基于优化蚁群算法多配送中心车辆路径研究.docVIP

基于优化蚁群算法多配送中心车辆路径研究 　　摘要：为了提高多配送中心车辆调度效率，该文提出了一种基于优化蚁群算法的的多配送中心车辆路径调度算法。优化算法通过对信息素挥发因子、启发式因子，信息素强度初始值的够造，消除参数选择对蚁群算法性能的影响，使其具有较强的全局搜索能力。实验表明，该文提出的基于优化蚁群算法的多配送中心车辆路径算法比其余算法有更好的实验效果。 　　关键词：蚁群算法，遗传算法；多配送中心；车辆路径优化 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）15-0190-02 　　Abstract：In order to improve the the efficiency of the multiple depots vehicle routing， a new method of the improved genetic algorithm for the multiple depots vehicle routing isproposed. The improved algorithm eliminates the influence of the selected parameter by optimizingthe heuristic factor， evaporation factor， initial pheromone distribute， and have the strong globalsearching ability. The experiments demonstrate that the solving results of the improved algorithm is more excellent than the other algorithm 　　Key words： ant colony algorithm； genetic algorithm； multiple depots； vehicle routingoptimization 　　当前，随着电子商务的快速兴起，物流业在市场经济中占有越来越重要的地位，引起国家的高度重视和越来越多的企业的关注，物流服务业在国民经济中的地位越来越重要，党的十八大明确提出要转变经济结构，鼓励电子商务和现代物 　　流行业的快速发展[1]。物流业和信息产业、运输产业、信贷业务等产业密切相关，涉及就业人员较广，对生产力的影响较大，在现代市场经济和增强国民经济竞争力中发挥重要作用。目前对单配送物流企业的车辆配送路径的优化问题研究的较多，在实际应用中单配送中心的路径比较成熟，但对多配送中心车辆路径优化的研究还比较少，与我国高速发展的物流配送业不相适应。从我国现有物流配送企业的发展看，多配送中心的车辆路径优化问题比单配送中心的物流调度求解更难，计算复杂度更高度，也更具有现实意义，逐渐成为物流调度中的一个研究热点问题[2-3]。 　　1 多配送中心车辆优化的数学模型 　　在多配送中心车辆优化的数学模型中，所有车场、货物配送点、客户等是配送网络的结点多配送中心车辆路径的数学模型如下。 　　约束（2）保证起点和终点是相同的，而约束条件（3）和（4）保证所有路径平行及其不超过客户数量。约束条件（5）假定多配送中心没有分配任务。约束条件（6）确保车辆不超过负载的需求。约束（7）和（8）是路线长度和客户数量限制，约束（9）是时间限制。约束（10），（11）和（12）是软时间窗，和约束（13）是硬时间窗，c和d是惩罚系数。 　　2 基于优化蚁群算法的多配送中心车辆路径算法 　　为了提高收敛效果和全局的搜索能力，本文提出了一种蚁群算法与遗传算法相融合的混合算法。遗传算法优化蚁群算法的交叉算子和变异算子，每个进化储备最佳解决方案，加快收敛速度，提高算法的全局的能力。整个算法分两个阶段进行，第一阶段引入遗传算法，利用遗传算法收敛速度快、全局性等优点调整蚁群算法中初始参数的分布。第二阶段利用第一阶段得到的值对蚁群算法进行初始化，执行蚁群算法，并在蚁群算法中加入交叉和变异，对多配送中心的车辆路径进行求解，具体算法步骤执行如下： 　　2.1 编码方式 　　本文对对染色体采用[G1，G2，...，GL]的编码方式，染色体包括起点车场号、车辆编号、顺序编号和终点车场号四部分。例如：染色体[SA13BB13AA11BA12BB12AB11A]表示编号为1和编号为2的车辆的行驶路线，其中编号为1的车辆以A为起始车站，以B为终止车站，行驶路线为[A→3→4→1→B]。编号为2的车辆以B为起始站点，以A为终止站点，编号为2的行驶路线为[B→6→5→2→A]。 　　2.2 基于优化蚁群算法的多配送中心车辆路径算法 　　步