[2]
FLORIAN A, KENNETH S Knowledge-guided local search for the vehicle routing problem
[J]. Computers and Operations Research , 2019 , 105 : 32 - 46
DOI:10.1016/j.cor.2019.01.002
[本文引用: 1]
[3]
SALHI S, SARI M A multi-level composite heuristic for the multi-depot vehicle fleet mix problem
[J]. European Journal of Operational Research , 1997 , 103 (1 ): 95 - 112
DOI:10.1016/S0377-2217(96)00253-6
[本文引用: 1]
[4]
SALHI S, WASSAN N, HAJARAT M The fleet size and mix vehicle routing problem with backhauls: formulation and set partitioning-based heuristics
[J]. Transportation Research Part E: Logistics and Transportation Review , 2013 , 56 : 22 - 35
DOI:10.1016/j.tre.2013.05.005
[本文引用: 1]
[5]
SUNDAR K, VENKATACHALAM S, RATHINAM S. Formulations and algorithms for the multiple-depot, fuel-constrained, multiple vehicle routing problem [C]// American Control Conference 2016 . Boston: ACC, 2016: 66-91.
[本文引用: 1]
[6]
LUO J, CHEN M R Multi-phase modified shuffled frog leaping algorithm with extremal optimization for the MDVRP and the MDVRPTW
[J]. Computers and Industrial Engineering , 2014 , 72 : 84 - 97
DOI:10.1016/j.cie.2014.03.004
[本文引用: 1]
[7]
DAYARIAN I, CRAINIC T G, GENDREAU M, et al A column generation approach for a multi-attribute vehicle routing problem
[J]. European Journal of Operational Research , 2015 , 241 (3 ): 888 - 906
DOI:10.1016/j.ejor.2014.09.015
[本文引用: 1]
[8]
CALVET L, FERRER A, GOMES M, et al Combining statistical learning with metaheuristics for the multi-depot vehicle routing problem with market segmentation
[J]. Computers and Industrial Engineering , 2016 , 94 : 93 - 104
DOI:10.1016/j.cie.2016.01.016
[本文引用: 1]
[9]
DE OLIVEIRA F B, ENAYATIFA R, SADAEI H J, et al A cooperative coevolutionary algorithm for the multi-depot vehicle routing problem
[J]. Expert System with Applications , 2016 , 54 : 398 - 402
DOI:10.1016/j.eswa.2016.02.037
[本文引用: 1]
[10]
CALVET L, WANG D, JUAN A, et al Solving the multidepot vehicle routing problem with limited depot capacity and stochastic demands
[J]. International Transactions in Operation Research , 2019 , 26 (2 ): 458 - 484
DOI:10.1111/itor.12560
[本文引用: 1]
[11]
杨烨. 带时间窗的单车场多车型满载车辆调度问题研究[D]. 淄博: 山东理工大学, 2013.
[本文引用: 1]
YANG Ye. Study on single-depot, multi-type vehicle and full-loads vehicle routing problem with time window [D]. Zibo: Shandong University of Technology, 2013.
[本文引用: 1]
[14]
刘丽姣. 考虑碳排放的多车场多车型VRP模型及算法研究[D]. 深圳: 深圳大学, 2017.
[本文引用: 3]
LIU Li-jiao. Considering carbon emission for multi-depot heterogeneous VRP model and algorithmsresearch [D]. Shenzhen: Shenzhen University, 2017.
