CN106951981A - 一种车辆路径选择方法 - Google Patents

一种车辆路径选择方法 Download PDF

Info

Publication number
CN106951981A
CN106951981A CN201710101813.3A CN201710101813A CN106951981A CN 106951981 A CN106951981 A CN 106951981A CN 201710101813 A CN201710101813 A CN 201710101813A CN 106951981 A CN106951981 A CN 106951981A
Authority
CN
China
Prior art keywords
circuit
distance
site
fitness
probability
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
Application number
CN201710101813.3A
Other languages
English (en)
Inventor
叶枫
宋小萌
戴佩武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710101813.3A priority Critical patent/CN106951981A/zh
Publication of CN106951981A publication Critical patent/CN106951981A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车辆路径选择方法，首先随机选取K个地点作为初始站点；然后计算各个乘车地点到每个初始站点的距离；将乘车地点与其相距最近的初始站点划分为一簇；取每簇均值作为新站点；判断新站点与初始站点的距离是否小于等于阀值，若大于则重新计算距离，若不大于则将新站点作为选定站点；计算线路群中每条线路适应度和累计概率；保留适应度最高的线路到下一线路群，其他线路一定概率下变异生成新线路群；判断是否达到最大迭代次数，若没有达到则重新计算适应度和累计概率，若已经达到则进行解码，生成最优线路。本发明能够处理缺失值，对异常点进行检测和处理，并能对复杂且有重叠的轨迹进行切割。

