車輛路徑問題(Vehicle Routing Problem,VRP)作為物流運(yùn)輸研究的一個(gè)重要問題,在現(xiàn)實(shí)中具有廣泛的應(yīng)用基礎(chǔ)。人類需求的日益多樣化和現(xiàn)實(shí)世界存在的大量不確定因素,都加大了車輛調(diào)度管理的難度。盡管不確定因素下的VRP問題已有了一系列研究成果,但缺乏探討車輛配送中的動(dòng)態(tài)管理策略和處理異常信息的快速反應(yīng)機(jī)制。本文重點(diǎn)研究了不確定因素下VRP的建模和優(yōu)化方法,主要研究內(nèi)容和創(chuàng)新性工作如下: 針對(duì)標(biāo)準(zhǔn)的帶時(shí)間窗VRP的多目標(biāo)數(shù)學(xué)模型,研究了三種基于混合搜索策略的啟發(fā)式算法。離散差分進(jìn)化混合算法采用線性加權(quán)的方法來處理多目標(biāo)模型,并發(fā)展了新的變異和交叉算子,對(duì)精英個(gè)體運(yùn)用局部禁忌搜索以提高算法的尋優(yōu)能力。提出了一種構(gòu)造多樣性初始解的隨機(jī)車輛配載方法,以及插入可行鄰域和2-Opt可行鄰域兩種搜索可行解的鄰域結(jié)構(gòu)。文化基因算法和多目標(biāo)文化基因算法分別采用線性加權(quán)法和Pareto方法來處理多目標(biāo)模型,種群搜索采用遺傳算法,局部搜索采用禁忌搜索。仿真對(duì)比實(shí)驗(yàn)驗(yàn)證了三種算法的有效性。 針對(duì)具有模糊需求量的VRP,提出了一種動(dòng)態(tài)管理方法。采取一種事前預(yù)測的策略,在初始計(jì)劃執(zhí)行中實(shí)時(shí)進(jìn)行動(dòng)態(tài)調(diào)整。設(shè)計(jì)了一種嵌入模糊模擬的NSGA-Ⅱ混合算法,分析了決策者主觀偏好值對(duì)決策目標(biāo)的影響,然后與傳統(tǒng)車輛調(diào)度方法進(jìn)行了對(duì)比分析,驗(yàn)證了本文提出的動(dòng)態(tài)管理策略的有效性。針對(duì)具有模糊預(yù)約時(shí)間的VRP,應(yīng)用模糊事件給出了車隊(duì)服務(wù)滿意度的一個(gè)新的度量方法和求最大滿意度的計(jì)算方法。進(jìn)而提出了一種基于Pareto優(yōu)化的多目標(biāo)禁忌搜索算法,通過與NSGA-Ⅱ算法進(jìn)行仿真對(duì)比實(shí)驗(yàn),證明了多目標(biāo)禁忌搜索算法是求解多目標(biāo)組合優(yōu)化問題的一種有效的方法。 考慮顧客的主觀偏好影響,研究了模糊時(shí)間窗VRP的集成優(yōu)化方法。在多目標(biāo)禁忌搜索算法中嵌入優(yōu)化顧客滿意度的動(dòng)態(tài)規(guī)劃方法,來求解以物流配送成本和顧客平均滿意度為目標(biāo)的模型。對(duì)模糊時(shí)間窗為線性分段函數(shù)形式和非線性凹函數(shù)形式的隸屬度函數(shù),分別提出了有限枚舉算法和次梯度二分迭代算法來優(yōu)化顧客的最優(yōu)開始服務(wù)時(shí)間。進(jìn)一步,研究了帶隨機(jī)時(shí)間和模糊時(shí)間窗的VRP。為了處理隨機(jī)因素,提出了預(yù)先安排車輛行駛計(jì)劃,然后在車輛行駛過程中根據(jù)時(shí)間調(diào)度規(guī)則隨時(shí)調(diào)整開始服務(wù)時(shí)間的策略,動(dòng)態(tài)優(yōu)化顧客的滿意度水平。 對(duì)帶時(shí)間窗的動(dòng)態(tài)VRP進(jìn)行了研究,提出了一種新的緊急顧客插入和分批驅(qū)動(dòng)調(diào)度策略,該策略只需實(shí)時(shí)插入緊急顧客。與新顧客插入后的重復(fù)優(yōu)化策略和批處理策略進(jìn)行了對(duì)比,并分析了分批優(yōu)化間隔長度對(duì)調(diào)度性能的影響。
【學(xué)位單位】：天津大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2012
【中圖分類】：F224;F252
【部分圖文】：

