为了给物流企业在车辆配送方案制定上提供决策支持,针对电动物流车与燃油物流车混合配送的模式,研究了带时间窗的动态需求车辆路径问题,建立了以配送总成本最小化为目标的两阶段整数规划模型。针对模型特点,设计了改进的自适应大规模邻...为了给物流企业在车辆配送方案制定上提供决策支持,针对电动物流车与燃油物流车混合配送的模式,研究了带时间窗的动态需求车辆路径问题,建立了以配送总成本最小化为目标的两阶段整数规划模型。针对模型特点,设计了改进的自适应大规模邻域搜索(improved adaptive large neighborhood search,IALNS)算法,提出新的删除、修复算子及动态阶段加速策略,分别针对大规模的静态算例与动态算例进行算法性能测试。结果表明,与无改进策略的IALNS(IALNS-ND)相比,静态问题中在相同的求解时间内75%的算例(12个算例中9个)IALNS得到的最小值和平均值优于IALNS-ND,动态问题中95%(60个算例中57个算例)的算例可以得到成本和时间均优于IALNS-ND的解;与三种算法——自适应大规模邻域搜索算法(ALNS)、大规模邻域搜索算法(LNS)以及变邻域搜索算法(VNS)相比,静态问题中所有算例IALNS获得的总成本的最小值和平均值均优于三个对比算法,动态问题中58%(60个算例中35个算例)的算例IALNS能够以少于三个对比算法1.5倍甚至10倍的时间获得更优的解。同时随着问题动态度的提高,IALNS的速度更快,质量更好,证明了该算法在求解时效性要求高的动态需求车辆路径问题的优越性。展开更多
针对人工蜂群(ABC)算法开发能力弱的缺点,提出一种基于适应度分割机制和自适应搜索策略的ABC算法(FSABC)。首先,在雇佣蜂和跟随蜂阶段开始前,根据适应度值将种群划分为高适应度子种群和低适应度子种群,并通过动态调整子种群大小,更好地...针对人工蜂群(ABC)算法开发能力弱的缺点,提出一种基于适应度分割机制和自适应搜索策略的ABC算法(FSABC)。首先,在雇佣蜂和跟随蜂阶段开始前,根据适应度值将种群划分为高适应度子种群和低适应度子种群,并通过动态调整子种群大小,更好地平衡算法的开发性和探索性,并更合理地分配搜索资源;其次,对跟随蜂中的高适应度子种群提出一个策略池和一种新的自适应搜索方式,以避免算法陷入局部最优解;再次,为了加强算法的开发能力,根据高适应度子种群的特点,设计一个新的搜索策略和一个策略池,以发挥该子种群的优势,从而提高算法的性能;最后,对于复杂的多峰问题,在适应度景观中存在许多局部最优解,其中一些可能接近全局最优解,因此,搜索一个好的解的邻域将有助于找到更好的解,甚至可能找到全局最优解,鉴于此,使用一个邻域搜索算子加强算法的开发能力。基于22个经典测试函数进行比较实验的结果表明,在30维和50维问题上,与ABCLGII(ABC algorithm with Local and Global Information Interaction)相比,所提算法的Friedman检验的秩次等级分别提高了30.8%和11.7%,可见,所提算法的性能求解精度更优,并能有效处理全局数值优化问题。展开更多
文摘为了给物流企业在车辆配送方案制定上提供决策支持,针对电动物流车与燃油物流车混合配送的模式,研究了带时间窗的动态需求车辆路径问题,建立了以配送总成本最小化为目标的两阶段整数规划模型。针对模型特点,设计了改进的自适应大规模邻域搜索(improved adaptive large neighborhood search,IALNS)算法,提出新的删除、修复算子及动态阶段加速策略,分别针对大规模的静态算例与动态算例进行算法性能测试。结果表明,与无改进策略的IALNS(IALNS-ND)相比,静态问题中在相同的求解时间内75%的算例(12个算例中9个)IALNS得到的最小值和平均值优于IALNS-ND,动态问题中95%(60个算例中57个算例)的算例可以得到成本和时间均优于IALNS-ND的解;与三种算法——自适应大规模邻域搜索算法(ALNS)、大规模邻域搜索算法(LNS)以及变邻域搜索算法(VNS)相比,静态问题中所有算例IALNS获得的总成本的最小值和平均值均优于三个对比算法,动态问题中58%(60个算例中35个算例)的算例IALNS能够以少于三个对比算法1.5倍甚至10倍的时间获得更优的解。同时随着问题动态度的提高,IALNS的速度更快,质量更好,证明了该算法在求解时效性要求高的动态需求车辆路径问题的优越性。
文摘针对人工蜂群(ABC)算法开发能力弱的缺点,提出一种基于适应度分割机制和自适应搜索策略的ABC算法(FSABC)。首先,在雇佣蜂和跟随蜂阶段开始前,根据适应度值将种群划分为高适应度子种群和低适应度子种群,并通过动态调整子种群大小,更好地平衡算法的开发性和探索性,并更合理地分配搜索资源;其次,对跟随蜂中的高适应度子种群提出一个策略池和一种新的自适应搜索方式,以避免算法陷入局部最优解;再次,为了加强算法的开发能力,根据高适应度子种群的特点,设计一个新的搜索策略和一个策略池,以发挥该子种群的优势,从而提高算法的性能;最后,对于复杂的多峰问题,在适应度景观中存在许多局部最优解,其中一些可能接近全局最优解,因此,搜索一个好的解的邻域将有助于找到更好的解,甚至可能找到全局最优解,鉴于此,使用一个邻域搜索算子加强算法的开发能力。基于22个经典测试函数进行比较实验的结果表明,在30维和50维问题上,与ABCLGII(ABC algorithm with Local and Global Information Interaction)相比,所提算法的Friedman检验的秩次等级分别提高了30.8%和11.7%,可见,所提算法的性能求解精度更优,并能有效处理全局数值优化问题。
