CN112686458B - 一种多车型车队配送货过程的优化调度方法 - Google Patents
一种多车型车队配送货过程的优化调度方法 Download PDFInfo
- Publication number
- CN112686458B CN112686458B CN202110005746.1A CN202110005746A CN112686458B CN 112686458 B CN112686458 B CN 112686458B CN 202110005746 A CN202110005746 A CN 202110005746A CN 112686458 B CN112686458 B CN 112686458B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- customer
- path
- cost
- type
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多车型车队配送货过程的优化调度方法,属于车辆路径问题智能优化调度技术领域。本发明通过建立多车型车队配额送货物的调度模型和优化目标,设计基于混合蚁群优化算法的优化调度方法对优化目标进行优化。本发明提出了多车型车队配送货过程的调度模型和优化目标,将其明确为车辆路径规划问题,可大大降低运输成本;在优化过程中综合考虑了载重与单位碳排放不同的多车型车队、燃油消耗、动态负载等因素,从而减少整个运输过程中的燃油消耗;模型以车辆行驶费用、燃油费用和行时间费用汇总的总经济成本为优化目标,并且设定了配送时间窗的约束条件,符合实际物流运输情况。
Description
技术领域
本发明涉及一种多车型车队配送货过程的优化调度方法,属于智能算法求解车辆路径问题。
背景技术
能源危机、环境污染以及温室效应等问题的日益严重,对物流运输行业提出了更高的节能减排要求。运输行业不仅是能源消耗较大的产业,而且是碳排放大户,据世界资源学院的统计,交通运输行业的二氧化碳排量占全球总排量的20%。实施绿色运输已经成为减少碳排放的必然趋势,而相比小型汽车,货运汽车的吨位更大,行驶里程更长,其碳排放量远超于小型汽车。在此背景下,设计研究带有绿色指标的货车运输问题,对降低环境污染,响应节能减排,具有十分重要的意义。
当下日益加剧的市场竞争环境无疑对物流运输做出了更高的要求,如何运用智能优化技术改良车辆货物运输,成为众多企业提高生产效率,提升产能效益,降低污染排放的关键所在。
在物流系统中,配送是核心部分,而车辆路径问题(Vehicle Routing Problem,VRP)是其中的重要一环。传统的VRP主要描述为组织一个车队,安排适当的行车路线为一定数量的客户提供送货服务,并能在满足车载量、行车里程等约束条件下,达到诸如路程最短,成本最小,耗时最少等目的。
多车型车队配送货物问题属于典型的车辆路径问题。由于该类问题在学术上已被证明是NP-hard组合优化问题,而传统的数学规划方法只能求解较小规模的问题。
发明内容
本发明提供了一种多车型车队配送货过程的优化调度方法,以用于获得多车型车队配送货过程的优良解。
本发明的技术方案是:一种多车型车队配送货过程的优化调度方法,通过建立多车型车队配额送货物的调度模型和优化目标,设计基于混合蚁群优化算法的优化调度方法对优化目标进行优化;
所述调度模型约束如下:
①配送中心的每种车型都参与配送任务;②车辆在一次配送任务中仅进行一次客户服务;③车辆配送中负载不能超过该车型的最大装载限制;④车辆从配送中心出发,完成配送后需返回配送中心;⑤每个客户均被服务,被服务的次数有且仅有一次;⑥车辆应该在客户的服务窗口时间内到达;
所述优化目标运输总费用ZTotal由三部分组成:车辆行驶费用、燃油费用F3及时间费用F4;其中,车辆行驶费用由行驶里程费用F1和车辆固定费用F2组成;
运输总费用ZTotal的计算如下:
ZTotal=F1+F2+F3+F4
其中,Mt表示共有Mt种类型的车,HM表示第M种类型车的车辆合集,N表示总共有N个客户,CM1为第M类型车的行驶里程费用系数,xMijk表示第M种类型车的第k辆车从客户i到客户j的决策变量,dij表示客户i到客户j的距离;CM2表示第M种类型车的车辆固定费用系数,FUMij表示第M种类型车从客户i到客户j的燃油量;Vij表示车辆在客户i到客户j之间的平均速度,ei表示车辆离开客户i的时间,ti表示车辆到达客户i的时间,CM3表示第M种类型车的燃油费用系数;CM4表示第M种类型车的车辆时间费用系数。
所述基于混合蚁群优化算法的优化调度方法的具体步骤如下:
