一种求解混载校车路径的启发式算法

对一个区域内多所学校进行校车路径规划时,允许校车混载不同学校的学生能显著地减少校车数量,从而降低运营成本。已有学者针对允许混载的校车路径问题(SBRP)提出了启发式算法,但这些算法对邻域解的搜索不够全面,在缩减路径方面仍有较大的提升空间。提出了一种以记录更新法(record-to-record travel,RRT)为基础的启发式算法。该算法从初始解出发,利用求解有时间窗装卸问题(PDPTW)时使用的算子搜索邻域解,逐步优化校车路径数目。与现有算法相比,该算法扩展了求解混载SBRP的启发策略,能够在全局范围内对校车路径进行优化,从而获得所需校车较少的路径规划方案。实验结果验证了该算法的有效性。

多目标满载装卸货问题的蚁群算法研究

满载装卸货问题是广泛存在于物流运输领域的重要组合优化难题。为了有效求解实际情况下多目标的满载协同运输问题,设计了双层最大最小蚁群算法。利用蚁群算法的正反馈和并行性,通过不同层次蚁群之间的信息素传递,实现对问题的两个优化目标同时优化。通过实验表明了该算法可行而有效。

求解复杂有时间窗装卸货问题的遗传算法

有时间窗装卸货问题是为一个车队安排最优的服务路径以满足客户的运输需求,每个客户的装卸货任务由一辆车完成,即在该客户的装货点装载一定数量的货物后运往该客户的卸货点,所有任务的完成必须满足车辆的容量约束、行程约束和客户装卸货点的时间窗约束。从多车库、多货物类型和满载三个方面对一般有时间窗装卸问题(PDPTW)进行了扩展,提出一种解决复杂PDPTW问题的遗传算法,实验结果表明,该算法能有效解决复杂PDPTW问题,并取得较好的优化结果。

三维装载约束下汽车零部件同时取送的循环取货路径优化研究

[目的]考虑汽车零部件入厂物流多频次、小批量的循环取货模式和在取货同时返还零部件物流箱的现实需求,探讨了三维装载约束下汽车零部件同时取送的循环取货路径问题。[方法]构建以运输和线边库存总成本最小为目标的数学模型,设计了两阶段蚁群算法,第一阶段由车辆路径规划子算法得到近似最优解的记忆库,第二阶段利用装载可行性检验子算法得到可行解。[结果]实例仿真结果表明:使用简单算术相加的模糊车辆装载约束得出的取货方案无法实现车辆成功装载。考虑三维装载约束的循环取货方案的路线由2条增加为3条,虽然车辆的平均空间装载率下降了27.45%,但是确保了装载方案的可行性。[结论]考虑三维装载约束的汽车零部件同时取送的循环取货路径方案既满足了取货同时返还零部件物流箱的现实需求,又保证了方案中车辆三维装载可行性。

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。