Description

一种车辆路径选择方法
技术领域
本发明属于信息技术领域，特别涉及一种基于K-means聚类算法和遗传算法的车辆路径选择方法。
背景技术
车辆路线问题(VRP)最早是由Dantzig和Ramser于1959年首次提出，它是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。车辆路线问题自1959年提出以来，一直是网络优化问题中最基本的问题之一，由于其应用的广泛性和经济上的重大价值，一直受到国内外学者的广泛关注。车辆路线问题可以描述如下：设有一个场站，共有M辆货车，车辆容量为Q，有N位顾客，每位顾客有其需求量D。车辆从场站出发对客户进行配送服务最后返回场站，要求所有顾客都被配送，每位顾客一次配送完成，且不能违反车辆容量的限制，目的是所有车辆路线的总距离最小。车辆路线的实际问题包括配送中心配送、公共汽车路线制定、信件和报纸投递、航空和铁路时间表安排、工业废品收集等。
K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。通俗来讲K-means算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。K-means算法在本发明中主要用于对站点的规划安排。所用到的数据为系统用户输入的乘车地点。
遗传算法是是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码可以作为问题近似最优解。本发明用遗传算法来解决车辆线路规划问题，目的是生成行驶距离最短且经过所有必须经过的站点的最优路线。在该问题模型中个体(染色体)即为所有站点的排列序列，染色体上的基因即为某一个站点，种群是个体的集合，即为所有站点排列序列的集合。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种可以更好合理减少安排的站点数目，节省车辆调度所需资源，并且在满足问题需求的基础上，选取最优线路，效率高，管理方便，可方便有效的运用于各大车辆管理系统中的基于K-means聚类算法和遗传算法的车辆路径选择方法。
技术方案：为解决上述技术问题，本发明提供一种车辆路径选择方法，包括如下步骤：
步骤一：事先约定变异概率p1、交叉概率p2及目标站点数目K。针对所采集到的所有乘车地点信息，从中随机选取K个地点作为初始站点；
步骤二：计算各个乘车地点到每个初始站点的距离；
步骤三：将乘车地点与其相距最近的初始站点划分为一簇；取每簇均值作为新站点；
步骤四：计算新站点与初始站点的距离是否小于某一给定的阀值，若距离大于等于阀值，则返回步骤二，若距离小于阀值则进入步骤五；
步骤五：将新站点作为选定站点；初始化线路群；
步骤六：计算线路群中每条线路适应度和累计概率；
步骤七：保留适应度最高的线路到下一线路群，其他线路一定概率下变异，生成新线路群；
步骤八：判断是否达到最大迭代次数，若已经达到最大迭代次数则进入步骤九，若没有达到最大迭代次数则进入步骤六；
步骤九：将适应度最高的线路进行解码，生成最优线路。
进一步的，所述步骤二中所述各个乘车地点到每个初始站点的距离中的距离为地理距离，通过地图引起收集两地点所处地理位置及周边环境的距离信息，并根据实际情况进行距离测量得到最终的地理距离。
进一步的，所述步骤六中计算线路群中每条线路适应度的方法为：该线路的最大长度+(该线路所需车辆数-最大限制车辆数)*惩罚因子，所述惩罚因子为初始设定时人工设定。
进一步的，所述步骤六中计算线路群中每条线路累计概率的方法为：该线路适应度/所有线路群中线路的适应度之和+前一条线路求出的累计概率。
进一步的，所述步骤七中其他线路一定概率下变异的方法为：以事先约定的交叉概率相互交换某两条线路之间的站点信息，随机对线路配对并随机设置交换位置，或对线路中某一或几个位置上的站点信息按照事先约定的变异概率进行改变。
进一步的，所述步骤九中的对适应度最高的线路进行解码的方法为：将最高适应度的线路根据每辆车的最大载重限制对线路进行拆分，拆分后的若干条序列即为最终安排的若干条线路。
与现有技术相比，本发明的优点在于：
本发明公开了一种基于K-means聚类算法和遗传算法实现车辆路径规划的方法。车辆路径问题是指是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货车，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能满足一定的约束条件，如路程最短、成本最小、耗费时间最少等。本发明运用机器学习领域的两种经典算法K-means聚类算法和遗传算法来解决车辆路径规划问题，其中K-means算法用来进行站点的安排与合并，达到减少站点数目节省资源目的；遗传算法用来进行线路优化，达到既满足客户需求并使总路程最短所需调度车辆最少的目的。
本发明提供的基于K-means聚类算法和遗传算法解决车辆路径问题的方法可以更好合理减少安排的站点数目，节省车辆调度所需资源，并且在满足问题需求的基础上，选取最优线路，效率高，管理方便，可方便有效的运用于各大车辆管理系统中。
附图说明
图1为本发明的总体流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
针对基于该方法开发的厂车管理系统，该方法可以有效的处理站点安排及线路优化问题。所用到的数据为管理系统中的员工的乘车地点信息。
运用K-means聚类算法进行站点安排的主要步骤如下：
步骤101：从所有乘车地点中随机取K个乘车地点作为初始站点。
步骤102：之分别计算所有员工的乘车地点到初始站点的距离，找到与该乘车地点相距最近的初始站点，把乘车地点划分到该初始站点所在的簇中，代表想在该乘车地点上车的员工可选择到此站点乘车。
步骤103：对每个簇中质心进行更新，即计算出到达该簇中所有乘车地点距离都较近的一个乘车地点，判断该地点与之前选定的站点的距离是否小于某一阈值。若小于则代表迭代后的站点逐渐趋于稳定不变，可把此次迭代后的站点作为最终选定的站点进行保留，将其他未被选中作为站点的员工的乘车地点划分到距离最近的站点，即安排员工在离自己希望的乘车地点最近的站点上车。否则，则重复步骤102～103。
设全部员工乘车的地点共有m个，{x(1)...x(m)}代表全部员工乘车的地点，K是目标站点的个数，c(i)代表乘车地点i与第K个簇中的质心距离最近的那个簇，j代表第j个簇，质心μj代表每次迭代后选定的站点。则我们有如下定义：
之后运用遗传算法进行线路优化处理，目的是生成行驶距离最短且经过所有必须经过的站点的最优路线。主要步骤如下：
步骤201：基于K-means聚类所生成的站点，随机生成若干个站点的全排列序列，即为最初线路群。
步骤202：计算线路群中每条线路的适应度及累计概率。
步骤203：保留该线路群中适应度最高的线路直接进入新线路群，其他线路在一定概率下产生变异，生成新线路群。
步骤204：判断是否达到最大迭代次数，若未达到，重复步骤202～204。
步骤205：将最高适应度的线路根据每辆车的最大载重限制对线路进行拆分，拆分后的若干条序列即为最终安排的若干条线路，即为最优线路。
在该方法中个体(染色体)即为所有站点的排列序列，染色体上的基因即为某一个站点，种群是个体的集合，即为所有站点排列序列的集合。假设一共有K台车辆，每台车辆的载重量为Qk，最大行驶距离为Dk，一共有L个站点，每个站点的乘车人数为qi，站点i到站点j的距离为dij，起点或终点到各站点的距离为d0j。nk为第k台车辆配送的客户数。Rk表示第k条线路，其中元素Rki表示站点Rki在线路k中的顺序为i。若以所有线路的总路程最短为目标函数，则建立函数如下：
Rk＝{rki|rki∈{1,2,...,L},i＝1,2,...,nk}
用sign函数标志车辆是否被使用。当第k辆车的乘车人数≥1时，说明该车辆被使用，则取sign(nk)＝1，当第k辆车的乘车人数<1时,，表示未使用该车辆，则取sign(nk)＝0。
以上所述仅为本发明的实施例子而已，并不用于限制本发明。凡在本发明的原则之内，所作的等同替换，均应包含在本发明的保护范围之内。本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。

