物流配送中車輛調(diào)度算法的比較研究.pdf

1、作為企業(yè)第三利潤源的物流在企業(yè)經(jīng)濟(jì)活動中的地位越來越重要，而車輛路徑問題是物流配送中車輛調(diào)度的關(guān)鍵問題，合理的車輛調(diào)度方法不僅能提高企業(yè)客戶對企業(yè)的滿意度，還能提高對配送車輛、倉庫的利用率，最重要的是能降低企業(yè)在物流配送中經(jīng)濟(jì)成本，擴(kuò)大了企業(yè)的利潤空間，從而增強(qiáng)了企業(yè)的競爭能力。對于車輛調(diào)度問題，已有很多學(xué)者進(jìn)行了深入的研究，他們通過不同的算法來獲得車輛調(diào)度問題的最優(yōu)方法。在已有研究的基礎(chǔ)上，本文對常見的車輛調(diào)度方法進(jìn)行了詳細(xì)的介紹、比

2、較與應(yīng)用。
　　首先，本文介紹了車輛優(yōu)化調(diào)度的基本概念，按照不同的限制條件將車輛優(yōu)化調(diào)度進(jìn)行分類，并闡述了車輛調(diào)度的算法分為精確算法和啟發(fā)式算法兩種。
　　其次，闡述了車輛調(diào)度精確算法中表上作業(yè)法和圖上作業(yè)法的數(shù)學(xué)模型、算法思想，但是這些精確算法只使用與規(guī)模較小的車輛調(diào)度問題，隨著問題規(guī)模的擴(kuò)大，這些算法的算法復(fù)雜度呈指數(shù)形式遞增。因此精確算法不適用與企業(yè)的現(xiàn)實(shí)調(diào)度工作中。然后介紹了車輛調(diào)度啟發(fā)式算法中蟻群算法、遺傳算法、模

3、擬退火算法、粒子群算法的算法思想和算法流程。蟻群算法是模擬生物中螞蟻尋路的過程來得到問題最優(yōu)解的一種方法，該算法具有正反饋機(jī)制，有較強(qiáng)的魯棒性。遺傳算法是參考了生物遺傳過程中染色體優(yōu)勝劣汰的模式，該算法具有良好的全局搜索能力。模擬退火算法則借鑒了固體在退火過程中物體內(nèi)部內(nèi)能平衡的原理。粒子群算法則是模擬了在鳥類覓食過程中，一些鳥兒主動向其他優(yōu)秀鳥兒學(xué)習(xí)，最終整個鳥群行動一致的情況。該算法能使粒子群中個體和群體的最優(yōu)信息有效體現(xiàn)。

4、　　接著，文章使用Matlab對每個算法進(jìn)行編程，利用程序?qū)崿F(xiàn)了各種算法在虛擬算例中的應(yīng)用。
　　最后，根據(jù)某地郵政的網(wǎng)點(diǎn)分布和需求案例，用各個啟發(fā)式算法分別解決了這個案例，并且根據(jù)程序運(yùn)行的結(jié)果綜合比較啟發(fā)式算法的優(yōu)缺點(diǎn)。提出每個算法還存在一些問題，要深入考慮算法參數(shù)與算法結(jié)果的聯(lián)系，完善參數(shù)的取值，增強(qiáng)算法的穩(wěn)定性。同時也提出每個啟發(fā)式算法可以結(jié)合自身特點(diǎn)，與其他算法相互結(jié)合，彌補(bǔ)自身不足，提高算法的效率，更好的解決車輛調(diào)度問

5、題。
　　本文的特點(diǎn)在于對車輛調(diào)度常見的算法做了比較全面的闡述，并用Matlab編程展示了每個算法在具體案例中的實(shí)現(xiàn)情況，并且將啟發(fā)式算法運(yùn)用到具體的郵政案例中。與以往一些文章對各種算法的定性比較不同，本文使用具體的郵政案例來對各種算法進(jìn)行定量的比較。最后總結(jié)出蟻群算法算法思想簡單，有較強(qiáng)的穩(wěn)定性，但是運(yùn)行中耗時較多，對參數(shù)比較敏感;遺傳算法速度快，但是容易陷入局部最優(yōu)，最優(yōu)解的穩(wěn)定性不高，方差較大;模擬退火算法有較強(qiáng)的全局搜索能