统蚁群优化算法(TACO)中的信息素浓度矩阵(PCM),使其同时包含客户块信息和客户序列信息,即建立具有双重信息的PCM(DIPCM),从而更全面学习和累积优质解的信息;采用3种启发式方法生成较高质量个体,用于初始化DIPCM,可快速引导算法朝向解空间中优质区域进行搜索.其次,在DIACO的局部搜索阶段,设计结合自适应策略的多种变邻域操作,用于对解空间的优质区域执行深入搜索.再次,提出信息素浓度平衡机制,以防止搜索陷入停滞.最后,使用不同规模的算例进行仿真测试和算法对比,结果验证了DIACO是求解GMCVRP的有效算法.

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。

多车场异构车型绿色路径规划问题研究

为拓展多车场车辆路径类问题(MDVRP)的求解方式及途径,引入了油耗和碳排放量的近似计算方法,建立了带时间窗的多车场多车型绿色车辆路径问题模型(GMDHF-VRPTW)。将物流配送和碳排放总成本最小化作为优化目标,设计改进的禁忌搜索算法(ITS)求解该模型。为验证提出模型的有效性和可行性,采用Solomon测试数据集,分别从最优目标值、求解时间等方面与经典的禁忌算法进行对比,实验结果表明ITS方法有显著的优势。此外,为降低问题求解的复杂度,结合K-means聚类算法,将多车场转化为单车场,通过判断满足需求的最小车辆数进行建模并提出了基于Gurobi求解器的聚类过滤算法(CF),在求解同规模多车场多车型路径问题进行了探索,结果表明CF颇具优势,能够为企业实际的低碳物流运输提供决策支持和方法指导。

混合超启发式算法求解复杂两级车辆路径问题

针对模糊需求下的绿色两级车辆路径问题,以最小化车辆运营成本和油耗成本之和为优化目标,提出一种混合超启发式算法进行求解.首先,考虑两级问题解空间庞大且相互耦合,设计一种聚类分解策略将该问题分解为多个子问题,以合理缩小问题搜索空间;然后,提出增强超启发式分布估计算法(enhanced hyperheuristic estimation of distribution algorithm,EHHEDA)对各个子问题进行求解,进而获得原问题的解.EHHEDA基于超启发式算法框架,在高层策略域设计一种基于三维概率模型的分布估计算法,动态确定由底层操作域中各搜索算子所组成的排列(即高层个体),可有效控制和引导整个算法的搜索行为;同时,在底层操作域设计10种有效邻域搜索算子,并加入重升温操作的模拟退火机制作为问题解(即底层个体)的接受准则,有利于在问题解空间中执行深入搜索.仿真实验结果表明,所提出的算法在大多数测试集上优于近年来用于求解类似问题的算法,验证了所提出算法的有效性.

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。

学习型离散排超联赛算法求解带时间窗的绿色多车型两级车辆路径问题

针对现实中广泛存在的带时间窗的绿色多车型两级车辆路径问题(G2E-HVRP-TW),本文提出一种结合加权K-means算法(WKA)的学习型离散排超联赛算法(LDVPLA)进行求解.首先,根据该问题规模大、约束多的特点,采用WKA将原问题G2E-HVRP-TW分解为一个绿色多车型车辆路径子问题(GHVRP)和一组带时间窗的GHVRP(GHVRP-TW),从而实现两级问题间的部分解耦,以合理缩小搜索空间.然后,利用LDVPLA求解分解后的一系列子问题,并将各子问题的解合并后得到原问题的解. LDVPLA在竞赛阶段将标准排超联赛算法(VPLA)中实数个体更新操作替换为一系列排序操作,使其能够直接在问题离散解空间内执行基于VPLA机制的搜索,可提高搜索效率;在学习阶段构建三维概率矩阵模型合理学习并积累优质解信息,有利于驱动算法较快到达解空间中的优质解区域执行搜索;在淘汰阶段设计一种重启策略,可避免算法过早陷入局部最优.最后,通过在不同规模算例上的仿真实验和算法对比,验证了所提算法的有效性.

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。

绿色物流系统下不确定车辆路径问题的模型与算法分析

近年来,我国发展内外环境发生深刻变化,碳达峰、碳中和这一双碳目标提出,倒逼国内能源转型,同时将加速我国绿色物流系统的构建与运行。本文在绿色物流系统背景下,为适应大众对低成本和快速化物流服务的渴望,对采用无人驾驶配送车辆进行末端配送过程中的不确定车辆路径问题进行分析。本文分析了车辆路径优化模型的构成要素,并在此基础上构建了基于绿色物流系统的车辆路径优化模型,针对绿色物流系统下不确定车辆路径问题的特征,分析了几类典型的车辆路径优化算法的特征与适用范围,最后应用深度强化学习算法探讨了绿色物流系统下不确定车辆路径问题的求解思路。

集送货一体车辆路径问题中节能减排方法探讨

为了减少物流配送过程中车辆产生的碳排放,引入了燃料消耗和碳排放的近似计算方法,建立了集送货一体的绿色车辆路径问题模型,目标是找到环境友好的绿色路径,并将总成本降至最低。设计了一种基于最大最小距离聚类的三阶段算法来求解模型。数值实验验证了所提出模型和算法的有效性和可行性。实验结果表明,车速、行驶距离、路线数量以及需求拆分的次数对燃料消耗和碳排放有很大影响;基于距离的聚类将增加集群的灵活性;尽量采用容量较大的车辆可以有效减少使用的车辆和路线数量。成本分析表明,碳排放在总成本中占比较小,因此有必要鼓励新能源汽车进入交通运输市场。