[本文引用: 3]
[15]
何东东, 李引珍 多车型绿色车辆路径问题优化模型
[J]. 计算机应用 , 2018 , 38 (12 ): 3618 - 3624
[本文引用: 1]
HE Dong-dong, LI Yin-zhen Optimization model of green multi-type vehicles routing problem
[J]. Journal of Computer Applications , 2018 , 38 (12 ): 3618 - 3624
[本文引用: 1]
[16]
BARADARAN V, SHAFEEI A, HOSSEINIAN A H Stochastic vehicle routing problem with heterogeneous vehicles and multiple prioritized time windows: mathematical modeling and solution approach
[J]. Computers and Industrial Engineering , 2019 , 131 : 187 - 199
DOI:10.1016/j.cie.2019.03.047
[本文引用: 1]
[17]
杨翔, 范厚明, 徐振林, 等 模糊需求下多中心开放式车辆路径优化
[J]. 计算机集成制造系统 , 2019 , 25 (2 ): 469 - 479
[本文引用: 1]
YANG Xiang, FAN Hou-ming, XV Zhen-lin, et al Optimization of open multi-depot vehicle routing problemwith fuzzy demand
[J]. Computer Integrated Manufacturing Systems , 2019 , 25 (2 ): 469 - 479
[本文引用: 1]
[19]
ARNOLD F, SORENSEN K What makes a VRP solution good? The generation of problem-specific knowledge for heuristics
[J]. Computers and Operations Research , 2019 , 106 : 280 - 288
DOI:10.1016/j.cor.2018.02.007
[本文引用: 1]
[20]
EUSUFF M M, LANSEY K E Optimization of water distribution network design using the shuffled frog leaping algorithm
[J]. Journal of Water Resources Planning and Management , 2003 , 129 (3 ): 210 - 225
DOI:10.1061/(ASCE)0733-9496(2003)129:3(210)
[本文引用: 1]
[21]
LUO J, LI X, CHEN M R, et al A novel hybrid shuffled frog leaping algorithm for vehicle routing problem with time windows
[J]. Information Sciences , 2015 , 316 : 266 - 292
DOI:10.1016/j.ins.2015.04.001
[本文引用: 1]
[23]
GIOSA I D, TANSINI I L, VIERA I O New assignment algorithms for the multi-depot vehicle routing problem
[J]. Journal of the Operational Research Society , 2002 , 53 (9 ): 977 - 984
DOI:10.1057/palgrave.jors.2601426
[本文引用: 2]
[24]
陈呈频, 韩胜军, 鲁建厦, 等 多车场与多车型车辆路径问题的多染色体遗传算法
[J]. 中国机械工程 , 2018 , 29 (2 ): 218 - 223
DOI:10.3969/j.issn.1004-132X.2018.02.014
[本文引用: 1]
CHEN Cheng-pin, HAN Sheng-jun, LU Jian-sha, et al Multi-chromosome genetic algorithm for multi-depot and multi-type vehicle routing problems
[J]. China Mechanical Engineering , 2018 , 29 (2 ): 218 - 223
DOI:10.3969/j.issn.1004-132X.2018.02.014
[本文引用: 1]
[25]
李小川, 刘媛华, 王影歌 求解多目标带时间窗VRP的文化狼群算法
[J]. 计算机应用研究 , 2020 , 37 (4 ): 1025 - 1029
[本文引用: 1]
LI Xiao-chuan, LIU Yuan-hua, WANG Ying-ge Cultural wolf pack algorithm for solving multi-objective VRP with time window
[J]. Application Research of Computers , 2020 , 37 (4 ): 1025 - 1029
[本文引用: 1]
[26]
骆剑平, 李霞, 陈泯融 混合蛙跳算法的Markov模型及其收敛性分析
[J]. 电子学报 , 2010 , 38 (12 ): 2875 - 2880
[本文引用: 1]
LUO Jian-pin, LI Xia, CHEN Min-Rong The Markov model of shuffled frog leaping algorithm and its convergence analysis
[J]. Acta Electronica Sinica , 2010 , 38 (12 ): 2875 - 2880
[本文引用: 1]
[27]
韩胜军. 多车场多车型车辆路径问题的多染色体遗传算法[D]. 杭州: 浙江工业大学, 2017.
[本文引用: 4]
HAN Sheng-jun. Multi-chromosome genetic algorithm for multi-depot and multi-type vehicle routing problems [D]. Hangzhou: Zhejiang University of Technology, 2017.
[本文引用: 4]
[28]
孟凯露, 尚俊娜, 岳克强 混合蛙跳算法的最优参数研究
[J]. 计算机应用研究 , 2019 , 36 (11 ): 3321 - 3324
[本文引用: 1]
MENG Kai-lu, SHANG Jun-na, YUE Ke-qiang Research on optimal parameters of shuffled frog leaping algorithm
[J]. Application Research of Computers , 2019 , 36 (11 ): 3321 - 3324
[本文引用: 1]
[29]
胡蓉, 李洋, 钱斌, 等. 结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题[J/OL]. 自动化学报, 2020: 1-16 [2020-08-14]. https://doi.org/10.16383/j.aas.c190872.
[本文引用: 2]
HU Rong, LI Yang, QIAN Bin, et al. An enhanced ant colony algorithm combined with clustering decomposition for solving complex green vehicle routing problem [J/OL]. Acta Automatica Sinica , 2020: 1-16 [2020-08-14]. https://doi.org/10.16383/j.aas.c190872.
