2025【物流路径建模优化仿真研究的国内外文献综述3200字】.docxVIP

物流路径建模优化仿真研究的国内外文献综述

“物流路径优化”的方式与方法，以及运送路线是否合理直接影响配送速度、成本与经济效益,特别是对于多用户运送路线的合理选择是一个相当复杂的系统工程[10]。优选合理的车辆路线,能够通过提高对顾客要求的响应,提升公司的服务水平,提高顾客对运输环节的满意度,减少服务商运营成本REF_Ref15278\r\h[11]。

1.1国外研究现状

JianyuLong（2018）针对多目标PCVRP-P问题，提出了一种基于Pareto的遗传算法结合局部搜索策略的进化算法(记为HGLS)，已解决路径优化的多目标优化问题REF_Ref28874\r\h[12]。

EfrainRuiz（2019）提出了一种有偏随机键遗传算法，用于解决具有容量和距离约束的开放式车辆路径问题。该问题的目标函数是在尊重容量和最大距离约束的同时，最小化车辆行驶的总距离REF_Ref30275\r\h[13]。

DhekraRezgui（2019）设计并修改可变邻域搜索(VNS)其目标是设计和寻找最优的路由策略，为运行最后一英里交付的电动模块化车队，以最小的成本，包括采购，旅行和充电REF_Ref31271\r\h[14]。

TeobaldoBulh?es（2017）提出了一种紧凑的数学描述、分支定价算法和一种基于种群管理的混合遗传算法，在满足几组交付品的服务水平约束下，寻求成本最小化。该算法依赖于问题尾解表示、交叉和局部搜索算子，以及一种自适应惩罚机制，在服务水平和成本之间建立了良好的平衡REF_Ref8568\r\h[15]。

NicolasRincon-Garcia（2018）介绍了大邻域搜索算法，该算法考虑了时间窗、时间相关旅行时间和行驶小时规则(EC)，对车辆路径问题变种的基准解(在所需车辆数、行程距离和工作时间方面)进行了大幅度改进。评估了时间窗长度、客户密度、拥堵以及法规对成本和环境影响的影响REF_Ref10027\r\h[16]。

ZuiyiShen（2020）在车辆路径问题的优化模型中加入水产品交货的时间窗和路况的不确定性作为约束条件，运用改进的蚁群算法，并在状态转移规则中加入等待因子限制信息范围，从而对其进行计算和仿真。结果证明该算法更有效地优化水产运输配送路径[17]。

GeLinDai（2012）介绍了蚁群算法并建立仓库物资运输的车辆路径问题模型，采用自适应蚁群算法，然后用MATLAB软件进行求解，得出了相对良好的优化结果。证明了该计算方法对于解决车辆路径问题的最优解是非常有用的[18]。

ZiBoMeng（2012）对生鲜食品运输路径问题进行研究。分析了运输中软硬时间窗口的限制，形成了基于客户满意度的模糊预约时间窗口。构建了运输路线优化数学模型。改进的遗传算法已应用于matlabprogam中。这个progam在模型中找到了最优解。用一个实例证明了模型和算法的可行性。它有12个客户和一个DC需要运输服务。数学模型是模拟生鲜食物在现实范围内的运输。运输路线的设计是为了提高客户满意度,降低运输成本[19]。

1.2国内研究现状

黄佳艳（2021）提出了一个将人工蜂群数量计算整合到花粉计算中的优化算法,通过利用该算法对中国现代物流配送的车辆路线规划问题进行了解决,并从小于全国二十二个重要物流节点的车辆路线规划问题中寻找最优化路径REF_Ref22941\r\h[20]。

王雪兵（2021）以Y物流配送企业为调研对象,通过遗传算法克服了物流运输成本高、汽车装载效率低、物流配送服务质量低等问题,最后实现了合理的减少物流运输成本、提升物流运输配送汽车的载货效能、缩短汽车运行里程,提升Y物流配送企业的服务质量与顾客的满意REF_Ref7733\r\h[21]。

尹艺珂（2021）提出了改进的遗传算法和蚁群优化算法，在此基础上设计了一种融合改进的遗传算法和蚁群优化的路径优化算法，将该算法应用到企业物流的实际配送场景，使带时间窗的车辆配送路径优化模型获得了最优的物流配送方案，实现了物流运输合理化，达到减少运输环节成本，提高物流企业经济效益的目的REF_Ref10352\r\h[22]。

梅奇（2020）通过对新型零售模式下多物流配送中心及B2B冷链物流配送路径优化问题的深入研究，使用免疫粒子群算法，解决带时间窗的车辆路径问题，使企业合理调度车辆运输，降低企业的冷链配送成本，加快冷链产品的流通。考虑了冷链配送过程中产生的碳排放，符合低碳物流和可持续发展理念，有利于树立良好的公司形象，增强公司的竞争力REF_Ref11542\r\h[23]。