论文部分内容阅读
近年来随着社会智能交通的兴起,电子商务的不断发展,中国现代物流业进入了高速发展时期,现代物流行业优化中的关键一环是运输环节的优化。运输环节的优化问题属于车辆路径问题(VRP),而VRP属于NP难的组合优化问题。研究人员从生物进化的机理中得到启发,将蚁群算法、遗传算法等仿生智能算法应用于解决车辆路径问题。本文源于深圳本地一家物流企业的前瞻性研究,通过对标准车辆路径问题增加约束条件,建立起了两种扩展的车辆路径优化模型:带容量约束的车辆路径问题(CVRP)和多目标优化的车辆路径问题(MOVRP),具体工作如下:(1)为了解决带容量约束的车辆路径优化问题,本文在基本蚁群算法的基础,定义了间接期望启发式并将其引入到路径选择概率中,采用了全局与局部更新相结合的方式进行蚁群算法的信息素更新,同时加入局部搜索算法2-opt优化每一次迭代的最优解,提出了一种改进混合蚁群算法,并在Eil51和Lin105两个公开数据集上验证了算法的有效性;(2)基于改进混合蚁群算法,本文在研究分析带容量约束的车辆路径优化问题的基础,结合该单目标优化问题的特点,建立了带有容量约束的车辆路径问题的数学模型,设计了带容量约束的车辆路径单目标优化算法,并在VRPLIB的案例上验证了算法的可行性;(3)基于经典的快速非支配排序遗传算法,为满足物流企业对物流配送的总成本和客户满意度的要求,本文设计了多目标优化的车辆路径优化算法,同时设计开发企业应用系统,并将该算法应用到了企业实际业务数据流中,提高了企业实际业务处理效率,达到了预期目标。本文以蚁群算法和非支配排序遗传算法作为基本工具,理论与实践相结合的原则,利用改进混合蚁群算法解决了容量约束的车辆路径问题,同时利用非支配排序遗传算法解决了物流企业实际的多目标优化车辆路径问题,在一定程度上为深圳本地一家物流企业降低了成本,提升了工作效率。