[本文引用: 2]
The truck dispatching problem
1
1959
... 车辆路径问题(vehicle routing problem,VRP)由Dantzig等[1 ] 首次提出,是物流交通领域的核心问题,也是一类经典的组合优化问题[2 ] . 包含产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)是传统VRP问题的延伸,对于多中心分布式企业来说,在进行车辆调度时,不仅要考虑所服务的客户需求,还要综合考虑多个车场的位置、产品成本以及不同类型车辆的属性,在求解难度上较普通VRP问题大大增加,目前仍缺乏成熟且有效的求解算法. ...
Knowledge-guided local search for the vehicle routing problem
1
2019
... 车辆路径问题(vehicle routing problem,VRP)由Dantzig等[1 ] 首次提出,是物流交通领域的核心问题,也是一类经典的组合优化问题[2 ] . 包含产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)是传统VRP问题的延伸,对于多中心分布式企业来说,在进行车辆调度时,不仅要考虑所服务的客户需求,还要综合考虑多个车场的位置、产品成本以及不同类型车辆的属性,在求解难度上较普通VRP问题大大增加,目前仍缺乏成熟且有效的求解算法. ...
A multi-level composite heuristic for the multi-depot vehicle fleet mix problem
1
1997
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
The fleet size and mix vehicle routing problem with backhauls: formulation and set partitioning-based heuristics
1
2013
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
1
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
Multi-phase modified shuffled frog leaping algorithm with extremal optimization for the MDVRP and the MDVRPTW
1
2014
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
A column generation approach for a multi-attribute vehicle routing problem
1
2015
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
Combining statistical learning with metaheuristics for the multi-depot vehicle routing problem with market segmentation
1
2016
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
A cooperative coevolutionary algorithm for the multi-depot vehicle routing problem
1
2016
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
Solving the multidepot vehicle routing problem with limited depot capacity and stochastic demands
1
2019
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
1
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
1
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
多配送中心车辆路径问题的狼群算法
1
2017
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
多配送中心车辆路径问题的狼群算法
1
2017
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
多车场多车型车辆调度问题及其遗传算法
2
2014
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
... 在文献[13 ]提出的三标准聚类算法的基础上,添加距离中位值的衡量标准,采用四标准聚类算法对所有客户进行聚类,并分配给对应的车场. 四标准指的是中位距离、平均距离、平均距离方差、最小距离,可以更好地反映客户所在地区的情况. 4种计算方式如图2 所示.该方法比常用的K-means聚类方法更有效[23 ] ,分配结果更加合理,具体流程如下所示. ...
多车场多车型车辆调度问题及其遗传算法
2
2014
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
... 在文献[13 ]提出的三标准聚类算法的基础上,添加距离中位值的衡量标准,采用四标准聚类算法对所有客户进行聚类,并分配给对应的车场. 四标准指的是中位距离、平均距离、平均距离方差、最小距离,可以更好地反映客户所在地区的情况. 4种计算方式如图2 所示.该方法比常用的K-means聚类方法更有效[23 ] ,分配结果更加合理,具体流程如下所示. ...
3
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
... 为了充分验证所提算法的有效性以及优越性,将其测试结果与传统蛙跳算法(SFLA)、单循环结构综合学习细菌觅食优化算法[14 ] (SRCLBFO)、增强蚁群算法[29 ] (EACO)进行比较分析,SFLA参数与本研究所提算法的一致,SRCLBFO、EACO参数如下. SRCLBFO[14 ] :菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
... [14 ]:菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
3
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
