论文部分内容阅读
在全球经济一体化的大背景下,伴随着我国经济的飞速发展,物流作为“第三利润源泉”在我国得到了长足的发展。物流配送是物流活动中直接与消费者相关联的环节,在物流的各项成本中,配送的成本占了相当高的比例,因此,配送线路安排得是否合理直接影响着企业的成本支出。在满足多样化用户需求的前提下,如何有效地利用现有资源进行车辆调度以减少企业的运行成本,给企业带来更大的利润,是物流行业发展的目标,也是研究者关注的重点问题。物流配送问题实质是车辆路径问题(Vehicle Routing Problem,VRP),车辆路径问题具有很高的计算复杂性,属于NP-hard问题。随着问题规模的扩大,传统的基于确定性的优化算法在求解组合优化问题时遇到了困难。于是人们在仿生学中受到启发,提出了许多启发式智能优化算法,为解决复杂的组合优化问题(如NP-hard问题等)提供了崭新的思路。蚁群算法便是人类在观察自然界真实蚂蚁觅食的过程中总结出来的仿生优化算法,它在短短的十余年的发展历程中展现出顽强的生命力,成功地应用于解决旅行商问题(Traveling Salesman Problem,TSP),车间作业调度问题(Job-shopScheduling Problem,JSP),车辆路径问题等组合优化问题。蚁群算法作为新兴的仿生优化算法,因其具有分布式计算,自组织性和正反馈性质而得到广泛应用。但搜索时间长,易陷入局部最优解等也是基本蚁群算法的致命的缺点,针对此问题,本文在研究了遗传算法基础上提出了一种改进的蚁群算法--G-蚁群算法。通过对解决TSP问题的实验表明,G-蚁群算法在收敛速度和解的全局性上有更优的性能。为了验证算法的性能,我们在VC6.0下进行编程实验,并开发出针对对TSP问题和VRP问题的应用软件,实验结果表明,利用改进的蚁群算法进行VRP和TSP问题的求解,能够得到令人满意的效果。最后,针对快速发展的物流配送行业的发展,提出了对开发物流配送车辆计算机调度管理系统的设想并分析了当前存在的问题,为后来者的相关研究提供了理论支持和实用的参考意见。