现代物流运输车辆调度过程复杂多变,现有的数学方法在解决此问题时还很不完善,缺乏科学的理论作指导。这些问题的解决,往往需要用启发式方法(Heuristic Method)作出决策和判断,追求运输系统总体最优、总费用最低、总效益最大的最优解。 蚁群算法(Ant Colony Algorithms,ACA)是一种新兴的搜索寻优技术,它是从蚁群行为的研究中产生的。蚁群算法根据个体产生信息素,借助选择策略、信息素更新等操作,逐步逼近最优解。然而,一般蚁群算法在求解问题过程中容易出现收敛过早或停滞现象,为了解决这些问题,本文首先分析了产生上述缺点的原因,然后给出了一种新的解决方案,通过对蚁群算法进行了系数更新、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。 本文在现代物流技术基础,特别是车辆调度和蚁群算法的基础理论指导下,针对现代物流运输车辆的调度优化问题,进行了深入的理论、方法与模型的研究工作。车辆调度是一个多学科交叉的新兴研究领域,本文将改进后蚁群算法引入物流运输车辆调度,综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对无时间窗(Vechile Scheduling Problem,VSP)、有时间窗车辆调度问题(Vechile Scheduling Problem with Time Window,VSPTW),探求新的求解方法,利用Matalab编写优化调度程序,应用实例对算法进行验证,最后对计算中涉及的一些问题进行了讨论。 本文研究成果对建立现代物流运输车辆优化调度系统有现实的理论指导意义和应用价值,对蚁群算法的研究有一定的参考价值。