Claims (6)

1.一种车辆路径选择方法，其特征在于，包括如下步骤：
步骤一：事先约定变异概率p1、交叉概率p2及目标站点数目K。针对所采集到的所有乘车地点信息，从中随机选取K个地点作为初始站点；
步骤二：计算各个乘车地点到每个初始站点的距离；
步骤三：将乘车地点与其相距最近的初始站点划分为一簇；取每簇均值作为新站点；
步骤四：计算新站点与初始站点的距离是否小于某一给定的阀值，若距离大于等于阀值，则返回步骤二，若距离小于阀值则进入步骤五；
步骤五：将新站点作为选定站点；初始化线路群；
步骤六：计算线路群中每条线路适应度和累计概率；
步骤七：保留适应度最高的线路到下一线路群，其他线路一定概率下变异，生成新线路群；
步骤八：判断是否达到最大迭代次数，若已经达到最大迭代次数则进入步骤九，若没有达到最大迭代次数则进入步骤六；
步骤九：将适应度最高的线路进行解码，生成最优线路。
2.根据权利要求1所述的一种车辆路径选择方法，其特征在于：所述步骤二中所述各个乘车地点到每个初始站点的距离中的距离为地理距离，通过地图引起收集两地点所处地理位置及周边环境的距离信息，并根据实际情况进行距离测量得到最终的地理距离。
3.根据权利要求1所述的一种车辆路径选择方法，其特征在于：所述步骤六中计算线路群中每条线路适应度的方法为：该线路的最大长度+(该线路所需车辆数-最大限制车辆数)*惩罚因子，所述惩罚因子为初始设定时人工设定。
4.根据权利要求1所述的一种车辆路径选择方法，其特征在于：所述步骤六中计算线路群中每条线路累计概率的方法为：该线路适应度/所有线路群中线路的适应度之和+前一条线路求出的累计概率。
5.根据权利要求1所述的一种车辆路径选择方法，其特征在于：所述步骤七中其他线路一定概率下变异的方法为：以事先约定的交叉概率相互交换某两条线路之间的站点信息，随机对线路配对并随机设置交换位置，或对线路中某一或几个位置上的站点信息按照事先约定的变异概率进行改变。
6.根据权利要求1所述的一种车辆路径选择方法，其特征在于：所述步骤九中的对适应度最高的线路进行解码的方法为：将最高适应度的线路根据每辆车的最大载重限制对线路进行拆分，拆分后的若干条序列即为最终安排的若干条线路。
CN201710101813.3A 2017-02-24 2017-02-24 一种车辆路径选择方法 Pending CN106951981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710101813.3A CN106951981A (zh) 2017-02-24 2017-02-24 一种车辆路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710101813.3A CN106951981A (zh) 2017-02-24 2017-02-24 一种车辆路径选择方法

Publications (1)

Publication Number Publication Date
CN106951981A true CN106951981A (zh) 2017-07-14

Family

ID=59467982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710101813.3A Pending CN106951981A (zh) 2017-02-24 2017-02-24 一种车辆路径选择方法

Country Status (1)

