基于混合粒子群算法的车辆路径优化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法．该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点．避免了基本粒子群算法易陷入局部最优的缺点,提高了求解速度。该算法用于解决车辆路径问题。通过实验表明了这种算法具有较好的性能。     

基于混合粒子发群算法的车辆路径化问题研究

设计了一种引入了量子和遗传算法思想的粒子群算法.该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点,避免了基本粒子群算法易陷入局部最优的缺点.提高了求解速度.该算法用于解决车辆路径问题.通过实验表明了这种算法具有较好的性能.     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

微粒群算法在自然灾害等引起的变化路径运输问题中的应用研究

"11.15"的上海特大火灾造成了巨大的人员与经济的损失。如果消防车辆能克服交通系统的不畅而更及时赶到的话,或许结果会不一样。因此如何将路径变化运输转化为车辆路径问题(Vehicle Routing Problem,VRP),并求解恰当的行车路径,对于城市应急以及日常的物流配送企业都有着重大的现实意义及经济价值。文中将微粒群算法(Particle Swarm Optimization,PSO)应用于车辆路径问题,建立车辆路径问题的微粒群算法的数学描述,编译出此问题的程序,并对一个实例进行仿真分析。     

微粒群算法在现代物流系统优化中的应用

根据物流系统优化问题和微粒群优化算法的各自特点，提出了采用微粒群优化算法求解物流系统优化问题的相关策略，对微粒群优化算法在旅行商问题、车辆路径问题、配送中心选址问题、布局优化问题上的应用进行了研究。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。     

基于混合微粒群优化算法的配送中心选址问题求解

将微粒群优化算法和模拟退火算法结合．针对配送中心选址问题．构造了微粒表达方法。提出了此问题的一种混合微粒群优化算法。通过整数规范化。微粒群能在整数空间内对问题进行优化求解。该算法能克服基本微粒群优化算法精度较低，易发散的缺点，有较高的搜索效率。经过实验仿真，与基本微粒群优化算法、遗传算法进行比较．证明了该算法的有效性。     

基于微粒群算法的农产品物流配送路径优化研究

通过分析农产品物流配送的特点和对车辆调度的影响,对车辆数目不确定的带时间窗的车辆路径问题进行描述,建立起受成本影响、有时限的农产品物流配送路径优化模型,利用复合最优模型微粒群算法对该模型进行求解,并进行案例比较分析。文中所提出的农产品物流配送优化模型对降低农产品物流配送成本,提高农产品物流配送效率具有较好的实用价值。     

智能优化算法求解车辆路径问题的对比分析

利用智能优化算法解决车辆路径问题(VRP)是组合优化领域的一个研究热点。论文介绍了蚁群算法，粒子群算法和模拟退火算法的算法原理和求解流程，选用了Solomon数据集的三种不同客户规模，通过利用python编制程序对三种智能优化算法的求解性能进行了测试。研究表明粒子群算法对各规模CVRP问题求解的效果均不尽人意；模拟退火算法在中小规模时算法求得最优解能力更好，蚁群算法求解大、中、小规模CVRP问题的综合评价最高。研究结果对于带容积限制的车辆路径问题的算法选择具有一定的参考价值。     

同时取送货车辆路径问题的改进粒子群优化算法

同时取送货车辆路径问题(VRPSDP)是指车辆在服务过程中,对顾客同时进行取货和送货服务,针对这类问题,提出一种改进的粒子群优化算法。通过惯性权重的更新和路径链接更新策略有效地扩大算法的搜索空间,从而改进了算法的性能。另外,采用邻域搜索扩大策略(ENS)加快了算法的搜索速度。最后,应用所提出的改进的粒子群优化算法求解了两类同时取送货的车辆路径问题的算例。结果表明,该算法与经典的求解结果相比较,取得了比较好的计算结果,表明该算法是求解同时取送货车辆路径问题的有效工具。     

A survey on pickup and delivery problems

This paper is the first part of a comprehensive survey on pickup and delivery problems. Basically, two problem classes can be distinguished. The first class, discussed in this paper, deals with the transportation of goods from the depot to linehaul customers and from backhaul customers to the depot. This class is denoted as Vehicle Routing Problems with Backhauls (VRPB). Four subtypes can be considered, namely the Vehicle Routing Problem with Clustered Backhauls (VRPCB – all linehauls before backhauls), the Vehicle Routing Problem with Mixed linehauls and Backhauls (VRPMB – any sequence of linehauls and backhauls permitted), the Vehicle Routing Problem with Divisible Delivery and Pickup (VRPDDP – customers demanding delivery and pickup service can be visited twice), and the Vehicle Routing Problem with Simultaneous Delivery and Pickup (VRPSDP – customers demanding both services have to be visited exactly once). The second class, dealt with in the second part of this survey, refers to all those problems where goods are transported between pickup and delivery locations. These are the Pickup and Delivery Vehicle Routing Problem (PDVRP – unpaired pickup and delivery points), the classical Pickup and Delivery Problem (PDP – paired pickup and delivery points), and the Dial-A-Ride Problem (DARP – passenger transportation between paired pickup and delivery points and user inconvenience taken into consideration). Single as well as multi vehicle versions of the mathematical problem formulations are given for all four VRPB types, the corresponding exact, heuristic, and metaheuristic solution methods are discussed.      

