基于改进蚁群算法时间窗约束下物流配送车辆路径优化研究.docVIP

基于改进蚁群算法时间窗约束下物流配送车辆路径优化研究 　　摘要：物流配送车辆路径优化作为一个涉及多影响因素、多目标需求的组合优化问题，其中带时间窗约束的物流配送车辆路径优化问题更是一个NP难题，较难得到最优解。文章分析带时间窗约束的车辆路径问题并建立相应数学模型，提出将变异和动态信息更新的改进蚁群算法应用于解决这类优化问题，同时仿真实验结果表明该算法能快速收敛于全局最优解，能有效地解决有时间窗约束下的物流配送车辆路径优化问题。 　　关键词：改进蚁群算法；时间窗约束车辆路径问题；物流配送 　　 　　一、 引言 　　 　　物流配送过程中的车辆路径优化问题（Vehicle Rou-ting Problem，VRP）作为物流配送优化的核心环节，一方面作为一项物流管理的重要内容，它对整个物流运输的速度、成本、效益起着至关重要的作用；另一方面随着现代物流配送的快速发展，物流配送越来越强调满足顾客种类、数量和时间等方面要求，提升顾客的满意度。配送车辆路径安排这一组合优化问题最初由Dcmtzing Ramser于1959年提出，一直以来，作为交通运输和物流配送领域的一个核心问题，也成为一个运筹学、优化科学等学界研究的热点。 　　在实际应用中带时间窗的车辆路径问题（VRP With Time Windows，VRPTW）作为传统VRP问题的扩展和衍生，已被Savelsbergh证明是一个NP难题，对于大规模的VRP问题很难得到全局最优解。近年来在构造启发式算法和两阶段启发式算法的基础上发展起来的智能启发式算法如禁止搜索算法、模拟退火法、遗传算法、神经网络法、蚁群算法和粒子群算法等应用在有时间窗的车辆路径优化，取得了较好的效果。但这些算法存在着一些明显的缺陷，如：禁止搜索算法由于涉及复杂领域转换和求解策略，在现实中不易实现；模拟退火法也只能结合其它局部搜索算法构造混合算法应用；遗传算法不能保证最大的概率收敛于全局最优解；神经网络法、蚁群算法和粒子群算法易产生局部收敛和收敛速度较慢等。这篇文章研究一种高速收敛的改进蚁群算法，在该算法中，满足个点的时间窗约束的前提下采用一种新颖的动态信息新策略，以保证在每次搜索中，每只蚂蚁都对搜索做出贡献，同时还采取了一种独特的变异策略，以对每次搜索结果进行搜索，以对每次搜索的结果进行优化。 　　 　　二、 物流配送车辆路径优化问题的数学模型 　　 　　时间窗约束下物流配送车辆路径优化问题可以描述为：从配送中心用多辆汽车向多个需求点送货，每个需求点的位置、需求量和时间窗约束一定，每辆汽车的载重量一定，要求合理安排汽车行驶路线，使总运输成本最小，并满足以下条件： 　　1. 每条配送路径上需求点的需求量之和不超过汽车载重量； 　　2. 每条配送路径的长度不超过汽车一次配送的最大行驶距离； 　　3. 每个需求点的需求量得到满足，且只能由一辆汽车送货； 　　4. 每个需求点的时间窗约束得到满足，且保证车辆工作总时间不超过其最长工作时间。 　　本文设配送中心有M辆汽车，第k辆汽车的载重量为 Qk（k=1，2，L，C）其一次配送的最大行驶距离为Dk，需要向L个需求点送货，每个需求点的需求量为qi（i=1，2，L，L），时间窗为[ei，ui]，其中ei为任务i允许最早开始时间，如果车辆早于ei到达，则需在i处等待；ui为任务i允许最迟开始时间，如果车辆晚于ui到达，则任务i将被延迟进行。设nk为第k辆汽车配送的需求点数（nk=0表示未使用第k辆汽车），用集合Rk表示第k辆车的行驶路径，其中rki表示一个需求点，且这个需求点的路径Rk中的顺序为i，rk0=0表示配送中心。再设trki表示第k辆车在行驶路径Rk上到达i点的时刻，wrki表示第k辆车完成任务i（如：验收、签单和卸货等）需要的时间。另外在目标函数中用ck表示车辆k行驶的单位运输成本，pe表示在ei之前到达需求点i单位时间的机会成本，pu表示在ui之后到达需求点i单位时间的罚金成本。由此可建立如下物流配送车辆路径优化问题的数学模型。 　　其中，式（1）为目标函数；式（2）保证每条路径上各需求点的需求量之和不超过汽车的重量；式（3）保证每条配送路径的长度不超过汽车一次配送的最大行驶距离；式（4）、（5）保证车辆的工作总时间不超过最长工作时间；（7）表明每条路径上的需求点都得到配送服务；式（8）为每条路径的需求点的组成；式（9）限制每个需求点只能由一辆汽车送货；式（10）第k辆汽车服务的客户数大于等于1时，说明该辆车参加了配送，则取sign（nk）=1，当第k辆汽车服务的客户小于1时，表示未使用该车，取sign（nk）=0。 　　 　　三、 算法的描述与实现 　　 　　蚂蚁与配送之间的对应关系如表1所示。 　　在蚂蚁进行路径搜索时