Step1、编码方式:采用整数编码的方法,每只蚂蚁代表一辆车,每只蚂蚁的路径表示每辆车的行驶路径,车场用数字0表示,客户用自然数表示,当一辆车服务完客户再返回配送中心,就在解中插入0来表示一条路径的结束;
Step2、种群和信息素浓度初始化:利用贪心算法随机构造一条包含所有客户节点的路径,使用构造的这条蚂蚁路径对信息素浓度进行初始化,利用初始化的信息素浓度构建规模为M的蚂蚁种群:
其中,τij(0)表示初始0代的信息素浓度,i、j为客户编号,Pm为信息素浓度的初始值且设置为大于1的值;
Step3、更新信息素浓度:每次每只蚂蚁经过某一条路径后都会马上更新路径上的信息素,更新公式如下所示:
τij(t+1)=(1-p)τij(t)+Δτij(t)
式中,τij(t+1)表示第t+1代的信息素浓度,p为信息素挥发因子,p∈[0,1),r为蚂蚁的数量,Δτij(t)为第t代客户i、j之间的信息素增量,Δτijk(t)为蚂蚁k在第t代中客户i、j之间释放的信息素增量;
Step4、基于四种变邻域操作的自适应大邻域局部搜索:对种群中的每个解基于局部操作的选择概率,采用轮盘赌的方式随机选择一种变邻域操作对解进行操作;然后判断新的解是否得到改善:若得到改善,则用新解替代旧解,否则不接受新解;最后对每个局部操作的选择概率进行更新,更新公式如下式:
gz=BNSz/NSz
式中,gz为局部操作z的改善率,NSz为对当前种群执行局部操作z的次数,BNSz为执行局部操作z后得到改善解的个数,pz为局部操作z的选择概率,pmin为每种局部操作被选择的最小概率值;
Step5、终止条件:设定终止条件为最大迭代次数,如果满足则输出“最优个体”,否则重复Step3、Step4直至满足终止条件。
所述变邻域操作具体为:不同路径插入操作:随机选择一条路径上的一个客户,插入到另一条路径上;子路径内客户逆序操作:随机选择一条路径上的几个客户进行逆序;不同路径上客户交换操作:在两条不同路径上随机选择两个客户进行交换;不同路径上连续客户插入操作:随机选择一条路径上的连续两个客户插入到另一条路径上。
本发明的有益效果是:
1、本发明提出了多车型车队配送货过程的调度模型和优化目标,将其明确为车辆路径规划问题,可大大降低运输成本。
2、在优化过程中综合考虑了载重与单位碳排放不同的多车型车队、燃油消耗、动态负载等因素,从而减少整个运输过程中的燃油消耗;模型以车辆行驶费用、燃油费用和行时间费用汇总的总经济成本为优化目标,并且设定了配送时间窗的约束条件,符合实际物流运输情况。
3、提出了一种混合蚁群算法对问题求解,在蚁群算法正反馈的基础上加入了自适应的大邻域局部搜索策略,避免了蚁群优化算法容易使解过早的收敛陷入局部最优的情况。
附图说明
图1为本发明中多车型车队配送货过程示意图;
图2为本发明中算法流程图;
图3为本发明中局部搜索过程示意图一;
图4为本发明中局部搜索过程示意图二;
图5为本发明中局部搜索过程示意图三
图6为本发明中局部搜索过程示意图四;
图7为本发明实施例3的配送方案图。
具体实施方式
实施例1:如图1-图6所示,一种多车型车队配送货过程的优化调度方法,通过建立多车型车队配额送货物的调度模型和优化目标,设计基于混合蚁群优化算法的优化调度方法对优化目标进行优化;
所述调度模型约束如下:
①配送中心的每种车型都参与配送任务;②车辆在一次配送任务中仅进行一次客户服务;③车辆配送中负载不能超过该车型的最大装载限制;④车辆从配送中心出发,完成配送后需返回配送中心;⑤每个客户均被服务,被服务的次数有且仅有一次;⑥车辆应该在客户的服务窗口时间内到达;
所述优化目标运输总费用ZTotal由三部分组成:车辆行驶费用、燃油费用F3及时间费用F4;其中,车辆行驶费用由行驶里程费用F1和车辆固定费用F2组成;
运输总费用ZTotal的计算如下:
ZTotal=F1+F2+F3+F4
其中,Mt表示共有Mt种类型的车,HM表示M类型车的车辆合集,k表示M类型车的车辆编号,N表示总共有N个客户,CM1为第M类型车的行驶里程费用系数,xMijk表示车型M的第k辆车从客户i到客户j的决策变量,dij表示客户i到客户j的距离;CM2表示第M种类型车的车辆固定费用系数,FUMij表示M类型车从客户i到客户j的燃油量;Vij表示车辆在客户i到客户j之间的平均速度,ei表示车辆离开客户i的时间,ti表示车辆到达客户i的时间,CM3表示第M种类型车的燃油费用系数;CM4表示第M类型车的车辆时间费用系数。
进一步地,可以设置所述基于混合蚁群优化算法的优化调度方案的具体步骤如下:
