隨著電子商務與新媒體平臺的迅速發(fā)展,線上購物已融入進千家萬戶,成為人們生產(chǎn)生活密不可分的一部分。而與之相關的物流與配送體系問題也越來越被人們所重視,擁有一個良好的物流配送系統(tǒng),既是企業(yè)也是客戶的追求。通過對國內(nèi)外文獻進行歸納總結發(fā)現(xiàn),現(xiàn)有的對物流配送路徑的優(yōu)化大多集中于VRP(Vehicle Routing Problem),而對于“最后一公里”這一面向客戶的交互環(huán)節(jié),更多地是利用SWOT分析法對其進行的理論層面優(yōu)化與暢想�；诖�,本文將“最后一公里”配送問題抽象為多旅行商問題(Multiple Traveling Salesman Problem,MTSP),將蟻群與粒子群兩種智能算法融合求解末端物流配送問題,研究的目標是多快遞員的總路線最短。由于多旅行商模型自身具有復雜的約束,再加之也沒有可供測試算法性能的公開數(shù)據(jù)集,所以本文的研究首先從旅行商問題(Traveling Salesman Problem,TSP)入手,選擇利用蟻群算法在K-means聚類思想下進行基礎TSP的求解。引入K-means算法是受到多旅行商問題中多個旅行商分擔同一任務的啟發(fā),大規(guī)模TSP中目標點過多,為避免...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
abstract
第一章 緒論
    1.1 選題背景和研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文工作
        1.3.1 研究方法
        1.3.2 研究目的及意義
    1.4 論文組織結構
第二章 相關理論研究
    2.1 標準旅行商問題
        2.1.1 旅行商問題的測試數(shù)據(jù)集
        2.1.2 標準旅行商問題的求解
    2.2 多旅行商問題
        2.2.1 多旅行商問題的求解
        2.2.2 多旅行商問題的應用
    2.3 蟻群算法
        2.3.1 蟻群算法基本原理
        2.3.2 蟻群算法數(shù)學模型
        2.3.3 蟻群算法的優(yōu)勢與缺陷
    2.4 本章小結
第三章 K-means聚類下的旅行商問題求解
    3.1 K-means算法原理
    3.2 改進的蟻群算法模型
    3.3 KC-IACO模型聚類規(guī)則
    3.4 仿真結果與分析
    3.5 本章小結
第四章 粒子群和蟻群混和算法
    4.1 粒子群算法
        4.1.1 粒子群算法基本原理
        4.1.2 粒子群算法數(shù)學模型
        4.1.3 粒子群算法的優(yōu)勢與缺陷
    4.2 融合策略
        4.2.1 蟻群算法的改進策略
        4.2.2 混合算法描述
    4.3 評價標準
    4.4 本章小結
第五章 混合算法與末端物流路徑優(yōu)化
    5.1 末端物流優(yōu)化問題描述
    5.2 混合算法的末端配送模型構建
    5.3 數(shù)據(jù)預處理
    5.4 實驗結果分析
        5.4.1 考慮時效性限制
        5.4.2 不考慮時效性限制
    5.5 本章小結
第六章 總結與展望
    6.1 結論
    6.2 研究特色
    6.3 模型的不足之處與后續(xù)工作
        6.3.1 模型的不足之處
        6.3.2 模型的后續(xù)工作
參考文獻
附錄1
附錄2
致謝
攻讀學位期間發(fā)表的論文及參與的項目



本文編號：3787037