国家级精品课程中南大数学建模lingomatlab优化建模数模培训全国赛论文物流车辆调度问题研究.docVIP

物流车辆调度问题研究 摘要 物流车辆优化调度是物流系统优化中关键的一环，也是电子商务活动不可 缺少的内容。通过对配送车辆进行优化调度，企业可以降低运输成本，提高顾 客服务水平和经济效益，从而获得更多的利润, 而该类问题的解决在于寻找有效的装配方案和行车路线。本文以基本车辆路径问题(VRP)为基础，通过建立数学模型，寻找车辆调度的最优方案，从而为中心仓库提供明确的车辆调度方案。 在中心仓库所收到客户订单的货物需求量qi是已知固定不变的情况下，通过对基本车辆路径问题的分析，分别建立模型Ⅰ和模型Ⅱ 模型Ⅰ：带软时间窗的车辆路径优化模型 带软时间窗的车辆路径问题由于与车辆数目及时间(装卸货时间和每项任务执行时间)有关，因此我们首先对需要的车辆数目进行一个估计，并使线路安排具有一定的弹性。然后确定在软时间窗条件下的时间函数，同时，在考虑行驶线路的连通性以及一辆车所承担的任务量之和不大于车的容量等约束条件的情况下，建立总派送费用最小的车辆路径优化模型。最后提出一种可以求解这一模型且效果较好的粒子群算法(PSO)。 模型Ⅱ：带硬时间窗的车辆路径优化模型 基于模型Ⅰ的带软时间窗的车辆路径优化模型，我们在对模型简化中将客户对任务执行时间的要求增加，要求车辆必须在一定的时间范围 SKIPIF 1 0 内到达，不能提前也不能拖后，从而建立了带硬时间窗的车辆路径优化模型。在假设车辆数为3的前提下，利用lingo8.0软件求解该模型，得到最优化路径的总运行最短距离min Z=910，同时求得车辆的路径分配方案： 车1：0-6-4-0； 车2：0-3-1-2-0； 车3：0-8-5-7-0。 模型Ⅲ：带时间窗的随机需求的车辆路径优化模型 由于带时间窗的随机需求VRP问题中，客户i的货物需求量qi为随机参数，情况更贴近实际但却使得问题的复杂程度大大增加，为此我们引入了qi的概率分布函数，并考虑了客户需求量小于车辆k剩余运输能力的可能性以及满足车辆在时间窗内到达第i个客户的置信水平β，从而在基本的车辆路径问题(VRP 最后，通过分析两种分车辆路径问题，即静态的车辆路径问题(SVRP)(模型Ⅰ和模型Ⅱ)和动态的车辆路径问题(DVRP)(模型Ⅲ)，结合车辆路径问题中经常遇到的车辆的装载能力、不同货品之间的装载问题以及客户需求量的随机性等情况，我们向中心仓库提出调整车的容量、缩减或调整车的数量、分道规划等建议。 一、问题重述 1.1 基本情况 一个中心仓库，拥有一定数量容量为Q的车辆，负责对N个客户进行货物派送工作，客户i的货物需求量为qi 1.2 问题提出 (1)给出使派送费用最小的车辆行驶路径问题的数学模型及其求解算法。 (2)有8项货物运输任务(编号为1，2，…，8)，各项任务的货运量 (单位：吨)、装货(或卸货)时间 (单位：小时)以及要求每项任务开始执行的时间范围由表1(附录1.1)给出，这些任务由车场0发出的容量为8吨的车辆来完成，车场0与各任务点以及各任务点间的距离(单位：公里)由表2(附录1.2)给出。这里假设车辆的行驶时间与距离成正比，每辆车的平均行驶速度为50公里/小时，问如何安排车辆的行驶路线使总运行距离最短。 (3) 进一步请讨论当客户i的货物需求量 SKIPIF 1 0 为随机参数时的数学模型及处理方法。 二、问题分析 车辆路线问题(Vehicle Routing Problem,简称VRP)考虑从一个或多个中心点出发的车辆将货物发送至一系列顾客并最后回到中心点,问题的解决在于寻找有效的行车路线,使总运行费用最省或者总运行距离最短。为此需要对中心点的车辆建立一个合理的最优线路分配方案，使中心点以最少的成本获得最大的经济效益 对于带软时间窗的VRP问题，可以在适当增加等待成本或接受迟到惩罚的前提下减少总成本，在总收益不变的情况下实现中心仓库获利的最大化；硬时间窗VRP问题中，由于只能在给定的时间窗内到达客户处，中心仓库在派送车辆时必须在满足客户时间窗要求的前提下最小化派送总成本；当客户需求为随机需求时，车辆在执行任务时根据自身的剩余运输能力以及下一客户的随机需求以一定的概率决定是不是继续服务下一个客户，以概率形式最优化车辆得总运行路径。 三、模型假设 (1)单物流中心，非满载，单车型，多目标配送问题； (2)中心仓库拥有的车辆足够多； (3)不考虑货物的品名和包装，以及配送车辆的类型，货物可以混装； (4)装货(或卸货)的较简单及约束较少； (5)不考虑在货物运输和配送过程中，由于交通事故、天气变化等偶发因素等可能在造成的车辆旅行时间的变化； (6)每辆车最多被使用一次，每位客户有且只有一辆车服务，并且没有重复路线。 四、符号说明 Q ：是车辆平均容量大小； qi : N : 是客户