车辆路径安排问题算法研究综述

车辆路径安排是决定物流配送费用的主要因素。车辆路径安排问题(Vehicle Routing Problem,VRP)是近年来应用数学、计算机科学和物流科学研究的一个热点问题,产生了众多的研究成果。本文首先讨论了VRP的分类,然后基于VRP算法构造方法的分类,概要介绍了近五年来VRP算法研究的主要成果,并对研究方法进行了分析,最后对全文进行了总结,并探讨了该问题未来的研究方法。     

蚁群优化算法在物流配送车辆路径问题中的应用研究

车辆路径问题(VRP)是一类物流配送领域具有广泛应用的组合优化问题,属于NP难题。一种改进的蚁群优化算法可以用于求解VRP。实验结果表明,采用蚁群优化算法能有效求解VRP问题。     

一种混合算法在车辆路径问题上的应用

针对粒子群优化算法PSO求解车辆路径问题容易陷入局部最优的缺陷,提出了将量子门思想、遗传算法思想与粒子群算法相结合的混合算法来求解车辆路径问题,以Matlab语言为开发工具实现VRP实际问题的求解。实验表明,混合算法比粒子群算法能有更好的避免陷入局部最优,可以搜索到更优解。     

一种求解车辆路径问题的禁忌算法探究

针对车辆路径问题,提出了改进禁忌搜索算法.在求解过程中,采取双层操作构造邻域结构,设计动态禁忌表来改变禁忌表长度,提高整体寻优能力.仿真实验证明了算法的可行性和有效性.     

改进蚁群算法在物流配送路径问题中的应用

将最大最小蚂蚁算法与变异操作相融合,改进物流配送路径问题的求解,其算法首先采用最大最小蚂蚁算法产生较优解,然后使用变异操作对较优解进行优化.测试结果表明：该改进算法可以避免蚁群算法在搜索过程中陷入局部最优,有效地提高算法的全局寻优能力.     

基于改进蚁群算法快速求解迷宫路径问题研究

针对传统蚁群算法收敛速度慢、搜索时间长、易陷入局部最优等缺点,在其基础上重新定义信息素更新方式。在搜索路径上进行选择优化处理,对搜索出的最短路径做平滑优化处理,使其能快速有效地搜索出最优路径。在解决迷宫路径问题上对传统蚁群算法进行了改进。仿真实验对比表明,改进后的蚁群算法在求解时间和距离上都远优于传统蚁群算法,能快速有效地求得问题的最优解,使解决二维路径问题得到进一步优化。     

混合差分蜂群算法求解带容量约束车辆路径问题

为求解带容量约束车辆路径问题,提出了一种差分算法改进的人工蜂群算法(DABC).针对人工蜂群算法开发能力较弱的缺陷,采用了全局最优解引导的邻域搜索策略.为避免早熟,引入差分算法的交叉更新策略进行局域优化.仿真实验结果证明,混合差分蜂群算法在求解带容量约束车辆路径问题时,能较好地平衡了探索能力和开发能力,在求解速度和稳定性上有良好的效果.     

蚁群算法在旅游线路规划中的应用

随着我国国民经济的迅猛发展以及人们生活水平的大幅提升,越来越多的人选择积极投身于有益身心健康的旅游活动。作为旅行社主打产品的旅行线路,是指将一定区域范围内的旅游景点合理贯穿起来,然后形成一定的特色,使游人能够在最短时间内获得最大的观赏价值。探讨了车辆路径问题中基本蚁群算法在线路规划中的应用,同时针对具体要求,对蚁群算法进行了一定的改进,并利用MATLAB软件进行求解,为旅游爱好者设计出了用最短时间游遍全国201个5A景区的旅游线路规划方案。     

带时间窗车辆路径问题的混合蚁群算法

为解决有时间窗的车辆路径问题,提出了一种基于进化规划和最大-最小蚁群算法相融合的混合蚁群算法,并与最大-最小蚁群算法作了比较.实验结果表明,混合蚁群算法可以快速有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案.     

