【正文】 于減少或淘汰，直到復(fù)制N條染色體。該子問題可表示為滿足約束條件：本文采用文獻(xiàn)[3]中的啟發(fā)式方法進(jìn)行求解。N的取值不宜過大或過小。例如，圖1的布爾矩陣為即車輛1負(fù)責(zé)客戶1和2，車輛2負(fù)責(zé)客戶4和5.適應(yīng)度函數(shù)是遺傳算法中評(píng)價(jià)解集好壞的依據(jù),適配值高的個(gè)體優(yōu)先培養(yǎng)?？梢圆捎眠z傳算法的思想作為總體框架對(duì)該問題進(jìn)行求解，用遺傳算法求解變量，而變量則用啟發(fā)式算法求解。即事先設(shè)置一個(gè)最大代數(shù)，如當(dāng)前代數(shù)大于最大代數(shù)時(shí)，算法停止。A， 39。實(shí)施交叉操作。簡(jiǎn)單的說就是人為選取較好的一對(duì)染色體作為新染色體的父母，按染色體按長(zhǎng)度分為前后兩段，取其中一個(gè)染色體的前半部分放在另一個(gè)染色體的前邊，再順序遍歷新染色體的基因并剔除重復(fù)基因，從而得到新的染色體child1。由于適應(yīng)度函數(shù)通常越大越好，而物流車輛路徑優(yōu)化問題則是求最小經(jīng)濟(jì)成本，為了便于計(jì)算且增大區(qū)分度，算法采用的是目標(biāo)函數(shù)的倒數(shù)乘以區(qū)分度系數(shù)β作為適應(yīng)度函數(shù)，即maxF = 1 / S * β (3231) 遺傳算子1. 遺傳選擇選擇是用來確定重組或交叉?zhèn)€體，以及被選個(gè)體將產(chǎn)生多少個(gè)子代個(gè)體。如個(gè)體0l26354 表示的配送路徑方案為：路徑1：0126，路徑2：354共有2條配送路徑； 種群的初始化群體初始化時(shí)，采用兩種機(jī)制，一種是隨機(jī)生成個(gè)體，一種是按前相插入啟發(fā)式算法。由于在配送中心有m 輛汽車，則最多存在m 條配送路徑，每條配送路徑都始于配送中心，也終于配送中心。硬時(shí)間窗(Hard Time Windows)：指配送車輛必須在特定時(shí)間區(qū)段，將貨物送達(dá)顧客手中，不論是遲到或早到都完全不予接受；軟時(shí)間窗(Soft Time Windows)：允許服務(wù)的開始時(shí)間有所偏離時(shí)間窗，則必須按照違反時(shí)間的長(zhǎng)短施以一定的罰金或其他懲罰法則；混合型時(shí)間窗（Mixed Time Windows）：是指系統(tǒng)中有些客戶只接受硬時(shí)間窗服務(wù)，有些客戶接受軟時(shí)間窗服務(wù)，或者同一客戶，往往軟、硬兩種時(shí)間窗服務(wù)混合使用。圖3 懲罰函數(shù) 帶時(shí)間窗的物流配送問題優(yōu)化問題帶時(shí)間窗 VRP（VRP with Time Windows，VRPTW）是帶裝載能力約束的CVRP(Capacitated VRP，CVRP)的擴(kuò)展。若車輛k為客戶i服務(wù)，則1，否則為0，即：此變量表示車輛分配方案，可用布爾矩陣表示；若車輛k經(jīng)由客戶i到客戶j，則為1，否則為0，即：，表示車輛路線安排。遺傳算法在優(yōu)化領(lǐng)域表現(xiàn)出了其強(qiáng)大的能力，遺傳算法仿照生物進(jìn)化和遺傳的規(guī)律，利用復(fù)制、交換和突變等操作，使優(yōu)勝者繁殖，劣敗者消失，一代代重復(fù)同樣的操作，最終找出最優(yōu)解。