论文部分内容阅读
本文以物流配送过程中的车辆路径优化问题为研究对象,对车辆路径优化的理论和方法展开系统研究。通过对标准车辆路径问题增加约束条件,建立起了扩展的车辆路径优化模型,提高了理论模型的可信度和应用价值。针对建立的车辆路径优化模型,设计出改进的蚁群算法,以缩短求解时间,提高求解质量,并通过仿真结果分析了改进算法的正确性和有效性。论文主要研究内容包括:首先,综述了车辆路径优化问题的国内外研究现状。通过对车辆路径优化问题研究现状的分析,指出目前研究存在的问题与不足。进而,引入容量、距离、时间窗、同时取送货等约束,建立起车辆路径问题的几种扩展模型。其次,综述了车辆路径优化问题的各种求解方法,包括精确算法和各种启发式算法。重点分析了蚁群算法研究现状以及其在车辆路径优化问题中的应用状况。然后,研究了蚁群算法的改进问题,提出了两种改进算法:一是求解大规模VRP问题的基于密度聚类的双层蚁群算法;二是改进的混合蚁群算法。最后,研究了如何运用改进的蚁群算法进行车辆路径优化。通过实例仿真,采用对比分析法对改进算法进行评价。本文的创新之处主要有以下几点:(1)提出了一种求解大规模VRP问题的基于密度聚类的双层蚁群算法。该算法通过采用基于密度的聚类算法对客户节点聚类,降低求解问题规模,而后分别在两个层次使用蚁群算法求解。(2)提出了改进的混合蚁群算法。通过将遗传算法中的变异、交叉算子等引入蚁群算法,提出了改进的混合算法框架。(3)设计了一种新的状态转移规则。针对带时间窗车辆路径问题特点,通过将时间窗宽度和顾客等待时间引入状态转移中,设计了一种新的状态转移规则。(4)建立了多目标物流配送车辆路径问题数学模型。通过引入配送车辆数、行驶距离、客户满意度等目标,建立起了多目标物流配送车辆路径问题数学模型,并基于混合蚁群算法求得问题的Pareto最优解。