CN106251009A - 一种求解有时间窗的车辆路径问题的优化算法 - Google Patents
一种求解有时间窗的车辆路径问题的优化算法 Download PDFInfo
- Publication number
- CN106251009A CN106251009A CN201610605037.6A CN201610605037A CN106251009A CN 106251009 A CN106251009 A CN 106251009A CN 201610605037 A CN201610605037 A CN 201610605037A CN 106251009 A CN106251009 A CN 106251009A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- solution
- time window
- strategy
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种求解有时间窗的车辆路径问题的优化算法,所述求解有时间窗的车辆路径问题的优化算法将现代启发式算法中的遗传算法和人工蜂群算法有机融合起来并加以改进,开发出一种改进的人工蜂群算法用于求解VRPTW问题。
Description
技术领域
本发明涉及现代启发式算法技术领域,特别是涉及求解有时间窗的车辆路径问题的优化算法。
背景技术
有时间窗的车辆路径问题(Vehicle Routing Problems With Time Windows,VRPTW)是典型的组合优化问题,广泛存在于我们的日常生产生活中,如商场配货、投递员派送快递、通信公司对线路节点巡检以及飞机、火车、公交车调度等,然而VRPTW是NP-hard问题,想要精确求解十分不易。此类问题因其蕴藏的巨大科研价值、经济价值和实际应用价值而吸引着世界上众多科学家投入毕生精力潜心研究。
在VRPTW求解方法中,分枝界限法、割平面法、动态规划法、网络流法等精确式求解法随着VRPTW问题客户点数量增加会存在指数爆炸问题,已逐渐被淘汰。节约算法、插入算法、扫描算法、两阶段法等传统启发式算法因算法本身使用限制条件较多,尤其是当客户规模较大时算法效率急剧下降,也面临诸多局限。
当前,VRPTW求解方法的研究主要转到模拟退火算法、蚁群算法、遗传算法、人工蜂群算法等现代启发式算法上来,但上述原始型算法也各有不足,主要表现为:如初始解波动幅度较大、邻域开采能力欠佳、后期收敛速度较慢、和容易陷入局部最优解等。
因此希望有一种求解有时间窗的车辆路径问题的优化算法可以克服或至少减轻现有技术的上述缺陷。
发明内容
本发明的目的在于提供一种求解有时间窗的车辆路径问题的优化算法来克服现有技术中存在的上述问题。
为实现上述目的,本发明提供一种求解有时间窗的车辆路径问题的优化算法,所述求解有时间窗的车辆路径问题的优化算法是对油料保障VRPTW实例进行求解,所述油料保障VRPTW具体模型如下:
minf(x)={∑i∑j∑k vi,j xj,j,∑j∑k x0,j,k} i,j∈Z,k∈K (1)
约束条件公式为:
∑i,j∈z∑k∈K xi,j,k=1 (2)
∑i,m∈Z∑k∈K xi,m,k=∑m,j∈z∑k∈K xm,j,k (5)
Eti≤Sei≤Lti (7)
Eti≤Sli≤Lti (8)
Etj,k≤Sli,k+ti,j,k+t0≤Ltj,k (9)
Etj,k≤Slj,k≤Ltj,k (10)
xi,j,k∈{0,1};yi,k∈{0,1} i,j∈Z,k∈K (12),
上述各公式中符号的具体含义如下:
其特征在于,所述油料保障VRPTW的求解步骤包括:
⑴设定算法参数:种群大小coloneysize,工作蜂数量Ef(Employed),跟随蜂数量Ff(Follower)、局部最大搜索次数limit、全局最大迭代次数Maxcycles、每次程序运行次数runtime、需加油的坦克数量tank-number、最多能使用的加油车数量vehicle-number、最少使用数量Min_Use_Vehicle_Num、加油车最大载重量max_load、车速speed和交叉概率cross_rate。后方油库(车场)数量1和单车使用成本140为定值;
⑵初始化种群,随机排列客户序列后插入加油车,生成coloneysize/2个初始解xi,j(i=1,2,3,…,M;j=1,2,3,…,N),将其暂记为A,计算各初始解的fit(xn)值;
⑶设置全局迭代次数cycle=1;
⑷设置局部搜索次数limit=1;
⑸将A进行“动态交叉”操作,增加其种群多样性,生成新的种群B;
⑹工作蜂采用改进后的动态邻域搜索策略勘探种群B的邻域,存优汰劣,得到新解vn,j种群,将其暂记为C,计算C的fit(xn)值;
⑺若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
⑻跟随蜂根据改进后的强制保留精英锦标赛策略和“排序法”跟随策略,对C进行跟随开采,同样存优汰劣;
⑼若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
⑽第⑺步和第⑼步中的limit达到最大限制次数后,工作蜂抛弃局部最优解转换为侦察蜂,根据设定的公式再次随机产生新解或根据改进后的初始解策略生成新解,此时完成一次全局迭代,新解产生后重复第⑸步至第⑼步;
⑾记录当前已知最优解,令cycle=cycle+1;
⑿判断全局搜索迭代次数cycle,如cycle<Maxcycles,则算法继续搜索;如cycle>Maxcycles,算法终止迭代,记录当前最小值,minf(x)越小,意味着算法求解效果越好。