... 为了充分验证所提算法的有效性以及优越性,将其测试结果与传统蛙跳算法(SFLA)、单循环结构综合学习细菌觅食优化算法[14 ] (SRCLBFO)、增强蚁群算法[29 ] (EACO)进行比较分析,SFLA参数与本研究所提算法的一致,SRCLBFO、EACO参数如下. SRCLBFO[14 ] :菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
... [14 ]:菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
多车型绿色车辆路径问题优化模型
1
2018
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
多车型绿色车辆路径问题优化模型
1
2018
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
Stochastic vehicle routing problem with heterogeneous vehicles and multiple prioritized time windows: mathematical modeling and solution approach
1
2019
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
模糊需求下多中心开放式车辆路径优化
1
2019
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
模糊需求下多中心开放式车辆路径优化
1
2019
... 由于实际问题的研究角度不同,不同学者对传统VRP问题添加了各种特定约束,衍生出许多新问题. 针对多车场多车型车辆路径问题[3 ] (multi-depot heterogeneous vehicle routing problem,MDHVRP),Salhi等[4 ] 研究附带拣货作业的多车型车辆路径问题,并提出基于集合划分的启发式算法对其进行求解;Sundar等[5 ] 针对带有燃料限制的多车场多车型问题,设计分支切割算法,但该算法只适用于小规模情形;Luo等[6 ] 在混合蛙跳算法中引入极值优化算法对多车场带时间窗的车辆路径问题进行研究;Dayarian等[7 ] 以牛奶采集系统为例,提出分支定价法对多属性车辆路径问题进行研究;Calvet等[8 ] 考虑不同仓库配送对需求变化的潜在影响,设计统计学习技术与元启发式框架相结合的混合方法;de Oliveira等[9 ] 将MDVRP问题分解成多个经典VRP子问题,提出具有可变长度基因和搜索算子的并行进化算法,通过算例验证所提算法的有效性;Calvet等[10 ] 研究车队数量有限即仓库容量有限的多车场问题,提出结合蒙特卡罗模拟和元启发式算法的模拟启发式框架;杨烨[11 ] 对带时间窗的多车型满载车辆调度问题进行研究,并设计了“扫描-插入-遗传”启发式算法,但是其所得解很依赖扫描情况,往往无法得到全局最优解;叶勇等[12 ] 考虑配送中心的动态启用性,设计了改进狼群算法;马宇红等[13 ] 引入司机工资,包括基本工资和加班费,以最小配送费为目标,对多车场多车型车辆调度问题进行研究,但其在算法验证过程中,案例规模较小,并且将多车型简化为了单车型,降低了求解难度,使得结果不具备充足的信服力;刘丽姣[14 ] 将碳排放引入多车场多车型车辆路径问题中,提出单循环结构综合学习细菌觅食优化算法,通过单峰函数和多峰函数对其进行有效性验证,并证明多车场多车型较单车场单车型的优势;何东东等[15 ] 建立带时间窗的多车型绿色车辆路径模型,并设计了改进的禁忌搜索算法;Baradaran等[16 ] 以实际车辆配送系统为基础,研究具有多个附带优先级的硬时间窗的多车型车辆路径问题,提出3种多目标模型,并利用二进制人工蜂群算法进行求解验证;杨翔等[17 ] 针对模糊需求下的开放式多车场车辆路径问题,采用两阶段禁忌搜索算法进行研究. ...
考虑供给商品价格的多车场车辆路径问题
2
2016
... 多年来,学者们对MDHVRP问题进行了各式各样拓展性的研究,然而较少有学者研究不同产品成本对多车场车辆调度的影响. 2016年,鲁建厦等[18 ] 首次将产品成本考虑到多车场问题中去,不同地区用人成本、原材料成本不同,往往导致其产品成本不同,产品成本低的配送中心理应服务更多的客户,这也是很多大型跨国企业将加工厂建在发展中国家的原因,主要是为了利用发展中国家较为低廉的劳动力、原材料,从而在激烈的国际竞争中获得优势,赢取更大的利润,这也证明了研究产品成本对调度影响的重要性与必要性. 然而,鲁建厦等[18 ] 的初步研究并未证明考虑产品成本对优化调度的必要性,为此,本研究在其基础之上,进一步增加模型复杂度,以最小化总成本为目标,提出考虑产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)模型. 设计改进的混合蛙跳算法(improved hybrid shuffled frog leaping algorithm,IHSFLA)进行求解,并通过实例验证模型和算法的有效性. ...
... [18 ]的初步研究并未证明考虑产品成本对优化调度的必要性,为此,本研究在其基础之上,进一步增加模型复杂度,以最小化总成本为目标,提出考虑产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)模型. 设计改进的混合蛙跳算法(improved hybrid shuffled frog leaping algorithm,IHSFLA)进行求解,并通过实例验证模型和算法的有效性. ...
考虑供给商品价格的多车场车辆路径问题
2
2016
... 多年来,学者们对MDHVRP问题进行了各式各样拓展性的研究,然而较少有学者研究不同产品成本对多车场车辆调度的影响. 2016年,鲁建厦等[18 ] 首次将产品成本考虑到多车场问题中去,不同地区用人成本、原材料成本不同,往往导致其产品成本不同,产品成本低的配送中心理应服务更多的客户,这也是很多大型跨国企业将加工厂建在发展中国家的原因,主要是为了利用发展中国家较为低廉的劳动力、原材料,从而在激烈的国际竞争中获得优势,赢取更大的利润,这也证明了研究产品成本对调度影响的重要性与必要性. 然而,鲁建厦等[18 ] 的初步研究并未证明考虑产品成本对优化调度的必要性,为此,本研究在其基础之上,进一步增加模型复杂度,以最小化总成本为目标,提出考虑产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)模型. 设计改进的混合蛙跳算法(improved hybrid shuffled frog leaping algorithm,IHSFLA)进行求解,并通过实例验证模型和算法的有效性. ...
