求解时间依赖型绿色车辆路径问题的算法研究

蚁群优化(ACO)算法是一种模拟自然界蚂蚁寻找食物路径的优化算法,能够在动态变化的环境中无需任何外部指导或控制解决几何分布的非确定性多项式(NP)-Hard组合问题。针对ACO算法在求解NP-Hard问题时容易陷入局部最优、搜索的深度与广度之间难以平衡等问题,提出一种绿色智能进化蚁群优化(G-IEACO)算法。引入4种邻域操作算子,改进ACO算法的状态转移规则和信息素更新方式,以增强寻优性能并防止过早收敛,同时采用规避拥堵策略,平衡时间成本和环境成本。应用Solomon标准测试集中不同规模的算例进行仿真实验,数值分析结果表明,G-IEACO算法在处理车辆总行驶时间(TT)和车辆碳排放量(TCO_(2))方面优于遗传算法(GA),在客户规模为100的R2类和RC2类算例中平均降低了13.32%的TT和13.64%的TCO_(2),有效地促进了绿色低碳目标的实现。

考虑时变交通拥堵的纯电动物流车路径规划模型

为通过合理规划车队出行方案,最大限度减少在交通拥堵时段车辆的能源消耗,同时缓解配送人员的电动车辆里程焦虑,本文研究了考虑时变交通拥堵的纯电动物流车路径规划问题。首先立足于EVRP扩展模型构建,建立了一个新的混合整数规划模型(TD-EVRP),尤其界定和表征了时变交通拥堵状态,并量化了电动物流车能源消耗,重新完善了客户时间窗、车辆载重以及车辆充电需求等约束条件。其次,引入了交通拥堵规避策略,允许车辆在交通高峰期在客户点停车充电,主动规避交通拥堵带来的不必要能源消耗。最后,使用改进的蚁群算法获得最优解,给出了交通拥堵规避策略下总能源消耗最小化的配送方案。有无对比分析表明,小规模实例下,带规避策略的TD-EVRP模型比无规避策略时能够显著减少能源消耗14.91%。