车辆路径问题是物流管理领域关注的热点问题,因为车辆路径问题的复杂性和多样性,如何合理安排车辆路径以最低成本收送货物,是一个富有挑战性的问题。本文受教育部归国留学人员基金资助,以车辆调度及管理系统为背景,针对目前车辆路径问题的现状,对蚁群算法进行改进并在时间窗、需求和旅行时间三方面扩展的车辆路径问题上进行求解、对运输网络仿真和优化支持向量机参数并在道路行程时间预测等问题展开了深入的研究,其研究内容主要包括以下几个方面:在分析蚁群算法基本参数的基础上,从两个方向改进基本蚁群算法。其一是通过将蚁群算法的基本参数随优化过程变化以及采用多个蚂蚁群共同优化目标的方式改进算法;另一种是将蚁群算法与邻域搜索算法结合的混合蚁群算法,采用两阶段优化对算法进行改进。分析改进后算法的复杂度和收敛性。将提出的变参数多蚁群系统和混合蚁群算法用来求解静态带时间窗口车辆路径问题,提高算法的收敛性,避免局部最优和早期收敛现象。采用前一章得到的改进蚁群算法求解两类不确定需求车辆路径问题随机需求和模糊需求车辆路径问题。不确定需求车辆路径问题是标准车辆路径问题的一个从需求方面扩展的问题。对不确定需求的规律进行统计分析,根据优化的标准,构建了随机需求车辆路径问题的机会约束和二元可能性理论模型,借鉴处理随机需求车辆路径问题的处理方式,采用模糊逻辑推理和模糊数比较两种方式得到模糊需求车辆路径问题的机会约束评价模型。通过建立的优化标准模型,使得不确定需求车辆路径问题转化为改进蚁群算法求解的一般性车辆路径问题。提出了能有效处理动态需求的插入法和蚁群算法结合对动态需求车辆路径问题进行求解。动态需求车辆路径问题是需求没有统计规律的一类车辆路径问题。首先分析城市中的派送问题,给出基于网络拓扑结构的可描述交通管制和路口延误的路网模型与动态需求车辆路径问题的抽象关系,给出动态车辆路径问题路网模型的产生机制。通过对Solomon题库的设定和模拟城市派送任务两方面得到动态车辆路径问题,为动态车辆问题的仿真环境提供检验方法。将变化的道路通行时间作为启发式信息的新的蚁群算法用来求解依赖通行时间的车辆路径问题,此问题是标准车辆路径问题的一个从旅行时间方面扩展的问题。在已知路段旅行时间分布函数的条件下,算法能够在保证车辆能够先出发先到达的一般规律下,求解动态路网条件下的最优路径。采用一种新的利用蚁群算法优化包括组合核函数参数的支持向量机参数的方法。道路的行程时间是求解各类车辆路径问题所需的关键数据。提出的一个基于组合核函数的支持向量回归机预测模型,用蚁群算法优化后的模型预测道路的行程时间。