用遺傳算法解決車輛優化調度問題

論文字數:19761,頁數:52

  摘 要
近年來，物流作為“第三方利潤的源泉”受到國內各行業的極大重視并得到了較大的發展。在高度發展的商業社會中，傳統的VSP算法已無法滿足顧客需求對物流配送提出的要求，于是時間窗的概念應運而生。帶有時間窗的車輛優化調度問題是比VSP復雜程度更高的NP難題。
本文在研究物流配送車輛優化調度問題的基礎上，對有時間窗的車輛優化調度問題進行了分析。并對所采用的遺傳算法的基本理論做了論述。
對于有時間窗的非滿載VSP問題，將貨運量約束和軟時間窗約束轉化為目標約束，建立了非滿載VSP模型，設計了基于自然數編碼，使用最大保留交叉、改進的反轉變異等技術的遺傳算法。經實驗分析，取得了較好的結果。由于此問題為小組成員共同研究，本文重點論述了本人完成的關于適應度函數和變異操作的部分。

關鍵詞：物流配送 車輛優化調度 遺傳算法 時間窗
Abstract
  Recent years, logistics, taken as "third profit resource”, has been developing rapidly. In the developed commercial society, traditional VSP algorithm have been unable to meet the requirement that Quick Response to customer demand had brought forth, then the conception of Time Window has come into being. The vehicle-scheduling problem with time window is also a NP-hard problem being more complicated than VSP.
  This text has been researched to the vehicle-scheduling problem with time window on the basis of researched to logistic vehicle scheduling problem. And it has explained the basic theory of genetic algorithm.
On the VSP with time window, while the restraints of capacity and time windows are changed into object restraints, a mathematic model is established. We use technique such as maximum preserved crossover and design genetic algorithm on nature number, which can deal with soft time windows through experimental analysis, have made better result. Because this problem was studied together for group members, this text has expounded the part about fitness function and mutation operator that I finished.

Key words: logistic distribution  vehicle scheduling problem  genetic algorithm   time windows
目 錄
摘 要 I
Abstract II
目 錄 III
引 言 1
第1章  概 述 2
1.1  研究背景 2
1.2  物流配送車輛優化調度的研究動態和水平 4
1.2.1  問題的提出 4
1.2.2  分類 5
1.2.3  基本問題與基本方法 6
1.2.4  算法 6
1.2.5  貨運車輛優化調度問題的分類 8
1.3  研究的意義 9
1.4  研究的范圍 10
第2章  有時間窗的車輛優化調度問題(VSPTW) 11
2.1  時間窗的定義 11
2.2  VSPTW問題的結構 13
第3章  遺傳算法基本理論 14
3.1  遺傳算法的基本原理 14
3.1.1  遺傳算法的特點 14
3.1.2  遺傳算法的基本步驟和處理流程 15
3.1.3  遺傳算法的應用 16
3.2  編碼 17
3.2.1  二進制編碼 18
3.2.2  Gray編碼 18
3.2.3  實數向量編碼 18
3.2.4  排列編碼 19
3.3  適應度函數 19
3.3.1  目標函數映射成適應度函數 19
3.3.2  適應度定標 20
3.4  遺傳算法的基因操作 21
3.4.1  選擇算子 21
3.4.2  交叉算子 22
3.4.3  變異算子 25
3.5  遺傳算法控制參數設定 28
第4章  遺傳算法求解有時間窗非滿載VSP 30
4.1  問題描述 30
4.2  數學模型 31
4.2.1  一般VSP模型 31
4.2.2  有時間窗VSP模型 32
4.3  算法設計 33
4.3.1  算法流程圖 33
4.3.2  染色體結構 33
4.3.3  約束處理 35
4.3.4  適應度函數 36
4.3.5  初始種群 36
4.3.6  遺傳算子 36
4.3.7  控制參數和終止條件 37
4.4  算法實現 39
4.5  實驗及結果分析 39
4.5.1  控制參數選定 39
4.5.2  實例實驗 43
4.5.3  實例數據 44
4.5.4  實例數據分析 44
結 論 45
參考文獻 47
謝 辭 48