一、带时间窗的车辆路径混合遗传算法(论文文献综述)
王雪兵[1](2021)在《基于遗传算法的Y物流公司配送路径优化研究》文中认为随着经济的发展,人们生活水平的提高,物流配送服务的需求逐渐多样化,对配送服务的效率、时间准确性等有更高的要求。配送业务是物流企业的重要业务,配送业务的成本占总成本的主要部分。在企业物流配送的管理工作中,配送路径优化是很重要的问题。科学合理的规划车辆的配送路径,能够减少企业的配送成本、增加车辆装载量、提高客户的满意度,增加物流企业的利润和行业竞争力。本文以Y物流公司为研究对象,Y物流公司是以提供配送服务作为公司的主要业务,但是在配送的过程中存在着一些问题。根据公司配送的实际情况,对配送线路进行科学合理的优化,能够有效解决Y物流公司在配送过程的问题。本文以车辆路径问题的相关理论文献为指导,结合Y物流公司配送的实际情况,发现存在的问题是配送成本高、车辆的装载率低、配送服务水平低,分析产生问题的原因主要为配送计划时间不合理和路径规划缺乏科学方法。根据Y物流公司的配送情况,构建带软时间窗的车辆路径优化问题模型,以配送成本和违反时间窗产生的成本最小为目标,以车辆装载容量、客户服务的时间窗、客户的需求量等为约束条件,采用遗传算法对构建模型进行求解,并使用matlab作为遗传算法实现的工具。最后对Y物流公司的配送路径进行优化,首先分析了遗传算法的选择、交叉和变异算子对求解最优解的影响,得到使用遗传算法能够快速高效的求得模型的最优解;其次对路径优化前和优化后的结果进行对比分析,其中配送总成本下降了39%,需要使用的车辆减少了7辆,车辆的装载率提高了49%,配送车辆的行驶的总里程减少了41%,配送的时间减少了38%,使用遗传算法求解的最优解能够有效的减少配送成本、增加配送车辆的装载率、减少车辆行驶路程,提高Y物流公司的服务水平和客户的满意度。通过对Y物流公司车辆路径优化问题的研究,说明对Y物流公司和相同类型的公司具有一定借鉴意义。
郭金凤[2](2021)在《基于最小订单拆分原则的配送路径优化研究》文中进行了进一步梳理随着人们生活水平的提高,顾客需求日益多样化,以及电子商务的迅猛发展,顾客越来越倾向于网上购物,订单量大大增加,线上订单已占据全渠道订单的绝大部分市场份额,加之仓库布货无规律、存储的商品种类比较单一、单品商品数量较少,单仓往往不能满足顾客订单品类多或订单单品数量庞大(“一单多品”或“一单多量”)需求的现实情景,就需要多配送中心满足,由此产生多仓配送,当顾客购买了多品类或单品数量较多的商品,而它存储在多个仓库,这时就会面临订单拆分的问题。通过文献梳理和实际调研,大多数物流企业在面临订单拆分时,订单处理方法往往是采用最短距离原则进行订单拆分,这种拆单方法优先考虑距离最短因素,容易使车辆使用数增加、配送路径重复、配送时效性差,导致配送成本增多、顾客服务体验差,因此,如何有效的进行订单拆分,对订单处理方法进行研究,选择合理的订单拆分原则,从而有效地减少取货次数、配送次数、顾客取件次数,是本文研究的关键问题,并在此基础上进行后续的配送路径规划,降低物流企业配送成本及提升顾客服务体验。因此,本文提出采用最小订单拆分原则,考虑时间窗和车载量约束,构建以配送总成本最小为目标的数学模型,在遗传算法的基础上设计两阶段遗传算法,以P物流企业为例进行应用研究,运用MATLAB编程求解基于最小订单拆分原则的配送方案,并与最短距离订单拆分原则的配送方案进行对比,结果表明,基于最小订单拆分原则的配送方案更优,可以有效的减少车辆使用数、取货次数、配送次数、取件次数,提高配送时效性,实现降低配送总成本的目标,并对效果进行分析,验证了模型和算法的有效性,希望能对相关物流企业提供指导和借鉴。
尹艺珂[3](2021)在《城市物流配送路径优化算法研究与应用》文中认为随着全球电子商务的飞速发展,物流行业规模也逐步扩大。然而,配送成本居高不下、车辆调度不合理及客户满意度较低等问题在一定程度上制约了物流运输业的可持续发展。为此,本文对车辆路径问题进行了优化和改进,实现了物流运输合理化,达到减少运输环节成本,提高物流企业经济效益的目的。针对城市物流配送路径问题,结合时间窗函数对成本的影响,构建了以总运输成本最低为优化目标的车辆路径优化模型。在模型的应用中,提出了改进的遗传算法和蚁群优化算法。改进的遗传算法利用交叉、变异概率自适应调整策略增强了算法的全局搜索能力;改进的蚁群优化通过对核心参数的动态调整提升了算法的适用性。在此基础上,设计了一种融合改进的遗传算法和蚁群优化的路径优化算法。其基本思想是运用遗传算法种群多样性和快速搜索的优势,通过编码、交叉和变异等过程生成初始解,进而作为蚁群优化的初始信息素浓度,弥补了蚁群优化初始时刻信息素匮乏的问题。结合蚁群优化正反馈特性和收敛速度快的优势,有效提高了融合算法的收敛速度和寻优能力。实验结果表明,将所提出的融合算法应用到企业物流的实际配送场景,使带时间窗的车辆配送路径优化模型获得了最优的物流配送方案,为实现物流企业对配送车辆的科学调度提供支持。
