针对带时间窗的时间依赖型同时取送货车辆路径问题(Time Dependent Vehicle Routing Problem with Simultaneous Pickup-Delivery and Time Windows,TDVRPSPDTW),本文建立以车辆固定成本、驾驶员成本、燃油消耗及碳排放成本之和为优化...针对带时间窗的时间依赖型同时取送货车辆路径问题(Time Dependent Vehicle Routing Problem with Simultaneous Pickup-Delivery and Time Windows,TDVRPSPDTW),本文建立以车辆固定成本、驾驶员成本、燃油消耗及碳排放成本之和为优化目标的数学模型;并在传统蚁群算法的基础上,利用节约启发式构造初始解初始化信息素,改进状态转移规则,引入局部搜索策略,提出一种带自适应大邻域搜索的混合蚁群算法(Ant Colony Optimization with Adaptive Large Neighborhood Search,ACO-ALNS)进行求解;最后,分别选取基准问题算例和改编生成TDVRPSPDTW算例进行实验。实验结果表明:本文提出的ACO-ALNS算法可有效解决TDVRPSPDTW的基准问题;相较于模拟退火算法和带局部搜索的蚁群算法,本文算法求解得到的总配送成本最优值平均分别改善7.56%和2.90%;另外,相比于仅考虑碳排放或配送时间的模型,本文所构建的模型综合多种因素,总配送成本平均分别降低4.38%和3.18%,可有效提高物流企业的经济效益。展开更多
在经典车辆路径问题(vehicle routing problem,VRP)的基础上增加了客户要求访问的时间窗约束,以车辆行驶路径最短和使用车辆数最小为目标,建立了不确定车辆数的多约束车辆路径问题(multi-constraint vehicle routing problem with varia...在经典车辆路径问题(vehicle routing problem,VRP)的基础上增加了客户要求访问的时间窗约束,以车辆行驶路径最短和使用车辆数最小为目标,建立了不确定车辆数的多约束车辆路径问题(multi-constraint vehicle routing problem with variable fleets,MVRP-VF)的数学模型。引入遗传算法的交叉操作以及大规模邻域搜索算法中的破坏算子和修复算子,重新定义了基本灰狼优化算法(grey wolf optimizer,GWO)的操作算子,优化了GWO的寻优机制,从而设计出用于求解MVRP-VF问题的混合灰狼优化算法(hybrid grey wolf optimizer,HGWO)。通过仿真实验与其他参考文献中的算法求解结果进行比较,验证了HGWO求解该类问题的有效性与可行性。展开更多
文章针对软硬时间窗共存装卸一体化车辆路径问题(vehicle routing problem with simultaneous delivery and pickup under coexistence of soft and hard time windows,VRPSDPCSHTW)建立了包含车辆固定出行成本、运输成本和惩罚成本的...文章针对软硬时间窗共存装卸一体化车辆路径问题(vehicle routing problem with simultaneous delivery and pickup under coexistence of soft and hard time windows,VRPSDPCSHTW)建立了包含车辆固定出行成本、运输成本和惩罚成本的数学模型,提出了一种混合离散粒子群优化算法。针对基本离散粒子群算法容易早熟收敛而陷入局部最优等问题,内嵌一种变邻域下降局域搜索方法,并在一定概率下执行以加强种群搜索能力,最后通过3个算例的仿真分析进行了算法验证。展开更多
蚁群算法具有较强的鲁棒性和优良的分布式计算机制。研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H (Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进,使得算法的计算效率更高且得到的解更优,提出了...蚁群算法具有较强的鲁棒性和优良的分布式计算机制。研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H (Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进,使得算法的计算效率更高且得到的解更优,提出了蚁群算法的改进算法-改进的自适应蚁群算法。该算法先用自适应蚁群算法对VRP-H求得一个可行解,再利用多种改善方法对初始解进一步优化,从而得到最优解。测试时选用Solomon提出的题库,结果表明该算法能够有效地求解VRP-H。展开更多
文摘针对带时间窗的时间依赖型同时取送货车辆路径问题(Time Dependent Vehicle Routing Problem with Simultaneous Pickup-Delivery and Time Windows,TDVRPSPDTW),本文建立以车辆固定成本、驾驶员成本、燃油消耗及碳排放成本之和为优化目标的数学模型;并在传统蚁群算法的基础上,利用节约启发式构造初始解初始化信息素,改进状态转移规则,引入局部搜索策略,提出一种带自适应大邻域搜索的混合蚁群算法(Ant Colony Optimization with Adaptive Large Neighborhood Search,ACO-ALNS)进行求解;最后,分别选取基准问题算例和改编生成TDVRPSPDTW算例进行实验。实验结果表明:本文提出的ACO-ALNS算法可有效解决TDVRPSPDTW的基准问题;相较于模拟退火算法和带局部搜索的蚁群算法,本文算法求解得到的总配送成本最优值平均分别改善7.56%和2.90%;另外,相比于仅考虑碳排放或配送时间的模型,本文所构建的模型综合多种因素,总配送成本平均分别降低4.38%和3.18%,可有效提高物流企业的经济效益。
文摘在经典车辆路径问题(vehicle routing problem,VRP)的基础上增加了客户要求访问的时间窗约束,以车辆行驶路径最短和使用车辆数最小为目标,建立了不确定车辆数的多约束车辆路径问题(multi-constraint vehicle routing problem with variable fleets,MVRP-VF)的数学模型。引入遗传算法的交叉操作以及大规模邻域搜索算法中的破坏算子和修复算子,重新定义了基本灰狼优化算法(grey wolf optimizer,GWO)的操作算子,优化了GWO的寻优机制,从而设计出用于求解MVRP-VF问题的混合灰狼优化算法(hybrid grey wolf optimizer,HGWO)。通过仿真实验与其他参考文献中的算法求解结果进行比较,验证了HGWO求解该类问题的有效性与可行性。
文摘文章针对软硬时间窗共存装卸一体化车辆路径问题(vehicle routing problem with simultaneous delivery and pickup under coexistence of soft and hard time windows,VRPSDPCSHTW)建立了包含车辆固定出行成本、运输成本和惩罚成本的数学模型,提出了一种混合离散粒子群优化算法。针对基本离散粒子群算法容易早熟收敛而陷入局部最优等问题,内嵌一种变邻域下降局域搜索方法,并在一定概率下执行以加强种群搜索能力,最后通过3个算例的仿真分析进行了算法验证。
文摘蚁群算法具有较强的鲁棒性和优良的分布式计算机制。研究重点是对现有的求解带硬时间窗的车辆路径问题VRP-H (Vehicle Routing Problem with Hard Time Windows)的蚁群算法作出更好的改进,使得算法的计算效率更高且得到的解更优,提出了蚁群算法的改进算法-改进的自适应蚁群算法。该算法先用自适应蚁群算法对VRP-H求得一个可行解,再利用多种改善方法对初始解进一步优化,从而得到最优解。测试时选用Solomon提出的题库,结果表明该算法能够有效地求解VRP-H。
