论文摘要
随着我国市场经济的逐步完善,企业之间的竞争日益加剧,物流作为“第三方利润的源泉”受到国内各行业的极大重视并得到了较大的发展。物流配送是物流活动中直接与消费者相连的环节,在物流的各项成本中,配送成本占了相当高的比例。配送车辆调度的合理与否对配送速度、成本、效益影响很大。如何有效地进行车辆调度,降低企业的运输成本,在满足顾客多样化需求的同时,给企业带来利润,是物流配送行业发展的目标,也是研究者关注的重点问题。目前对车辆优化调度问题的研究中,采用的算法很多,如遗传算法、蚁群算法、模拟退火算法等。这些算法都有各自的优缺点,很难使用单独的一种算法就能得到最优良的结果。本文详细分析了遗传算法和蚁群算法特点,提出了一种蚁群混合遗传算法求解车辆优化调度问题的新算法,算法思想是在车辆调度的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件之后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈性、高效等特点迅速地形成车辆调度的最优解。这种新算法的优点在于很好的避免了遗传算法后期搜索速度变慢,容易过快收敛和蚁群算法前期生成初始最优解较慢的缺点,从而提高了算法的整体性能。为了评估算法性能,我们在Matlab7.0环境下进行编程实验,试验结果表明,利用蚁群混合遗传算法进行物流配送车辆优化调度问题求解,能够方便有效的求得近似最优解。最后,针对物流配送的快速发展态势和计算机配送调度系统面临着的巨大应用前景,本文提出开发物流配送车辆计算机调度管理系统的设想,并进行了可行性分析。
论文目录
摘要Abstract引言1 绪论1.1 研究背景1.2 研究意义1.3 问题的提出1.4 国内外研究现状1.5 本文研究内容2 物流配送系统研究2.1 物流概述2.1.1 物流的概念2.1.2 物流的分类2.1.3 物流的职能2.2 物流配送2.2.1 配送的概念2.2.2 配送的基本环节2.2.3 物流配送分类2.2.4 配送的意义3 物流配送车辆调度的数学模型3.1 一般车辆调度问题3.2 带有时间窗的车辆调度问题3.2.1 问题描述3.2.2 数学模型3.3 VRP研究方法总结4 遗传算法和蚁群算法4.1 遗传算法4.1.1 遗传算法的产生与发展4.1.2 遗传算法基本概念4.1.3 遗传算法基本步骤4.1.4 遗传算法的特点4.1.5 遗传算法在VRP中的应用4.2 蚁群算法4.2.1 基本原理4.2.2 基本蚁群算法的系统模型4.2.3 蚁群算法流程4.2.4 蚁群算法特点4.2.5 蚁群算法的改进4.2.6 蚁群算法在VRP中的应用5 蚁群混合遗传算法在VRPTW中的应用5.1 算法结合的可行性5.1.1 背景5.1.2 两种算法的缺点5.1.3 算法结合的基本思想5.2 本文研究的VRPTW5.3 算法关键环节5.3.1 编码5.3.2 初始化种群5.3.3 适应度函数5.3.4 选择算子5.3.5 交叉算子5.3.6 变异算子5.3.7 蚁群算法规则5.3.8 算法的衔接5.4 算法的步骤5.5 算法试验与结果分析5.5.1 试验数据5.5.2 参数设置5.5.3 结果分析5.5.4 小结6 物流配送车辆管理系统开发分析6.1 系统开发的意义6.2 系统分析6.2.1 系统分析的任务6.2.2 系统开发的原则6.2.3 采用的技术6.2.4 设计目标6.3 系统的实现6.3.1 物流配送业务流程6.3.2 系统主要功能6.3.3 系统结构图6.3.4 主要功能模块分析结论参考文献附录A R1-02数据致谢作者简介及读研期间主要科研成果
相关论文文献
标签:物流配送论文; 车辆调度论文; 遗传算法论文; 蚁群算法论文;