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%。     

基于精英单亲遗传算法的冷链物流VRP模型优化研究

针对冷链物流配送的特殊性,探索冷链物流车辆路径问题(VRP)优化方案.首先,在保证货物不超载的条件下,建立基于时间和品质因素的顾客满意度约束的多配送中心VRP(MDVRP)模型;其次,采用重心分区法和改进的精英单亲遗传算法,求解顾客在配送中心的分配,确定配送车辆数以及顾客服务次序;最后,用Matlab工具编程对模型进行求解分析.结果表明构建基于满意度的冷链物流MDVRP模型更适合冷链物流配送最优路径选择,并且改进单亲遗传算法能够有效求解这类问题.     

考虑共同客户的协同配送优化方法研究

本文针对一些客户仅需要一个配送中心提供配送服务，而某些客户需要多个配送中心提供配送服务(需要多个配送中心提供服务的客户就是企业的共同客户)的情形，提出了一类具有多配送中心、有时间窗限制的车辆路径问题，建立了相应的数学模型。基于“先分类，后求解”的思想，本文设计了两阶段启发式算法：第一阶段提出基于客户聚类的启发式算法，形成聚类信息，将多中心问题转化成单中心问题；第二阶段通过改进的蚁群算法对每个配送中心的情况进行求解。最后，通过算例对该模型的可行性和有效性进行了验证，结果表明与非协同配送方式相比，在配送距离、降低配送成本、提高客户满意度等方面均有明显改进。     

贪婪随机自适应蝙蝠算法在车辆路径问题中的应用

车辆路径问题(Vehicle Routing Problem,VRP)在物流与供应链领域是一个非常有研究价值的NP-Hard问题.蝙蝠算法(Bat Algorithm,BA)是一种新兴的智能优化算法,有着广阔的应用前景.然而它不能直接用于求解离散问题,并且如同大多数智能优化算法一样,容易陷入局部最优,后期收敛速度慢.本文针对VRP问题的具体特性,重新定义了蝙蝠的编码方式并利用GRASP启发式算法生成蝙蝠算法初始种群来改进算法,然后应用于求解VRP问题.     

蝙蝠算法在物流配送车辆路径优化问题中的应用

车辆路径问题(Vehicle Routing Problem,VRP)是组合优化问题中一个典型的NP难题.蝙蝠算法(Bat Algorithm,BA)是一种新型的智能优化算法,尚未被应用到求解VRP问题中去.根据物流配送中VRP问题的数学模型及其具体特征,设计了求解VRP问题的蝙蝠算法,并通过仿真实例和与其他算法进行比较的方式验证了蝙蝠算法求解VRP问题的有效性与可行性.     

带柔性时间窗车辆路径问题的混沌蚁群算法

带柔性时间窗的开放式车辆路径问题(Opening Vehicle Routing Problem with Flexible Time Windows,OVRPFTW)对物流配送中的延迟或者提早具有一定程度的容忍.本文首先建立了OVRPFTW的数学模型,然后分别将Sine映射,Chebyshev映射和Logistic映射引入基本蚁群算法,构建了三种混沌蚁群算法,并将其用于求解OVRPFTW.算例测试表明:Sine映射和Chebyshev映射能够明显地改进基本蚁群算法的优化性能,基于Sine映射和Chebyshev映射的混沌蚁群算法的求解性能优于基本蚁群算法和基于Logistic映射的混沌蚁群算法.     

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。     

基于改进蚁群算法的带硬时间窗的接送机场服务路径优化研究

针对航空票务公司免费接送顾客去机场路径优化的问题,文章研究了更贴近实际的关于单时间窗约束下的接送机场服务,同时考虑了接送过程中的碳排放,构建出相应的优化模型,提出利用蚁群算法来解决该问题,并采用改进的蚁群算法加以求解.在初始选择路径上的改进,有效解决路径选择上容易陷入局部最优的缺点;根据当前节点到目标点和起点的距离,重新设计启发式函数,驱使车辆尽量沿着起点和目标点之间的最短路行进;依据实时路径长度,动态调整挥发系数,精炼搜索空间,提高收敛性能.最后通过参数校验和实例计算验证,得出了适用于此问题的蚁群算法的参数优化组合;以及顾客点位置在三种不同类型分布下时,使用改进后的蚁群算法都能更好的求出问题的最优解,表明改进后的蚁群算法是解决航空票务公司免费接送顾客去机场服务路径优化问题的一个更有效的求解算法.     

