论文部分内容阅读
随着科技的不断进步，电子商务飞速发展，B2B(Business To Business)营销模式的日趋成熟，为我国的物流业的飞速发展提供了良好的基础。提高物流效益的首要条件是降低物流配送成本。目前，很多学者对CVRP(Capacitated VehicleRouting Problem)问题模型进行了研究，提出了许多改进的算法，并取得了很好的效果。本文研究主要是以物流平台为基础，该平台整合了多家物流企业的需求，针对物流平台的需求，本文对三种不同的CVRP问题模型进行了研究。本文主要采用改进的蚁群遗传融合算法求解了这三种CVRP问题模型，具体工作如下：1.在带时间窗约束的CVRPTW(Capacitated Vehicle Routing Problem withTime Windows)模型的基础上，研究了多时间窗对CVRP模型的影响。每个网点任务都带有两个时间窗，分别是上午和下午两个时间窗，并分析了多时间窗对车辆路径配送的影响。2.研究了三种CVRP模型：单车多路径模型、多车多路径模型、混合路径模型。本文引入了带有线路模板的CVRP模型，绑定线路模板的车辆只能参与配送线路模板内的网点任务，没有绑定线路模板的车辆参与配送非线路模板的网点任务，形成了单车与多车的混合路径模型。本文对上述三种CVRP模型进行了系统描述和问题建模。3.充分利用了蚁群算法和遗传算法各自的优点，采用改进的蚁群和遗传算法融合求解上述的三种CVRP模型。其中采用选择性探索与随机性探索相结合的方式对蚁群算法进行了改进；并在信息素更新的策略上也进行了改进，采用改进的全局最优法与本次迭代最优法结合的策略来更新信息素；同时在遗传算法的变异操作中，采用了交换变异和倒置变异两种变异结合的方式，增强了算法寻优的性能。为了验证改进算法的有效性，本文实现了上述改进算法，根据物流平台提供的数据对算法进行了测试。本文对多时间窗与线路模板是否启用的四种不同的实验情况进行了分析对比，分析了算法的收敛性，并对比了改进的算法与现有的几种算法的综合性能，验证了本文改进算法的合理性和有效性。