本文主要研究在这种配送方式下的应急配送问题，建立了基于混合蚁群算法的 VRPD 问题模型，利用蚁群算法，迭代局部搜索算法，聚类分析等方法进行求解。 对于问题一只有配送车辆配送这一模式，建立 VRP 问题，首先通过 floyd 算法验证各地点间 的最短距离即为直线距离，将问题转换为最佳 H 圈问题；之后采用蚁群算法对这问题进行迭代求 解，得到配送车辆一次整体配送的最短路径和为 582（公里），一次整体配送的最短时间为 11.64 （小时），并且发现收敛时迭代次数基本小于 10 次。 对于问题二，在问题一的基础上新增无人机配送的模式，首先对 14 个地点进行聚类，发现它 们属于同一个类；其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分 为 5 个飞行区；之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路 线；最后，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为 6.32（小时），相 较问题一时间缩短了近 50%。 对于问题三，在问题二的基础上

2022年电工杯获奖，代码全，最终拿了二等奖。 本文针对一个类旅行商问题，并未沿用传统思路，而是将其视作一个车辆规划模型， 使用搜索的方式列出可能性，再通过启发式算法来对所有的可能性做出选择，能够在保 证准确率的同时，极大的缩短模型运行的时间，达到更高的效率。 问题一中，针对一个类旅行商问题，本文建立了一个基于模拟退火（SA）和深度优 先搜索（DFS）的类旅行商问题（TSP）求解模型，得出的最优解共计配送里程 582km。 问题二中，对于多个路径叠加的问题，本文建立了一个基于粒子群优化（PSO）的 广度优先搜索（BFS）模型，共计配送时间 380 分钟。 问题三中，针对并非常规的 TSP 问题，本文将其视作一个车辆路径问题（VRP），使 用 K-means 的方法进行划分，然后建立了一个基于遗传算法的车辆路径规划模型，最终 的结果有超过 50%的概率能够收敛到全局最优。 问题四中，对于一个更复杂的路径规划问题，依然先使用 K-means 的方法对整个图 进行分区，分区后再将每个区视作一共车辆路径规划问题，建立了一个基于遗传算法的 车辆路径规划模型。 本文最大的特色是本文选择带入

助力每一个梦想，压缩文件汇总了不同场景下无人机与车辆的配送问题，并完整的编写了代码文件，提供11页文档思路仅供参考。