... [18 ]的初步研究并未证明考虑产品成本对优化调度的必要性,为此,本研究在其基础之上,进一步增加模型复杂度,以最小化总成本为目标,提出考虑产品成本、多车场、多车型在内的多约束车辆路径问题(rich vehicle routing problem,RVRP)模型. 设计改进的混合蛙跳算法(improved hybrid shuffled frog leaping algorithm,IHSFLA)进行求解,并通过实例验证模型和算法的有效性. ...
What makes a VRP solution good? The generation of problem-specific knowledge for heuristics
1
2019
... 多约束车辆路径问题属于典型的NP难题[19 ] ,在有效时间内,很难利用精确算法进行计算,因此通常采用启发式算法对其进行规划求解. 混合蛙跳算法(shuffled frog leaping algorithm,SFLA)由Eusuff等[20 ] 提出,模仿一群青蛙在觅食时的信息交互行为. 该算法结合模因算法和粒子群算法的优点,概念简单、调整参数少,具有较强的全局搜索能力,已成功在车辆路径规划[21 ] 、柔性车间调度[22 ] 领域内运用. 在混合蛙跳算法中,种群由一群青蛙组成,每一只青蛙代表一种可能的解决方案,将这些青蛙按照某种规则分到不同的族群内,青蛙在各自的族群内部进行交流演化,在一定时间后,所有族群的青蛙会聚集在一起,进行融合,然后再行划分、进化,循环以往,直至满足收敛条件. ...
Optimization of water distribution network design using the shuf?ed frog leaping algorithm
1
2003
... 多约束车辆路径问题属于典型的NP难题[19 ] ,在有效时间内,很难利用精确算法进行计算,因此通常采用启发式算法对其进行规划求解. 混合蛙跳算法(shuffled frog leaping algorithm,SFLA)由Eusuff等[20 ] 提出,模仿一群青蛙在觅食时的信息交互行为. 该算法结合模因算法和粒子群算法的优点,概念简单、调整参数少,具有较强的全局搜索能力,已成功在车辆路径规划[21 ] 、柔性车间调度[22 ] 领域内运用. 在混合蛙跳算法中,种群由一群青蛙组成,每一只青蛙代表一种可能的解决方案,将这些青蛙按照某种规则分到不同的族群内,青蛙在各自的族群内部进行交流演化,在一定时间后,所有族群的青蛙会聚集在一起,进行融合,然后再行划分、进化,循环以往,直至满足收敛条件. ...
A novel hybrid shuffled frog leaping algorithm for vehicle routing problem with time windows
1
2015
... 多约束车辆路径问题属于典型的NP难题[19 ] ,在有效时间内,很难利用精确算法进行计算,因此通常采用启发式算法对其进行规划求解. 混合蛙跳算法(shuffled frog leaping algorithm,SFLA)由Eusuff等[20 ] 提出,模仿一群青蛙在觅食时的信息交互行为. 该算法结合模因算法和粒子群算法的优点,概念简单、调整参数少,具有较强的全局搜索能力,已成功在车辆路径规划[21 ] 、柔性车间调度[22 ] 领域内运用. 在混合蛙跳算法中,种群由一群青蛙组成,每一只青蛙代表一种可能的解决方案,将这些青蛙按照某种规则分到不同的族群内,青蛙在各自的族群内部进行交流演化,在一定时间后,所有族群的青蛙会聚集在一起,进行融合,然后再行划分、进化,循环以往,直至满足收敛条件. ...
新型蛙跳算法求解总能耗约束FJSP
4
2018
... 多约束车辆路径问题属于典型的NP难题[19 ] ,在有效时间内,很难利用精确算法进行计算,因此通常采用启发式算法对其进行规划求解. 混合蛙跳算法(shuffled frog leaping algorithm,SFLA)由Eusuff等[20 ] 提出,模仿一群青蛙在觅食时的信息交互行为. 该算法结合模因算法和粒子群算法的优点,概念简单、调整参数少,具有较强的全局搜索能力,已成功在车辆路径规划[21 ] 、柔性车间调度[22 ] 领域内运用. 在混合蛙跳算法中,种群由一群青蛙组成,每一只青蛙代表一种可能的解决方案,将这些青蛙按照某种规则分到不同的族群内,青蛙在各自的族群内部进行交流演化,在一定时间后,所有族群的青蛙会聚集在一起,进行融合,然后再行划分、进化,循环以往,直至满足收敛条件. ...