Step1、编码方式:采用整数编码的方法,每只蚂蚁代表一辆车,每只蚂蚁的路径表示每辆车的行驶路径,车场用数字0表示,客户用自然数表示,当一辆车服务完客户再返回配送中心,就在解中插入0来表示一条路径的结束;譬如当客户数量为10,由3辆车完成配送,相当于使用了三只蚂蚁,解可以表示为π=[0,10,2,3,0,7,8,9,0,1,4,5,6,0];解码时对上述每一只蚂蚁的路径进行解码,即考虑路线上的每个客户节点,直到该客户节点的需求量的和大于车辆的最大载重量,然后将之前考虑的客户节点作为一辆车的一条路径,继续考虑余下的客户节点,直到路径划分结束,车场和车场之间代表每辆车的路径。
Step2、种群和信息素浓度初始化:利用贪心算法随机构造一条包含所有客户节点的路径,使用构造的这条蚂蚁路径对信息素浓度进行初始化,利用初始化的信息素浓度构建规模为M的蚂蚁种群,相当于生成含有M个解的解集:
其中,τij(0)表示初始0代的信息素浓度,i、j为客户编号,Pm为信息素浓度的初始值且设置为大于1的值;设置为大于1的值可以防止算法过早陷入局部最优;通过贪心算法生成解的质量较高且生成速度快,可以使得整个迭代速度加快;
Step3、更新信息素浓度:蚂蚁更倾向于选择离当前节点距离短且信息素浓度高的节点,每次每只蚂蚁经过某一条路径后都会马上更新路径上的信息素,更新公式如下所示:
τij(t+1)=(1-p)τij(t)+Δτij(t)
式中,τij(t+1)表示第t+1代的信息素浓度,p为信息素挥发因子,p∈[0,1),r为蚂蚁的数量,Δτij(t)为第t代客户i、j之间的信息素增量,Δτijk(t)为蚂蚁k(即对应车辆编号k)在第t代中客户i、j之间释放的信息素增量;
Step4、基于四种变邻域操作的自适应大邻域局部搜索:对种群中的每个解基于局部操作的选择概率,采用轮盘赌的方式随机选择一种变邻域操作对解进行操作;然后判断新的解是否得到改善:若得到改善,则用新解替代旧解,否则不接受新解;最后对每个局部操作的选择概率进行更新,更新公式如下:
gz=BNSz/NSz
式中,gz为局部操作z的改善率,NSz为对当前种群执行局部操作z的次数,BNSz为执行局部操作z后得到改善解的个数,pz为局部操作z的选择概率,pmin为每种局部操作被选择的最小概率值;通过设置小概率值可以避免出现选择概率为0的情况,从而保证局部搜索的多样性;
Step5、终止条件:设定终止条件为最大迭代次数,如果满足则输出“最优个体”,否则重复Step3、Step4直至满足终止条件。
进一步,可以设置所述变邻域操作具体为:不同路径插入操作:随机选择一条路径上的一个客户,插入到另一条路径上,如图3所示;子路径内客户逆序操作:随机选择一条路径上的几个客户进行逆序,如图4所示;不同路径上客户交换操作:在两条不同路径上随机选择两个客户进行交换,如图5所示;不同路径上连续客户插入操作:随机选择一条路径上的连续两个客户插入到另一条路径上,如图6所示。通过选用该特定的四种变邻域操作方式,可以加快算法收敛速度,扩大算法搜索深度,为后续获得本发明的优化目标至关重要。
实施例2:针对一种多车型车队配送货过程的优化调度方法,本发明给出如下实验数据:所述规模M=100,迭代次数gen=100。
为验证算法的有效性,本申请采用Solomon标准VRPTW不同规模数据集进行实验。编程工具采用matlab2018,运行环境为windows 10操作系统;8GB运行内存;英特尔i5处理器,主频1.30GHz。每种规模算例独立运行20次,比较HACO算法与ACO算法的结果,取最优解作为实验数据,结果如下表1:
表1
如上表1所示,本申请所提出的HACO算法在不同规模算例测试结果中均好于ACO算法,验证了该算法求解该类问题的有效性。
实施例3:对于存在16客户的情况下,针对表2中的需求方案,通过本发明的方法执行后,获得的配送方案如图7所示。
表2
本发明的工作原理是:
步骤1:建立多车型车队配送货的调度模型和优化目标。
所述优化目标运输总费用ZTotal由三部分组成:车辆行驶费用、燃油费用F3及时间费用F4;其中,车辆行驶费用由行驶里程费用F1和车辆固定费用F2组成;
建立问题约束如下:
(1)要求从配送中心出发的车辆数目和返回中心的车辆数目相等:
(2)要求每个客户均被服务,且只被服务一次:
(3)要求所有车辆均需参与服务,且服务完后返回到配送中心:
(4)要求解过程中不出现不含配送中心的子回路:
(5)要求车辆配送过程中不能超过其对应车型的最大载重量:
(6)要求所有车辆需要在客户时间窗内到达:
决策变量:
其中,V表示客户集合,Ms表示车型集合,r(A)表示完成客户子集A中所有客户的配送需要的最少车辆数,qi表示客户i的货物需求量,QM表示第M种类型车的最大载重量,si表示客户i的服务时间,H表示一个非常大的常数,bi表示客户i最晚到达时间;
