考虑动态平衡装卸的点对点取送货车辆路径优化

针对点对点取送货车辆路径优化问题,引入动态平衡、后进先出、三维装载等约束,以总路径最短为优化目标,构建多车多客户应用场景下的动态平衡装卸点对点取送货车辆路径优化模型;基于研究问题的特征,采用启发式插入法确定路径初始方案,设计节点交换和重新定位算子,构造路径邻域方案,并将动态平衡装卸纳入路径迭代过程,运用多重指标定序策略和三分空间策略,设计客户动态平衡装卸检算算法,并提出基于禁忌搜索的点对点取送货车辆路径优化算法,制订多车多客户取送货车辆路径方案的同时编制动态平衡装载方案。最后,通过标准算例验证方法的有效性,计算表明:所提方法能高效解决带动态平衡约束的点对点取送货车辆路径优化问题;在多车多客户应用场景下具有更强的寻优能力,求解效率更高。

同时取送货车辆路径问题的改进粒子群优化算法

同时取送货车辆路径问题(VRPSDP)是指车辆在服务过程中,对顾客同时进行取货和送货服务,针对这类问题,提出一种改进的粒子群优化算法。通过惯性权重的更新和路径链接更新策略有效地扩大算法的搜索空间,从而改进了算法的性能。另外,采用邻域搜索扩大策略(ENS)加快了算法的搜索速度。最后,应用所提出的改进的粒子群优化算法求解了两类同时取送货的车辆路径问题的算例。结果表明,该算法与经典的求解结果相比较,取得了比较好的计算结果,表明该算法是求解同时取送货车辆路径问题的有效工具。

面向多行程取送货车辆路径问题的混合NSGA-Ⅱ

针对多行程取送货车辆路径问题(VRP)收敛性与多样性相互制约的问题,提出一种融合自适应大邻域搜索(ALNS)算法和自适应邻域选择(ANS)的混合快速非支配排序遗传算法(NSGA-Ⅱ-ALNS-ANS)。首先,考虑初始解对算法收敛速度的影响,提出一种改进的后悔插入法以获得高质量初始解;其次,结合取送货问题特性,设计多组破坏和修复算子,以及多种邻域结构,提高算法的全局搜索能力和局部搜索能力;最后,设计基于随机采样的最佳拟合下降(BFD)算法与高效的可行解评价标准,生成路径分配方案。采用不同规模的标准公开算例进行仿真实验,与模因算法(MA)相比,所提算法的最优解质量提升了27%。实验结果表明,所提算法可快速得到满足多重约束的高质量车辆多行程路径分配方案,并在收敛性与多样性上优于对比算法。

高铁货运专列与城市车辆多站点协同的配送模式及路径优化

在高附加值、高时效要求的快递日益激增的需求驱动下,高铁货运专列运营常态化越来越成为可能。由于超大城市快递量多、城市面积大,高铁快运通过单个站点停靠再衔接城市车辆进行快递配送时,快递的高时效性往往得不到有效保障。基于此,创新提出“去配送中心”的“高铁货运专列多站停靠+城市车辆多点协同”越库配送模式,并对该模式的运行条件进行讨论。在考虑高铁货运专列运输时间表、客户服务时间窗等限制条件的基础上,建立高铁货运专列多点协同城市车辆配送路径优化模型。以超大城市上海市为例,对该配送模式的应用进行讨论,设计模拟退火算法进行求解。研究结果表明:“高铁货运专列多站停靠+城市车辆多点协同”的越库配送模式配送成本更低、准时性更高,能够更高效地完成快递配送。

时变网络下多车型同时取送货车辆路径优化

为降低物流企业配送成本,以车辆固定成本、车辆派遣成本和时间惩罚成本之和最小为目标,考虑路段和时段对车速的影响、客户的取送货需求和时效要求、车型多样性,在此基础上从客户关系出发,研究两种取送货情况下的车辆路径优化问题,建立时变路网下多车型同时取送货车辆路径模型,设计改进的自适应遗传算法进行求解,通过构建算例对比验证了算法的有效性和建立多车型模型的合理性。

路段通行时间不确定下取送货车辆路径优化研究

城市高峰期交通拥堵呈常态化趋势,各运输路段的通行时间很难用精确值表达,而配送车辆的路径仍需具体指定,亟需研究路段通行时间不确定情况下的物流配送车辆的具体运输路径。文章统筹考虑配送时间与环境成本,结合Bertsimas鲁棒离散优化理论,以总行程时间和碳排放量最小为优化目标,构建了路段时间阻抗不确定情况下的同时取送货多配送中心多车路径鲁棒优化模型,采用遗传算法进行求解,并以呼和浩特市部分路网为例进行实证研究。研究结果表明:车辆路径鲁棒优化模型及其改进的遗传算法能快速生成鲁棒性能较好的车辆行驶路径,而且得到的是一条条具体的运输路径,而非配送顺序。该模型与算法能为物流配送车辆路径导航系统提供技术支撑。