... Comparison of cost of optimal path obtained by different algorithms
Tab.2 算法 均值/元 标准差/元 多染色体遗传算法[22 ] 9178 563 单染色体遗传算法[22 ] 11804 790 粒子群算法[22 ] 11015 612 改进混合蛙跳算法 8290 173
3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
... [
22 ]
11804 790 粒子群算法[22 ] 11015 612 改进混合蛙跳算法 8290 173 3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
... [
22 ]
11015 612 改进混合蛙跳算法 8290 173 3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
新型蛙跳算法求解总能耗约束FJSP
4
2018
... 多约束车辆路径问题属于典型的NP难题[19 ] ,在有效时间内,很难利用精确算法进行计算,因此通常采用启发式算法对其进行规划求解. 混合蛙跳算法(shuffled frog leaping algorithm,SFLA)由Eusuff等[20 ] 提出,模仿一群青蛙在觅食时的信息交互行为. 该算法结合模因算法和粒子群算法的优点,概念简单、调整参数少,具有较强的全局搜索能力,已成功在车辆路径规划[21 ] 、柔性车间调度[22 ] 领域内运用. 在混合蛙跳算法中,种群由一群青蛙组成,每一只青蛙代表一种可能的解决方案,将这些青蛙按照某种规则分到不同的族群内,青蛙在各自的族群内部进行交流演化,在一定时间后,所有族群的青蛙会聚集在一起,进行融合,然后再行划分、进化,循环以往,直至满足收敛条件. ...
... Comparison of cost of optimal path obtained by different algorithms
Tab.2 算法 均值/元 标准差/元 多染色体遗传算法[22 ] 9178 563 单染色体遗传算法[22 ] 11804 790 粒子群算法[22 ] 11015 612 改进混合蛙跳算法 8290 173
3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
... [
22 ]
11804 790 粒子群算法[22 ] 11015 612 改进混合蛙跳算法 8290 173 3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
... [
22 ]
11015 612 改进混合蛙跳算法 8290 173 3.2. RVRP问题实例验证 某石油企业有A、B、C、D共4个配送中心,产品成本互不相同,共有13辆大型、中型、小型3种不同类型的车辆,现有50位客户需要进行石油配送服务,其具体信息如表3 、4 所示,要求安排合理的车辆及其配送的行驶路线,使产品总成本及所有车辆配送成本之和最小,使企业利润最大化. ...
New assignment algorithms for the multi-depot vehicle routing problem
2
2002
... 为了加快算法的收敛速度,避免陷入局部最优解,本研究提出基于聚类的改进混合蛙跳算法来求解RVRP问题. 采用四标准聚类算法[23 ] 对所有客户进行基于配送中心的聚类;通过客户邻近矩阵产生初始解的方式构造初始种群,将初始种群分为不同族群,各族群内部进行交流、进化;将所有族群进行混合、重排,再次进行分组,循环以往,直至满足收敛条件. ...
... 在文献[13 ]提出的三标准聚类算法的基础上,添加距离中位值的衡量标准,采用四标准聚类算法对所有客户进行聚类,并分配给对应的车场. 四标准指的是中位距离、平均距离、平均距离方差、最小距离,可以更好地反映客户所在地区的情况. 4种计算方式如图2 所示.该方法比常用的K-means聚类方法更有效[23 ] ,分配结果更加合理,具体流程如下所示. ...
多车场与多车型车辆路径问题的多染色体遗传算法
1
2018
... 传统的VRP问题多采用一段式的自然数编码方式,即在一段自然数编码中,包含了所有车辆的行驶路线,如由1个配送中心6个客户组成的配送网络,其可能存在的编码方式为0132040650,其中0代表配送中心,数字1~6代表客户编号,对其进行解码为0-1-3-2-0,0-4-0,0-6-5-0,即6个客户分3辆车进行配送服务,然而传统的编码方式在解决多车场多车型问题时,普遍存在表达复杂、难以进行交叉、容易产生非法解等问题,因此,本研究采用多染色体编码方式[24 ] . 多染色体编码方式就是在进行编码表达时,采用多条染色体的形式,对应到车辆路径问题中来,就是每一辆车都对应一条染色体编码,所有车辆的染色体编码组成一个个体,这样就避免了传统编码方式中难以表达车场、车型的问题,同时,因为每辆车都有自己的编码,所以在不同个体或者不同车辆进行信息交流时,更加方便,且不易产生非法解. ...
