改进的ALNS算法求解MDVRPTW问题

研究了带时间窗多车场车辆路径问题(multi-depots vehicle routing problem with time windows,MDVRPTW),建立MDVRPTW模型,设计了结合混合高斯模型(Gaussian mixture model,GMM)聚类算法的自适应大邻域搜索(adaptive large neighborhood search,ALNS)算法。通过在邻域变换前将客户集进行分类,优化初始解,提高算法运算效率。算法使用6种不同变换因子,采用得分系统对变换因子进行评价,使算法能够在迭代的不同阶段自适应地选择合适的变换因子。分析了参数设置值的合理性,设计了3组仿真实验,实验结果验证了算法的高效性。

战时备件配送的MDVRP问题及其遗传算法求解

战时备件配送的车辆调度是提高装备保障效率的关键因素。以装备战斗效能损失最小化为车辆调度的目标,建立了多仓库车辆路径问题MDVRP(Multi-Depot Vehicle Routing Problem)模型,并应用混合遗传算法对问题进行了求解。算法中,设计了串行、并行及半并行三种交叉算子,并应用局部搜索模块对子个体进行改进。对算例的计算实验表明,半并行交叉算子在精度方面优于另外两种交叉算子。

粒子群算法的MDVRP仿真研究

物流配送车辆路径优化问题是近年来物流领域中的研究热点,路径优化属于NP难题,问题规模较大,很难得到最优解和满意解。应用粒子群算法是被认为求解NP难题的有效手段之一,为解决MDVRP(多车场车辆路径)的优化问题,在求解物流配送车辆路径优化问题时提出将粒子群算法与变异操作相结合的求解方式:通过设计一个随群体适应度方差的变化而变化的变异算子,将聚集在局部收敛点附近的粒子打散,进而增强算法跳出局部最优的能力和全局寻优的几率。针对多车场车辆路径问题构造了一种新的编码方式以减少算法的无效迭代。仿真结果表明,采用全局搜索能力有显著提高,并能有效避免早熟收敛问题。

基于GIS和MDVRP的成都市城乡配送网络仿真

本文应用ArcGIS构建了包含4个物流中心和151个乡镇需求点的成都市二级城乡配送网络,并利用ArcMap分析工具得到了155×155的最短距离对称矩阵;以配送总距离最小化为目标函数,考虑车容量限制、车辆数限制、车流量限制等约束条件,建立了多车场车辆路径问题(MDVRP)的0-1整数规划模型;采用基于客户编码方式,应用稳态繁殖选择策略,设计了遗传算法进行求解。在不同需求分布和不同车容量的条件下对算法收敛效果、配送行驶总距离、配送使用车辆数、平均车辆满载率进行了对比分析。结果表明:配送距离、配送车辆数与需求规模成正比;平均车辆满载率差异较大,20t车型满载率较稳定,适合小批量需求配送;建议成都市城乡配送以20t和25t车辆为主力车型,并重点关注崇州物流中心的建设。

基于双层模糊聚类的多车场车辆路径遗传算法

对大规模多车场车辆路径问题,设计了基于双层模糊聚类的改进遗传算法求解框架,上层静态区域划分利用k-means技术将多车场到多客户的问题转化为一对多的子问题,下层模糊聚类从保证客户满意度和整合物流资源的角度出发,利用模糊聚类算法根据客户需求属性形成基于客户订单配送的动态客户群。进一步,通过改进选择算子和交叉算子来设计车辆路径优化的遗传算法。通过随机算例仿真实验,证明了提出方法和求解策略的有效性。

多配送中心车辆路径安排问题混合蚁群算法

经典蚁群算法不能直接用于求解多配送中心车辆路径安排问题(Multiple Depot Vehicle Routing Problem,MDVRP),为了解决这一问题,设计了蚂蚁转移策略和可行解构造方法。蚂蚁转移时,先为蚂蚁指定暂时配送中心,在转移过程中当遇到配送中心时,再确定永久配送中心。蚁群构造路径结束后,在满足车辆数和容量限制的条件下,随机选择优化后的若干只蚂蚁遍历路径,基于"节约最小"、"增加最小"和"就近插入"的原则,删除重复需求点并插入缺少的需求点,使之成为可行解。为了提高算法的性能,引入了K邻域规则限制蚂蚁的转移目标,使用2-Opt方法优化蚁群遍历路径和可行解,并设计了信息素更新方法。对标准测试数据集的测试表明,算法有效求解了MDVRP。