高钊[4](2021)在《L公司车辆路径优化与车程分配问题研究》文中指出近年来,随着移动互联网、大数据、云计算、物联网等先进信息技术与物流活动的深入融合,我国物流行业发展迅速。但是,我国物流费用占GDP的比重仍然偏高,与发达国家存在一定的差距。同时,从物流费用构成要素来看,运输费用占比高达50%,运输费用是物流费用的重要组成部分。降低物流运输费用,是我国促进经济结构改革和高质量发展的重大措施,也是物流企业降本增效、进行行业转型、提高企业竞争力和客户满意度的方式之一。L公司是一家第三方物流公司,主要为两个家电品牌在J市提供B端配送服务。经过调查研究,该公司在配送方面主要存在以下几个问题:(1)路线安排不合理,运输距离过长;(2)车辆装载不合理,存在运力浪费和超载现象;(3)车辆行驶时间、司机工作时间存在不平衡的问题;(4)工作时间过长,加班现象严重;(5)紧急订单处理流程不合理。针对L公司的实际问题,分别建立了以总配送距离最小为目标的车程求解数学模型、以总配送费用最少和车辆行驶时间均衡为目标的车程分配数学模型和紧急订单优化数学模型。由于车程求解与车程分配属于NP-hard问题,精确算法无法在短时间内求得大规模算例的精确解,为了提高计算效率,采用启发式算法。在遗传算法中,引入了模拟退火算法中的Metropolis抽样准则,加强其局部寻优能力。经过对染色体选择、交叉、进化逆转等阶段重新编码后,形成改进混合遗传模拟退火算法。由于车程分配为多目标问题,因此,设计并使用了非支配排序遗传算法求解该问题。针对急单配送环节,借助最近插入法的思想,完成了急单客户的路径规划。最后,根据L公司的实际数据,对比分析优化前后的配送方案,验证算法的可行性。
吴桦[5](2021)在《物流配送路线优化算法研究》文中研究指明在当今物流行业发展迅猛的年代,物流配送路径问题已跃然成为了难点问题。配送车辆的有限性以及客户接受服务时间的差异性,限制着物流配送的服务效率和配送质量。因此优化好物流配送路径,可以直接提升配送人员的服务质量,减少物流配送成本,进而提高物流企业的经济收益。为此,本文在研究了容量约束的软时间窗物流配送路径问题的基础上,建立数学模型,并对蚁群算法进行优化,然后运用优化后的蚁群算法求解带软时间窗的物流配送问题。本文主要的工作如下:(1)通过分析研究建立了针对容量约束、时间窗约束的物流配送路径优化问题的数学模型,模型以成本最低为目标函数,其中包含了车辆的正常使用成本、加班费以及偏离客户期望时间窗而产生的惩罚成本;(2)深入研究蚁群算法,并基于最大最小蚁群系统提出了优化方案,重新设计启发式函数,并且加入局部更新信息素策略,使蚁群算法拥有更快的求解速度的同时减小了出现局部最优解的概率。随后引入遗传算法来更新最优路径,优化算法的求解质量。为验证模型和优化算法的有效性,通过客户规模为25、50、100的算例进行了试验求解,并将最大最小蚂蚁系统作为对照组,试验结果为实验组取得最优解的最小迭代次数分别是15、65、39,而对照组是64、85、75,将结果对比可以明显看出,优化蚁群算法能更早的收敛,并且最优解质量比蚁群算法求得的更好。这一结果证明了物流配送路径问题数学模型的合理性、优化算法的有效性和稳定性。
杜尚成[6](2020)在《考虑客户时间窗变动的易腐食品生产-配送问题研究》文中研究指明随着居民对保质期较短的易腐食品需求的不断增加,多数商家采取零库存的生产方式,即按照客户的订单需求进行生产并安排配送,以尽可能的降低产品在生产-配送环节的损失。然而在实际生产配送中常会突发不可测的事件使原计划受到干扰。因此,如何快速有效地应对干扰事件并尽量减少对整个生产-配送系统的扰动具有很大的现实意义。针对易腐品生产配送的特点,本文考虑时间窗变动这一干扰事件,首先从生产、配送中心、配送员和客户四个方面进行扰动分析,对时间窗变动的干扰程度进行辨识和度量,为扰动后的新方案提供依据;其次以干扰事件发生后的新方案与初始方案偏离最小为目标构建干扰管理模型,通过设计改进的蚁群算法求解出生产-配送的总成本最低的初始方案,其次设计基于禁忌搜索的混合蚁群算法求解干扰管理模型,生成对系统扰动最小的生产-配送方案;最后,结合A企业生产-配送实例,运用干扰管理模型和算法求解出新方案,随后将本文方法与重调度法进行对比,验证本文方法的优越性,为生产配送一体化的相关企业提供一定的决策支持用以解决时间窗变动的干扰问题。
张奇能[7](2020)在《考虑配送地址变动的多模糊时间窗车辆路径优化研究》文中研究说明物流配送的实时性是物流企业综合实力最直观的体现,而顾客时间窗又直接决定物流配送的实时性,顾客需求的多样化使得顾客一般拥有多个可接受的时间段,这些时间窗往往具有模糊性特点,因此物流企业需要综合考虑顾客多时间窗之间的关系,指定相应的配送路线。但现实中由于某些原因顾客的配送地址可能发生临时变化,影响车辆到达顾客点时间,增加物流企业成本,使原配送方案不再最优,因此快速生成干扰后的有效调整方案不仅具有理论意义,对于社会与企业也有重要的现实意义。本文首先构建初始模型;接着在发生地址变动干扰后,将干扰管理思想引入,并从顾客满意度、物流企业配送偏离成本、配送业务员满意度三个方面对配送地址变动这一干扰问题进行定量分析,构建在顾客多模糊时间窗下考虑配送地址变动的干扰模型;然后结合遗传算法的优缺点进行改进,并与模拟退火算法结合;最后结合某市A物流企业的实例,应用模型和算法求解出调整方案,随后将干扰管理与原方案、重调度方案进行对比分析,与基本遗传算法进行对比分析,验证此方法的优越性。本文研究成果通过处理顾客配送地址变动的干扰事件,为物流配送中心的车辆实时优化与调度提供决策支持,有利于提高物流企业的决策效率与服务水平。
