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。