改进的引导式邻域搜索算法求解周期性车辆路径问题

在引导式邻域搜索算法静态惩罚策略的基础上,提出动态惩罚策略,设计改进的引导式邻域搜索算法,将其用于求解周期性车辆路径问题,采用标准算例进行数据实验,对动态与静态的惩罚策略进行对比.结果表明,采用改进的引导式邻域搜索算法求解周期性车辆路径问题可行有效.

周期性车辆路径问题在物流中的应用:案例研究

描述了周期性车辆路径问题,详细介绍了物流公司H为一些供应商向某大型连锁超市配送中心D供货提供的运输服务案例。通过扫描算法构建初始解,应用2优化、1交换、交叉算法3个邻域搜索算法优化初始解。

改进蚁群算法求解绿色周期性车辆路径问题

针对带时间窗的绿色周期性车辆路径问题(GPVRPTW),同时以最小化运输时间和总能耗为优化目标,提出一种改进蚁群算法(IACO)进行求解。首先,IACO采用三维概率矩阵记录不同配送日期的车辆路径子问题的优质解信息,并设计基于信息熵的信息素更新机制进行合理地学习和积累,从而增强算法全局搜索的引导性;其次,引入基于5种邻域操作的变邻域搜索以提高算法的局部搜索能力;最后,在不同规模问题上进行仿真实验与算法对比,结果验证了IACO的有效性。

动态需求下车辆路径问题的周期性优化模型及求解

针对客户点不断更新的动态需求车辆路径问题,依据滚动时域对配送中心工作时间进行划分,提出基于延迟服务的周期性客户点实时重置策略,策略中延迟服务机制能结合车辆启动延迟系数对照当前时域的时间进行检验,满足所有客户点的服务需求,保证车辆满足中心时间窗约束。设计多阶段求解的混合变邻域人工蜂群算法对各时间片内子问题进行连续迭代优化,算法中子路径动态转变的设计能较好平衡原有客户点和新客户点对路径更新和车辆实时信息匹配的要求。算例验证及对比分析表明本文策略和算法在求解动态问题时的有效性和可行性。