蒋权威[8](2020)在《多车场多车型车辆路径问题的改进猫群算法》文中指出经济的飞速增长为物流企业带来了很多机遇,规模不断增加,单车场和单车型的配送模式已经无法满足大规模的配送需求,因此,其服务模式也在不断变化。目前,多个车场和多种车型的服务模式的应用越来越广泛,而该问题的求解方法及求解能力还有较大的提升空间。考虑以上因素,对多车场多车型车路径问题的解决有着重要意义。为此,对车辆路径问题及其求解方法进行了梳理和总结,构建了数学模型;然后,提出了一种改进的猫群算法,用于寻找问题的解。(1)分析问题,建立模型。阐述了车辆路径问题的主要特性,制定了关于多车场多车型车辆路径问题及带时间窗和同时取送货的多车场多车型车辆路径问题数学模型。(2)设计和改进猫群算法。根据建立的数学模型以及车辆路径问题的特点,改进设计了猫群算法,包括该算法的编码方式、变异算子、搜寻模式、跟踪模式等,并制定了算法求解的具体步骤。(3)利用改进猫群算法求解具体问题。通过对两个问题的不同算例进行测试求解,并与其他算法的结果进行对比,验证了改进猫群算法的求解能力。(4)测试分析改进猫群算法的性能。首先分析了模拟退火算法对于猫群算法求解性能的影响;然后,通过设置不同的种群规模、记忆池容量和分组率,分析了不同参数值下的求解结果,从而确定了三组参数对改进猫群算法的求解性能的影响。结果表明,针对两个模型,相比于现有的求解方法,改进猫群算法具有更加优越的求解性能,其收敛速度更快,解的质量更高,稳定性更强。另外,该算法的参数分析结果表明,相比于种群规模和分组率,记忆池容量的变化对算法求解性能的影响更大。本研究为解决多车场多车型车辆路径问题提供了方案,也为利用智能算法求解复杂优化问题提供了参考。
李仙晶[9](2020)在《主动变速条件下电动冷链车辆路径问题模型与算法》文中研究指明随着我国经济的快速发展,居民生活质量显着提高,为冷链产品市场的发展提供了动力,冷链物流市场规模急剧扩大。冷链产品与常温产品相比具有易腐易损的特点,在低温环境下进行冷链产品的配送会伴随着更多的能源消耗及尾气排放。电动物流车取代传统燃油车承担冷链物流配送任务已成为未来的发展趋势,能够进一步推动冷链物流向绿色低碳发展。然而,由于电动汽车存在续航里程短、充电时间长、充电设施建设还不充分等问题,如何充分利用电能完成尽可能多的配送任务,以及如何在完成配送任务的基础上尽可能降低电能的消耗,从而节约更多成本,成为一项值得研究的课题。考虑到电动汽车的能耗与车辆的行驶速度有关,因此,在道路实际速度区间基础上,主动对行驶速度进行优化,将有助于降低电动冷链物流车的能耗以及配送成本。基于此,本文从速度可变的角度研究电动汽车的冷链车辆路径问题,开展研究工作如下:(1)总结分析电动物流车辆路径问题、冷链车辆路径问题、电动冷链物流车辆路径问题、污染车辆路径问题的国内外研究现状,探讨了在电动汽车冷链物流配送优化中引入变速的必要性和可行性。在此基础上,首次将主动变速应用于电动冷链物流优化配送领域,提出了变速条件下带时间窗的电动冷链车辆路径问题(Electric Vehicle Routing Problem for Cold Chain Logistics with Variable Speed and Time window,VEVRPTW-CC)。(2)建立VEVRPTW-CC问题的数学模型。基于行驶速度可变的电动物流车能耗模型,建立由车辆使用成本、车辆动力成本、车辆制冷成本和时间惩罚成本所构成的总配送成本最小的目标函数,并考虑车辆容量、电量、车辆速度、时间窗等约束条件,建立了VEVRPTW-CC问题的数学模型。(3)设计VEVRPTW-CC问题的混合蚁群算法。首先,对基本蚁群算法进行改进,针对VEVRPTW-CC问题特点设计了状态转移规则、路径构造过程、信息素更新策略,重点对车辆在各个路段的行驶速度进行优化;其次,为提升算法的搜索性能,设计了节点交换、时间优化、速度优化、充电站优化四类共六种局部优化算子,并采用自适应选择机制及模拟退火框架,对蚁群算法构造的初始解进一步优化。(4)实验分析。构建了VEVRPTW-CC问题的基准算例库,并分别进行参数设置实验、算法性能实验、恒定速度与可变速度实验。参数设置实验用于优选算法参数。算法性能实验用于对各个局部优化算子和选择机制进行比较与优选,以验证混合蚁群算法的性能。恒定速度与可变速度实验用于比较四种恒定速度与可变速度的效果,验证速度可变对于EVRPTW-CC问题的价值。
孙芹[10](2020)在《基于不同车型的城市快递配送车辆路径优化研究》文中研究指明随着生活节奏的逐步加快,人们越来越喜欢快速便捷的获取服务,近年来国内快递行业发展迅猛,随着市场经济的发展和消费者需求意识的不断提升,消费者对快递行业提出了更高的服务要求从而加大运输配送的挑战。而快递运输的最后一个环节就是快递作业人员成功将货物交付到客户手中,在整个快递配送的过程中,城市快递配送作为运输的“最后一公里”,推动着快递行业的进一步发展。同时,快递行业若想在市场经济条件下获得持续有效吞噬其行业的市场份额的能力,就必须提升企业在行业中不可模仿的核心竞争力。本文首先探讨了快递行业当下的实际情况,对城市配送中各类车辆路径规划过程中所存在的不足之处进行了详细的分析。关于城市快递配送特征方面所进行的研究是在其他条件不变的情况下,研究时间因素和车型因素对于城市快递配送路径规划的影响,建立一个带时间窗的不同车型的城市快递车辆配送路径优化问题的模型,来实现配送运输总成本尽可能低这个总目标。然后根据各个算法的区别分析其中的优点和缺点,选择遗传算法来进行最优求解。其次在遗传算法的实际操作里对交叉、选择、变异遗传等方面做了详细对比分析,以此找出其中的最优个体或者群体,来提升种群整体进一步优化的程度,得到一个满意的最优解。最后,结合文献实例,验证该算法及模型的有效性。本文研究的不同车型的带时间窗的城市快递配送车辆路径相关的内容,以快递企业角度分析,确保车辆配送线路合理有效是有效减小运营成本,提高企业经济效益,增强企业盈利能力的重要方法,同时也有效优化了服务水平、改善快递作业人员的日常运输配送环境和在人们心中塑造一个相对良好企业形象;对消费者而言,快递配送人员能够在规定的时间内把货物完好无损的配送完成,会提升他们的幸福感与满意度。
