基于送货时间窗的物流配送车辆路径问题研究.pdfVIP

基于送货时间窗的物流配送车辆路径问题研究 目标函数为： MinZ ∑∑∑C~xqk+ t k 1i； 0 0 约束条件： f N 肼 I∑∑ l Vj：1，2，…，J7、， 2 1 l∑∑ l Vi 12一，Ⅳ 3 f 一 Ⅳ s．t． Xqk--i 0Vi 0l…N， V0一，Ⅳ -1，‘ 4 ’ l∑ ∑ 1≤Q Vk l，2，… 5 Is ++ma】 【 a-／s ，0 ， Vi O1一，Ⅳ Vj O，1，…，Ⅳ Vk l，2，…， 6 ICi c。∑max[ az-s ，0]+C2∑max[s,-b ，0] 7 约束 2 、 3 表示每个用户只被一辆车服务一次，约束 4 表示车辆驶入用户 i，必定会驶出用户 i，约束 5 表示 载重量约束，分配给k车辆的载重量不能超过车辆载重量 9，约束 6 为用户节点时间窗约束，约束 7 为惩罚函数。 2 遗传算法对模型求解 遗传算法是模拟生物进化规律基于适者生存的一种自适应全局优化概率搜索算法。遗传算法构造一个适应度函数对种群进 行不断的选择、交叉、变异等操作，最终获得最优解。利用该算法可以较好地解决 VRP问题。 2．1编码。遗传算法的编码都是可理解为解的代码表现形式，VRPTW问题的编码可以采用 自然编码的方法 ，直接产生一组不 重复的自然数的排列，该排列构成了问题的一个解，并且对应一种配送方案。根据约束可按顺序依次划分各辆车的配送路径。 2．2 适应度函数。适应度函数是评价每个染色体优劣的函数，是获得最优染色体的基本依据，一般与目标函数有密切的联系， 一 般 目标函数为Z x ，设计的适应度函数为： ㈦ 其中c一为一个适当相对较大的数。 2．3 遗传操作。评价函数是遗传过程中优胜劣汰的基本依据 ，选择优 良的染色体以较大的概率进入种群，反之劣质的染色体 被选人种群的概率较小。采用轮盘赌选择操作 ，评价函数越大，在轮盘中所占比例越大，该染色体选人种群的概率也越大。其 具体选中概率为： 善 9 ∑ 2．4 交叉规则。交叉是种群中的个体为父代，依照一定的规则互相交换特定位置的基因信息，从而产生继承父代大部分信息 又不同于父代的子代染色体，这里具体采用双点交叉操作，在个体编码串中随机设置两个交叉点，然后再进行部分基因交换。 2．5 变异规则。采用倒位变异操作，是指随机选定连续排列中的一部分客户，将这部分客户的排列进行倒置。假设个体为 1231 456718，选中4567部分，进行倒位操作 ，则通过倒位变异操作后个体就变成了1座机电话号码8。 3 实例应用 某物流中心分布在一个 30km的正方形区域内，有一个配送点和 15个用户 ，配送中心编号为0，配送中心的坐标为 20，12 ，用户编号依次为 1,2，…，15，物流中心配有 5辆型号相同的货运车，时间窗采用 24小时制 ，每辆车的载重为8．5t配送 的单位距离成本为5元，公里，货车的平均行驶速度为35公里／／J、时，货车早到的惩罚成本 C为 8元，／J、时，迟到的惩罚成本 为20元／，J、时，计算机随机产生 l5个用户坐标如表 1所示。 利用遗传算法对实例求解得到的初始优化配送方案如表2所示。 初始优化配送方案路径如图1所示。 各路径到达和离开用户的时间情况如表 3所示。 表 2列出的是算法求解后的3条最优子路径，以及每条路径分别的成本及装载率，表 3列出了子路径中每个客户的到达时 间、出发时间以及早晚点情况。 4 结 论 针对带有送货时间窗的物流配送问题 ，采用遗传算法求解，建立了带有软时间窗的惩罚函数的配送整数规划模型。该模型 更加贴合用户对于时间窗约束的要求，制定了结合不同实际的配送车辆路径问题的配送策略。方法原理适用性强 ，有一定的操 作性，具有实际应用的价值 ，计算效率较高，可为实际的物流配送问题的解决提供参考。 88 Logis~sS ； l?ech 2 jI54 基于送货时间窗的物流配送车辆路径 问题研究 表 1 客户初始信息表 编号 横坐标 纵坐标 货物需求量 时间窗 服务时长 编号 横坐标 纵坐标 货物需求量 时间窗 服务时长 1 0 27 1．8 4．5，5．5 0．60 9 30 25 1．9 10，11 O．60 2 23 20 2．O 5,6 O．60 10 3 2 1．6 10，11 0．53 3 15 16 0．7 11，12 0．30 l1 8 16 0．6 8．5，9 O．25 4 12 5 2-3 9，10 0．90 12 28 12 1．4 6．5，7．5 0．50 5 26 6 1．4 5．5，6．5 0．5O l3 19 3 0．8 4，5 0-3O 6 6 26 1．6 7，8 0