多中心联合取送货车辆路径优化与利润分配

共享模式是电商逆向物流的新发展趋势,在共享车辆与客户订单的条件下,考虑带时间窗约束的客户同时取送货情景,建立了MJVRPSDPTW(multi-centers joint vehicle routing problem with simultaneous delivery and pick-up and time window)模型。接着设计一种基于大邻域搜索的混合遗传算法进行求解,针对“多对多网络”设置虚拟中心并利用整体法优化,同时融合大邻域搜索算法中的“破坏”与“修复”算子,增强算法寻优能力。通过多组算例对比实验,证明该算法优于两阶段规划法与经典遗传算法。基于优化后的网络,利用Shapley值法对不同联盟情况下的各物流企业进行利润分配,结果证明大联盟最稳定且共同利润最大。

带软时间窗的同时取送货车辆路径问题研究

考虑软时间窗下的车辆路径问题,客户点常伴有同时取送货的双重需求。针对此类问题,通过对软时间窗、车辆在途前后时间关系及二者融合问题进行刻画,同时将车辆行驶距离、车辆使用数、违反软时间窗总时间、客户满意度等纳入综合考量,构建相应混合整数非线性规划(mixed integer nonlinear programming,MINLP)模型。设计相应多目标优化求解算法,运用理想点法对目标函数进行转化,将多目标优化问题转化为单目标优化问题。结合相应算例集,运用LINGO 17.0全局求解程序求得每组算例的全局最优解。结果表明,针对带软时间窗的同时取送货车辆路径问题(vehicle routing problem with simultaneous pick-up and delivery and soft time windows,VRPSPDSTW),所建模型及算法是有效且可行的。

多点物流配送车辆路径问题(VRP)优化与实证分析

本文应用扫描算法对多点物流配送车辆路径问题进行优化,借助计算机编程实现多目标、动态车辆调度和线路优化。以河北快运为例进行实证分析,结合实例进行测试和结果分析,证明其可行性,使该算法设计更好地适应实际的需要。

超启发式分布估计算法求解带软时间窗的同时取送货车辆路径问题

本文针对带软时间窗的同时取送货车辆路径问题(VRPSPDSTW),以最小化车辆行驶总里程和最大化服务准时率为优化目标,提出一种超启发式分布估计算法(HHEDA)进行求解.全局搜索阶段,首先,提出3种启发式规则生成初始个体,以确保初始种群的质量和分散性;其次,根据问题特点,构造3个概率矩阵分别学习和积累优质解的排序信息、客户间的距离信息和捆绑信息,并通过采样概率矩阵生成新个体,以增强算法全局搜索发现解空间中优质区域的能力.局部搜索阶段,将11种邻域操作组成备选集合,进而设计学习型超启发式局部搜索(LHHLS),用于动态选择备选集合中的部分邻域操作构成多种新的有效启发式算法,以执行对解空间中优质区域的深入搜索.最后,仿真实验和算法比较验证了HHEDA的有效性.

多需求点间车辆调度模型及优化算法混合求解研究

为解决多需求点间同时集送货问题,建立考虑需求拆分和转运的车辆路径模型.在模型中,加入车辆装载量动态变化约束、节点可多次访问约束和需求可拆分转运约束,提高问题的普遍性.在模型的优化算法中,算术、蚁群优化算法混合求解.通过算术蚁群算法嵌套优化模式,外层算术优化算法得到配送车辆的任务量,内层蚁群算法优化路径,并将结果反馈给外层算法继续更新求解,直至达到终止条件.同时,添加概率系数、增加算子位置更新公式和更新动态禁忌矩阵对混合算术蚁群算法改进,增加解的多样性,提高算法的求解效率.最后通过实例验证并与混合鲸鱼算法等比较,改进的算法解决本文问题效果更好.

带时间窗的多车型同时取送货车辆路径问题研究

本文主要研究广州番禺配送中心的车辆路径规划问题,首先针对之前车辆运行中的先送货后取货模式,产生车辆运行路线的迂回,以及车辆在回程中的空载,路径规划不合理,送货时间长的问题,采用集成的观点同时考虑有取货要求的客户和有送货要求的客户,把所有的送货订单和取货订单在前一天汇集到配送中心,这样每个客户的取货需求量和送货需求量根据前一天订单信息得到确认;从而可以确定配送中心以及每个顾客的位置和需求量,从而进行同时取送货,送货是针对当天的配送中心收到的货物,取货是针对前一天有发货需求的客户。在基本VRPSDP模型的基础上,加入多车型和时间窗两个因素,以配送车辆总的成本为优化目标,给出T公司广州番禺配送中心同时取送货的运作模式。

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.