二、带时间窗的车辆路径混合遗传算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、带时间窗的车辆路径混合遗传算法(论文提纲范文)
(1)基于遗传算法的Y物流公司配送路径优化研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究的背景 |
1.1.2 研究的意义 |
1.2 国内外研究现状 |
1.2.1 车辆路径问题的研究 |
1.2.2 带时间窗车辆路径问题的研究 |
1.2.3 车辆路径优化算法的研究 |
1.2.4 遗传算法的研究 |
1.3 研究内容和方法 |
1.3.1 研究的内容 |
1.3.2 研究的方法 |
1.3.3 技术路线图 |
1.4 本章小结 |
2 相关的基础理论 |
2.1 车辆路径问题 |
2.1.1 车辆路径问题的一般描述 |
2.1.2 车辆路径问题的分类 |
2.1.3 车辆路径问题要素 |
2.1.4 时间窗的相关理论 |
2.2 遗传算法 |
2.2.1 遗传算法的定义 |
2.2.2 遗传算法的特点 |
2.2.3 遗传算法的步骤 |
2.3 本章小结 |
3 Y物流公司车辆配送的现状及问题分析 |
3.1 Y物流公司简介 |
3.2 Y物流公司车辆配送的运行现状 |
3.2.1 Y物流公司车辆、运价信息 |
3.2.2 Y物流公司车辆配送路径的情况 |
3.3 Y物流公司车辆配送存在的问题及原因 |
3.3.1 Y物流公司车辆配送存在的问题 |
3.3.2 Y物流公司车辆配送存在问题的原因 |
3.4 本章小结 |
4 Y物流公司车辆路径优化模型构建 |
4.1 Y物流公司车辆路径优化建模 |
4.1.1 Y物流公司车辆路径问题描述 |
4.1.2 模型假设与参数设定 |
4.1.3 模型构建 |
4.2 遗传算法设计与求解流程 |
4.2.1 遗传算法求解设计 |
4.2.2 遗传算法的求解流程 |
4.3 本章小结 |
5 模型求解及优化结果分析 |
5.1 遗传算法求解对模型最优解的影响分析 |
5.2 优化结果对比分析 |
5.3 本章小结 |
6 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士期间发表的论文及所取得的研究成果 |
致谢 |
(2)基于最小订单拆分原则的配送路径优化研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 国内外研究述评 |
1.3 研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 研究框架 |
1.4 主要创新点 |
第二章 相关理论综述 |
2.1 车辆路径问题理论 |
2.1.1 车辆路径问题的定义 |
2.1.2 车辆路径问题的分类 |
2.1.3 车辆路径问题的求解算法 |
2.2 时间窗概述 |
2.2.1 时间窗的描述 |
2.2.2 时间窗的分类 |
2.3 需求可拆分问题概述 |
2.3.1 需求可拆分问题的描述 |
2.3.2 衍生类型 |
2.4 多配送中心问题概述 |
2.4.1 多配送中心问题的描述 |
2.4.2 多配送中心的配送方式 |
第三章 多仓配送现状及存在的问题 |
3.1 多仓配送现状 |
3.1.1 顾客购买特征 |
3.1.2 商家存货特征 |
3.1.3 配送特征 |
3.1.4 一地多仓 |
3.2 多仓配送存在的问题 |
3.2.1 配送成本高 |
3.2.2 顾客体验差 |
3.3 订单拆分的必要性及原则 |
3.3.1 订单拆分的必要性 |
3.3.2 订单拆分的原则 |
本章小结 |
第四章 基于最小订单拆分原则的配送路径优化模型 |
4.1 问题描述 |
4.2 基本假设及参变量定义 |
4.2.1 基本假设 |
4.2.2 参变量定义 |
4.3 配送总成本的构成 |
4.4 数学模型的构建 |
4.5 模型求解 |
4.5.1 多配送中心的转换 |
4.5.2 两阶段遗传算法设计 |
4.6 算法灵敏度分析 |
本章小结 |
第五章 P物流企业应用研究 |
5.1 P物流企业概况 |
5.1.1 组织结构 |
5.1.2 综合能力 |
5.1.3 配送流程 |
5.1.4 配送现状 |
5.1.5 配送存在的问题 |
5.2 数据收集及整理 |
5.2.1 配送中心信息 |
5.2.2 客户信息 |
5.2.3 车辆信息 |
5.2.4 参数设置 |
5.3 计算结果 |
5.3.1 基于最小订单拆分原则的配送方案 |
5.3.2 基于最短距离订单拆分原则的配送方案 |
5.3.3 对比分析 |
5.4 效果分析 |
本章小结 |
结论与展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文及取得的科研成果 |
(3)城市物流配送路径优化算法研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 物流配送存在问题 |
1.3 国内外研究现状 |
1.3.1 物流配送路径优化 |
1.3.2 遗传算法 |
1.3.3 蚁群优化 |
1.4 研究内容 |
1.5 组织结构 |
