基于蚁群算法的车辆路径问题研究.docVIP

基于蚁群算法的车辆路径问题研究 　　摘 要：本文首先对车辆路径问题及蚁群算法进行了介绍，并介绍了使用蚁群算法解决经典车辆路径问题时的参数设计及步骤，然后针对H公司在沈阳市的配送活动建立基于蚁群算法的优化模型，最后使用Matlab进行求解，研究结果表明：优化后的线路节约了车辆配送的总里程数，减少了车辆数量，提高了车辆满载率，降低了企业运输成本。 　　关键词：蚁群算法；车辆路径问题；物流配送 　　物流作为经济发展的“第三利润源泉”，在国民经济中处于一个十分重要的地位。配送是运输中一个重要环节，每个企业节约配送成本，累积起来可以减少社会物流总费用。企业可以通过优化配送线路，提高运输效率，减少配送次数和车辆数量，降低物流成本，提高企业市场竞争力。 　　一、车辆路径问题及蚁群算法简介 　　车辆路径问题（VRP）最早在1959由线性规划大师Dantzig和Ramser首次提出，常被用来解决物流配送活动中常见的问题，即为已知位置坐标和需求量的客户配送货物，配送活动可以使用多辆运载能力已知的配送车，每辆车都从配送中心出发，以最小的车辆里程数、最少的车辆数及较高的满载率完成配送任务后返回配送中心。经过长时间的发展，车辆路径问题的研究成果现在已经被广泛的应用在企业的运输、配送等活动中。车辆路径问题（VRP）的求解方法主要分为精确算法和启发式算法两大类，其中蚁群算法是现代启发式算法中较常使用的一种，可以实际有效的解决车辆路径优化问题，对路线进行全局优化。 　　意大利学者Marco Dorigo于1992年在他的博士论文中最先提出蚂蚁系统，并成功地应用蚂蚁系统解决了旅行商问题（TSP）。蚂蚁系统发展较为成熟之后，学者们陆续提出多种求解能力更强的蚁群算法，这些算法已经被应用在多个领域行业内解决实际问题，如旅行商问题、指派问题、调度问题、车辆路径问题等。 　　二、基于蚁群算法的经典车辆路径优化模型及算法 　　经典车辆路径问题是车辆在配送过程中选择路径时只考虑车辆容量约束的问题，一般要满足以下几条约束条件和假设：（1）只有一个配送中心，它为多个客户进行配送服务；（2）配送车辆车型相同，最大里程数不限，且容量或载重量已知；（3）配送中心的位置坐标和每个客户的位置坐标可获得；（4）全部配送车辆都将配送中心作为起点，完成配送任务后必须返回配送中心；（5）每个客户需求已知，且由一辆车进行一次配送便可满足；（6）每条路径上各客户的需求量之和不超过配送车辆的容量或载重量；（7）要求配送总成本最小。 　　基于蚁群算法的经典路径问题有以下几个参数： 　　（1）蚂蚁数量。设蚂蚁数为m，即m只蚂蚁代替车辆从配送中心出发进行路径搜索。（2）总信息量。设每只蚂蚁完成一周循环时释放的Q个单位的总信息量，Q值会通过算法的循环发生变化。（3）启发式因子α和β。（4）信息素残留系数ρ（ρ0，1）。 　　蚁群算法中只有把所有蚂蚁通过的路径综合起来才可能组成车辆路径问题的一个可行解，得到可行解之后要对其进行优化来使最终路径更优。 　　使用蚁群算法的步骤如下： 　　（1）参数初始化。令循环次数Nc=0，循环最大次数为Ncmax=200，每条路径（i，j）上初始信息量τij（t）=const（常数），Δτij（0）=0。 　　（2）输入配送中心和客户的坐标及需求量、蚂蚁的载重量、行驶距离（无穷大）。将m只蚂蚁置于配送中心上。 　　（3）循环次数Nc++，所有蚂蚁进行路径搜索，开始一次循环；蚂蚁的禁忌表tabuk索引号k=1。 　　（4）蚂蚁数目k++。 　　（5）每只蚂蚁根据客户的需求量及转移概率pkij（t）选择下一步配送的客户j，选择好之后蚂蚁为客户j进行配送，并把该客户加入到这只蚂蚁对应的禁忌表中。 　　（6）若仍有未完成的配送的客户，则跳转至第（4）步；否则，执行第（7）步。 　　（7）蚂蚁返回到配送中心，并根据公式（3-2）和（3-3）对全部路径上的信息素量进行更新。 　　（8）若循环次数不大于最大循环次数，即Nc≥Ncmax，则程序结束，输出运行结果；否则，清空禁忌表tabuk，跳回第（2）步，重新开始循环。 　　三、H公司实例分析 　　H公司是集汽车客货运输、物流经营等业务为一体的大型综合性物流企业，其主要业务是第三方物流的运输业务。H公司在为其客户M公司进行运输时，主要任务是将M公司在H市基地生产的产品运输到M公司的各配送中心。 　　由于H公司要进行的运输业务辐射范围太广，所以本文只选取沈阳市的11个销售点进行研究。H公司原有的配送路径是对从配送中心向每个销售点单独配送，共需要11辆车。已知配送车辆的最大载重量为120台空调。 　　通过AutoCAD软件载入M公司沈阳销售点地图，得到配送中心R及标号为1-11的11个销售点的