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.     

基于模拟退火遗传算法的有时间窗军械物资运输车辆路径问题研究

本文将模拟退火算法与遗传算法相结合用于解决有时间窗军械物资运输车辆路径问题,避免了传统遗传算法常见的早熟收敛问题.实验结果证明,该算法可以有效求得有时间窗军械物资运输车辆路径问题的优化解,增强了算法的全局收敛性.     

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.     

一类带时间窗动态车辆路径优化

基于事件驱动,采用快照记录车辆即时信息,建立物流配送动态车辆路径问题的数学模型。通过改进信息素的更新策略来改进蚁群算法,并采用改进蚁群算法对建立的模型进行仿真求解。结果表明,所建立的模型和改进的算法,对物流配送动态车辆路径有较好的优化。     

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.     

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.     

带有次序限制的装卸一体化车辆路径问题研究

研究了装卸一体化的车辆路径问题,根据问题的实际情况,增加了带有次序限制条件,并以总行驶路线最短为目标,建立了数学模型,并根据模型的特点,用改进的遗传算法进行求解。最后,通过具体实例验证了模型及算法的有效性。     

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。     

电子商务环境下路径优化模型及算法研究

研究了电子商务环境下有时间窗的车辆路径问题,考虑了时间窗限制的约束,并构建以最小成本为目标的模型,包括固定成本、运输成本和惩罚成本。为求解所建模型,提出了基于改进智能水滴算法的车辆路径优化方案,并进行了程序设计。运用算法实例进行验证,并将算法结果进行对比分析,表明改进的算法收敛性更好,能求出问题的最优解。     

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.     

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.     

车辆路线问题的自适应遗传模拟退火算法

针对目前大多数车辆路线问题的模型和及其算法都是针对单车型而设计,而对带有时间窗的多目标多车型车辆路线问题研究较少这一不足,在考虑了车辆载货状况、车辆类型、时间窗等约束条件的基础上,建立了基于总费用最小的双层目标规划模型,其中上层目标是车辆购买成本最小,下层目标为运输距离成本最小。综合考虑自适应遗传算法和模拟退火算法的优点,设计了1种自适应遗传模拟退火算法求解车辆路线问题。算例结果表明:相比于标准遗传算法,自适应遗传模拟退火算法减少了9%的运输成本,能跳出局部收敛获得最优解,从而提供更为合理的车辆数量和车辆路线。     

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。     

基于VIP客户的多配送中心车辆路径问题的优化

在配送过程中,VIP客户订货量较大,为其提供快速及时的服务能提高VIP客户的满意度,所以研究基于VIP客户的多配送中心车辆路径问题(Multiple Depot Vehicle Routing Problem based on VIP clients,MDVRPVC)模型具有现实意义.由于基本的蚁群优化(Ant Colony Optimization,ACO)搜索初期信息匮乏,导致信息素累积时间长,求解速度慢,所以结合具有快速全局搜索能力的遗传算法,自适应地改变信息素的挥发系数,引入平滑机制,有助于对搜索空间进行更有效的搜索,构成一种混合自适应蚁群优化算法(Hybrid Adaptive Ant Colony Optimization,HAACO).应用GA和HAACO对MDVRPVC求解,实验证明,求解算法HAACO是有效可行的,且HAACO优于GA.     

蚁群算法在求解车辆路径安排问题中的应用

蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具.本文在简要介绍蚁群算法和车辆路径安排问题的基础上,探讨了应用蚁群算法求解车辆路径安排问题时需要解决的问题,讨论了相应的解决方法和提高算法求解性能的方法.     

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。     

CIMS下的热轧生产批量计划的数学模型及解法

建立了CIMS下钢铁企业热轧生产批量计划的数学模型 ,根据热轧生产工艺约束将此模型归结为带时间窗口的车辆路径问题 (VRPTW ) ,并给出了一个启发式算法 .     

基于改进节约法的物流配送路径优化研究

物流配送中路径的选择是否合理影响着公司配送的速度、客户满意度、成本以及效益。在传统节约法的基础上,提出了考虑时间窗的配送路径的选择,这样既验证了节约法的可行性,又得出了车辆的可行发车时间范围,最后结合具体事例,对该方法进行了实际验证。