随机需求下带时间窗ＩＲＰ问题遗传算法研究.docVIP

随机需求下带时间窗ＩＲＰ问题遗传算法研究 　　摘要：研究随机需求条件下带时间窗的IRP问题的数学模型，并借助遗传算法来求解这一模型。以某物流公司配送系统为例，获得了路径安排和库存策略的优化目标解。实验结果表明这不仅能明显减少迭代次数，而且可以改善优化计算结果。 　　关键词：遗传算法；随机需求；时间窗；IRP 　　中图分类号：F019 文献标识码：A 　　 　　Genetic Algorithm Research on Inventory Routing Problem with Time Window Under Stochastic Demand 　　LV Xiong-wei,SUN Bin-feng,LI Jun 　　 (SouthWest JiaoTong University，Chendu 610012,China)[GK2!2] 　　Abstract: 　　This paper presents a mathematical model of stochastic demand inventory routing problem with time windows (IRPTW). A genetic algorithm is introduced to solve the model．Itaims at optimizing the solution to both route arrangement and inventory strategy，by taking a logistic company delivery system for example. The findings show that it can not only reduce the iterations, but also improve the optimization results． 　　Key words: 　　 　　一、引言 　　 　　存贮路径问题(Inventory Routing Problem，简称IRP)主要研究库存和配送两个环节同时优化的问题；它针对一个配送中心和若干客户需求点，确定车辆的最优行驶路径和各客户点的库存补充策略（如配送数量和频率等）；这是一个典型的NP难题。IRP问题与一般的车辆路径问题（VRP）[1]在配送基础和计划水平等方面都有很大的差异。对IRP模型和算法的研究已经有了很多成果，但主要研究还是针对确定性需求、有上下界需求的情况；如Ann Campbell等提出了一种两阶段分解算法来求解确定需求性IRP问题。对于随机需求和带时间窗的IRP问题研究得很少，目前对随机需求研究得较多是假设需求服从某种随机分布(如Wiener 分布)[2]；这在邮政投递、火车调度和公交规划等服务性交通行业应用普遍。 　　笔者正是针对这种随机需求条件下带时间窗的存贮路径问题（IRPTW[3]），建立了以优化配送路径和库存策略为目标的数学模型；并借助改进的遗传算法进行求解，使遗传算法在随机需求下IRPTW问题的计算过程中能自动寻找满足最低成本要求的最佳库存策略和最优路径，能有效克服遗传算法的“早熟性收敛”，得到的优化结果也更接近最优解[4]。 　　 　　二、问题描述和数学模型 　　 　　随机需求下的IRPTW问题可以描述为由一个配送中心和多个客户构成的配送系统，系统中仅考虑单一货物不允许缺货发生的情况（含中心和客户），拥有最大装载量为q的同一类型车辆k辆，负责对N个客户进行物流配送作业，客户i的需求为随机函数g(i),i=1,…,N,i=0时表示为配送中心，车辆必须在一定时间范围[a，b]内到达客户处，即不早于a 和不晚于b ，求满足条件的路程最短的车辆行驶路径和库存策略。 　　主要假设如下： 　　1.在这个由配送运输中心和多个客户组成的配送系统中，整个系统只考虑单一品种货物，从配送中心用车辆将产品按时间范围要求送至各个客户点； 　　2.整个系统充分保证货物供应，即不允许发生客户缺货现象； 　　3.[JP3]配送运输中心拥有足够的库存以满足所有客户的需求，客户的需求只对其本身的库存量产生影响； 　　4.[JP3]中心库存容量没有限制，也不考虑其库存成本； 　　5.各个客户的需求是随机的、相互独立，没有销售出去的货物产生库存成本； 　　6.所有客户的最大需求值小于单个车辆的容量，即每辆车至少可以服务一个客户； 　　7.车辆不能为客户提供部分服务，当剩余的货物不能服务于下一个客户时，必须返回中心重新装载，回此客户继续服务，即不容许“路由失败”； 　　8.中心到各客户和各客户之间的最短距离已知。 　　笔者以这种需求随机、带时间窗约束的存贮路径问题为研究对象，建立优化模型并用遗