面向电商终端物流配送的电动车配置与路径集成优化

在电子商务终端物流配送方面,存在能力与需求的矛盾。一方面,电动车存在货物容量约束和电池电量约束,配送能力有限;另一方面,一个物流配送点需要为众多的消费者进行门到门的配送,配送任务繁重。针对电子商务环境下终端物流配送规模大、电动车货物容量和行驶里程有限的问题,建立电商终端物流配送的电动车配置与路径规划集成优化模型,并提出一种基于临近城市列表的双策略蚁群算法,实现物流配送电动车辆配置与配送路径集成优化。该模型以电动车辆数最少和总路径最短为目标,以电动车货物容量和电池续航里程为约束,是带容量的车辆路径问题的进一步扩展,属于双容量约束路径规划问题。双策略蚁群算法在货物容量和续航里程的约束下,将蚁群搜索策略分为两类,即基于临近城市列表的局部搜索策略和全局搜索策略,在提高搜索效率的同时防止陷入局部优化。最后,通过阿里巴巴旗下菜鸟网络科技有限公司在上海的30组真实配送数据进行了测试,验证双策略蚁群算法显著优于一般蚁群算法。     

基于新风险度量方式的危险品车辆路径双目标优化模型

针对危险品车辆路径问题中车辆访问多个需求点的特性,在风险度量方式上考虑了运输过程中车辆载重量变化,建立了最小化总运输距离以及最小化总运输风险的双目标优化模型.采用改进的蚁群算法对模型进行求解并获得优化问题的非支配解,数值实验说明改进的风险度量方式更适合于危险化学品车辆路径问题,改进的蚁群算法能够有效率地对模型进行求解.     

基于交通流的多模糊时间窗车辆路径优化

研究了基于交通流的多模糊时间窗车辆路径问题,考虑了实际中不断变化的交通流以及客户具有多个模糊时间窗的情况,以最小化配送总成本和最大化客户满意度为目标,构建基于交通流的多模糊时间窗车辆路径模型。根据伊藤算法的基本原理,设计了求解该模型的改进伊藤算法,结合仿真算例进行了模拟计算,并与蚁群算法的计算结果进行了对比分析,结果表明,利用改进伊藤算法求解基于交通流的多模糊时间窗车辆路径问题,迭代次数小,效率更高,能够在较短的时间内收敛到全局最优解,可以有效的求解多模糊时间窗车辆路径问题。     

时变路网条件下联合配送的开放式车辆路径问题

针对城市物流系统中的多物流中心联合配送问题,设计一种多物流中心处理方法共享物流资源;分析城市路网的时变特性,设计路段行驶时间计算方法;综合考虑客户需求、时间窗、车辆不同出发时间、油耗、碳排放与联合配送模式等因素,以总成本最小为目标构建联合配送的开放式时变车辆路径规划模型,设计改进蚁群算法求解;实验结果表明以上方法具有可行性与有效性。     

煤矿物资多车型配送的改进遗传算法求解

首先根据郑州煤电物资供销有限公司的实际情况建立单车场多车型车辆路径问题的模型,在此模型的基础上,用本文提出的改进遗传算法(IGA)对其求解,最后通过和传统的启发式算法(CHA)、扫描法(SA)的求解从配送费用、配送车辆数和运算时间上进行了综合比较,得出IGA算法求得的总运输费用最低,SA算法次之,CHA算法最高;但从所需参与配送的车辆数目来看,CHA求得的最好解所需的车辆数最少,其次是SA,IGA最多;在平均计算时间上,CHA的优势最明显,仅为SA的,IGA的.     

城市配送车辆路径优化集束式算法的客户点归并策略

VRP问题的研究起步较早,求解方法也非常丰富,然而,面对客户规模庞大,交通网络复杂的多约束车辆优化调度问题,现有算法显得无能为力.为有效解决需求点规模庞大的城市配送车辆优化调度问题,提出一种新的两阶段启发式算法——集束式算法,采用"集中后分派,分派后扩展"的思想,对末梢客户和同路段客户进行客户点合并,从全局上降低搜索范围,并提出相关客户点归并算法.     

多行程车辆路径问题中变邻域搜索算法的应用

多行程车辆路径问题是标准车辆路径问题的一个变体,每个车辆在运行期间可以使用不止一次.对于这种NP-HARD问题,提出了一个改进变邻域搜索算法并设计了四个邻域结构用于求解和制定多行程路径问题的调度规划.算法测试了一组标准实例问题,获得的解决方法与文献中提出的三种不同数据集进行比较计算证明,算法提供了较高质量的求解结果.最后采用三个标准函数进行数值计算,与PSO和GA算法进行比较证明,提出的VNS算法虽然运行花费时间较长,但是达到全局收敛性的比率和全局收敛性都远超其他两种算法.     

一种求解TSP问题的多策略改进蚁群算法

蚁群算法是一种求解复杂组合优化问题的启发式仿生进化算法,并是求解TSP问题行之有效的一种随机算法.但此算法仍存在求解精度低、易陷入局部最优及求解效率低的问题,针对该问题提出一种多策略改进蚁群算法.采用最近邻法影响初始信息素的分布,达到降低算法初期较短路径上信息素浓度的目的,并在转移规则变异调整的基础上,结合路径的均值交叉进化策略,增强算法探索全局解空间和避免陷入局部最优的能力.然后,结合迭代和精英策略对信息素更新机制进行改进,进一步提高化算法的求解性能及求解效率,最后,对从TSPLIB数据库选出的8个实例进行求解并与其他算法进行对比,实验结果表明,改进算法在求解旅行商问题时的高效性,且具有较高的运算性能.     

战时备件配送的MDVRPTW问题研究

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.以装备效能损失最小化为车辆调度的目标,建立了问题的M DVRPTW模型,并应用蚁群算法对问题进行了求解.算法中,根据问题特征改进了状态转移规则,设计了串行和并行两种路线构造方法,并应用局部搜索模块对蚂蚁构造的路线进行改进.对算例的计算实验表明,串行路线构造方法在精度和速度两方面均优于并行路线构造方法.     

成品油配送多车舱车辆指派及路径优化问题研究

针对成品油配送中多车型、多车舱的车辆优化调度难题,综合考虑多车型车辆指派、多车舱车辆装载及路径安排等决策,以派车成本与油耗成本之和的总成本最小为目标,建立了多车型多车舱的车辆优化调度模型。为降低模型求解的复杂性,本文提出一种基于C-W节约算法的“需求拆分→合并装载”的车辆装载策略,并综合利用Relocate和Exchange算子进行并行邻域搜索改进,获得优化的成品油配送方案。最后,通过算例验证了本文提出的模型与算法用于求解大规模成品油配送问题的有效性。并通过数据实验揭示了以下规律:1)多车舱车辆相对于单车舱车辆在运营成本上具有优越性;2)大型车辆适合远距离配送,小型车辆适合近距离配送;3)多车型车辆混合配送相对于单车型车辆配送在运营成本上具有优越性。这些规律可为成品油配送公司的车辆配置提供决策参考。     

基于前摄性调度的电动汽车路径问题研究

针对车辆调度过程中资源不均衡的问题,利用需求的不确定性,将配送周期划分为初始配送阶段和补货阶段,建立多阶段电动汽车的两级车辆路径优化模型.根据需求的动态程度对配送区域进行划分,结合前摄性调度和反应性调度策略,提出了一种混合禁忌搜索算法(HTSA)来求解该模型.在真实的案例和多个基准评估算例上的实验结果表明:模型和算法的性能优于传统的启发式算法,具有一定的实用价值.     

带时间窗的车间搬运机器人路径优化建模及算法研究

本文以车间搬运机器人为研究对象,在考虑时间窗的前提下,求解机器人进行物料配送和成品回收场景下的路径优化问题。提出一种强化学习遗传蚁群算法,首先利用扫描法求解初始搬运机器人的数量,并将子路径节点的几何中心设置为虚拟节点,利用嵌入遗传算子的蚁群算法求解连接虚拟节点的最优路径,再利用强化学习算法求解子路径的最优结果;最后将基本成本、运输成本和时间惩罚成本的加权和作为目标解,并最终求出满足约束条件的最优解。通过与基准问题求解结果对比,验证了强化学习遗传蚁群算法的优越性。