多车场与多车型车辆路径问题的多染色体遗传算法
1
2018
... 传统的VRP问题多采用一段式的自然数编码方式,即在一段自然数编码中,包含了所有车辆的行驶路线,如由1个配送中心6个客户组成的配送网络,其可能存在的编码方式为0132040650,其中0代表配送中心,数字1~6代表客户编号,对其进行解码为0-1-3-2-0,0-4-0,0-6-5-0,即6个客户分3辆车进行配送服务,然而传统的编码方式在解决多车场多车型问题时,普遍存在表达复杂、难以进行交叉、容易产生非法解等问题,因此,本研究采用多染色体编码方式[24 ] . 多染色体编码方式就是在进行编码表达时,采用多条染色体的形式,对应到车辆路径问题中来,就是每一辆车都对应一条染色体编码,所有车辆的染色体编码组成一个个体,这样就避免了传统编码方式中难以表达车场、车型的问题,同时,因为每辆车都有自己的编码,所以在不同个体或者不同车辆进行信息交流时,更加方便,且不易产生非法解. ...
求解多目标带时间窗VRP的文化狼群算法
1
2020
... 邻近矩阵用来描述2个点的邻近关系[25 ] ,通过两点之间的距离构造邻近矩阵,表达式为 ...
求解多目标带时间窗VRP的文化狼群算法
1
2020
... 邻近矩阵用来描述2个点的邻近关系[25 ] ,通过两点之间的距离构造邻近矩阵,表达式为 ...
混合蛙跳算法的Markov模型及其收敛性分析
1
2010
... 在IHSFLA中,将每一代种群看作一种状态,种群的进化则可以看作状态间的转移,由蛙跳策略可知,当前种群的状态仅和上一代种群状态有关. 设总体状态空间为G ,则在算法迭代过程中,每一代种群G (t )对应马尔科夫链模型中的一种状态,种群更新则对应马尔科夫链模型中不同状态的转移. 由混合蛙跳算法的收敛性[26 ] 可知,当族群内出现最佳个体时,子代个体将不断靠近最优个体: ...
混合蛙跳算法的Markov模型及其收敛性分析
1
2010
... 在IHSFLA中,将每一代种群看作一种状态,种群的进化则可以看作状态间的转移,由蛙跳策略可知,当前种群的状态仅和上一代种群状态有关. 设总体状态空间为G ,则在算法迭代过程中,每一代种群G (t )对应马尔科夫链模型中的一种状态,种群更新则对应马尔科夫链模型中不同状态的转移. 由混合蛙跳算法的收敛性[26 ] 可知,当族群内出现最佳个体时,子代个体将不断靠近最优个体: ...
4
... 参照文献[27 ]的例子进行求解验算,具体描述如下:有一个包含了3个车场、3种类型共10辆车的配送中心要为其服务区内的30位客户进行相关配送服务,要求安排合理的车辆配送路线,使得所有车辆的总成本最小. ...
... 根据文献[27 ]设置对比算法参数如下. 多染色体遗传算法:种群规模Pop_size=400;个体间交叉概率P c1 =0.5;个体内交叉概率P c2 =0.1;变异概率P m =0.03. 单染色体遗传算法:种群规模Pop_size=100;交叉概率P c =0.6;变异概率P m =0.2,精英选择比率P s =0.1. ...
... 利用Matlab软件对该问题进行计算求解,车辆最优配送方案如表1 所示,最优路径如图7 所示,配送总费用为8 019元,车辆平均利用率为79%,算法的进化曲线如图8 所示,在第142代开始收敛. 图中,I 为迭代次数,C 为总费用. 韩胜军[27 ] 利用多染色体遗传算法对该问题进行求解,最优路径如图9 所示,配送总费用为8306元,算法在第591代收敛. 对比得出,本研究IHSFLA求解质量更高,同时在收敛速度上较多染色体遗传算法更快. 将算法运行100次,将其结果与文献[27 ]结果比较,如表2 所示. 可以看出,与多染色体遗传算法相比,解的平均质量提高了11%,与单染色体遗传算法相比,解的平均质量提高了42%,与粒子群算法相比,解的平均质量提高了33%. IHSFLA 不仅有着更高的求解质量,而且算法的波动性更小,稳定性更高,充分说明了IHSFLA在求解此类问题上的优异性. ...
... 所示,配送总费用为8306元,算法在第591代收敛. 对比得出,本研究IHSFLA求解质量更高,同时在收敛速度上较多染色体遗传算法更快. 将算法运行100次,将其结果与文献[27 ]结果比较,如表2 所示. 可以看出,与多染色体遗传算法相比,解的平均质量提高了11%,与单染色体遗传算法相比,解的平均质量提高了42%,与粒子群算法相比,解的平均质量提高了33%. IHSFLA 不仅有着更高的求解质量,而且算法的波动性更小,稳定性更高,充分说明了IHSFLA在求解此类问题上的优异性. ...