如果最優(yōu)解在 Par；如果大多數(shù)解都集中在 的解的數(shù)量較少，那么表明公式計(jì)算： 2111BiiS d dB 1 1 2minji j x Bf x f x f i 。該指標(biāo)取值越小，表明指標(biāo)包括 S-metric、Error可以參考 Knowles 和 Co

第二章 多目標(biāo)準(zhǔn)則下的帶時(shí)間窗車輛路徑問題把移除的顧客點(diǎn)依次按照最優(yōu)目標(biāo)值法插入到染色體 P1’和 P2’中。以 P1’’為例，根據(jù)插入可行鄰域查找顧客 1 的可行插入點(diǎn)，然后比較在各個(gè)位置插入顧客1 后的目標(biāo)函數(shù)值（即適應(yīng)度），選擇最優(yōu)位置插入。依次類推，依次插入 98，得到最終的子染色體 C1。同樣 P2’插入 3175 后得到 C2。3 1 7 5 0 2 4 6 0 8 9 0 6 7 3 0 2 4 5 0 1 9 8 0

圖 2-9 精英解的存儲(chǔ)和協(xié)調(diào)機(jī)制示意圖 算法是基于種群的全局搜索和基于個(gè)體的局部搜索的結(jié)是如何協(xié)調(diào)種群搜索和局部搜索得到的 Pareto 非占優(yōu)解的示，對(duì)父代種群經(jīng)過交叉操作得到的每個(gè)新個(gè)體進(jìn)行局部最優(yōu)解作為子代的個(gè)體。采用一個(gè)容量足夠大的存儲(chǔ)池結(jié)的 Pareto 非占優(yōu)解。比較存儲(chǔ)池中的解集，如果在局部搜a(bǔ)reto 非占優(yōu)解，那么就用其更新存儲(chǔ)池中的一個(gè)劣解。局種群、子代種群和存儲(chǔ)池中的所有解采用基于 Pareto 排序Deb 等(2002)[183]）進(jìn)行選擇操作，得到新的父代種群，然程。度函數(shù)群搜索和局部搜索的機(jī)制不同，所以在同時(shí)考慮個(gè)體的兩種不同的適應(yīng)度函數(shù)，分別應(yīng)用于對(duì)種群的選擇操作和對(duì)

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李軍;有時(shí)間窗的車輛路線安排問題的啟發(fā)式算法[J];系統(tǒng)工程;1996年05期

2 李大衛(wèi),王莉,王夢光;一個(gè)求解帶有時(shí)間窗口約束的車輛路徑問題的啟發(fā)式算法[J];系統(tǒng)工程;1998年04期

3 張建勇,李軍;模糊車輛路徑問題的一種混合遺傳算法[J];管理工程學(xué)報(bào);2005年02期

4 張建勇;李軍;;具有模糊旅行時(shí)間的VRP的一種混合遺傳算法[J];管理工程學(xué)報(bào);2006年04期

5 張建勇,李軍,郭耀煌;具有模糊預(yù)約時(shí)間的VRP混合遺傳算法[J];管理科學(xué)學(xué)報(bào);2005年03期

6 劉志碩;申金升;關(guān)偉;;車輛路徑問題的混合蟻群算法設(shè)計(jì)與實(shí)現(xiàn)[J];管理科學(xué)學(xué)報(bào);2007年03期

7 張麗萍,柴躍廷,曹瑞;有時(shí)間窗車輛路徑問題的改進(jìn)遺傳算法[J];計(jì)算機(jī)集成制造系統(tǒng)-CIMS;2002年06期

8 萬旭,林健良,楊曉偉;改進(jìn)的最大-最小螞蟻算法在有時(shí)間窗車輛路徑問題中的應(yīng)用[J];計(jì)算機(jī)集成制造系統(tǒng);2005年04期

9 姜昌華;戴樹貴;胡幼華;;求解車輛路徑問題的混合遺傳算法[J];計(jì)算機(jī)集成制造系統(tǒng);2007年10期

10 李晉航;黃剛;賈艷;;多模糊信息條件下的物料配送路徑規(guī)劃問題研究[J];機(jī)械工程學(xué)報(bào);2011年01期

相關(guān)博士學(xué)位論文 前5條

1 謝秉磊;隨機(jī)車輛路徑問題研究[D];西南交通大學(xué);2003年

2 張建勇;模糊信息條件下車輛路徑問題研究[D];西南交通大學(xué);2004年

3 李相勇;車輛路徑問題模型及算法研究[D];上海交通大學(xué);2007年

4 陸琳;不確定信息車輛路徑問題及其算法研究[D];南京航空航天大學(xué);2007年

5 王旭坪;物流配送調(diào)度的干擾管理研究[D];大連理工大學(xué);2010年

本文編號(hào)：2811146