基于双层遗传算法的烟草配送路径优化问题研究

提出了一种解决烟草配送路径优化问题的方法,在传统的多车场车辆路径问题(MDVRP)研究的基础上,对传统遗传算法的染色体编码机制和种群结构进行了改进,设计一种解决MDVRP的双层遗传算法,提高安排效率,节省了人力物力。

考虑供给商品价格的多车场车辆路径问题

针对在烟草、石油和食品等生产配送行业,由于各地生产成本不同,导致商品由不同工厂所生产配送的补给价格存在差异,为了在车辆调度问题中综合考虑供给成本和运输成本,并使得总成本最小化,开展了考虑商品供给价格的多车场车辆路径问题研究.建立了基于分布式生产销售系统考虑商品供给价格的多点配送车辆路径优化模型;为了求解优化模型,同时根据考虑供给价格的多车场车辆路径问题的性质和特征,构造出初始解,并结合8个邻域结构和局部搜索算法,设计了改进变邻域搜索算法;最后通过实例,验证了算法的有效性.

基于客户需求差异性的配送车辆路径优化研究

针对客户需求不一定能被所有配送中心满足的情况,建立起基于客户需求差异性的多配送中心车辆路径优化模型,制定了分类、分组、定线、调度四阶段的求解思路,在传统遗传算法基础上进行了算法设计。为了防止收敛于局部最优解,在遗传算子中增加了插入变异,提高了搜索的广度。与传统算法进行了分析比较,验证了该改进算法的有效性。

一种多车场车辆路径问题的单亲遗传算法

提出了一种单亲遗传算法来求解多车场车辆路径问题(M DVRP)。在该算法中,对每个服务点按照其距离各个车场的远近归类到各个车场之中,通过构造染色体表达式,采用基因重组以及变异算子来进行常规遗传操作。在进化的同时,采用局部调整,使服务点在一定的范围内的不同车场中调换,保证其种群多样性,从而避免局部收敛,达到全局最优的效果。实验表明,本算法能有效解决一定规模的多车场车辆路径问题。

聚类分析的遗传算法在应急调度中的应用

应急物流在国计民生中发挥了至关重要的作用,加强应急物流建设的重要性凸显。研究了基于多车场车辆调度模型的应急调度问题。通过聚类分析的启发式算法,将多站点VRP问题转换为单一站点的VRP问题,再针对单一站点进行遗传算法的编码以及选择算子的选取,从而得到最终近似优化解。最后通过实例计算证明了该方法解决MDVRP问题的实用可行性和科学有效性。

多油品供给受限下多油库被动配送车辆路径问题研究

成品油供给不足将导致加油站油品订单无法完全满足,如何安排有限油品的合理配送对保障能源供给安全至关重要。为此,本文考虑有限供给下不同客户配送的优先次序,开展配送计划、车辆调度和路径优化等油品配送网络规划活动,对多油品供给受限情况下多油库被动配送车辆路径问题(Multiple Depot Vehicle Routing Problem,MDVRP)进行深入研究。首先,文章构建了考虑需求优先等级和配送成本的多油品多油库车辆路径规划多目标优化模型。其次,采用多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)对模型进行求解,以实现车辆高效调度和油品配送路径优化。最后,基于CNPC在青岛市部分油库和加油站点的数据信息,构建油品配送网络进行实证检验。算例结果显示,配送车辆路径经过优化后,生成Pareto非劣解集,配送成本显著降低,配送满足率明显提高,这也进一步验证了该模型及相关算法的可行性和有效性。

一种改进粒子群算法在物流配送路径问题中的应用

针对物流配送车辆路径优化的研究热点问题,在标准粒子群算法基础上,设计了一种自适应的变异粒子群算法,算法中的变异算子可随群体适应度方差自适应改变,从而打散聚焦于局部收敛点的粒子群.并针对多个车场多个车辆的配送路径问题设计一种新编码模式,减少了迭代次数.在MatLab 2011b平台下进行了仿真实验,证明了该算法在最优值、正确率和误差均值上都有较大改进.