基于模糊时间窗的多中心开放式车辆路径问题

针对受时间窗影响的多中心开放式车辆路径问题,采用时间窗模糊化处理方法,假设时间窗是一个梯形模糊数,定义客户满意度函数和时间惩罚费用函数,建立有鲁棒优化模型。基于整体法假设虚拟配送中心,设计改进的蚁群算法求解,选取合适的测试算例实验。实验结果表明,所提算法能获得较好的解,是求解该类问题的有效方法;所建模型满足问题的多中心、多需求点和开放式特征,模型合理有效;与软时间窗和硬时间窗设置相比,模糊时间窗设置合理有效,同时展示了模糊时间窗设置下客户满意度对模型求解结果的影响。

模糊需求信息条件下的车辆路径问题研究

在对模糊需求信息条件下的车辆路径问题进行简单描述的基础上,通过引入决策者主观偏好的概念,提出了解决该问题的一种基于模糊可能性的混合遗传算法.同时,在最小化车辆使用数与车辆行驶距离的目标下,通过随机模拟方法研究了决策者的主观偏好对最终决策目标的影响作用,并通过与其它计算方法的比较证明了基于模糊可能性的混合遗传算法的优越性.

学习型蚁群算法求解绿色多车场车辆路径问题

针对我国城市中心区域路况较拥堵的实际情况,设计基于车辆行驶路段的速度计算方法,同时考虑车辆行驶距离、载重和速度因素,建立以最小化总油耗费用为目标的绿色多车场车辆路径问题模型,提出一种融合蚁群优化算法(Ant Colony Optimization,ACO)与知识模型的学习型蚁群优化算法(Learning Ant Colony Optimization,LACO)进行求解。为提高算法全局搜索性能和鲁棒性,设计由不同ACO参数组合和各参数组合选取概率组成的参数知识,用于每代调整ACO参数;为增强算法局部搜索能力,设计由各邻域操作贡献率组成的局部操作知识,用于每代确定各邻域操作的执行次数。通过在不同规模问题上的仿真实验和算法对比,验证所提LACO的有效性。

模糊需求车辆路径问题研究

研究具有模糊需求的车辆路径问题,建立基于模糊可能性理论的模糊机会约束规划数学模型,提出了求解该问题的一种基于模糊模拟的混合差分进化算法。同时,在车辆行驶总距离最小的目标下,运用随机模拟方法研究了决策者主观偏好值对最终决策目标的影响,并给出最佳主观偏好值。

模糊约定时间车辆路径问题及其蚂蚁算法求解

模糊约定时间车辆路径问题是基于模糊预约时间,体现顾客偏好的一种车辆路径问题.建立了该问题的数学模型,针对其多目标性质,对几个目标分别给以权系数进行线性加权.在蚂蚁算法思想基础上,设计了用于求解该问题的改进型算法,并计算了Solomon问题库中的实例.经过大量数据测试,分析了蚂蚁算法中各参数以及各目标权系数的不同取值组合对结果的影响,获得了较好的结果.

模糊需求车辆路径问题及其启发式蚁群算法

对模糊需求信息条件下的车辆路径问题进行策略分析,提出解决此类问题的改进蚁群算法。采用多蚁群协作,修改信息素更新规则,根据收敛要求动态调整主要参数等对蚁群算法进行改进,应用该方法解决机会约束策略和可能性策略下的模糊需求车辆路径问题。通过采用模拟实际需求的方式评价各种策略得到的先验路径优劣。实验结果证明了改进算法对优化模糊需求车辆问题非常有效。

模糊车辆路径问题的一种混合遗传算法

在对模糊车辆路径问题进行简单描述的基础上,通过引入决策者主观偏好值的概念,给出了解决该问题的基本思路,建立了具有模糊特征的车辆路径问题的模糊机会规划模型,提出了求解该问题的一种基于模糊模拟的混合遗传算法。同时,在最小化总行驶距离的目标下,通过随机模拟方法研究了决策者主观偏好值的选择对最终决策目标的影响作用,并给出了其最佳取值范围。

带模糊预约时间的车辆路径问题的多目标禁忌搜索算法

为优化具有模糊预约时间的车辆路径问题,应用模糊事件给出了车队服务满意度的一个新的度量方法和求最大满意度的计算方法。建立了多目标数学规划模型,并提出多目标禁忌搜索算法求解Pareto最优解。采用随机车辆配载方法生成初始解放入候选解池中,提出插入可行邻域和2-Opt可行邻域进行邻域搜索。对池中的Pareto解进行并行的禁忌搜索得到局部Pareto解再注入池中,最后求得一组Pareto解。通过Solomon的bench-mark算例,与非支配排序遗传算法Ⅱ进行对比实验,说明了所提算法的优越性。

基于模糊聚类与车辆协作策略的随机车辆路径问题

以多辆车协作的随机车辆路径问题为研究对象,设计了通用的随机车辆路径问题机会约束模型,提出了大规模随机车辆路径问题的车辆协作策略,并基于该策略与模型设计了求解大规模随机车辆路径问题的混合启发式算法,计算实验结果说明了该算法与策略的有效性与实用性。