基于改进蚁群算法的物流配送路径研究

车辆路径问题（Vehicle Routing Problem,VRP）是近几十年来运筹学、应用数学、网络分析、图论、计算机应用及交通运输等学科研究的一个热点问题,其产生于现实的公路交通运输领域,并在通讯、生产、国防、生物、计算机应用等领域得到了广泛的应用。本文着重研究有时间窗的车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）}VRPTW现已被证明为NP-hard问题,当问题规模较大时,将很难得到问题的精确解。探讨如何经过少量的计算,得到一个相对满意的解,已成为现阶段学者研究的重点。文中提出用混合蚁群算法求解VRPTW,有效的缓解了信息传递快速与物流反应缓慢的矛盾,提高了物流配送的科学化效率,对电子商务物流配送的发展具有一定的理论意义与应用价值。     

车辆路线安排的一种改进节约算法

首先介绍了求解路线安排的节约算法,指出了其存在的不足,然后提出了一种改进的节约算法,可以更好地解决车辆路线安排问题。     

A survey on pickup and delivery problems

This paper is the second part of a comprehensive survey on routing problems involving pickups and deliveries. Basically, two problem classes can be distinguished. The first part dealt with the transportation of goods from the depot to linehaul customers and from backhaul customers to the depot. The second part now considers all those problems where goods are transported between pickup and delivery locations, denoted as Vehicle Routing Problems with Pickups and Deliveries (VRPPD). These are the Pickup and Delivery Vehicle Routing Problem (PDVRP – unpaired pickup and delivery points), the classical Pickup and Delivery Problem (PDP – paired pickup and delivery points), and the Dial-A-Ride Problem (DARP – passenger transportation between paired pickup and delivery points and user inconvenience taken into consideration). Single as well as multi vehicle mathematical problem formulations for all three VRPPD types are given, and the respective exact, heuristic, and metaheuristic solution methods are discussed.      

带时间窗约束的配载车辆调度问题研究

运用启发式算法求解带时间窗约束的配载车辆调度问题。借鉴多重旅行商问题的模型结构,建立配载车辆调度模型。通过改进C-K节约算法,在线路连接过程中插入时间窗约束和车辆容量约束的检验子程序,排除不符合约束条件的线路构形,构造求解调度模型的启发式算法。并给出算例,验证调度模型和启发式算法的可行性。     

烟草物流配送路线问题的实例研究

烟草物流配送问题可以抽象为车辆路径问题（VRP）,本文根据烟草物流配送的特点,设计相应的用于解决带时间窗的VRP问题的遗传算法.将该算法应用于具体的烟草物流配送案例中,编程实现并测试分析.最终验证了该方法在解决实际的大规模复杂问题的优越性.     

基于Map Info电子地图的配送车辆线路优化问题研究

GIS技术与VRP问题的结合，不仅提供了一种新的查询选择方法，同时还能提供一种直观的解决方案。文章针对Map Info电子地图的特点．给出了一种从电子地图中提取客户与道路信息应用到解决实际的配送车辆线路优化问题，并将求解后的线路直观地显示到电子地图中的方法。在实际应用中表明该方法是高效直观的。     

物流配送中车辆路径问题的模型及算法研究

本文介绍了车辆路径问题的分类及限制条件,重点论述了国内外关于车辆路径问题的模型及算法研究现状,分析了各种算法的优缺点和适用范围,并指出了车辆路径问题的研究前景.     

混合蚁群算法求解物流配送车辆路径优化问题研究

文中在分析VRP与旅行商问题（TSP）区别的基础上,构造了求解VRP的混合蚁群算法。将蚁群系统（ACS）算法同节约量和局部搜索策略2-opt法相结合来改进基本蚁群算法。仿真实验结果表明混合蚁群算法性能优良,能够有效地求解VRP问题。     

基于进化策略的开放式车辆路径问题

开放式车辆路径问题(OVRP)是标准车辆路径问题(VRP)的一个扩展,该问题是针对车辆在服务完最后一个顾客点后不需要回到车场的车辆路径问题。针对这类问题,提出了一种改进的进化策略。首先通过优化选择方案研究初始种群,然后基于轨迹进行变异获得子代,同时通过多父代组合来确定每个个体的策略参数。最后,通过若干经典OVRP实例对该算法进行了检验,结果表明这种改进的进化策略是一种求解OVRP问题的有力工具。