第二章 物流配送路径优化相关算法 |
2.1 城市物流车辆路径问题概述 |
2.1.1 城市物流配送特点 |
2.1.2 车辆路径问题基本概念 |
2.1.3 车辆路径问题构成要素 |
2.1.4 车辆路径问题分类 |
2.1.5 车辆路径问题相关算法 |
2.2 遗传算法 |
2.2.1 遗传算法的原理 |
2.2.2 遗传算法的求解步骤 |
2.2.3 遗传算法的特点 |
2.3 蚁群优化 |
2.3.1 蚁群优化的原理 |
2.3.2 蚁群优化的数学模型 |
2.3.3 蚁群优化的求解步骤 |
2.3.4 蚁群优化的特点 |
2.4 本章小结 |
第三章 带时间窗的车辆路径优化模型构建 |
3.1 模型描述 |
3.2 模型分析 |
3.3 模型构建 |
3.3.1 条件假设 |
3.3.2 目标优化 |
3.3.3 条件约束 |
3.3.4 模型建立 |
3.4 本章小结 |
第四章 路径优化算法设计 |
4.1 遗传算法与蚁群优化分析 |
4.2 算法的改进 |
4.2.1 遗传算法的改进 |
4.2.2 蚁群优化的改进 |
4.3 遗传—蚁群融合算法的设计 |
4.3.1 算法的融合思路 |
4.3.2 模型求解步骤 |
4.4 本章小结 |
第五章 应用实例与结果分析 |
5.1 应用背景 |
5.2 实例数据 |
5.3 实验结果分析 |
5.3.1 改进的遗传算法实验结果 |
5.3.2 改进的蚁群优化实验结果 |
5.3.3 遗传—蚁群融合算法实验结果 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间参加科研情况及获得的学术成果 |
(4)L公司车辆路径优化与车程分配问题研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 现实意义 |
1.3 国内外研究综述 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.3.3 研究述评 |
1.4 研究内容与研究方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.5 论文结构 |
第2章 相关概念与理论 |
2.1 车辆路径问题 |
2.1.1 概念 |
2.1.2 类型 |
2.1.3 构成要素 |
2.2 车辆路径问题求解算法 |
2.2.1 求解算法的类型 |
2.2.2 遗传算法 |
2.2.3 模拟退火算法 |
2.2.4 非支配排序遗传算法 |
2.3 本章小结 |
第3章 L公司配送现状与问题分析 |
3.1 公司介绍 |
3.2 公司配送流程分析 |
3.2.1 常规订单配送流程 |
3.2.2 紧急订单配送流程 |
3.3 客户订单与配送方案分析 |
3.3.1 客户订单 |
3.3.2 配送方案 |
3.3.3 急单配送方案 |
3.3.4 配送方案分析 |
3.4 存在的问题 |
3.4.1 路线安排不合理 |
3.4.2 车辆装载不合理 |
3.4.3 配送仓库下属车辆行驶时间不均衡 |
3.4.4 紧急订单处理不合理 |
3.5 本章小结 |
第4章 L公司车辆路径优化与车程分配问题建模 |
4.1 问题描述与求解思路 |
4.1.1 问题描述 |
4.1.2 问题假设 |
4.1.3 建模思路 |
4.2 车程求解模型 |
4.2.1 集合与参数 |
4.2.2 决策变量 |
4.2.3 车程求解模型建立 |
4.2.4 车程求解模型解释 |
4.3 车程分配模型 |
4.3.1 集合与参数 |
4.3.2 决策变量 |
4.3.3 车程分配模型 |
4.3.4 车程分配模型解释 |
4.4 紧急订单优化模型 |
4.4.1 集合与参数 |
4.4.2 决策变量 |
4.4.3 紧急订单优化模型 |
4.4.4 模型解释 |
4.5 本章小结 |
第5章 求解算法设计 |
5.1 车程求解改进混合遗传模拟退火算法设计 |
5.1.1 染色体构造 |
5.1.2 初始种群 |
5.1.3 适应度求解 |
5.1.4 染色体选择 |
5.1.5 染色体交叉 |
5.1.6 染色体变异 |
5.1.7 进化逆转操作 |
5.1.8 Metropolis抽样准则 |
5.1.9 迭代规则 |
5.1.10 算法流程 |
5.1.11 算法有效性验证 |
5.2 车程分配非支配排序遗传算法设计 |
5.2.1 染色体设计 |
5.2.2 适应度求解 |
5.2.3 序值与拥挤距离求解 |
5.2.4 种群合并与裁剪 |
5.2.5 算法流程 |
5.3 急单配送设计 |
5.3.1 急单配送描述 |
5.3.2 方法设计 |
5.4 本章小结 |
第6章 L公司车辆路径优化与车程分配问题实例求解 |
6.1 实例介绍 |
6.2 配送方案优化 |
6.2.1 算法参数设置 |
6.2.2 计算结果 |
6.2.3 方案比较 |
6.3 本章小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
附录 |
攻读学位期间发表的学术成果 |
致谢 |
(5)物流配送路线优化算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景与研究意义 |
1.2 研究现状评述 |
1.2.1 物流配送路径优化问题研究现状 |
1.2.2 蚁群算法的研究现状 |
1.2.3 研究中存在的问题 |
1.3 本文的论文结构 |
2 物流配送路径问题概述 |
