CN114723360A - 一种基于改进粒子群算法的物流车辆调度管理模型 - Google Patents
一种基于改进粒子群算法的物流车辆调度管理模型 Download PDFInfo
- Publication number
- CN114723360A CN114723360A CN202210300763.2A CN202210300763A CN114723360A CN 114723360 A CN114723360 A CN 114723360A CN 202210300763 A CN202210300763 A CN 202210300763A CN 114723360 A CN114723360 A CN 114723360A
- Authority
- CN
- China
- Prior art keywords
- particle
- vehicle
- algorithm
- particle swarm
- particles
- 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
Images
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
- G06Q10/08—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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的物流车辆调度管理模型,属于物流领域,所述的车辆调度管理模型包括步骤1.设置模型约束条件;步骤2.模型建立,建立目标函数;步骤3.算法设计。本发明它既具备粒子群算法群体之间相互协作、信息反馈、收敛速度快、实现简单的优点,又具备免疫算法的免疫记忆、免疫浓度调节、抗体多样的优点,有效的避免了算法在迭代后期出现早熟的情况,大大提升了算法后期的求解效率和精度。
Description
技术领域
本发明属于物流领域,更具体的说涉及一种基于改进粒子群算法的物流车辆调度管理模型。
背景技术
虽然近年来在以京东、菜鸟、四通一达的流通企业的引领下,行业物流,特别是物流机械化、自动化、智能化水平不断提高,但对照智慧物流建设要求,仍存在调度依赖人工、调度效率低、调度科学性难以评价、处理动态订单能力差等问题,不仅在物流作业环节造成资源浪费,也导致企业利润空间下降。而在车辆配载率领域,虽然国内外学者在减低物流配送成本、提高车辆配载率和合作收益共享相关领域取得了骄人的研究成果,但对这些问题的研究相互独立,尤其是在卷烟配送领域尚未可见将对配送成本降低、提高客户满意度和合作收益共享综合考虑的相关研究。而对于配送人员满意度的研究一般基于采取问卷调查的方式,对某类或具体企业人员整体满意度进行测算或找出人员满意度的影响因素,或探究人员满意度的直接或间接影响作用,将其结合车辆调度问题进行考虑非常少,因此制约了智慧物流调度优化算法应用到实际业务中的合理性与契合性。
虽然目前关于配送车辆调度、配送路径优化的研究较多,但针对卷烟工业企业成品卷烟销售订单配送调度问题的研究则鲜有报道,在实践中配送调度主要依靠人工经验决策,存在着工作效率低、管理不科学、人工作业量大等问题。
发明内容
本发明研究多发货仓库、多客户仓库的异构车辆调度问题模型中的约束条件,分析成品卷烟销售物流运输调度业务,完善调度模型约束条件,基于模糊数学理论对模型展开重建,从而建立约束条件符合烟草行业实际业务特点的销售物流运输调度解算模型。进一步考虑运输途中不确定因素影响,依据模糊数学的隶属度函数,建立相应的目标函数和约束条件,以提高车辆调度运输的运力管理与智能匹配。
为了实现上述目的,本发明采用以下技术方案实现的:所述的车辆调度管理模型包括步骤1.设置模型约束条件;步骤2.模型建立,建立目标函数;步骤3.算法设计。
优选的,所述的步骤1设置模型约束条件,具体方法为:车辆的固定中成本C1可表示为:
车辆行驶成本:车辆行驶成本C2可表示为:
其中,α为配送车辆单位油耗量的费用,即为每升油的价格;为从门店i到门店k的最短行驶路径的距离;ρ0为车辆空车状态下行驶单位距离的油耗量;ρ1为车辆满载状态下行驶单位距离的油耗量,且ρ0<ρ1;为从配送中心1出发的配送车辆kl到达门店j时车上剩余产品的总重量;为从配送中心l出发的配送车辆kl的行驶路线上是否经门店i驶向门店j,是则为1,否则为0;
能源排放陈本:
碳排放量的多少与冷链车辆行驶过程中产生的油耗量有关,且成正比关系,碳排放量与车辆行驶产生的油耗之间的关系可表示为碳排放量=碳排放系数*车辆油耗;Ct为单位碳排放成本,e为碳排放系数,即消耗单位燃料排放的二氧化碳量,本文中配送车辆使用的燃料为柴油,碳排放系数为2.63kg/L。
优选的,所述的步骤2的目标函数为:
在上述路径优化模型中,公式(4)为多配送中心物流配送路径优化模型的目标函数。
优选的,所述的步骤4算法设计包括S1:惯性权重设计;S2:粒子筛选策略;S3:免疫记忆粒子筛选策略;S4:粒子合并策略;S5改进粒子群算法的求解流程与步骤。
优选的,S1:惯性权重设计,为避免免疫粒子群算法出现过早收敛,增加粒子种群多样性,需要使算法在前期迭代中能够较好的对全局解空间进行搜索,后期迭代中能够较好的对局部解空间进行搜索,惯性权重使用如下公式进行计算