基于混合集合规划的车辆路径优化

使用自然约束语言NCL对车辆路径优化问题进行建模。用混合集合规划可以方便地描述问题中的复杂约束与目标。最后对带有时间窗口的取货送货问题的算例进行了求解。

餐饮企业配送车辆路径优化研究

得益于社会的迅速发展,物质资源的极大丰富,人们对餐饮的要求越来越高。优质的餐饮服务离不开物流体系的支撑,车辆路径作为物流体系的重要组成部分,它的选择直接决定着配送车辆的物流时效。文章以某餐饮企业为例,在建立模型的过程中充分考虑到企业的实际情况,高度还原企业车辆在配送中遇到的现实问题,以时间最优和成本最优为目标,建立车辆路径优化模型,并且设计遗传算法进行求解。

基于群体智能算法的通勤车辆路径优化问题

为解决员工通勤难的问题,面向大型企业为员工提供统一接送通勤服务,研究多目的地和多车型的车辆路径问题,并建立相应的数学模型,提出群体智能算法对其进行求解。基于现实生活中通勤服务车辆实际约束,采用混合整数规划方法,以最小化运营成本为目标构建多目的地和多车型的车辆路径问题的数学模型。提出一种基于S-N链的解表示方法以及对应的解码过程和评价准则,并采用群体智能算法中的蜘蛛猴优化算法对问题进行求解。为验证蜘蛛猴优化算法的有效性,将其与粒子群优化算法进行比较。结果表明,在相同求解时间下,蜘蛛猴优化算法求解此问题的性能更优。对17组随机算例进行测试,验证所提数学模型和蜘蛛猴优化算法能够有效解决多目的地和多车型的车辆路径问题。

随机需求车辆路径问题及混合变邻域分散搜索算法求解

随机需求车辆路径问题(capacitated vehicle routing problem with stochastic demand,CVRPSD)是对带容量约束车辆路径问题(capacitated vehicle routing problem,CVRP)的扩展,需求不确定的特点使其较CVRP更复杂,对求解方法要求更高.基于先预优化后重调度思想,提出两阶段的混合变邻域分散搜索算法(variable neighborhood scatter search,VNSS)对该问题进行求解:预优化阶段构建随机机会约束规划模型,对客户点随机需求作机会约束确定型等价处理,生成最优预优化方案;重调度阶段采用新的点重优化策略进行线路调整,降低因失败点而产生的额外成本,减少对人工和车辆的占用.算例验证表明,随机机会约束模型和两阶段变邻域分散搜索算法在求解CVRPSD时较为有效,点重优化策略调整效果较佳.

学习型蚁群算法求解一类复杂两级车辆路径问题

针对考虑同时取送货的绿色两级车辆路径问题,以最小化带碳排放成本的总运输成本为优化目标,提出一种结合聚类分解的学习型蚁群优化算法。针对两级问题相互耦合的特点,采用基于距离的聚类算法将原问题分解为一组子问题,提出一种学习型蚁群优化算法对各子问题进行求解,进而获得原问题的解。提出一种考虑问题结构特征的三维概率矩阵作为信息素矩阵,用于学习优质解的优良特征信息,以提高算法的全局搜索能力;提出一种考虑算法行为特征的局部搜索策略,用于学习所设计的六种邻域算子的搜索信息,以提高算法的局部搜索能力。通过仿真实验和算法比较,验证了所提算法的有效性。

B2B电子商务模式下多供货点智能配送VRP——以泉州为例

针对B2B电子商务模式下的车辆路径(Vehicle Routing Problem,VRP)优化问题,构建多供货点智能配送VRP模型。该模型考虑车辆启动费用和运输费用,以总费用最小为目标,供需平衡及需求时间窗等为约束,从系统的角度统筹优化商户之间的配送问题,以提高交通资源的使用率。同时,根据模型特点设计了基于Python算法和Gurobi求解器的求解方法。以泉州纺织鞋业为例,探讨供货点集中和供货点分散两种情形下的配送优化问题。结果表明:B2B电子商务模式下的多供货点智能配送VRP模型适用于实际运营工作中,能够得到可行有效的配送方案,有利于提高交通资源利用率,促进泉州纺织鞋业跨境电商业务更好的发展。

带三维装载和一对一取送约束的车辆路径优化研究

本文提出了三维装载约束下一对一取送货车辆路径问题的优化方法;引入货物后进先出、易碎性、稳定性、装载重心等约束,建立以路径长度最小为目标的货物配送方案混合整数规划模型;设计了以分组遗传算法(grouping genetic algorithm,GGA)为框架的混合算法(tree searchgrouping genetic algorithm,TS-GGA)。GGA作为外层算法通过遗传操作优化车辆路径。针对路径上客户的货物,内层算法树搜索(tree search,TS)尝试构建满足装载约束的布局方案,检验优化后的路径合法性。考虑取货点、送货点的3种分布特征,对每一特征下的配送方案进行了优化。54个算例的计算结果表明,与目前关于该问题的算法相比,提出的混合算法在有效降低路径长度的同时,整体提升了装载空间利用率,对于客户数量较多的大规模算例,平均求解用时缩短了58.87 s,验证了算法的求解效率。