本文通过遗传算法解决基本的无时限车辆调度问题。采用车辆和客户对应排列编码的遗传算法，通过种群初始化，选择，交叉，变异等操作最终得到车辆配送的最短路径。通过MATLAB仿真结果可知，通过遗传算法配送的路径为61.5000km,比随机配送路径67km缩短了5.5km。此结果表明遗传算法可以有效的求解VRP问题。
2022-10-23 16:47:32
94KB
1
matlab求解车辆路径问题；经典VRP问题
2022-10-11 21:12:13
220KB
行驶时间不确定下多配送中心多温冷链品VRP建模及优化 ，卢仁山，黄贵武，以城市冷链物流配送系统中行驶时间随机、多配送站点及冷链品温层差异问题为研究对象。首先采用蓄冷式多温共配对不同温层的冷链品
2022-10-10 13:17:02
487KB
1
配送运输是物流系统中最重要的组成部分之一,正是通过配送运输,配送中心才得以最终完成货物从生产商到用户的转移。车辆路线问题是其中的一个重要研究课题,其优化技术是现代物流配送的一项关键技术。本文主要研究基于最短路径算法的物流配送,内容如下:第一部分介绍了物流配送的概念,结合其背景讨论了配送运输研究的方法和意义;第二部分介绍了物流配送中的车辆优化调度问题,概括了国内外物流研究发展的状况及其基本模型;第三部分首先回顾了物流配送中现有的算法,然后作者把动态规划的思想运用到车辆路径问题中,以动态规划法为理论,并做了改进用以解决物流配送最短路径问题;第四部分结合《电子商务与现代物流系统集成平台技术研究开发》项目,研究了B2C电子商务企业的实际物流配送,建立了整数规划的物流配送路径优化模型。针对这一类改进的多设施车辆路径优化模型模型,我们利用改进的混合遗传算法对模型进行了求解,得到了质量较高的解;第五部分总结了文章的主要结论并提出了今后研究工作的方向。
2022-10-09 17:17:44
589KB
1
本文研究的是基于交货
期进行生产控制的推动式生产，通过对 ＣＶＲＰＳＴＷ
求解，得出各车辆的最优发车时间以及各类物资的
装载量，并以最优发车时间作为物资完工时间，倒
推出各车辆物资的生产顺序与生产数量，进而得到
最优物资生产计划。
2022-09-25 18:04:43
8.05MB
1
本文以深度强化学习为基础，设计出一种适用于求解大规模车辆路径问题的模型架
构。采用了预训练模型+基于相对位置的 Transformer网络+A2C强化学习训练框架，为
后续研究大规模车辆路径问题的扩展问题和大规模组合优化问题提供了新的深度强化
学习算法框架。本文中的深度强化学习算法解决了以下问题：
（1） 不同规模算例可以共享并继承其他规模训练完的模型，在这种共享模型的机制下，
避免了算例规模相近的模型的重复训练。
（2） 预训练模型能够继承其他规模训练出的模型经验，相对位置节点提高了在大规模
车辆路径问题中特征抓取的精确性，A2C强化学习训练框架环节采用无监督学习，
在无标签训练集中训练中规避经验回溯问题，这三方面针对大规模车辆路径问题
做出的调整，提高了训练效率和收敛效果。
（3） 通过预训练机制解决了大规模车辆路径问题内存溢出的情况，解决了目前已有算
法在大规模算例训练时，内存溢出训练中断等问题。
（4） 与经典的启发式算法和元启发式算法进行比较，在同等求解速度的算法中，本文
算法的求解质量方面全面超越这些算法。并且在当前已有的深度强化学习解决方
案中，本文设计的算法和效
2022-09-02 19:07:15
4.58MB
1