步骤2:初始解生成
根据客户节点时间窗的约束,比较最迟服务时间bi的大小并对客户进行排序,优先选择载重量大的车型对能够在时间窗内到达的客户进行服务,如果有多个可在时间窗内到达的客户,选择最近的客户进行服务,如果没有可在时间窗内到达的客户,选择距离最近的客户进行服务,当某种车型的车辆使用数超过车辆拥有数时,选取下一种车型,直到所有客户点都得到配送。
步骤3:信息素初始化
使用贪心算法构造一条包含所有客户节点的路径,使用构造的这条蚂蚁路径对信息素浓度进行初始化,设定一个规模为M的蚂蚁种群,通过初始信息素浓度生成M个解:
其中,i、j为客户编号,Pm为信息素浓度值的初始值(设置为大于1的值),为防止算法过早陷入局部最优,0表示迭代次数。
步骤4:信息素浓度的更新
蚁群优化算法表明蚂蚁能够根据前面蚂蚁所分泌的信息素来选择路径,其选择食物源线路的通往概率与该线路上分泌的信息素强度成正比。因此,在蚂蚁经过的路径上会形成一种信息的反馈现象,即选择某1条路径的蚂蚁数量越多,该路径上所留下的信息素就越多,后面的蚂蚁选择该条路径的可能性就越大,以此达到寻找到最短路径的目的,信息素更新公式如下:
τij(t+1)=(1-p)τij(t)+Δτij(t)
式中,τij(t+1)表示第t+1代的信息素浓度,p为信息素挥发因子,p∈[0,1),r为蚂蚁的数量,Δτij(t)为第t代客户i、j之间的信息素增量,Δτijk(t)为蚂蚁k在第t代中客户i、j之间释放的信息素增量;
步骤5:自适应变邻域局部搜索
每次迭代后,对种群每次迭代后,对种群中的每个个体基于局部搜索的选择概率,采用轮盘赌的方式随机选择一种策略对其进行操作,然后判断新的解是否得到改善,若得到改善,则用新解替代旧解,否则不接受新解。最后对每个局部搜索的选择概率进行更新。更新公式如下:
gz=BNSz/NSz
式中,gz为局部操作z的改善率,NSz为对当前种群执行局部操作z的次数,BNSz为执行局部操作z后得到改善解的个数,pz为局部操作z的选择概率,pmin为每种局部操作被选择的最小概率值;通过设置是小概率值可以避免出现选择概率为0的情况,从而保证局部搜索的多样性;
步骤6:设置终止条件为:设定终止条件为最大迭代次数,如果满足则输出“最优个体”否则重复步骤4,步骤5直至满足终止条件。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种多车型车队配送货过程的优化调度方法,其特征在于:通过建立多车型车队配额送货物的调度模型和优化目标,设计基于混合蚁群优化算法的优化调度方法对优化目标进行优化;
所述调度模型约束如下:
①配送中心的每种车型都参与配送任务;②车辆在一次配送任务中仅进行一次客户服务;③车辆配送中负载不能超过该车型的最大装载限制;④车辆从配送中心出发,完成配送后需返回配送中心;⑤每个客户均被服务,被服务的次数有且仅有一次;⑥车辆应该在客户的服务窗口时间内到达;
所述优化目标运输总费用ZTotal由三部分组成:车辆行驶费用、燃油费用F3及时间费用F4;其中,车辆行驶费用由行驶里程费用F1和车辆固定费用F2组成;
运输总费用ZTotal的计算如下:
ZTotal=F1+F2+F3+F4
其中,Mt表示共有Mt种类型的车,HM表示第M种类型车的车辆合集,N表示总共有N个客户,CM1为第M类型车的行驶里程费用系数,xMijk表示第M种类型车的第k辆车从客户i到客户j的决策变量,dij表示客户i到客户j的距离;CM2表示第M种类型车的车辆固定费用系数,FUMij表示第M种类型车从客户i到客户j的燃油量;Vij表示车辆在客户i到客户j之间的平均速度,ei表示车辆离开客户i的时间,ti表示车辆到达客户i的时间,CM3表示第M种类型车的燃油费用系数;CM4表示第M种类型车的车辆时间费用系数;
所述基于混合蚁群优化算法的优化调度方法的具体步骤如下:
Step1、编码方式:采用整数编码的方法,每只蚂蚁代表一辆车,每只蚂蚁的路径表示每辆车的行驶路径,车场用数字0表示,客户用自然数表示,当一辆车服务完客户再返回配送中心,就在解中插入0来表示一条路径的结束;
Step2、种群和信息素浓度初始化:利用贪心算法随机构造一条包含所有客户节点的路径,使用构造的这条蚂蚁路径对信息素浓度进行初始化,利用初始化的信息素浓度构建规模为M的蚂蚁种群:
其中,τij(0)表示初始0代的信息素浓度,i、j为客户编号,Pm为信息素浓度的初始值且设置为大于1的值;
Step3、更新信息素浓度:每次每只蚂蚁经过某一条路径后都会马上更新路径上的信息素,更新公式如下所示:
