论文部分内容阅读
随着市场经济的发展,作为“第三利润源泉”的物流对经济活动的影响日益明显,越来越引起了人们的高度重视,已成为当前“最重要的竞争领域”之一。未来的市场竞争,物流将起到举足轻重的作用。物流配送中的车辆调度优化方法和系统,是实现快速、准确和低成本物流配送的重要手段和途径,是现代物流系统必不可少的重要部分。然而,现有的物流系统大多采用人工或计算机辅助的方法进行车辆调度,因此,不仅调度时间长,而且,不可能综合多目标多约束调度需求进行科学的量化分析和优化处理。因此,研究物流配送中的车辆调度需求,建立多目标多约束环境下的车辆调度数学模型,提出有效的、对一般车辆调度问题具有一定适用性的智能优化方法,并研制车辆调度系统具有重要的理论意义和实用价值。本文的主要工作和贡献在于:1、在对智能路径优化算法进行分析对比的基础上,深入研究了基本蚁群算法的基本原理、模型、实现方法及其仿真效果,分析了基本蚁群算法的优点及其不足。2、针对基本蚁群算法存在的计算时间长、易于陷入局部最优等缺点,提出和实现了基于模式学习的动态小窗口蚁群算法(DLWACAPL)和融入遗传算法的DLWACAPL(HACAGA),并通过案例测试,证明了上述两种改进蚁群算法的有效性和适应性。3、研究了面向能力约束的车辆路径问题(CVRP)和面向时间窗的车辆路径问题(VRPTW)数学模型、求解方法以及车辆调度的多目标优化策略,包括多目标体系、数学模型和多目标的综合优化方法。4、基于本文提出的改进蚁群算法(DLWACAPL和HACAGA)进行了车辆调度系统的研制,包括车辆调度系统的主要功能设计、软硬件环境配置和关键算法的编码与实现。5、对多目标多约束车辆调度工程问题进行了测试,验证了本文提出的改进蚁群算法的有效性和适应性。