這5個(gè)要素構(gòu)成了遺傳算法的核心內(nèi)容。 遺傳算法特別適用于傳統(tǒng)搜索方法難以解決的復(fù)雜的和非線性的問題，可廣泛用于組合優(yōu)化、自適應(yīng)控制、規(guī)劃設(shè)計(jì)和人工生命等領(lǐng)域。利用遺傳算法進(jìn)行尋優(yōu)時(shí)，編碼、選擇、交叉、變異是四個(gè)重要步驟。它是根據(jù)生物進(jìn)化思想而啟發(fā)得出的一種全局優(yōu)化算法。Ombuk提出了用遺傳算法進(jìn)行路線分組，然后用禁忌搜索方法進(jìn)行路線優(yōu)化的混合算法。西南交通大學(xué)的袁慶達(dá)等設(shè)計(jì)了考慮時(shí)間窗口和不同車輛類型的禁忌算法，這種算法主要采用GENIUS方法產(chǎn)生初始解，然后禁忌算法對(duì)初始解優(yōu)化。 兩階段方法包括先分組后定路線（clusterfirstroute second）和先定路線后分組（routefirstcluster second）兩種啟發(fā)式策略。節(jié)省法或插入法（savings or insertion）是在求解過程中使用節(jié)省成本最大的可行方式構(gòu)造路線，直到無法節(jié)省為止。第一階段是從1960年到1970年，屬于簡(jiǎn)單啟發(fā)式方式，包括有各種局部改善啟發(fā)式算法和貪婪法（Greedy）等；第二階段是從1970年到1980年，屬于一種以數(shù)學(xué)規(guī)劃為主的啟發(fā)式解法，包括指派法、集合分割法和集合涵蓋法；第三階段是從1990開始至今，屬于較新的方法，包括利用嚴(yán)謹(jǐn)啟發(fā)式方法、人工智能方法等。下面從車輛路線問題的現(xiàn)有研究型態(tài)和求解方法兩個(gè)方面介紹車輛路線問題的研究現(xiàn)狀。 車輛路徑問題的類型一般而言車輛路線問題大致可以分為以下三種類型（Ballou，1992）： 相異的單一起點(diǎn)和單一終點(diǎn)。 車輛路線問題自1959年提出以來，一直是網(wǎng)絡(luò)優(yōu)化問題中最基本的問題之一，由于其應(yīng)用的廣泛性和經(jīng)濟(jì)上的重大價(jià)值，一直受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。本文對(duì)大量的基準(zhǔn)測(cè)試實(shí)例(Benchmark)進(jìn)行了仿真計(jì)算,計(jì)算結(jié)果表明,本文所提出的一系列算法能有效求解物流系統(tǒng)中的庫存優(yōu)化問題與車輛路徑問題。然后研究了遺傳算法與鄰域搜索算法的結(jié)合方式,在遺傳算法中引入了帶克隆操作的鄰域搜索算子。此外,相對(duì)于常用的單層染色體編碼方案,該編碼方案還能降低搜索空間的大小,從而提高搜索效率并降低計(jì)算時(shí)間。提出了K近鄰點(diǎn)集的概念以縮減搜索空間并提高算法的時(shí)間效率。針對(duì)兩種常用的庫存控制策略進(jìn)行了仿真優(yōu)化的實(shí)驗(yàn),結(jié)果表明本文提出的仿真優(yōu)化方法是有效的。用系統(tǒng)仿真方法求解最優(yōu)庫存策略時(shí),其難點(diǎn)之一在于仿真的優(yōu)化。 遺傳算法是一種應(yīng)用很廣泛的智能優(yōu)化算法,本文對(duì)遺傳算法進(jìn)行了分析研究,針對(duì)遺傳算法的一些缺陷提出了相應(yīng)的改進(jìn)方法。