τij(t+1)=(1-p)τij(t)+Δτij(t)
式中,τij(t+1)表示第t+1代的信息素浓度,p为信息素挥发因子,p∈[0,1),r为蚂蚁的数量,Δτij(t)为第t代客户i、j之间的信息素增量,Δτijk(t)为蚂蚁k在第t代中客户i、j之间释放的信息素增量;
Step4、基于四种变邻域操作的自适应大邻域局部搜索:对种群中的每个解基于局部操作的选择概率,采用轮盘赌的方式随机选择一种变邻域操作对解进行操作;然后判断新的解是否得到改善:若得到改善,则用新解替代旧解,否则不接受新解;最后对每个局部操作的选择概率进行更新,更新公式如下式:
gz=BNSz/NSz
式中,gz为局部操作z的改善率,NSz为对当前种群执行局部操作z的次数,BNSz为执行局部操作z后得到改善解的个数,pz为局部操作z的选择概率,pmin为每种局部操作被选择的最小概率值;
Step5、终止条件:设定终止条件为最大迭代次数,如果满足则输出“最优个体”,否则重复Step3、Step4直至满足终止条件;
所述变邻域操作具体为:不同路径插入操作:随机选择一条路径上的一个客户,插入到另一条路径上;子路径内客户逆序操作:随机选择一条路径上的几个客户进行逆序;不同路径上客户交换操作:在两条不同路径上随机选择两个客户进行交换;不同路径上连续客户插入操作:随机选择一条路径上的连续两个客户插入到另一条路径上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005746.1A CN112686458B (zh) | 2021-01-05 | 2021-01-05 | 一种多车型车队配送货过程的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005746.1A CN112686458B (zh) | 2021-01-05 | 2021-01-05 | 一种多车型车队配送货过程的优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686458A CN112686458A (zh) | 2021-04-20 |
CN112686458B true CN112686458B (zh) | 2023-03-07 |
Family
ID=75457046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110005746.1A Active CN112686458B (zh) | 2021-01-05 | 2021-01-05 | 一种多车型车队配送货过程的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686458B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343575B (zh) * | 2021-06-21 | 2022-05-10 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
CN113780676B (zh) * | 2021-09-23 | 2023-06-23 | 河南科技大学 | 一种瓶装液化气车辆配送路径优化方法 |
CN113935614B (zh) * | 2021-10-11 | 2023-10-13 | 华中科技大学 | 车队调控方法、装置、电子设备及存储介质 |
CN114169804B (zh) * | 2022-01-07 | 2024-05-14 | 昆明理工大学 | 一种用于多配送中心运输车辆的优化调度方法 |
CN115081674B (zh) * | 2022-05-09 | 2023-04-18 | 香港理工大学深圳研究院 | 新型卡车排队行驶模式下的本地集装箱运输排版优化方法 |
CN116432386B (zh) * | 2023-02-20 | 2023-11-24 | 湖南大学无锡智能控制研究院 | 一种用于智能公交系统的多车型时刻表设计方法及系统 |
CN115860613B (zh) * | 2023-02-28 | 2023-07-25 | 南京邮电大学 | 一种考虑预约机制的零担车货匹配及车辆调度方法 |
CN115953104B (zh) * | 2023-03-10 | 2023-08-15 | 南京邮电大学 | 一种基于蜣螂优化算法的混合车队调度方法 |
CN116415884A (zh) * | 2023-04-11 | 2023-07-11 | 红云红河烟草(集团)有限责任公司 | 一种面向烟草工业的车辆调度及路径规划方法和系统 |
