基于蚁群算法的物流车辆路径优化问题的研究硕士论文演示幻灯片.pptxVIP

基于蚁群算法的物流车辆路径优化问题的研究作者： 于芹作者单位：上海交通大学文献类型：硕士论文目录Contents01车辆路径规划概述VRP问题的相关研究0203蚁群算法简介改进的ACO及TSP求解0405CVRP问题及求解1车辆路径问题概述车辆路径规划概述 车辆路径调度问题是由 G Dantzig 首先提出的, N Christofides 在后来总结深化。 车辆路径问题（VRP），主要解决的是派多少辆车走什么样的路线进行运输的问题。具体来讲，就是给定了相互连通的若干有货物需求的顾客点，若干车辆从配送中心出发，完成对所有顾客点的配送任务后回到配送中心，要求所走的路线不能重复，目的是找到最小成本的配送方案。 根据实际约束条件的差异，车辆路径问题种类千变万化，并各具特色。经典车辆路径问题CVRP经典车辆路径问题，其实就是在车辆路径的调度中，仅仅考虑最基本的货车载重量约束(或容量约束)的最一般化的运输问题，即有容量约束的车辆路径问题(Capacitated Vehicle Routing Problem）。经典VRP要求满足的条件及假设： 所有的配送车辆以配送中心为起点并最终回到配送中心1每条配送路径上各需求点的需求量之和不超过车辆的载重量。2每个需求点的需求由且仅由一辆车一次送货满足3CVRP的数学模型(1)(2)(3)k：第k辆车 ：运输车辆的数量 ：车辆k所走的路径的集合(4)(5)(6)带时间窗的车辆路径问题VRPTW 在很多时候，会要求在一定时间范围内到达顾客点(当然有时配送中心也有时间范围限制)，否则将因停车等待或配送延迟而产生损失。比较而言，时间窗VRP除了必须实现经典 VRP 的要求，还要考虑访问时间的限制，这样才能找到合理方案。 软时间窗VRP：要求竟可能在时间窗内到达访问硬时间窗VRP：必须在时间窗内到达访问VRPTW 的数学模型2VRP问题的相关研究对VRP问题的相关研究求解问题的精确算法分支定界法Laporte等人利用VRP和其松弛形式T-VRP之间的关系,把T-VRP转化成了TSP的分枝定界算法求解了一般问题动态规划算法将VRP问题视为一个n阶段的决策问题,进而将其转化为依次求解n个具有递推关系的单阶段决策问题.Eilon通过递归的形式利用动态规划法求解具有固定车辆数的VRP问题三下标车辆流方程由Fisher等人提出,用以求解带能力约束、时间窗口以及无停留时间的VRP问题。在该方程中,两个下标表示弧或边,另一个下标表示车辆的序号。二下标车辆流方程Laporte提出了用以求解对称的一般VRP问题,结合了爬山法的思想,核心依然是线性规划。求解问题的元启发式算法禁忌搜索算法由Glover在1986年提出，是一种全局逐步寻优算法,此算法采用禁忌搜索表纪录已达到过的局部最优点,在下一次搜索中对于禁忌表中的节点有选择或是不再选择，以此来避免陷入局部最优解。Gendrean最先用此法解决VRP问题模拟退火算法解决VRP问题时，将物理退火中原子获得的能量相当于分配最优节点，将原子震动模拟为线路寻优空间的随机搜索。（Laporte和Teodorovic）遗传算法Berger和Barkaoui（2004）利用并行混合遗传算法求解带时间窗的车辆路径问题。郎茂祥通过构建单亲遗传算法,有效改进了传统遗传算法对复杂问题搜索效率低,易陷入过早收敛的缺陷。蚁群算法Bullnheimer B.等人首先将蚁群算法的思想用于VRP问题。Bell John.E等提出一种改进的蚁群算法用来求解VRP。Alberbo V等人改进蚁群算法求解TDVRP。刘志硕等人构造了求解的自适应蚁群算法。蚁群算法简史1998年10月在比利时布鲁塞尔召开了第一届蚁群算法国际研讨会（ANTS），标志着蚁群算法的正式国际化。2000年，Marco Dorigo和Bonabeau E等人在国际顶级学术刊物《Nature》上发表了蚁群算法的研究综述，从而把这一领域的研究推向了国际数学的最前沿。在我国，最早关于蚁群算法的研究见于1997年10月张纪会与徐心和发表的论文“一种新的进化算法——蚁群算法”中。蚁群算法的研究现状 目前，人们对蚁群算法的研究已经由当初的TSP领域渗透到多个应用领域，由解决一维静态优化问题发展到解决多维动态优化组合问题，由离散域范围内研究逐渐拓展到了连续域范围内研究。同时在蚁群算法的模型改进以及其他仿生优化算法的融合方面也取得了相当丰富的研究成果，从而使这种新兴的仿生优化算法展现出前所未有的生机。 蚁群算法 是一种很有发展前景的优化算法 蚁群算法是一种基于种群的启发式搜索算法 。蚁群算法广泛应用于求解TSP问题，Job-Shop调度问题，二次指派问题，背包问题等。有学者通过对比实验发现，在组合优化问题中，蚁群算法的优化性能要好于遗传算法等算法。蚁