通過優(yōu)化物流系統(tǒng),可以降低物流成本,從而增強(qiáng)企業(yè)的市場(chǎng)競(jìng)爭(zhēng)能力。有容量約束的車輛路徑問題（Capacitated Vehicle routing problem，CVRP）是由一個(gè)服務(wù)中心（或車場(chǎng)）的若干車輛向多個(gè)客戶點(diǎn)進(jìn)行配送服務(wù)，在已知待服務(wù)客戶點(diǎn)和出發(fā)點(diǎn)的位置、客戶需求及車輛最大負(fù)載的前提下，設(shè)計(jì)車輛配送路徑，規(guī)劃設(shè)計(jì)方案，使運(yùn)輸成本最小化，即總代價(jià)最小（使用車輛盡量少，行車總距離盡量短）。VRP 最早由Dantzig 和Ramser 于1959 年提出，引起運(yùn)籌學(xué)、應(yīng)用數(shù)學(xué)、組合數(shù)學(xué)、圖論與網(wǎng)絡(luò)分析、物流科學(xué)、計(jì)算機(jī)應(yīng)用等學(xué)科研究人員的極大重視，成為運(yùn)籌學(xué)與組合優(yōu)化領(lǐng)域的熱點(diǎn)問題。 本文首先介紹了遺傳算法在解決簡(jiǎn)單約束車輛路徑問題上的應(yīng)用，改進(jìn)了交叉算子，為研究有時(shí)間窗裝卸問題的遺傳算法作了充分準(zhǔn)備。 掃描法。應(yīng)用C語言編程進(jìn)行實(shí)例計(jì)算,結(jié)果表明改進(jìn)的遺傳算法明顯增強(qiáng)了群體演化的質(zhì)量,提高了算法的收斂速度,得到了問題的滿意解。本文主要對(duì)單車場(chǎng)非滿載無時(shí)間窗的車輛路徑問題和動(dòng)態(tài)車輛路徑問題進(jìn)行了研究。配送作為物流中一種特殊的、綜合的活動(dòng)形式,在當(dāng)今社會(huì)經(jīng)濟(jì)發(fā)展中發(fā)揮著越來越重要的作用。物流的目標(biāo)就在于以最少的費(fèi)用滿足消費(fèi)者的需求。對(duì)配送車輛進(jìn)行優(yōu)化調(diào)度,有利于提高物流經(jīng)濟(jì)效益、實(shí)現(xiàn)物流科學(xué)化。在對(duì)遺傳算法中的選擇操作、鄰域結(jié)構(gòu)操作進(jìn)行改進(jìn)的基礎(chǔ)上,提出了一種求解車輛路徑問題的自適應(yīng)遺傳算法。關(guān)鍵詞：物流車輛路徑問題。 genetic algorithm1引言車輛路徑問題（Vehicle Routing Problem，VRP）是一類在物流配送調(diào)度中具有廣泛應(yīng)用的優(yōu)化組合問題，在現(xiàn)代物流中居于中心地位。采用多組通用算例測(cè)算，將多策略分組編碼遺傳算法與其它算法進(jìn)行比較，其求解結(jié)果和計(jì)算時(shí)間都有明顯改進(jìn)，驗(yàn)證了多策略分組編碼遺傳算法能夠有效穩(wěn)定地收斂到所求問題的解。本文重點(diǎn)研究解決有時(shí)間窗裝卸問題（PDPTW）的遺傳算法，作為前期準(zhǔn)備，本文作者對(duì)遺傳算法解決具有簡(jiǎn)單約束條件的VRP（包括有容量約束的車輛路徑問題CVRP 和有時(shí)間窗的車輛路徑問題VRPTW）進(jìn)行了初步研究。2選題的目的物流已被認(rèn)為是繼降低原材料消耗和提高勞動(dòng)生產(chǎn)率之后的“第三利潤(rùn)源”。如果能降低庫存成本與配送成本,就能