4
... 参照文献[27 ]的例子进行求解验算,具体描述如下:有一个包含了3个车场、3种类型共10辆车的配送中心要为其服务区内的30位客户进行相关配送服务,要求安排合理的车辆配送路线,使得所有车辆的总成本最小. ...
... 根据文献[27 ]设置对比算法参数如下. 多染色体遗传算法:种群规模Pop_size=400;个体间交叉概率P c1 =0.5;个体内交叉概率P c2 =0.1;变异概率P m =0.03. 单染色体遗传算法:种群规模Pop_size=100;交叉概率P c =0.6;变异概率P m =0.2,精英选择比率P s =0.1. ...
... 利用Matlab软件对该问题进行计算求解,车辆最优配送方案如表1 所示,最优路径如图7 所示,配送总费用为8 019元,车辆平均利用率为79%,算法的进化曲线如图8 所示,在第142代开始收敛. 图中,I 为迭代次数,C 为总费用. 韩胜军[27 ] 利用多染色体遗传算法对该问题进行求解,最优路径如图9 所示,配送总费用为8306元,算法在第591代收敛. 对比得出,本研究IHSFLA求解质量更高,同时在收敛速度上较多染色体遗传算法更快. 将算法运行100次,将其结果与文献[27 ]结果比较,如表2 所示. 可以看出,与多染色体遗传算法相比,解的平均质量提高了11%,与单染色体遗传算法相比,解的平均质量提高了42%,与粒子群算法相比,解的平均质量提高了33%. IHSFLA 不仅有着更高的求解质量,而且算法的波动性更小,稳定性更高,充分说明了IHSFLA在求解此类问题上的优异性. ...
... 所示,配送总费用为8306元,算法在第591代收敛. 对比得出,本研究IHSFLA求解质量更高,同时在收敛速度上较多染色体遗传算法更快. 将算法运行100次,将其结果与文献[27 ]结果比较,如表2 所示. 可以看出,与多染色体遗传算法相比,解的平均质量提高了11%,与单染色体遗传算法相比,解的平均质量提高了42%,与粒子群算法相比,解的平均质量提高了33%. IHSFLA 不仅有着更高的求解质量,而且算法的波动性更小,稳定性更高,充分说明了IHSFLA在求解此类问题上的优异性. ...
混合蛙跳算法的最优参数研究
1
2019
... 根据文献[28 ]设置改进混合蛙跳算法参数如下. 蛙群规模F =300,族群数N f =20,族群中的青蛙数目S f =15,每个族群的局部搜索次数N s =10,邻域搜索次数N n =5,子群规模S z =12,种群最大迭代次数G =300,初始温度θ =1000 °C,降温速率q =0.9. ...
混合蛙跳算法的最优参数研究
1
2019
... 根据文献[28 ]设置改进混合蛙跳算法参数如下. 蛙群规模F =300,族群数N f =20,族群中的青蛙数目S f =15,每个族群的局部搜索次数N s =10,邻域搜索次数N n =5,子群规模S z =12,种群最大迭代次数G =300,初始温度θ =1000 °C,降温速率q =0.9. ...
2
... 为了充分验证所提算法的有效性以及优越性,将其测试结果与传统蛙跳算法(SFLA)、单循环结构综合学习细菌觅食优化算法[14 ] (SRCLBFO)、增强蚁群算法[29 ] (EACO)进行比较分析,SFLA参数与本研究所提算法的一致,SRCLBFO、EACO参数如下. SRCLBFO[14 ] :菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
... [29 ]:信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
2
... 为了充分验证所提算法的有效性以及优越性,将其测试结果与传统蛙跳算法(SFLA)、单循环结构综合学习细菌觅食优化算法[14 ] (SRCLBFO)、增强蚁群算法[29 ] (EACO)进行比较分析,SFLA参数与本研究所提算法的一致,SRCLBFO、EACO参数如下. SRCLBFO[14 ] :菌落数S =30,趋向操作次数N c = 5,复制操作数N re = 5,迁徙操作数N s = 5,惯性因子ω = 0.9,学习概率P c = 0.1,加速因子c 1 = 1.2,c 2 = 0.6. EACO[29 ] :信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...
... [29 ]:信息素挥发系数控制因子γ =1,信息素挥发系数初始值ρ 0 =0.9,残留信息素重要程度α = 1.25,启发信息素重要程度β = 2.5,初始化信息素浓度参数P m = 1.1,信息素增量常数W = 500. ...