【正文】 它普通貨物再進行優(yōu)化；即如有N 個客戶，其中有一個為緊急運單，則自動將其放在隊首，其他N1 個客戶進行優(yōu)化，即將問題降為N1 階的路徑優(yōu)化問題；任一客戶只由一臺運輸車輛提供服務(wù)，即算法解決的是任一客戶的貨物需求均小于車輛最大負載（容積）的情況。約束條件2：保證每個客戶均被服務(wù)，而且每輛車都從配送中心出發(fā)；約束條件3：表示每輛車負責(zé)的客戶點的貨物需求量總和不超過該車輛的最大裝載量；約束條件5：表示對任一由k服務(wù)的客戶點j必定有另一(而且只有一個)由k服務(wù)的客戶點(包括配送中心)I,車輛k從客戶點i到達客戶點j,而對由k服務(wù)的客戶點i同樣存在由k服務(wù)的另一客戶點,車輛k是從該客戶點到達客戶點i的,依次類推；約束條件6：保證每輛車的行車路線的總耗時不超過一個事先定下的數(shù)值；約束條件7：對某個客戶點，車輛到達時間限制在某一時間段內(nèi)。 遺傳算法的基本思想遺傳算法是受生物進化學(xué)說和遺傳學(xué)說啟發(fā)而發(fā)展起來的，基于適者生存思想的一種較通用的問題求解方法。遺傳算法作為一種全局優(yōu)化搜索方法，具有簡單、通用普適性強，適用于并行處理和應(yīng)用范圍廣等優(yōu)點。Bent和Van Hentenryck則首先用模擬退火算法將車輛路線的數(shù)量最小化，然后用大鄰域搜索法（largneighborhood search）將運輸費用降到最低。前者是先將所有需求點大略分為幾個組，然后再對各個組分別進行路線排序；后者則是先將所有的需求點建構(gòu)成一條路線，再根據(jù)車輛的容量將這一路線分割成許多適合的單獨路線。 啟發(fā)式算法 由于VRP是NPhard問題，難以用精確算發(fā)求解，啟發(fā)式算法是求解車輛運輸問題的主要方法，多年來許多學(xué)者對車輛運輸問題進行了研究，提出了各種各樣的啟發(fā)式方法。 相同的單一起點和終點。3 問題描述車輛路線問題（VRP）最早是由Dantzig和Ramser于1959年首次提出，它是指一定數(shù)量的客戶，各自有不同數(shù)量的貨物需求，配送中心向客戶提供貨物，由一個車隊負責(zé)分送貨物，組織適當?shù)男熊嚶肪€，目標是使得客戶的需求得到滿足，并能在一定的約束下，達到諸如路程最短、成本最小、耗費時間最少等目的。子路徑交換算法可以有效提高遺傳算法的求解精度。 (2)旅行商問題(TSP)是車輛路徑問題的子問題。在上述研究基礎(chǔ)上,本文基于遺傳算法,研究了物流系統(tǒng)中的庫存優(yōu)化問題及車輛路徑問題。CVRP 實際是多目標組合優(yōu)化問題，一般以派出車輛最少（運輸路線條數(shù)最少）為首要目標，行車總距離最短，即總代價最小為次要目標。本文詳細分析了有時間窗裝卸問題的數(shù)學(xué)模型，深入研究解決此問題的分組編碼遺傳算法，將禁忌思想用于產(chǎn)生可行解的啟發(fā)式插入搜索算法之中，并構(gòu)造出適用于多目標的適應(yīng)度函數(shù)，設(shè)計新的數(shù)據(jù)結(jié)構(gòu)，對分組編碼遺傳算法進行有效實現(xiàn)。與傳統(tǒng)遺傳算法相比,掃描法和改進遺傳算法的結(jié)合,其優(yōu)化能力、運行效率、可靠性均有一定的提高。配送的核心為配送車輛的調(diào)度、貨物配裝及送貨過程。進行配送系統(tǒng)優(yōu)化,主要是配送車輛調(diào)度的優(yōu)化。最后論文在對動態(tài)行駛時間車輛路徑問題進行建模的基礎(chǔ)上,嘗試采用掃描法和改進遺傳算法相結(jié)合的方法對此類問題進行求解,在保證客戶服務(wù)水平的要求下,取得了比較好的結(jié)果。在分組編碼遺傳算法中提出路徑調(diào)整思想，設(shè)計出一種多策略分組編碼遺傳算法。CVRP 要求滿足以下條件及假設(shè)：（1）所有的配送車輛以配送中心為起點并最終回到配送中心；（2）每條配送路徑上各客戶點的需求量之和不超過車輛的負載量；（3）每個客戶點的需求僅由一輛車一次滿足。本文將庫存仿真優(yōu)化問題與車輛路徑問題都看作是組合優(yōu)化問題,并應(yīng)用遺傳算法進行求解。為了求解TSP問題,研究了常用于TSP問題的三種交叉算子的優(yōu)化效果,提出了一種求解TSP問題的高效混合遺傳算法HGATSP?；谏鲜鲭p層染色體編碼方案和子路徑交換算法,設(shè)計了兩種求解CVRP問題的混合遺傳算法,分別是HGACVRP算法和HGASECVRP算法。 