其中、Wmax和Wmin为惯性权重最大值和最小值,Kmax为最大迭代次数,k为当前迭代次数。
优选的,S2粒子筛选策略:粒子i在当前粒子种群中的浓度可用公式(6)
表示
其中、xi(i=1,2,3…,n)表示粒子i,f(xi)为粒子i的适应度函数值,根据粒子的浓度选择概率思想,可推导出基于粒子浓度的选择概率公式(7);
从公式7可以看出粒子i的浓度选择概率的大小取决于与粒子i相似的粒子的个数。
优选的,S3免疫记忆粒子筛选策略:免疫粒子群算法引入了免疫算法的免疫记忆机制,通过免疫记忆库存储粒子种群中的优质粒子。在免疫记忆粒子的选择过程中,加入精英保留策略,结合粒子的浓度选择概率对种群粒子进行筛选,优先保留粒子种群中适应度值高的粒子,避免粒子种群中适应度值高的优质粒子因浓度选择概率低被淘汰。
本发明有益效果:
本发明研究多发货仓库、多客户仓库的异构车辆调度问题模型中的约束条件,分析成品卷烟销售物流运输调度业务,完善调度模型约束条件,基于模糊数学理论对模型展开重建,从而建立约束条件符合烟草行业实际业务特点的销售物流运输调度解算模型。进一步考虑运输途中不确定因素影响,依据模糊数学的隶属度函数,建立相应的目标函数和约束条件,以提高车辆调度运输的运力管理与智能匹配。
附图说明
图1为本发明算法求解流程图;
图2为本发明算法与粒子群算法迭代曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施方式对本发明作进一步详细说明
所述的车辆调度管理模型包括步骤1.设置模型约束条件;步骤2.模型建立,建立目标函数;步骤3.算法设计。
所述的步骤1设置模型约束条件,具体方法为:车辆的固定中成本C1可表示为:
车辆行驶成本:车辆行驶成本C2可表示为:
其中,α为配送车辆单位油耗量的费用,即为每升油的价格;为从门店i到门店k的最短行驶路径的距离;ρ0为车辆空车状态下行驶单位距离的油耗量;ρ1为车辆满载状态下行驶单位距离的油耗量,且ρ0<ρ1;为从配送中心1出发的配送车辆kl到达门店j时车上剩余产品的总重量;为从配送中心l出发的配送车辆kl的行驶路线上是否经门店i驶向门店j,是则为1,否则为0;
能源排放陈本:
碳排放量的多少与冷链车辆行驶过程中产生的油耗量有关,且成正比关系,碳排放量与车辆行驶产生的油耗之间的关系可表示为碳排放量=碳排放系数*车辆油耗;Ct为单位碳排放成本,e为碳排放系数,即消耗单位燃料排放的二氧化碳量,本文中配送车辆使用的燃料为柴油,碳排放系数为2.63kg/L。
所述的步骤2的目标函数为:
在上述路径优化模型中,公式(4)为多配送中心物流配送路径优化模型的目标函数。
所述的步骤4算法设计包括
S1:惯性权重设计;
免疫粒子群算法是在标准粒子群算法基础上引入免疫算法的三种机制形成的算法,而标准粒子群算法容易出现早熟的情况,为避免免疫粒子群算法出现过早收敛,增加粒子种群多样性,需要使算法在前期迭代中能够较好的对全局解空间进行搜索,后期迭代中能够较好的对局部解空间进行搜索,惯性权重使用如下公式进行计算。
其中、Wmax和Wmin为惯性权重最大值和最小值,Kmax为最大迭代次数,k为当前迭代次数。
S2:粒子筛选策略;
粒子群算法通过种群内部粒子之间的相互协作使种群不断进化,其种群进化保留下来的都是适应度值较高的那一部分粒子,如果在迭代过程中出现大量适应度值高的粒子集中于解空间中的某一区域,即局部最优解周围的区域时,此时该区域中粒子的适应度值差值较小,粒子的浓度较高,会导致种群中的其余粒子向局部最优解周围的解空间靠近,此时粒子种群的多样性程度降低,导致算法出现过早收敛,无法在算法解空间中得到全局最优解。与此同时,落在局部最优解周围区域之外的适应度值较低但进化趋势较好的粒子可能会被淘汰。
粒子i在当前粒子种群中的浓度可用公式(6)表示
其中、xi(i=1,2,3…,n)表示粒子i,f(xi)为粒子i的适应度函数值,根据粒子的浓度选择概率思想,可推导出基于粒子浓度的选择概率公式(7);
从公式7可以看出粒子i的浓度选择概率的大小取决于与粒子i相似的粒子的个数。
S3:免疫记忆粒子筛选策略;
免疫粒子群算法引入了免疫算法的免疫记忆机制,通过免疫记忆库存储粒子种群中的优质粒子。在免疫记忆粒子的选择过程中,加入精英保留策略,结合粒子的浓度选择概率对种群粒子进行筛选,优先保留粒子种群中适应度值高的粒子,避免粒子种群中适应度值高的优质粒子因浓度选择概率低被淘汰。
S4:粒子合并策略;
免疫粒子群算法在产生新粒子后,先计算粒子种群中粒子的浓度选择概率,并根据精英保留策略和浓度选择概率更新免疫记忆库,在粒子对速度和位置进行更新后,将免疫记忆库与粒子种群合并,之后对粒子进行筛选并形成新的迭代种群。这种先保存优质粒子再对种群进化的方式,增加了粒子种群的多样性,可以较好地解决粒子种群经过速度和位置更新后出现退化的情况。
S5改进粒子群算法的求解流程与步骤。
(1)参数设置:设置算法最大迭代次数maxIt、粒子种群规模N、粒子种群维度nvar、免疫记忆库容量K、惯性权重W、学习因子C1,C2。
(2)粒子初始化。通过随机函数生成种群数量为N的初始粒子群体A0,根据粒子的初始移动Vi和位置Xi(i=1,2,3…N),计算种群A0所有粒子适应度值f(xi)(i=1,2,3…N),并设为粒子个体极值Pi(i=1,2,3…N)。
(4)是否终止迭代,若当前迭代次数k>maxIt,则终止迭代,当前迭代得到的粒子种群全局极值对应的适应度函数值为算法求解得到的全局最优解;否则执行步骤(5)。