Country Link
CN (1) CN106951981A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358326A (zh) * 2017-07-20 2017-11-17 深圳市凯立德科技股份有限公司 一种单车多点配送线路处理方法
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109800922A (zh) * 2019-02-01 2019-05-24 浙江理工大学 一种基于共享自行车的大型密集人群快速疏散方法
CN111178440A (zh) * 2019-12-31 2020-05-19 哈工汇智(深圳)科技有限公司 一种基于高效减小agv总运输成本的路径优化方法
CN112819229A (zh) * 2021-02-04 2021-05-18 汉纳森（厦门）数据股份有限公司 一种基于分布式机器学习的行车站点优化更新方法和系统
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN113537546A (zh) * 2020-04-21 2021-10-22 上海大众祥云运输管理有限公司 一种通勤车管理用路径规划方法和装置
US20220277551A1 (en) * 2021-03-01 2022-09-01 Saishi Frank Li Vehicle dispatch and tracking based on vehicle-carring image processing
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731942A (zh) * 2015-03-31 2015-06-24 贵州中科汉天下信息技术有限公司 一种基于遗传算法的公交路线绘制方法
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN106875046A (zh) * 2017-01-22 2017-06-20 河海大学 一种可视化厂车调度方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731942A (zh) * 2015-03-31 2015-06-24 贵州中科汉天下信息技术有限公司 一种基于遗传算法的公交路线绘制方法
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN106875046A (zh) * 2017-01-22 2017-06-20 河海大学 一种可视化厂车调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林郁丞: ""基于聚类分析和遗传算法的带时间窗车辆路径问题研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
谢婉君: ""A快递公司C站点车辆路径优化问题研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358326A (zh) * 2017-07-20 2017-11-17 深圳市凯立德科技股份有限公司 一种单车多点配送线路处理方法
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN107464005B (zh) * 2017-08-21 2020-06-19 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109800922A (zh) * 2019-02-01 2019-05-24 浙江理工大学 一种基于共享自行车的大型密集人群快速疏散方法
CN111178440A (zh) * 2019-12-31 2020-05-19 哈工汇智(深圳)科技有限公司 一种基于高效减小agv总运输成本的路径优化方法
CN113537546A (zh) * 2020-04-21 2021-10-22 上海大众祥云运输管理有限公司 一种通勤车管理用路径规划方法和装置
CN112819229A (zh) * 2021-02-04 2021-05-18 汉纳森（厦门）数据股份有限公司 一种基于分布式机器学习的行车站点优化更新方法和系统
US20220277551A1 (en) * 2021-03-01 2022-09-01 Saishi Frank Li Vehicle dispatch and tracking based on vehicle-carring image processing
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116562598B (zh) * 2023-07-07 2023-09-19 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN106951981A (zh) 一种车辆路径选择方法
CN107464005B (zh) 一种用于车辆预约的拓展型路径规划方法
CN109074622A (zh) 确定运输服务路线的系统及方法
CN112183812B (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
CN112381472B (zh) 一种地铁接驳公交线路优化方法、装置及存储介质
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN109034477B (zh) 一种基于时间可靠性的城市物流配送的最短路径查找方法
CN113343570A (zh) 一种考虑拣货单关联性的动态拣货方法和系统
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN108647821B (zh) 一种基于参数自学习的差分进化物流配送路径优化方法
CN113935452A (zh) 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法
CN104636457B (zh) 一种位置搜索认知的方法及装置
CN107274066A (zh) 一种基于lrfmd模型的共享交通客户价值分析方法
CN110675189A (zh) 一种基于Wide&amp;Deep模型和遗传算法的无人货架选址方法
Thangiah et al. School bus routing in rural school districts
CN109583634A (zh) 一种基于现代投资组合理论的外卖配送路径选择方法
CN107239853A (zh) 一种基于云计算的智慧管家系统及其工作方法
TWI825832B (zh) 配送管理系統、配送管理方法及程式產品
CN116562574A (zh) 城际定制客运的协同优化方法、装置、设备和存储介质
CN114923497A (zh) 一种铁路出行的路径规划方法、装置、设备及存储介质
CN108515988A (zh) 一种提高乘客时效的列车运行图优化方法
Syauqi et al. Optimization of heterogeneous vehicle routing problem using genetic algorithm in courier service
CN117910782B (zh) 基于完全子图和插入式遗传算法的城际拼车静态调度方法
Gao et al. Genetic algorithm to the split delivery vehicle routing problem
Tiwari et al. A hybrid edge recombination approach to solve price collecting vehicle routing problem

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20170714