2.1 物流配送路径问题基本概念 |
2.1.1 物流配送定义及分类 |
2.1.2 物流配送路径问题定义 |
2.1.3 物流配送路径问题的关键要素 |
2.1.4 物流配送路径问题分类 |
2.2 带时间窗的物流配送路径问题 |
2.2.1 带时间窗的物流配送路径问题定义 |
2.2.2 时间窗的分类 |
2.3 本章小结 |
3 带时间窗物流配送路径问题需求分析与模型构建 |
3.1 带时间窗物流配送路径问题需求分析 |
3.2 带时间窗物流配送问题模型构建 |
3.2.1 模型假设 |
3.2.2 符号定义 |
3.2.3 软时间窗约束 |
3.2.4 模型建立 |
3.3 本章小结 |
4 带时间窗物流配送路径问题的蚁群算法优化设计 |
4.1 蚁群算法 |
4.1.1 蚁群算法原理 |
4.1.2 蚁群算法基本流程 |
4.1.3 蚁群算法的特点 |
4.2 蚁群算法的优化改进 |
4.2.1 启发函数 |
4.2.2 状态转移规则 |
4.2.3 信息素更新策略 |
4.2.4 遗传算子引入 |
4.2.5 算法流程 |
4.3 本章小结 |
5 带时间窗物流配送路径问题的优化蚁群算法实验分析 |
5.1 算例介绍 |
5.2 运行环境与参数设置 |
5.2.1 运行环境 |
5.2.2 模型参数设定 |
5.3 实验仿真与结果分析 |
5.3.1 MMAS的参数设置及其对算法性能的影响研究 |
5.3.2 实验结果与分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
附录1 攻读硕士学位期间参与的项目和发表的论文 |
附录2 Benchmark Problem 算例数据 |
(6)考虑客户时间窗变动的易腐食品生产-配送问题研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 关于带时间窗的车辆路径问题的研究 |
1.2.2 关于易腐品生产-配送集成调度问题的研究 |
1.2.3 关于生产-配送干扰管理问题的研究 |
1.3 本文主要研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 创新点 |
1.3.4 技术路线 |
第2章 易腐品生产-配送集成调度干扰管理基础理论 |
2.1 带时间窗车辆路径问题基础理论 |
2.1.1 带时间窗车辆路径问题的概念及相关主体 |
2.1.2 带时间窗车辆路径问题的分类 |
2.2 易腐品生产-配送集成调度基础理论 |
2.2.1 易腐品的定义及运输特点 |
2.2.2 生产-配送集成调度研究 |
2.3 干扰管理基础理论 |
2.3.1 干扰管理问题的概念 |
2.3.2 干扰管理的应用领域 |
2.3.3 干扰管理的优势 |
2.4 生产-配送相关问题的算法基础 |
2.4.1 精确算法 |
2.4.2 启发式算法 |
2.5 本章小结 |
第3章 客户时间窗变动的易腐品生产-配送干扰管理模型 |
3.1 问题描述 |
3.2 问题分析 |
3.2.1 客户时间窗变动的干扰辨识 |
3.2.2 扰动主体及扰动度量分析 |
3.3 模型建立 |
3.3.1 变量及参数描述 |
3.3.2 初始生产-配送数学模型 |
3.3.3 客户时间窗变动的干扰管理模型 |
3.4 本章小结 |
第4章 生产-配送集成调度算法 |
4.1 改进的蚁群算法 |
4.2 扰动恢复生产-配送集成调度算法设计 |
4.2.1 整体算法流程 |
4.2.2 基于禁忌搜索的混合蚁群算法改进 |
4.3 本章小结 |
第5章 实证研究 |
5.1 A企业概况 |
5.1.1 企业基本信息 |
5.1.2 企业易腐食品生产-配送现状 |
5.2 A企业时间窗变动下生产-配送干扰管理 |
5.2.1 数据获取及参数设置 |
5.2.2 结果分析 |
5.3 对策与措施 |
5.3.1 加强A企业易腐品生产-运输环节的监管 |
5.3.2 合理控制A企业生产和配送成本 |
5.3.3 加强A企业信息化建设 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
(7)考虑配送地址变动的多模糊时间窗车辆路径优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 关于带时间窗的车辆路径问题的研究 |
1.2.2 关于干扰管理的研究 |
1.2.3 研究述评 |
1.3 研究内容和方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 创新点 |
1.3.4 技术路线 |
第2章 物流配送车辆路径问题及干扰管理相关理论 |
2.1 物流配送基础理论 |
2.1.1 物流配送的概念及流程 |
2.1.2 物流配送的要素与作用 |
2.1.3 物流配送的类型 |
2.2 带时间窗车辆路径问题相关理论 |
2.2.1 带时间窗车辆路径问题的定义 |
2.2.2 带时间窗车辆路径问题的分类 |
2.2.3 求解带时间窗车辆路径问题的基础算法理论 |
2.3 干扰管理基本理论 |
2.3.1 干扰管理的概念 |
2.3.2 干扰事件的分类 |
2.3.3 干扰管理模型 |
2.3.4 干扰问题的其他方法 |
2.4 本章小结 |
第3章 多模糊时间窗下的干扰管理模型 |
3.1 考虑多模糊时间窗的初始车辆路径优化模型 |
3.1.1 问题描述 |
3.1.2 模型的假设和参数变量说明 |