(5)生产新的粒子,通过免疫粒子群算法的疫苗接种机制,随机产生M个新的粒子,更新每个新粒子的个体极值Pi(i=N+1,N+2,…N+M)和粒子种群的全局极限值Pg。
(6)计算粒子选择概率。根据公式(6)和(7)计算种群中N+M个粒子基于粒子浓度的选择概率P(Xi)(i=1,2,3…N+M)。
(7)创建并更新记忆库,采用精英保留策略,优先选择出当前粒子种群中适应度最大的S个粒子,将这些粒子优先存入到免疫记忆库中,之后根据种群粒子选择概率,从剩余的N+M-S个粒子种子K-S个的优质粒子存入免疫记忆库中。
(8)形成父代群。根据种群粒子选择概率,从N+M个粒子种群中选择N个优质粒子形成新的粒子种群Bk。
(9)粒子更新,对新的粒子种群Bk中的所有粒子的速度、位置、适应度以及粒子个体极值进行更新。
(10)合并粒子群,将当前免疫记忆库中的K个优秀粒子与当前粒子群Bk进行合并,剔除当前合并粒子群中适应度值相对较差的K个劣质粒子,形成新的容量为N的粒子群体AK,跳转到步骤(3),继续迭代算法。
将免疫算法的免疫记忆、免疫浓度调节和疫苗接种机制引入并应用到粒子群算法对优质粒子选择和新粒子产生过程中,增加改进后的免疫粒子群算法中粒子的多样性,避免算法在迭代后期出现早熟的情况。
本发明研究多发货仓库、多客户仓库的异构车辆调度问题模型中的约束条件,分析成品卷烟销售物流运输调度业务,完善调度模型约束条件,基于模糊数学理论对模型展开重建,从而建立约束条件符合烟草行业实际业务特点的销售物流运输调度解算模型。进一步考虑运输途中不确定因素影响,依据模糊数学的隶属度函数,建立相应的目标函数和约束条件,以提高车辆调度运输的运力管理与智能匹配。
上述仅以实施例来进一步说明本发明的技术内容,以便于读者更容易理解,但不代表本发明的实施方式仅限于此,任何依本发明所做的技术延伸或再创造,均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (7)
1.一种基于改进粒子群算法的物流车辆调度管理模型,其特征在于:所述的车辆调度管理模型包括步骤1.设置模型约束条件;步骤2.模型建立,建立目标函数;步骤3.算法设计。
2.根据权利要求1所述的一种基于改进粒子群算法的物流车辆调度管理模型,其特征在于:所述的步骤1设置模型约束条件,具体方法为:车辆的固定中成本C1可表示为:
车辆行驶成本:车辆行驶成本C2可表示为:
其中,α为配送车辆单位油耗量的费用,即为每升油的价格;为从门店i到门店k的最短行驶路径的距离;ρ0为车辆空车状态下行驶单位距离的油耗量;ρ1为车辆满载状态下行驶单位距离的油耗量,且ρ0<ρ1;为从配送中心1出发的配送车辆kl到达门店j时车上剩余产品的总重量;为从配送中心l出发的配送车辆kl的行驶路线上是否经门店i驶向门店j,是则为1,否则为0;
能源排放陈本:
碳排放量的多少与冷链车辆行驶过程中产生的油耗量有关,且成正比关系,碳排放量与车辆行驶产生的油耗之间的关系可表示为碳排放量=碳排放系数*车辆油耗;Ct为单位碳排放成本,e为碳排放系数,即消耗单位燃料排放的二氧化碳量,本文中配送车辆使用的燃料为柴油,碳排放系数为2.63kg/L。
4.根据权利要求3所述的一种基于改进粒子群算法的物流车辆调度管理模型,其特征在于:所述的步骤4算法设计包括S1:惯性权重设计;S2:粒子筛选策略;S3:免疫记忆粒子筛选策略;S4:粒子合并策略;S5改进粒子群算法的求解流程与步骤。
7.根据权利要求4所述的一种基于改进粒子群算法的物流车辆调度管理模型,其特征在于:S3免疫记忆粒子筛选策略:免疫粒子群算法引入了免疫算法的免疫记忆机制,通过免疫记忆库存储粒子种群中的优质粒子,在免疫记忆粒子的选择过程中,加入精英保留策略,结合粒子的浓度选择概率对种群粒子进行筛选,优先保留粒子种群中适应度值高的粒子,避免粒子种群中适应度值高的优质粒子因浓度选择概率低被淘汰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210300763.2A CN114723360A (zh) | 2022-03-24 | 2022-03-24 | 一种基于改进粒子群算法的物流车辆调度管理模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210300763.2A CN114723360A (zh) | 2022-03-24 | 2022-03-24 | 一种基于改进粒子群算法的物流车辆调度管理模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723360A true CN114723360A (zh) | 2022-07-08 |
Family
ID=82240633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210300763.2A Pending CN114723360A (zh) | 2022-03-24 | 2022-03-24 | 一种基于改进粒子群算法的物流车辆调度管理模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402320A (zh) * | 2023-06-08 | 2023-07-07 | 成都运荔枝科技有限公司 | 一种冷链运单的配送运力匹配方法 |
