车辆路径问题的混合优化算法

讨论了一类车辆路径调度问题(VRP)及其数学模型，并且分析了以遗传算法求解该类问题时的染色体表示和有关遗传操作，然后结合2-opt局部优化算法提出了GA with2-opt算法来求解VRP问题，试验结果说明了该算法的有效性和可行性。     

求解带时间窗车辆路径问题的改进离散花朵授粉算法

针对当前算法在求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)时存在精度、效率方面的不足,提出一种改进的离散花朵授粉算法.算法在基本花朵授粉算法的基础上进行离散化,使其适合求解带时间窗车辆路径问题,重新定义花朵授粉算子操作.为了提高求解精度和效率,设计了随机插入、路径内的2-opt、交换和逆序操作,为了增加种群间信息的交互,结合改进的遗传算子.通过11个测试算例表明,改进的离散花朵授粉算法在求解VRPTW是行之有效的,与文献中其他算法比较,算法在精度、效率和鲁棒性方面具有优势.     

考虑多行程与同时取送货的电动车路径问题研究

针对城市物流配送中的电动车辆路径优化问题,考虑电动汽车的充电特性以及车辆多行程和需求点的双向货流,以最小化车辆成本、行驶成本和充电成本为目标,建立考虑多行程与同时取送货的电动车辆路径问题(EVRPMTSPD)模型,并采用列生成算法进行求解.为提高子问题求解速度,提出了基于蚁群算法的启发式寻路算法用以处理较大规模问题,数值实验验证了模型与算法的有效性,表明了考虑多行程和同时取送货能有效降低成本和提高效率.     

改进蚁群算法优化周期性车辆路径问题

周期性车辆路径问题(PVRP)是标准车辆路径问题(VRP)的扩展,PVRP将配送期由单一配送期延伸到T(T＞1)期,因此,PVRP需要优化每个配送期的顾客组合和配送路径。由于PVRP是一个内嵌VRP的问题,其比标准VRP问题更加复杂,难于求解。本文采用蚁群算法对PVRP进行求解,并提出采用两种改进措施——多维信息素的运用和基于扫描法的局部优化方法来提高算法的性能。最后,通过9个经典PVRP算例对该算法进行了数据实验,结果表明本文提出的改进蚁群算法求解PVRP问题是可行有效的,同时也表明两种改进措施可以显著提高算法的性能。     

不确定同时取送货车辆路径问题及粒子群算法研究

研究了不确定同时取送货车辆路径问题(VRPSPD),考虑运行环境的不确定性,顾客时间窗口要求和对顾客同时进行取货和送货服务的情况,以运作成本最低和顾客满意度最高为决策目标,构建不确定VRPSPD数学模型。模型中,引入模糊随机理论来描述决策环境中的双重不确定性,假定顾客需求量(送货量)和取货量是模糊随机变量。随后,提出基于模糊随机算子的改进粒子群算法对模型进行求解。为了适应模型特点和提高算法效率,设计合理的编码和解码过程,制定多个适应度函数方案处理多目标问题,并应用更加科学的更新策略。最后在应用案例中,通过参数测试获取合理的算法参数取值,采用计算结果分析和求解算法测评验证模型和算法的有效性。     

基于Voronoi划分的同城即时配送优化策略研究

近年来经济社会发展及新零售业强势崛起使得平台或商家对大规模即时配送需求日益增加,在求解大规模车辆路径问题时仅使用启发式算法或其融合算法已无法满足实际需求。本文针对基于分众级的同城即时配送模式及现阶段存在的问题,确定了基于Voronoi划分算法的即时配送分区方法和对基础蚁群算法的三个改进策略;并以全程配送产生的总成本最少为目标函数,构建了带用户需求软时间窗的车辆路径问题数学模型;最后选取客户、车辆以及门店共计一百二十个真实地理位置数据,验证了本文提出的求解策略的有效性,并分析最终结果。结果显示,①使用Voronoi分区-改进蚁群算法的两阶段方法求解大规模车辆路径问题能显著减少配送总成本,同时提升客户满意度;②在多门店的条件假设下,采用改进蚁群算法求解得到的超时时间比基础蚁群算法少36%,配送总成本低17%。     

启发式蚁群算法及其在高填石路堤稳定性分析中的应用

模仿蚁群之群体行为而发展起来的蚁群算法 ( ACA) ,目前多用于求解组合优化问题 .为了让 ACA能求解复杂边坡工程问题 ,本文对蚁群算法的结构和蚂蚁转移概率的确定方法进行改进 ,得到一个新的评价复杂边坡稳定性的方法——启发式蚁群算法 ( HACA) ,探讨了 HACA在高填石路堤稳定性分析中的应用 .     

经过改进的求解TSP问题的蚁群算法

介绍了一种求解TSP问题的算法—改进的蚁群算法,算法通过模拟蚁群搜索食物的过程,可用于求解TSP问题,算法的主要特点是:正反馈、分布式计算、与某种启发式算法相结合.通过对传统蚁群算法的改进可以得到较好的结果.计算机仿真结果表明了该算法的有效性.     

一种改进的混合型蚁群算法在TSP问题中的应用

介绍了一种求解TSP问题的算法改进的混合型蚁群算法,该算法在近邻法构造初始解的基础上,使用2-opt局部搜索法对当前解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值,并使用Matlab仿真求解了kroa200等13个经典tsp问题,得到的结果和最优解的误差很小,并和两种最新改进的蚁群算法以及两种自组织算法进行比较,比较结果充分证明了该改进算法的有效性.     

需求可分的车辆路径问题模型与算法

需求可分的车辆路径问题(SDVRP)无论是从运输距离还是派车数量上,都可进一步优化传统的车辆路径问题。为了降低SDVRP的求解难度,本文在分析最优解性质的基础上,加强模型的约束条件,将原模型转变为等价的改进SDVRP,并在使用蚂蚁算法求解改进SDVRP模型的过程中,采用开发新路径和2-opt相结合的方法,以避免出现迭代停滞的现象。实验表明,算法计算结果稳定,最差解与最好解的偏差仅为1.80%。