由此定義不難看出，旅行商問題（Traveling Saleman Problem,TSP）是VRP的特例，由于Gaery。 多個起點和終點。車輛運輸問題的啟發(fā)式方法可以分為簡單啟發(fā)式算法、兩階段啟發(fā)式算法、人工智能方法建立的啟發(fā)式方法。 1990年以來，人工智能方法在解決組合優(yōu)化問題上顯示出強大功能，在各個領(lǐng)域得到充分應(yīng)用，很多學(xué)者也將人工智能引入車輛路線問題的求解中，并構(gòu)造了大量的基于人工智能的啟發(fā)式算法。 總結(jié)幾種人工智能方法可以看出，TS算法所得到的解最接近最優(yōu)解，但其運算時間也最長，是GA算法的2～3倍，SA算法的近20倍；由于GA算法也能較好的逼近最優(yōu)解，同時使運算時間大大縮短，所以GA算法能兼顧運算時間和效率兩方面，是具有較好的發(fā)展前途的方法；SA算法求解速度非?？?，也能提供一定程度上的優(yōu)化方案在求解較小規(guī)模問題上具有較好效果。遺傳算法在優(yōu)化領(lǐng)域表現(xiàn)出了其強大的能力，遺傳算法仿照生物進化和遺傳的規(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。利用遺傳算法進行尋優(yōu)時，編碼、選擇、交叉、變異是四個重要步驟。根據(jù)實際情況，本文采用軟限制時間窗，其懲罰函數(shù)如圖2所示。如出現(xiàn)某客戶需求量大于車輛負載（容積）的情況時，需要先派車為其運輸，直至該客戶剩余貨物需求量小于車輛最大負載（容積）即可參加優(yōu)化調(diào)度。設(shè)群體規(guī)模為M，則通過隨機產(chǎn)生M 個這樣的個體，即形成初始群體。在得到新的兩個染色體后，為了使下一代染色體具有更高的適應(yīng)度，算法加入了淘汰機制，即比較兩個新染色體，保留較好的一個進入下一代，同時將較差的一個舍棄。為了使后代繼承更多的父代的基因信息，本文取變異概率Pm 左右。對于車輛調(diào)度問題，可將求解變量看作染色體，因此，一條染色體就代表一種可能的車輛分配方案，然后可用布爾矩陣對該染色體的基因鏈進行編碼。過小將不能保證分配方案的多樣性，本算法中取種群大小，交叉概率,變異概。對染色體群實施交叉操作crossover（）可以產(chǎn)生新的體。如果，則轉(zhuǎn)啟發(fā)式算法求解，否則在染色體群中選擇最小的染色體，作為該問題的求解變量值；與該變量相對應(yīng)的變量就是優(yōu)化的路線安排?？山?jīng)驗證，該解正是問題的最優(yōu)解。畢業(yè)設(shè)計不僅是對前面所學(xué)知識的一種檢驗，而且也是對自己能力的一種提高。在此要感謝我的指導(dǎo)老師雷德明對我悉心的指導(dǎo)，感謝老師給我的幫助。在整個設(shè)計中我懂得了許多東西，也培養(yǎng)了我獨立工作的能力，樹立了對自己工作能力的信心，相信會對今后的學(xué)習(xí)工作生活有非常重要的影響。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什么東西都會，什么東西都懂，有點眼高手低。在物流配送業(yè)務(wù)中，合理確定配送路徑是提高服務(wù)質(zhì)量、降低配送成本、增加經(jīng)濟效益的重要手段。遺傳操作重疊結(jié)構(gòu)的SGA(simple genetic algorithm),并在選擇操作前保留當前最好解:因此以概率收斂到全局最優(yōu)解。交叉概率對算法的收斂有較大的影響，越大，優(yōu)秀的個體出現(xiàn)的幾率也越大，新舊個體替換快，算法收斂也快。該子問題可表示為滿足約束條件：本文采用文獻[3]中的啟發(fā)式方法進行求解。例如，圖1的布爾矩陣為即車輛1負責(zé)客戶1和2，車輛2負責(zé)客戶4和5.適應(yīng)度函數(shù)是遺傳算法中評價解集好壞的依據(jù),適配值高的個體優(yōu)先培養(yǎng)。即事先設(shè)置一個最大代數(shù)，如當前代數(shù)大于最大代數(shù)時，算法停止。實施交叉操作。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)濟成本，為了便于計算且增大區(qū)分度，算法采用的是目標函數(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