-
2022
- 2022-03-24 CN CN202210300763.2A patent/CN114723360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402320A (zh) * | 2023-06-08 | 2023-07-07 | 成都运荔枝科技有限公司 | 一种冷链运单的配送运力匹配方法 |
CN116402320B (zh) * | 2023-06-08 | 2023-09-19 | 成都运荔枝科技有限公司 | 一种冷链运单的配送运力匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Multi-objective artificial bee colony algorithm for multi-stage resource leveling problem in sharing logistics network | |
CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN105787595B (zh) | 一种基于改进蚁群算法的应急物流中转站选址方法 | |
CN111860754B (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
Chica et al. | Multiobjective constructive heuristics for the 1/3 variant of the time and space assembly line balancing problem: ACO and random greedy search | |
CN110782086B (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 | |
CN111178440B (zh) | 一种基于高效减小agv总运输成本的路径优化方法 | |
CN107341628B (zh) | 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法 | |
CN106203911A (zh) | 基于云计算的智能物流数据管理方法 | |
CN109615137A (zh) | 用于云物流环境下云配送的选址优化方法 | |
CN112100861B (zh) | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 | |
Zhang et al. | Application on cold chain logistics routing optimization based on improved genetic algorithm | |
CN113361073A (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
CN109359771A (zh) | 一种基于大数据的干线运输车货匹配算法 | |
Zhou et al. | A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy | |
CN114723360A (zh) | 一种基于改进粒子群算法的物流车辆调度管理模型 | |
Mahmud et al. | Solving multiple depot vehicle routing problem (MDVRP) using genetic algorithm | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
Hu et al. | Diploid hybrid particle swarm optimization with differential evolution for open vehicle routing problem | |
CN115689116A (zh) | 基于改进多目标粒子群的资源-工期-成本综合优化方法 | |
Jiang et al. | Optimal schedule for agricultural machinery in sequential tasks using a multi-population co-evolutionary non-dominant neighbor immune algorithm | |
Tao et al. | A differential evolution with reinforcement learning for multi-objective assembly line feeding problem | |
Huang et al. | Split-order consolidation optimization for online supermarkets: Process analysis and optimization models |
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 |