优选地,所述求解有时间窗的车辆路径问题的优化算法从保留蜂群“记忆效应”角度出发,将达到最大limit限制次数后“随机生成初始解”改为“选择拟抛弃解的邻域解予以替换”。
优选地,所述求解有时间窗的车辆路径问题的优化算法采用随机选择初始解子序列进行倒置后互换、随机倒置子序列、随机插入子序列和随机互换顺置、倒置子序列四种方法相结合对邻域搜索策略进行优化,并采用了动态邻域搜索策略(Dynamic NeighborhoodOperation)展开研究验证工作。
优选地,所述求解有时间窗的车辆路径问题的优化算法借鉴遗传算法的“交叉”策略对初始种群进行“交叉”操作,采用“动态交叉”策略对算法进一步优化。
优选地,所述求解有时间窗的车辆路径问题的优化算法在跟随蜂跟随策略上,分别采用了改进后的强制保留精英锦标赛策略跟随和“排序法”跟随策略进一步优化改进算法。
本发明将现代启发式算法中的遗传算法和人工蜂群算法有机融合起来并加以改进,开发出一种改进的人工蜂群算法用于求解VRPTW问题。
附图说明
图1是原始人工蜂群算法运行20次求解油料保障VRPTW的最优值及车辆路径示意图。
图2是改进人工蜂群算法运行20次求解油料保障VRPTW的最优值及车辆路径示意图。
图3是原始人工蜂群算法和改进人工蜂群算法求解油料保障VRPTW的收敛曲线对比图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明一宽泛实施例中:求解有时间窗的车辆路径问题的优化算法,所述求解有时间窗的车辆路径问题的优化算法是对油料保障VRPTW实例进行求解,所述油料保障VRPTW具体模型如下:
minf(x)={∑i∑j∑k vi,j xi,j,∑j∑k x0,j,k} i,j∈Z,k∈K (1)
约束条件公式为:
∑i,j∈Z∑k∈K xi,j,k=1 (2)
∑i,m∈Z∑k∈K xi,m,k=∑m,j∈Z∑k∈K xm,j,k (5)
Eti≤Sei≤Lti (7)
Eti≤Sli≤Lti (8)
Etj,k≤Sli,k+ti,j,k+t0≤Ltj,k (9)
Etj,k≤Slj,k≤Ltj,k (10)
xi,j,k∈{0,1};yi,k∈{0,1} i,j∈Z,k∈K (12),
上述各公式中符号的具体含义如下:
其特征在于,所述油料保障VRPTW的求解步骤包括:
⑴设定算法参数:种群大小coloneysize,工作蜂数量Ef(Employed),跟随蜂数量Ff(Follower)、局部最大搜索次数limit、全局最大迭代次数Maxcycles、每次程序运行次数runtime、需加油的坦克数量tank-number、最多能使用的加油车数量vehicle-number、最少使用数量Min_Use_Vehicle_Num、加油车最大载重量max_load、车速speed和交叉概率cross_rate。后方油库(车场)数量1和单车使用成本140为定值;
⑵初始化种群,随机排列客户序列后插入加油车,生成coloneysize/2个初始解xi,j(i=1,2,3,…,M;j=1,2,3,…,N),将其暂记为A,计算各初始解的fit(xn)值;
⑶设置全局迭代次数cycle=1;
⑷设置局部搜索次数limit=1;
⑸将A进行“动态交叉”操作,增加其种群多样性,生成新的种群B;
⑹工作蜂采用改进后的动态邻域搜索策略勘探种群B的邻域,存优汰劣,得到新解vn,j种群,将其暂记为C,计算C的fit(xn)值;
⑺若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
⑻跟随蜂根据改进后的强制保留精英锦标赛策略和“排序法”跟随策略,对C进行跟随开采,同样存优汰劣;
⑼若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
⑽第⑺步和第⑼步中的limit达到最大限制次数后,工作蜂抛弃局部最优解转换为侦察蜂,根据设定的公式再次随机产生新解或根据改进后的初始解策略生成新解,此时完成一次全局迭代,新解产生后重复第⑸步至第⑼步;
⑾记录当前已知最优解,令cycle=cycle+1;
⑿判断全局搜索迭代次数cycle,如cycle<Maxcycles,则算法继续搜索;如cycle>Maxcycles,算法终止迭代,记录当前最小值,minf(x)越小,意味着算法求解效果越好。
如图1-2所示,采用改进的人工蜂群算法求解油料保障VRPTW,以各运行20次计算,其相较于改进前的人工蜂群算法,最小值Min由1.26312e+006降到925228(见附图2),减小了26.75%,平均值Mean由5.60187e+014降为940885;用于执行保障任务的加油车由5台减少为3台。
原始人工蜂群算法具体车辆路径分别为:
车辆1:18—12—7
车辆2:16—15—13—20
车辆3:6—1—19—10
车辆4:9—2—14—5
车辆5:8—11—4—17—3
改进人工蜂群算法具体车辆路径分别为:
车辆1:11—4—6—18—5—17—14
车辆2:9—3—16—20—7—19—1—10
车辆3:8—15—2—12—13
如图3所示,原始人工蜂群算法收敛曲线和改进人工蜂群算法收敛曲线的对比显示说明改进的人工蜂群算法实用、有效。
所述求解有时间窗的车辆路径问题的优化算法使用正整数和0编码生成初始解;从保留蜂群“记忆效应”角度出发,将达到最大limit限制次数后“随机生成初始解”改为“选择拟抛弃解的邻域解予以替换”;采用随机选择初始解子序列进行倒置后互换、随机倒置子序列、随机插入子序列和随机互换顺置、倒置子序列四种方法相结合对邻域搜索策略进行优化,并按照公式:
