需求可拆分车辆路径问题探究综述.docVIP

需求可拆分车辆路径问题探究综述 　　摘要：SDVRP允许单一节点的订单需求由多个车辆进行配送，与传统VRP相比可提高车辆利用率并降低车辆使用数目和运输成本。文中在国内外研究的基础上，重点介绍了SDVRP的主要分支，并与国内研究现状对比，发现我国在该领域的研究仍处于起步阶段。 关键词：需求可拆分车辆路径问题；分支；国内现状 一.引言 传统的VRP一直是网络最优化问题中最基本的问题之一，由于其应用的广泛性和经济上的重大价值，多年以来，受到国内外广泛关注。传统的VRP假定每个客户端的需求只能由一辆车来完成，即需求不可以被拆分，但实际应用中，有可能会存在相当一部分任务点的需求量比较大，此时，如果仍然要求每个客户点只能由一辆车来完成服务，势必会造成车辆的空载率提高，浪费运输资源。1989年Dror Trudeau首次提出了SDVRP的概念[1]，并指出 SDVRP 是一种约束松弛的 VRP，即每个客户点的需求由传统VRP中的只能由一辆车满足，扩展为可以由多辆车满足，这可使得车辆数量和路线总长得到节约。 二.SDVRP的分类 根据研究重点的不同，SDVRP 有多种分类方式。虽然诸如带时间窗、带集货和配送的VRP在传统VRP问题中已经被大量研究，但是，在SDVRP情况下，仍然会得出一些有意义的结论。根据对国内外文献进行归纳，常见的SDVRP的分支主要有以下几类： （一）带时间窗限制（SDVRPTW）。 带时间窗限制，意味着订单必须在顾客规定的时间段内到达，带时间窗限制的车辆路径问题（VRPTW）属于传统VRP分支。Archetti et al.提出了第一个求解SDVRPTW的精确算法 [2]。他们运用禁忌搜索算法和新的有效不等式对子问题分别求解，一种新的启发式算法则被用于寻找最优拆分点。实验结果表明，该求解方法对顾客规模为100的SDVRPTW同样具有良好的求解效果。目前，基于禁忌搜索求解SDVRPTW的启发式算法，是由Ho Haugland提出的[3]，该算法将SDVRPTW的求解规模扩大至100以上。 （二）带集货和配送限制（SDVRPPD）。 在SDVRPPD中，无时间窗和最大车辆路线限制，但每一节点只能被一辆车访问一次，且每一节点可能同时具有收货和配送两种需求，任一节点的需求都可能超过车辆容量。其目标函数是通过最小化车辆使用数目来最小化总运输成本。这一应用在实际生活中非常常见，如快递员在送货的过程中，经常也会收到客户寄送货物的需求.Nowak et al.通过研究证明[3]，在同一地理分布的顾客群下，当订单平均大小为车载容量一半时，拆分能够获得最大的收益。 （三）利润最大化 一般情况下，SDVRP的目标函数是最小化车辆行驶路线或运输成本，有时也对使用成本进行优化。但是，由于需求可拆分，可能带来额外收益。Brnmo et al.通过数学规划模型并整合分区的方法对此类问题进行求解[3]，结果证明允许拆分可以提高物流企业利润率。 （四）库存和生产 自从供应链管理的观念提出以来，库存路径问题已为很多学者关注。由于库存的概念是基于时间、库存成本以及库存容量之上，时间成为SDVRP中考虑的一个重要因素。在这些问题中，一个顾客通常在特定的时间范围可以被访问多次，但是一个配送日内只能访问一次。同时，库存路径模型还会考虑生产制造策略。 （五）其他 除了以上四种主要的SDVRP分支以外，考虑最小损耗率、混合车辆编队、随机性、需求的离散性以及弧路径的SDVRP分支也逐渐出现在国内外研究中，限于文章篇幅不在此一一赘述。 三.国内研究现状 当前，国内对SDVRP的研究尚不多见。隋露斯，唐加福等用蚁群算法求解SDVRP[4]，给出了基于整数规划的描述方法；通过仿真实验发现，该算法对车辆数目和运输距离的改进显著。鲁强等用遗传算法求解K-SDVRP[5]，数值试验表明，某些条件下，SDVRP较VRP车辆使用数和车辆运输距离更少。孟凡超等通过改进传统的数学模型[6]，建立SDVRP数学模型，利用禁忌搜索算法对SDVRP进行求解。算例结果表明，该模型可以节省车辆数目、缩短路线长度、提高车辆装载率。杨亚璪等等对SDVRPPD进行研究[7]，算例结果表明，所设计的算法可以得到合理的车辆路径，特别当集货需求的总量小于送货需求的总量时，优化效果更好。 无论是使用蚁群算法、禁忌搜索算法还是遗传算法，隋露斯、鲁强、孟凡超以及杨亚璨等人关于可拆分车辆路径问题的研究，都是在需求确定的情况下研究SDVRP，并未考虑客户的时间窗以及需求的随机性。 四.结论 在对SDVRP的主要分支以及常用求解方法进行总结的基础上，我们发现目前对SDVRP的求解方法主要是通过混合整数