蚁群算法在车辆调度问题中的应用研究

论文摘要

随着信息技术的发展,现代物流作为“第三利润源泉”正受到日益广泛的重视,并面临着前所未有的发展机遇。在现代物流中,配送是一个重要的与消费者直接相连的环节,而物流配送路线优化研究,是配送系统优化中的重要一环。通过配送路线的优化,可以提高物流配送的经济效益、降低配送成本,实现物流科学化。明确了物流配送车辆调度问题等的相关概念,确立了所研究问题的具体类型为纯卸货、非满载、单车场、单车型、闭合式、确定式以及带有时间窗约束的类型,并建立了带约束条件的物流配送问题的数学模型。’详细介绍了蚁群算法的产生、发展、原理及研究现状,以及该算法在车辆调度问题中的实际应用,建立了蚁群算法的基本模型,分析了蚁群算法的实现过程,并利用Visual Basic 6.0编写了优化调度程序,应用实例对算法进行分析验证。分析了蚁群算法中主要参数对算法性能的影响及主要参数的选取方法,提出了一些有益的建议。针对蚁群算法在搜索初期收敛速度慢和易收敛于局部最优解的缺陷提出了一种改进的蚁群算法—-GAAA算法来求解车辆路径优化问题,这也是研究的核心所在。在改进算法中,利用蚁群算法易与其他启发式算法相结合的特点,将蚁群算法与遗传算法相复合来提高算法的求解效率,利用遗传算法具有快速随机搜索到全局最优解的能力产生初始信息素分布,在利用蚁群算法的分布式并行全局搜索能力收敛到全局最优解,最终实现了算法的有效改进,解决了基本蚁群算法求解问题的缺陷,保障了改进算法求解实际问题的有效性。通过开发的程序对经典的车辆优化调度问题进行了优化仿真,可直观的显示配送路线等结果,通过用solomon测试数据对改进算法进行验证,并与基本蚁群算法结果进行比较,取得了较满意的结果,充分证明了改进算法的可行性、优越性及通用性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景与研究意义
• 1.1.1 课题背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 研究内容及研究方法
• 第2章 物流配送中的车辆调度问题研究
• 2.1 车辆调度问题的研究
• 2.1.1 车辆调度问题的提出
• 2.1.2 车辆调度问题的描述
• 2.1.3 车辆调度问题的分类
• 2.1.4 车辆调度问题的约束条件
• 2.1.5 车辆调度问题的研究方法
• 2.2 非满载时间窗车辆调度问题描述与数学模型
• 2.2.1 非满载时间窗车辆调度问题的描述
• 2.2.2 非满载时间窗车辆调度问题的模型
• 第3章 蚁群算法求解车辆调度问题
• 3.1 蚁群算法
• 3.1.1 蚁群算法的基本原理
• 3.1.2 蚁群算法模型的建立
• 3.1.3 蚁群算法的基本实现步骤
• 3.1.4 蚁群算法的优点
• 3.1.5 蚁群算法的性能分析
• 3.2 轮盘赌选择方法简介
• 3.3 蚁群算法的实现
• 3.3.1 蚁群算法的模块结构设计
• 3.3.2 蚁群算法的软件设计
• 3.4 蚁群算法求解VRPTW实例分析
• 第4章 蚁群算法的参数选择原则
• 4.1 蚁群算法的参数分析
• 4.1.1 参数α对蚁群算法性能的影响
• 4.1.2 参数β对蚁群算法性能的影响
• 4.1.3 参数ρ对蚁群算法性能的影响
• 4.1.4 参数m对蚁群算法性能的影响
• 4.1.5 参数Q对蚁群算法性能的影响
• 4.2 参数耦合的研究
• 4.3 蚁群算法主要参数选取方法
• 第5章 改进蚁群算法求解车辆调度问题
• 5.1 基本蚁群算法的缺点
• 5.2 遗传算法
• 5.2.1 遗传算法的基本原理
• 5.2.2 遗传算法的构成要素
• 5.2.3 遗传算法的基本步骤
• 5.2.4 遗传算法的主要优点
• 5.3 遗传算法与蚁群算法的复合
• 5.3.1 遗传算法与蚁群算法复合的基本思想
• 5.3.2 遗传算法与蚁群算法复合的基本原理
• 5.4 GAAA算法的设计
• 5.4.1 GAAA算法中遗传算法的设计
• 5.4.2 GAAA算法中蚁群算法的设计
• 5.4.3 遗传算法与蚁群算法的衔接
• 5.4.4 GAAA算法的求解步骤
• 5.5 GAAA算法的实现
• 5.5.1 GAAA算法的模块结构设计
• 5.5.2 GAAA算法的软件设计
• 5.5.3 算例分析
• 5.6 GAAA算法评价
• 第6章 结论
• 参考文献
• 致谢