CN117078141A (zh) * | 2023-09-08 | 2023-11-17 | 兰州交通大学 | 一种多车型危险品满载配送车辆调度方法 |
CN117474429B (zh) * | 2023-12-27 | 2024-03-08 | 国网浙江省电力有限公司金华供电公司 | 具备碳排测算功能的电力物资智慧可视运输方法及平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700251A (zh) * | 2015-03-16 | 2015-06-10 | 华南师范大学 | 一种车辆调度问题的改进最大-最小蚁群优化方法及系统 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN107194513A (zh) * | 2017-05-26 | 2017-09-22 | 中南大学 | 一种解决全渠道物流配送问题的优化方法 |
CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN109948855A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种带时间窗的异构危化品运输路径规划方法 |
CN111476490A (zh) * | 2020-04-08 | 2020-07-31 | 郑州天迈科技股份有限公司 | 一种资源池共享的区域多线路车辆排班算法 |
CN111709560A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种基于改进蚁群算法的解决车辆路径问题方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6675103B1 (en) * | 2000-03-22 | 2004-01-06 | Tripos, Inc. | Visualizing high dimensional descriptors of molecular structures |
US20100217452A1 (en) * | 2009-02-26 | 2010-08-26 | Mccord Alan | Overlay packet data network for managing energy and method for using same |
US20100217549A1 (en) * | 2009-02-26 | 2010-08-26 | Galvin Brian R | System and method for fractional smart metering |
CN107578199B (zh) * | 2017-08-21 | 2021-02-26 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
CN109635998B (zh) * | 2018-11-02 | 2023-04-07 | 华侨大学 | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 |
CN109583650B (zh) * | 2018-11-30 | 2021-03-30 | 浙江工商大学 | 一种电动车换电站选址和物流配送联合调度的方法 |
CN111325409B (zh) * | 2020-03-09 | 2022-11-22 | 西南交通大学 | 一种换电站选址与混合车队路径规划方法及系统 |
CN111798067B (zh) * | 2020-07-17 | 2021-06-25 | 大连理工大学 | 基于自适应大邻域搜索算法的自动驾驶汽车配送路径规划方法 |
-
2021
- 2021-01-05 CN CN202110005746.1A patent/CN112686458B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700251A (zh) * | 2015-03-16 | 2015-06-10 | 华南师范大学 | 一种车辆调度问题的改进最大-最小蚁群优化方法及系统 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN107194513A (zh) * | 2017-05-26 | 2017-09-22 | 中南大学 | 一种解决全渠道物流配送问题的优化方法 |
CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN109948855A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 一种带时间窗的异构危化品运输路径规划方法 |
CN111476490A (zh) * | 2020-04-08 | 2020-07-31 | 郑州天迈科技股份有限公司 | 一种资源池共享的区域多线路车辆排班算法 |
CN111709560A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种基于改进蚁群算法的解决车辆路径问题方法 |
Non-Patent Citations (1)
Title |
---|
"结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题";胡蓉 等;《自动化学报》;20200617;第1-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686458A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686458B (zh) | 一种多车型车队配送货过程的优化调度方法 | |
CN113011644B (zh) | 基于蚁群优化算法的智慧城市动态冷链物流调度方法 | |
CN109800904B (zh) | 带时间窗的装配式建筑预制件配送路径优化方法及系统 | |
CN110782086A (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN105069523A (zh) | 一种有时间限制的配送车辆调度方法 | |
US20220292413A1 (en) | Bike sharing rebalancing optimization method based on adaptive neighborhood search algorithm | |
CN115032997B (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
Wang et al. | Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows | |
CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN113052537A (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
CN113947310A (zh) | 一种车间物料配送路径优化方法 | |
CN116258308A (zh) | 一种基于混合遗传算法的动态柔性作业车间调度方法 | |
CN115576343A (zh) | 一种结合无人机配送的多目标车辆路径优化方法 | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
CN113050644A (zh) | 基于迭代贪婪进化的agv调度方法 | |
CN116502989A (zh) | 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 | |
CN115358455A (zh) | 考虑电池更换和混合时间窗约束的电动车路径优化方法 | |
CN112036623B (zh) | 一种横向物流联盟的利益协调方法 | |
Yuan et al. | Research on Real-Time Truck Dispatching Model in Open-pit Mine Based on Improved Genetic Algorithm | |
CN111445100A (zh) | 有限运力下基于自适应时间窗口的车货匹配方法 | |
CN117455087B (zh) | 基于物联网的物流节能控制方法及系统 | |
CN115660522A (zh) | 一种城市快递取送货过程低碳调度的学习型蚁群优化方法、系统 | |
CN117634856B (zh) | 基于超启发式樽海鞘算法的液压缸制造联合调度方法 | |
CN111709559A (zh) | 一种基于改进遗传算法的智能运输调度优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |