基于免疫遗传算法的车辆路径优化问题

在研究免疫遗传算法基本理论的基础上,设计了一种用于求解车辆路径优化问题的免疫遗传算法,并进行了实验测试,实验结果表明算法具有良好的全局搜索能力,并且能够有效地克服遗传算法在进化过程中由于种群多样性降低而出现早熟收敛现象的缺点.     

库存不足条件下车辆路径问题及其遗传算法

探讨了库存不足条件下物流配送的两种常用配送策略,并就不同配送策略构建了相应的车辆路径问题数学模型.在模型的求解上引入遗传算法,并根据问题的特点,构造遗传算法求解该问题的步骤.最后通过算例实验,验证了模型的通用性与算法的有效性.     

库存不足条件下车辆路径问题及其遗传算法

探讨了库存不足条件下物流配送的两种常用配送策略,并就不同配送策略构建了相应的车辆路径问题数学模型。在模型的求解上引入遗传算法,并根据问题的特点,构造遗传算法求解该问题的步骤。最后通过算例实验,验证了模型的通用性与算法的有效性。     

新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

求解车辆路径问题的改进遗传算法

在建立车辆路径问题数学模型的基础上,设计了求解该问题的改进遗传算法,即采用自然数编码,构造一定长度的遗传个体表,动态记录适应度以及引入新交叉算子。实验结果表明,该算法用于求解车辆路径问题,不但可以解决传统遗传算法在求解该问题所遇到的“早熟收敛”,而且大大提高算法的运行效率。     

车辆路径问题的改进遗传算法研究

在现有的物流管理系统中,车辆路径问题(vehi-cle routing problem,VRP)研究在物流配送过程中的作用显得尤为重要.VRD最早是在1959年由Dan-ting和Ramser[1]提出,其研究的问题可以描述为:有n个商品需求点(可以称之为顾客),各个顾客之间的距离以及商品需求量事先已知,要求从中心仓     

用遗传算法求解带回程取货的车辆路径问题

带回程取货的车辆路径问题可以同时服务路径上的取货送货节点,通过对该问题的研究．利用改进的遗传算法对其求解,并通过实例证明其有效性．     

遗传算法在有时间窗车辆路径问题上的应用

应用遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ—ＧＡ）求解有时间窗车辆路径问题,获得其近优解或最优解．使用一种直观的编码方法,提出基于优先关系的交叉算子,实验表明,这种ＧＡ能够有效地解决复杂的优化问题     

遗传算法在有时间窗车辆路径问题上的应用

应用遗传算法(Genetic Algorithm-GA)求解有时间窗车辆路径问题,获得其近优解或最优解.使用一种直观的编码方法,提出基于优先关系的交叉算子,实验表明,这种GA能够有效地解决复杂的优化问题.     

一种求解车辆路径问题的双目标遗传算法

车辆路径问题是一个NP-难问题,将该问题描述成为一个多目标最优化问题,并为之提出了一种双目标遗传算法来解决该问题.在算法中设计了一种新的构造非支配集的方法,改进了杂交算子,混合了局部爬山法.实验结果表明该算法是求解车辆路径问题的一种高效的算法.     

带油耗率的车辆路径问题的改进量子遗传算法研究

针对实际生活中车辆油耗会随着运载量的变化而变化,建立带油耗率车辆路径问题的数学模型,以最小化总成本为目标函数。将运输过程中随运载量变化的油耗率转化成交叉概率,自适应地改变交叉概率,提高算法的全局搜索能力;考虑车辆满载率,设计一种与运载量相关的变异概率,使其逐渐减小并使群体迅速集中,可以抑制早熟。基于以上方法构造的一种自适应遗传算法,实例进行仿真表明,提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和遗传算法。     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

大规模物流配送车辆调度问题研究

研究大规模物流配送车辆调度问题,提出其整数规划数学模型,把大规模配送车辆调度问题(VRP)转化为配送区域划分问题和单车线路优化问题2个子问题,用改进的基地启发式分区算法(ILBH)解决配送区域划分问题,运用混合遗传算法(GA NS)解决分区域后区域内的配送车辆的单车线路优化问题.此改进的2阶段算法有效地解决了大规模配送条件下,在可行时间内得到近似解或满意解的问题,该方法已在某物流企业中成功应用并取得了显著的经济效益,其成果在城市配送系统中具有普遍的适用性和应用推广前景.     

一类特殊车辆路径问题(VRP)

描述了一类特殊的车辆路径问题(VRP)-混合车队车辆路径问题·在分析问题特性的基础上,通过引入“车队模式”定义,提出了求解框架,设计了基于遗传算法和禁忌搜索启发式的混合算法·针对其中的混合车队车辆路径问题,所设计混合算法,利用了GA搜索全局性好,TS局部爬山能力强的特点·提出的车队、任务分段组合编码和解码规则充分考虑了混合车队车辆路径问题的特点·实例计算结果表明了框架、模型和算法的有效性     

利用微正则退火算法求解车辆路径问题

在建立单配送中心的车辆路径问题模型后,提出了一种基于微正则退火算法的求解方法,对一个包含20个需求节点的单配送中心实例进行了实验分析。实验数据表明,微正则退火算法能以较大概率搜索到最优路径集,与传统模拟退火算法相比,它的优势是目标函数值下降更快,能够在较短时间内搜索到满意解。     

车辆路径问题的连接点选择节约算法

为了深入研究车辆路径问题中节约算法的应用,通过具体数据比较与分析了传统CW算法和改进后的分割节约算法得出的配送方案.发现针对C-W算法下运输车辆数目已经最优的情况,允许分割配送的节约算法反而增加了配送里程,路径交叉的情况却没有得到改善,因此此方法不再适用.因此,基于传统Clarke-Wright节约算法,对连接点进行选择来解决这一问题.通过matlab7.0对具体的实例进行了对比计算,用专业的制图和数据分析软件Origin Pro 8.0画出配送路径图.结果表明,对连接点选择进行优化的节约算法不仅避免了路线交叉,且计算结果优于传统节约法.     

多约束条件车辆路径问题的二阶段遗传退火算法

针对多约束条件的多配送中心有时间窗车辆路径问题,提出了一种二阶段遗传退火算法.在第1阶段,使用遗传算法对客户按供应量和路径长度进行模糊分区;在第2阶段,采用二维变长染色体编码及相应的遗传算子进行混合遗传算法的全局优化.在初始种群生成和交叉、变异算子中采用了随机贪心算法以避免无效解,并利用退火选择来提高种群的多样性.实验结果表明,二阶段遗传退火算法可加速收敛,提高搜索效率,在模糊分区上的搜索速度较之标准遗传算法提高了3～10倍.     

一种基于禁忌搜索算法的车辆路径问题的改进算法

针对车辆路径问题,提出了一种改进的禁忌搜索算法,通过从当前解的正序和倒序2个方向同时进行邻域搜索,扩大了搜索的范围.实验结果表明:该算法所找到的解质量较高,能有效解决车辆路径问题.