S=(tank_number+vehicle_number)*((maxcycles-2
*cycle/3)/maxcycles)
采用动态邻域搜索策略(Dynamic Neighborhood Operation)展开研究验证;其中,S为可变邻域搜索空间的范围;采用遗传算法的“交叉”策略对初始种群进行“交叉”操作,并依据公式
采用“动态交叉”策略对算法进一步优化,有效增大了算法的种群多样性,避免了算法落入“极值陷阱”,其中,cross_rate为交叉概率;在跟随蜂跟随策略上,分别采用改进后的强制保留精英锦标赛策略跟随(将工作蜂开采出来的一组解A进行随机排列,而后在其中抽取三个解,选择三个解中适应度值最高的一个予以保留。循环往复,直至将保留下来的较优解组成一个新的种群B。最后用种群A中适应度值最好的解替换掉种群B中适应度值最差的解,此时的B就是将要投入到算法循环寻优中的解种群)和采用“排序法”跟随(将工作蜂开采出来的解A按照适应度值从高到低依次排序后,取其质量较高的前50%进行复制,重构成新的种群B,而后把B投入到算法寻优循环当中求取最优解)两种不同的跟随策略。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种求解有时间窗的车辆路径问题的优化算法,所述求解有时间窗的车辆路径问题的优化算法是对油料保障VRPTW实例进行求解,所述油料保障VRPTW具体模型如下:
minf(x)={ΣiΣjΣkvi,jxi,j,ΣjΣkx0,j,k} i,j∈Z,k∈K (1)
约束条件公式为:
Σi,j∈ZΣk∈Kxi,j,k=1 (2)
Σi,m∈ZΣk∈Kxi,m,k=Σm,j∈ZΣk∈Kxm,j,k (5)
Eti≤Sei≤Lti (7)
Eti≤Sli≤Lti (8)
Etj,k≤Sli,k+ti,j,k+t0≤Ltj,k (9)
Etj,k≤Slj,k≤Ltj,k (10)
xi,j,k∈{0,1};yi,k∈{0,1} i,j∈Z,k∈K (12),
上述各公式中符号的具体含义如下:
其特征在于,所述油料保障VRPTW的求解步骤包括:
(1)设定算法参数:种群大小coloneysize,工作蜂数量Ef(Employed),跟随蜂数量Ff(Follower)、局部最大搜索次数limit、全局最大迭代次数Maxcycles、每次程序运行次数runtime、需加油的坦克数量tank-number、最多能使用的加油车数量vehicle-number、最少使用数量Min_Use_Vehicle_Num、加油车最大载重量max_load、车速speed和交叉概率cross_rate,后方油库(车场)数量1和单车使用成本140为定值;
(2)初始化种群,随机排列客户序列后插入加油车,生成coloneysize/2个初始解xi,j(i=1,2,3,...,M;j=1,2,3,...,N),将其暂记为A,计算各初始解的fit(xn)值;
(3)设置全局迭代次数cycle=1;
(4)设置局部搜索次数limit=1;
(5)将A进行“动态交叉”操作,增加其种群多样性,生成新的种群B;
(6)工作蜂采用改进后的动态邻域搜索策略勘探种群B的邻域,存优汰劣,得到新解vn,j种群,将其暂记为C,计算C的fit(xn)值;
(7)若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
(8)跟随蜂根据改进后的强制保留精英锦标赛策略和“排序法”跟随策略,对C进行跟随开采,同样存优汰劣;
(9)若解未得到优化,令limit=limit+1,搜索继续;若解得到更新,则重置limit后继续进行邻域搜索;
(10)第(7)步和第(9)步中的limit达到最大限制次数后,工作蜂抛弃局部最优解转换为侦察蜂,根据设定的公式再次随机产生新解或根据改进后的初始解策略生成新解,此时完成一次全局迭代,新解产生后重复第(5)步至第(9)步;
(11)记录当前已知最优解,令cycle=cycle+1;
(12)判断全局搜索迭代次数cycle,如cycle<Maxcycles,则算法继续搜索;如cycle>Maxcycles,算法终止迭代,记录当前最小值,minf(x)越小,意味着算法求解效果越好。
2.如权利要求1所述的求解有时间窗的车辆路径问题的优化算法,其特征在于:所述求解有时间窗的车辆路径问题的优化算法从保留蜂群“记忆效应”角度出发,将达到最大limit限制次数后“随机生成初始解”改为“选择拟抛弃解的邻域解予以替换”。
3.如权利要求1所述的求解有时间窗的车辆路径问题的优化算法,其特征在于:所述求解有时间窗的车辆路径问题的优化算法采用随机选择初始解子序列进行倒置后互换、随机倒置子序列、随机插入子序列和随机互换顺置、倒置子序列四种方法相结合对邻域搜索策略进行优化,并采用了动态邻域搜索策略(Dynamic Neighborhood Operation)展开研究验证工作。
4.如权利要求1所述的求解有时间窗的车辆路径问题的优化算法,其特征在于:所述求解有时间窗的车辆路径问题的优化算法借鉴遗传算法的“交叉”策略对初始种群进行“交叉”操作,采用“动态交叉”策略对算法进一步优化。