3.1.3 初始车辆路径优化数学模型 |
3.2 基于地址变动的车辆路径优化干扰管理模型 |
3.2.1 扰动的判定 |
3.2.2 扰动主体的分析与度量 |
3.2.3 模型参数及变量说明 |
3.2.4 车辆路径优化干扰管理模型建立 |
3.3 对于干扰事件多次发生的处理 |
3.4 本章小结 |
第4章 改进模拟退火遗传算法的设计 |
4.1 遗传算法 |
4.1.1 遗传算法概述与特点 |
4.1.2 算法步骤与流程 |
4.2 改进遗传算法设计 |
4.2.1 染色体编码与解码 |
4.2.2 初始群体生成 |
4.2.3 适应度函数 |
4.2.4 选择(复制)算子 |
4.2.5 交叉算子 |
4.2.6 变异算子 |
4.3 模拟退火算法 |
4.4 改进的模拟退火遗传算法 |
4.4.1 算法结合思想 |
4.4.2 算法基本流程 |
4.5 本章小结 |
第5章 实证研究 |
5.1 公司概况与数据来源 |
5.1.1 公司概况 |
5.1.2 数据获取及参数设置 |
5.2 初始车辆路径优化问题求解 |
5.3 干扰管理模型求解分析 |
5.4 对比分析 |
5.4.1 方案对比分析 |
5.4.2 算法对比分析 |
5.5 对策与建议 |
5.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
(8)多车场多车型车辆路径问题的改进猫群算法(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究现状 |
1.2.1 多车场车辆路径问题研究 |
1.2.2 多车型车辆路径问题研究 |
1.2.3 多车场多车型车辆路径问题研究 |
1.2.4 带时间窗的车辆路径问题研究 |
1.2.5 同时取送货的车辆路径问题研究 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 车辆配送路径问题研究概述 |
2.1 车辆路径问题的基本概念 |
2.2 车辆路径问题的构成要素 |
2.3 车辆路径问题的基本类型 |
2.4 车辆路径问题的求解方法 |
2.4.1 精确算法 |
2.4.2 启发式算法 |
2.5 小结 |
第三章 多车场多车型车辆路径问题模型构建 |
3.1 多车场多车型车辆路径问题模型 |
3.1.1 问题描述 |
3.1.2 问题假设 |
3.1.3 参数描述 |
3.1.4 目标函数 |
3.1.5 约束条件 |
3.2 带时间窗和同时取送货的多车场多车型车辆路径问题模型 |
3.2.1 问题描述 |
3.2.2 问题假设 |
3.2.3 参数描述 |
3.2.4 目标函数 |
3.2.5 约束条件 |
3.3 小结 |
第四章 设计改进猫群算法 |
4.1 猫群算法概述 |
4.2 猫群算法理论基础 |
4.3 多车场多车型车辆路径问题的改进猫群算法设计 |
4.3.1 编码解码及适应度计算 |
4.3.2 初始化种群 |
4.3.3 变异算子 |
4.3.4 搜寻模式 |
4.3.5 跟踪模式 |
4.3.6 模拟退火算法 |
4.3.7 改进猫群算法的流程 |
4.3.8 改进猫群算法参数 |
4.4 带时间窗和同时取送货的车辆路径问题的改进猫群算法设计 |
4.4.1 路径检测 |
4.4.2 路径调整 |
4.4.3 解码及适应度计算 |
4.5 小结 |
第五章 算例求解与算法分析 |
5.1 多车场多车型车辆路径问题求解 |
5.1.1 参数设置 |
5.1.2 算例求解 |
5.1.3 算法对比 |
5.1.4 算法分析 |
5.1.5 算法参数分析 |
5.2 带时间窗和同时取送货的多车场多车型车辆路径问题求解 |
5.2.1 参数设置 |
5.2.2 算例求解 |
5.2.3 算法对比 |
5.2.4 算法分析 |
5.2.5 算法参数分析 |
5.3 求解总结 |
5.4 小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
作者简介 |
学位论文数据集 |
(9)主动变速条件下电动冷链车辆路径问题模型与算法(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 实际意义 |
1.3 国内外研究现状 |
1.3.1 电动物流车辆路径问题 |
1.3.2 冷链车辆路径问题 |
1.3.3 电动冷链车辆路径问题 |
1.3.4 变速车辆路径问题 |
1.3.5 国内外研究现状总结 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.5 研究创新点 |
2 相关理论基础 |
2.1 电动物流车相关理论 |
2.1.1 电动物流车概念及特点 |
2.1.2 电动汽车充电设施分类 |
2.1.3 电动物流车充电模式 |
2.1.4 电动物流车能耗模型 |
2.1.5 国内外电动物流车发展现状 |
2.2 冷链配送相关理论 |
2.2.1 冷链配送概念 |
2.2.2 冷链配送特点 |
2.2.3 冷链配送车辆类型 |
2.3 蚁群算法相关理论 |
2.3.1 蚁群算法原理及应用 |
2.3.2 蚁群算法流程 |
2.3.3 蚁群算法特点 |
2.4 本章小结 |
3 主动变速条件下电动冷链车辆路径问题模型 |
3.1 问题描述及基本假设 |
3.1.1 问题描述 |
3.1.2 基本假设 |
3.2 模型参数及能耗计算 |
3.2.1 模型参数 |
3.2.2 能耗计算 |
3.3 模型建立 |
3.3.1 目标函数 |
3.3.2 约束条件 |
3.4 本章小结 |
4 主动变速条件下电动冷链车辆路径问题算法 |
4.1 状态转移规则 |
4.1.1 启发式因子 |
4.1.2 转移概率 |
4.2 路径构造 |
4.3 信息素更新 |
4.3.1 全局更新策略 |
4.3.2 精英蚂蚁策略 |
4.3.3 Max-Min策略 |
4.4 局部优化策略 |
4.4.1 六种局部优化算子 |
4.4.2 自适应选择机制 |
4.4.3 模拟退火框架 |
4.4.4 局部优化策略步骤 |
4.5 算法步骤 |
4.6 本章小结 |
5 实验分析 |
5.1 算例构建 |
5.2 算法参数设置 |
5.2.1 蚂蚁数量与迭代次数 |
5.2.2 精英蚂蚁数量 |
5.2.3 自适应机制算子分数 |
5.2.4 自适应机制反应因子 |
5.2.5 模拟退火的初始温度参数 |
5.3 单一局部优化算子实验 |
5.3.1 小规模算例实验 |
5.3.2 大规模算例实验 |
5.3.3 单一局部优化算子实验结论 |
5.4 不同局部优化算子选择机制的比较实验 |
5.4.1 算法最优值分析 |
5.4.2 算法稳定性分析 |
5.4.3 算法运行时间分析 |
5.4.4 算子性能分析 |
5.4.5 算法优化分析 |
5.4.6 不同选择机制实验结论 |
5.5 恒速与变速对比实验 |
5.6 实验结论 |
5.7 本章小结 |
6 结论 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(10)基于不同车型的城市快递配送车辆路径优化研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 不同车型车辆路径研究现状 |
1.3.2 城市快递配送研究现状 |
1.3.3 VRPTW研究现状 |
1.3.4 文献评述 |
1.4 研究内容与方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 论文创新点 |
1.5 论文框架 |
第2章 相关理论基础 |
2.1 城市快递配送相关理论 |
2.1.1 城市快递配送的定义 |
2.1.2 城市快递配送特点 |
2.1.3 城市快递配送优化目标 |
2.2 车辆路径问题相关理论 |
2.2.1 车辆路径问题的概念和模型 |
2.2.2 车辆路径问题的分类 |
2.2.3 车辆路径问题的求解算法 |
2.2.4 带时间窗的车辆路径问题(VRPTW) |
2.3 不同车型车辆路径问题相关理论 |
2.3.1 不同车型车辆路径问题构成要素 |
2.3.2 不同车型车辆路径问题数学模型 |
2.3.3 不同车型车辆路径问题求解算法 |
2.4 遗传算法相关理论 |
2.4.1 遗传算法特点 |
2.4.2 遗传算法基本流程 |
2.5 本章小结 |
第3章 基于不同车型带时间窗的城市快递配送车辆路径优化建模 |
3.1 前期研究与问题分析 |
3.2 模型构建 |
3.2.1 问题描述 |
3.2.2 模型假设 |
3.2.3 参数定义 |
3.2.4 目标函数定义 |
3.3 本章小结 |
第4章 模型求解及算法设计 |
4.1 带时间窗的车辆路径优化算法 |
4.1.1 精确算法 |
4.1.2 启发式算法 |
4.1.3 算法选择 |
4.2 算法设计 |
4.2.1 染色体编码 |
4.2.2 初始种群 |
4.2.3 适应度函数 |
4.2.4 选择算子 |
4.2.5 交叉操作 |
4.2.6 变异操作 |
4.2.7 算法终止条件 |
4.2.8 遗传算法参数 |
4.3 算法灵敏度分析 |
4.3.1 种群规模 |
4.3.2 迭代次数 |
4.3.3 变异概率 |
4.3.4 交叉概率 |
4.4 本章小结 |
第5章 算例分析 |
5.1 数据生成与处理 |
5.2 算法参数设置 |
5.3 实验结果 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 研究结论 |
6.2 研究局限性及展望 |
参考文献 |
致谢 |
攻读硕士学位期间从事的科研工作及取得的成果 |
四、带时间窗的车辆路径混合遗传算法(论文参考文献)
- [1]基于遗传算法的Y物流公司配送路径优化研究[D]. 王雪兵. 中北大学, 2021(09)
- [2]基于最小订单拆分原则的配送路径优化研究[D]. 郭金凤. 内蒙古工业大学, 2021(01)
- [3]城市物流配送路径优化算法研究与应用[D]. 尹艺珂. 西安石油大学, 2021(09)
- [4]L公司车辆路径优化与车程分配问题研究[D]. 高钊. 山东财经大学, 2021(12)
- [5]物流配送路线优化算法研究[D]. 吴桦. 武汉邮电科学研究院, 2021(01)
- [6]考虑客户时间窗变动的易腐食品生产-配送问题研究[D]. 杜尚成. 河北工程大学, 2020(04)
- [7]考虑配送地址变动的多模糊时间窗车辆路径优化研究[D]. 张奇能. 河北工程大学, 2020(04)
- [8]多车场多车型车辆路径问题的改进猫群算法[D]. 蒋权威. 浙江工业大学, 2020(02)
- [9]主动变速条件下电动冷链车辆路径问题模型与算法[D]. 李仙晶. 北京交通大学, 2020(03)
- [10]基于不同车型的城市快递配送车辆路径优化研究[D]. 孙芹. 重庆邮电大学, 2020(02)