人工免疫多目标进化算法在动态车辆路径优化中的应用

建立了动态车辆路径优化问题的数学模型,提出了一种基于聚集密度的人工免疫多目标进化算法。该算法首先计算群体中每个个体的聚集密度,再根据目标函数值和聚集密度定义一个偏序集,然后采用比例选择原则依次从偏序集中选择个体,更新精英集。实验结果表明,该算法是解决动态车辆路径问题的有效方法。     

求解带软时间窗多车场多车型车辆路径问题的一种改进蚁群算法(英文)

考虑实际生活中带多种扩展特征(如多车场、多车型、客户服务优先级、时间窗等)的车辆路径问题应用广泛,建立带软时间窗多车场多车型车辆路径问题的数学模型,并提出一种改进的蚁群优化算法(IACO)求解该模型.首先,根据就近原则将客户分组,并通过扫描算法构造初始路径;其次,通过引入遗传算子并自适应地调整交叉概率和变异概率来提高算法的全局收敛能力,且采用平滑机制来提高蚁群优化算法的性能;最后,采用3-opt策略来提高算法的局部搜索能力.将提出的算法应用在3个随机产生的实例中,仿真表明提出的IACO在收敛速度和解质量两方面都优于现有的3种算法,证明提出的算法是有效可行的,且提出的模型具有一定的实际意义.     

多配送中心车辆路径问题的两阶段算法

对多配送中心车辆路径问题进行描述,并建立该问题的数学模型,设计了求解多配送中心车辆路径问题的两阶段算法。第一阶段把多配送中心车辆路径问题转化成单配送中心车辆路径问题,提出基于边界客户分配法的转化策略;第二阶段对单配送中心车辆路径问题进行求解,采用禁忌搜索算法进行优化求解,最后表明算法的有效性和可行性。     

智能优化算法在暑假旅游路线安排中的应用

为解决暑假旅行人员以成本最小化为目标的最佳旅行路线选择难题,基于路径优化理论（VRP）及粒子群算法,设计了以暑假旅游路线最短为优化目标的数学模型,采用计算机编程技术,设计了求解该优化模型的粒子群算法,并选择案例对模型及算法进行了验证。案例应用结果表明,该模型和算法能够有效解决最佳旅游路线选择难题,正确率达98%。基于VRP理论及粒子群算法的最短路选择模型不仅能够快速求解出最优路径方案,还能够有效降低人工经验选择最短路径中存在的误差。     

蚁群算法在函数优化求解中的应用

蚁群算法是近年来新出现的一种随机搜索寻优算法,该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣。通过在函数优化问题中的应用,说明该算法能有效地避免陷入局部最优,指出了蚁群算法在优化问题中的应用前景。     

带时间窗车辆路径问题的混合遗传算法

针对标准遗传算法在解决带时间窗的车辆路径问题（VRPTW）时存在早熟收敛和易陷入局部极值点的特点,引入遗传算法与禁忌搜索结合的混合算法,同时对杂交算子进行了改进.算法既具有遗传算法的全局性和并行性,又具有禁忌搜索算法的爬山能力.实验表明,改进的混合算法具有计算效率高、收敛速度快等特点,是一种有效的方法.     

车辆路径问题的算法研究

在对车辆路径问题进行描述的基础上,根据容量和时间窗的约束条件,设计一种新的解的表示方法,构造了求解该问题的禁忌搜索算法,给出了算法对测试算例的运算结果,该算法的计算效率较高,收敛速度较快,计算结果也较稳定.     

求解车辆路径问题的协同进化遗传算法

通过对车辆路径问题的分析,建立车辆路径问题数学模型。针对遗传算法优化车辆路径问题易陷入局部最优解以及收敛速度慢等问题,引入基于动态小生境的协同进化模型。最后,将动态小生境协同进化算法应用于所建立的模型中。实验结果表明：动态小生境协同进化遗传算法可有效避免遗传算法的早熟现象,并在一定程度上提高优化车辆路径问题的求解效率。     

智能交通系统中车辆路径优化问题的研究

针对智能交通系统中的车辆路径优化问题,运用蚁群算法进行求解,并对状态转移概率公式的选择做出了调整,进一步对信息素挥发因子进行改进,从而改进了基本蚁群算法到一定阶段后容易陷入局部最优的缺点,提高了算法的运算速度.实例求解表明,改进蚁群算法在车辆路径优化问题中,可以快速有效地得到近似最优解.     

基于改进蚁群算法的物流配送路径问题研究

在蚁群算法中采用新的信息素更新方式,对中小规模的物流配送路径问题进行求解．实验证明,该改进算法具有较好的全局寻优能力,在中小规模的物流配送路径问题求解中,取得了比较理想的效果．     

蚁群算法在多邮车调度中的应用

该文主要阐述了蚁群算法在邮政运输系统中的应用,为邮车调度提供了一个较好的方案.通过定义一个扫描函数,对需求服务的客户点进行扫描,并将扫描结果按照邮车的容量,顺序的分配给不同的邮车,保证每一辆车的满载,直至最后一辆车.各个邮车服务的需求点分别用蚁群算法寻求最优路径.并通过一个应用实例的验证其算法,不仅寻求的邮车路径较优而且运行的速度变快.