5.如权利要求1所述的求解有时间窗的车辆路径问题的优化算法,其特征在于:所述求解有时间窗的车辆路径问题的优化算法在跟随蜂跟随策略上,分别采用了改进后的强制保留精英锦标赛策略跟随和“排序法”跟随策略进一步优化改进算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605037.6A CN106251009A (zh) | 2016-07-27 | 2016-07-27 | 一种求解有时间窗的车辆路径问题的优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605037.6A CN106251009A (zh) | 2016-07-27 | 2016-07-27 | 一种求解有时间窗的车辆路径问题的优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251009A true CN106251009A (zh) | 2016-12-21 |
Family
ID=57604885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610605037.6A Pending CN106251009A (zh) | 2016-07-27 | 2016-07-27 | 一种求解有时间窗的车辆路径问题的优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251009A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651043A (zh) * | 2016-12-28 | 2017-05-10 | 中山大学 | 一种求解多目标多车场带时间窗车辆路径问题的智能算法 |
CN107301510A (zh) * | 2017-06-26 | 2017-10-27 | 北京首都国际机场股份有限公司 | 一种基于遗传算法的加油车和摆渡车协同调度方法 |
CN108737995A (zh) * | 2018-05-23 | 2018-11-02 | 中南大学 | 一种充电车移动受限的充电调度方法 |
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN109117993A (zh) * | 2018-07-27 | 2019-01-01 | 中山市武汉理工大学先进工程技术研究院 | 一种车辆路径优化的处理方法 |
CN110263970A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110308967A (zh) * | 2019-06-06 | 2019-10-08 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN110633784A (zh) * | 2018-06-25 | 2019-12-31 | 沈阳高精数控智能技术股份有限公司 | 一种多规则人工蜂群改进算法 |
CN111024086A (zh) * | 2019-12-19 | 2020-04-17 | 哈尔滨工程大学 | 一种基于群禽寻优技术的多无人机航迹规划方法 |
CN112149876A (zh) * | 2020-08-27 | 2020-12-29 | 上海大学 | 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880798A (zh) * | 2012-09-20 | 2013-01-16 | 浪潮电子信息产业股份有限公司 | 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
-
2016
- 2016-07-27 CN CN201610605037.6A patent/CN106251009A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880798A (zh) * | 2012-09-20 | 2013-01-16 | 浪潮电子信息产业股份有限公司 | 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
Non-Patent Citations (3)
Title |
---|
李全亮: "遗传算法与蚂蚁算法的融合在带时间窗的车辆路径问题中的应用", 《数学的实践与认识》 * |
李委委: "混合蚁群算法在车辆路劲优化问题中的研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
邵楷: "基于人工蜂群算法的车辆路径问题的研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651043A (zh) * | 2016-12-28 | 2017-05-10 | 中山大学 | 一种求解多目标多车场带时间窗车辆路径问题的智能算法 |
CN107301510A (zh) * | 2017-06-26 | 2017-10-27 | 北京首都国际机场股份有限公司 | 一种基于遗传算法的加油车和摆渡车协同调度方法 |
CN108764777B (zh) * | 2018-04-26 | 2021-03-30 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN108737995B (zh) * | 2018-05-23 | 2020-08-25 | 中南大学 | 一种充电车移动受限的充电调度方法 |
CN108737995A (zh) * | 2018-05-23 | 2018-11-02 | 中南大学 | 一种充电车移动受限的充电调度方法 |
CN110633784A (zh) * | 2018-06-25 | 2019-12-31 | 沈阳高精数控智能技术股份有限公司 | 一种多规则人工蜂群改进算法 |
CN110633784B (zh) * | 2018-06-25 | 2022-07-22 | 沈阳中科数控技术股份有限公司 | 一种多规则人工蜂群改进算法 |
CN109117993A (zh) * | 2018-07-27 | 2019-01-01 | 中山市武汉理工大学先进工程技术研究院 | 一种车辆路径优化的处理方法 |
CN109117993B (zh) * | 2018-07-27 | 2022-04-15 | 中山市武汉理工大学先进工程技术研究院 | 一种车辆路径优化的处理方法 |
CN110263970A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110263970B (zh) * | 2019-05-14 | 2023-02-10 | 上海大学 | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 |
CN110308967A (zh) * | 2019-06-06 | 2019-10-08 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN110308967B (zh) * | 2019-06-06 | 2023-05-30 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN111024086A (zh) * | 2019-12-19 | 2020-04-17 | 哈尔滨工程大学 | 一种基于群禽寻优技术的多无人机航迹规划方法 |
CN112149876A (zh) * | 2020-08-27 | 2020-12-29 | 上海大学 | 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 |
CN112149876B (zh) * | 2020-08-27 | 2023-07-18 | 上海大学 | 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
CN112766614B (zh) * | 2021-03-05 | 2023-09-15 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251009A (zh) | 一种求解有时间窗的车辆路径问题的优化算法 | |
CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
Luo et al. | Solving TSP with shuffled frog-leaping algorithm | |
CN105976048A (zh) | 一种基于改进人工蜂群算法的输电网扩展规划方法 | |
CN107239845B (zh) | 油藏开发效果预测模型的构建方法 | |
CN104299053A (zh) | 基于遗传算法配用电通信网最优路径选择的方法 | |
CN103426027B (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
CN103593287A (zh) | 一种基于遗传算法的数据流测试用例自动生成方法 | |
CN105930232A (zh) | 一种利用网络拓扑信息的简单再生码修复方法 | |
CN102867409A (zh) | 一种可用于城市中心区域的道路交通协同控制方法 | |
CN104268629A (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN106326987A (zh) | 多目标优化方法和装置 | |
CN105389370A (zh) | 一种面向社交活动组织的时间聚合查询方法 | |
CN105704025B (zh) | 基于混沌搜索和人工免疫算法的路由优化方法 | |
CN106257502A (zh) | 一种用于含风电场的经济调度的数据处理方法及装置 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN105373846A (zh) | 基于分级策略的油气集输管网拓扑结构智能优化方法 | |
CN109104734A (zh) | 一种基于深度确定性策略梯度的集能型无线中继网络吞吐量最大化方法 | |
CN104615679A (zh) | 一种基于人工免疫网络的多智能体数据挖掘方法 | |
CN104573004A (zh) | 一种基于双阶遗传计算的基因表达数据的双聚类算法 | |
CN107180286A (zh) | 基于改进型花粉算法的制造服务供应链优化方法及系统 | |
Chopra et al. | Multi-objective optimum load dispatch using Multi-verse optimization | |
Tan | Research on sustainable carrying capacity of urban tourism environment based on multi objective optimization algorithm | |
CN103226656A (zh) | 种群迁徙动力学优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |