摘要：研究了由一个分销中心、多个零售商组成的分销网络中运输单产品考虑货物权重的车辆路径问题(weighted vehicle routing problem,WVRP).问题的目标是设计合理的路线最小化由于行驶距离,运输载重量及使用车辆而产生的总费用.针对问题的特点,设计了求解WVRP问题的分散搜索算法(scatter search algo-rithm,SS),该算法基于客户进行编码,以基于最优划分过程的随机初始化作为多样性产生方法,通过对不同解包括的弧组合来生成新解,并用最近邻法对解进行改进.分别采用了随机数据与标准数据对算法进行测试,并与其他求解该问题的算法进行了比较,说明了算法的有效性.

摘要：基于时间的竞争战略与可持续发展战略要求企业提高顾客快速响应能力的同时,采取节能减排措施,减少能耗与排放污染。本文考虑一个制造企业向多个客户配送产品的准时交货的时间要求,同时兼顾车辆油耗对排放的影响,构造了基于准时送货与最小化耗油的配送车辆路径模型。针对这种多目标的车辆路径优化模型,本文设计出一个改进的粒子群算法。运用所设计的模型与算法对某乳品公司某天的配送计划进行求解,提出本文的一个配送计划方案解集,并将解集与该企业现有的路径方案及其以最短路径作为目标求得的路径进行对比分析,验证所构造的模型与提出的算法在降低油耗和提高准时性上的效果。

摘要：利用大数据平台对多源大量数据进行实时计算处理的优势,考虑具有载重限制、运输路径限制且带时间窗限制的路网中物流配送车辆路径问题,建立以配送时间最短和配送成本最低为目标的数学模型.构建大数据下的多源信息分析处理平台构架图以获取实时交通信息,根据实时路况环境,对配送车辆的路径进行优化.通过利用大数据平台Hadoop中的MapReduce编程模型进行遗传算法并行化设计并求解.结果表明:利用大数据平台进行遗传算法并行化设计能有效求解多目标配送车辆路径问题,创新性地对车辆路径问题进行研究,具有解决实际问题的积极意义.

摘要：在分析自然界各种竞争机制和人类社会决策原理的基础上,利用竞争造就优化和决策左右结果的特性,提出了一种能广泛应用于组合优化难题的新型算法———竞争决策算法(CDA),并给出了CDA的通用模型.车辆路径问题(VRP)是一个著名的NP难题,也是物流领域内一个重要的调度问题,利用CDA的通用模型设计了一个针对VRP的快速求解算法,并用该算法求解了VRP标准测试库中的实例,经过大量数据测试和验证,获得了令人满意的效果,其中部分问题的解优于目前公布的最好解.

摘要：为对车辆路径问题(VRP)进行研究,加速其从理论转为实际需要的步伐,设计一种基于Google MapsAPI的车辆路径问题可视化系统。该系统结合ADO数据访问、XML数据库读取和XML文件解析、ASP等关键技术。系统最优车辆路径结果由基于群智能计算的容量受限车辆路径快速算法获取。实例结果表明,该原型系统可实现VRP最优路径显示、动画模拟等功能,并具有可扩展性。

摘要：研究一类属于不同公司的配送中心共享车队、仓储等资源为客户协同配送货物的协同车辆路径问题,将之视为"部分客户被一车辆访问"的集合划分问题。考虑车辆容量、车辆行驶最大里程、车辆配送任务的可靠性概率、时间窗等约束条件,建立以车辆配送总费用最小为目标的混合整数规划模型,并设计了求解该问题的遗传算法求解该问题。最后,通过一个算例验证了模型的正确性和合理性。

摘要：提出一种求解物流配送车辆路径问题的离散微粒群优化算法。通过引入随机交换序、PMX算子使微粒群优化算法能够求解车辆路径问题这类离散组合优化问题。设计了求解车辆路径问题一种新的整数编码方案,并采用罚函数法处理约束条件。计算结果表明,该算法是解决车辆路径问题的有效方法。

摘要：以最小化总的旅行时间为优化目标,以单车场、单车型、装载能力和需求依背包拆分等为约束条件,将以往客户需求不可拆分的条件松弛为依背包来离散拆分,建立了带装载能力的需求依背包拆分VRP(CVRPSDB)的单目标数学模型。设计了一个自适应禁忌搜索算法(ATSA)对模型进行求解。该算法采用了自适应惩罚机制,构建了一个多邻域结构体,并针对客户点与背包都设计了相应的邻域操作算子,较好地适应了客户需求量的离散拆分程度。经算例测试与文献对比,验证了所设计模型与算法的有效性。

摘要：车辆路径问题已被研究证实为NP难题,属于经典的复杂组合优化问题。首先建立了带货物权重的随机需求的车辆路径问题的模型;其次针对问题的性质,设计了一种基于交叉熵方法的算法对问题进行求解;最后计算结果验证了所提算法对于解决此类问题的有效性。

摘要：考虑车辆行驶时间和顾客服务时间的不确定性,建立了以车辆配送总费用最小为目标的机会约束规划模型,将其进行清晰化处理,使之转化为一类确定性数学模型,并构造了求解该问题的一种离散粒子群算法。算法重新定义了粒子的运动方程及其相关离散量运算法则,并设计了排斥算子来维持群体的多样性。与标准遗传算法和粒子群算法比较,该算法能够有效避免算法陷入局部最优,取得了满意的结果。