本书主要介绍静态和动态车辆路径问题、随机车辆路径问题，以及求解上述问题的粒子群算法、量子进化算法、蚁群算法等智能算法。本书共8章。第1章全面综述车辆路径问题的国内外研究现状；第2章至第4章分别介绍静态车辆路径问题的三种经典模型：有能力约束车辆路径问题、开放式车辆路径问题、带时间窗的车辆路径问题；第5章、第6章分别研究动态车辆路径问题的两类热点问题：动态需求车辆路径问题和动态网络车辆路径问题；第7章研究一类不确定性问题随机车辆路径问题；第8章开发智能车辆调度系统，并搭建动态车辆调度仿真平台。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 引言 1
1.2 物流配送VRP概述 2
1.2.1 VRP定义 2
1.2.2 VRP组成要素分析 3
1.3 VRP研究现状 4
1.3.1 VRP模型综述 4
1.3.2 VRP算法综述 10
参考文献 15
第2章 CVRP的智能优化算法 23
2.1 引言 23
2.2 CVRP的数学模型 23
2.3 CVRP的粒子群算法研究 24
2.3.1 粒子群算法的原理与研究进展 24
2.3.2 粒子群算法求解VRP的过程 28
2.3.3 算法复杂度分析 30
2.3.4 实验及分析 31
2.4 CVRP的实数编码粒子群算法研究 33
2.4.1 实数编码粒子群算法 33
2.4.2 算法过程 34
2.4.3 算法复杂度分析 36
2.4.4 实验及分析 37
2.5 CVRP的双种群遗传算法研究 41
2.5.1 双种群遗传算法的原理 41
2.5.2 算法求解的过程 42
2.5.3 算法复杂度分析 44
2.5.4 实验及分析 45
2.6 CVRP的人工鱼群算法研究 46
2.6.1 人工鱼群算法的原理 46
2.6.2 人工鱼群算法求解CVRP的过程 48
2.6.3 算法复杂度分析 51
2.6.4 实验及分析 52
2.7 CVRP的量子进化算法研究 55
2.7.1 量子进化算法基本原理 55
2.7.2 量子进化算法求解CVRP的过程 56
2.7.3 量子进化算法复杂度分析 59
2.7.4 实验结果及分析 59
2.8 几种算法的分析对比 61
参考文献 62
第3章 OVRP的智能优化算法 68
3.1 引言 68
3.2 OVRP的数学模型 69
3.3 粒子群算法在OVRP中的应用 70
3.3.1 算法的求解过程 70
3.3.2 算法复杂度分析 72
3.3.3 实验及分析 73
3.4 量子进化算法在OVRP中的应用 76
3.4.1 量子进化算法求解OVRP的过程 76
3.4.2 量子进化算法复杂度分析 77
3.4.3 实验结果及分析 78
3.5 基于客户满意度的OVRP的数学模型 82
3.5.1 模糊时间窗口 83
3.5.2 数学模型 84
3.6 粒子群算法求解过程 86
3.6.1 客户插入可行性分析 86
3.6.2 改进的最近邻启发式算法 86
3.6.3 改进的最廉价插入法 87
3.6.4 粒子群算法的流程 88
3.6.5 算法复杂度分析 89
3.6.6 实验分析 90
参考文献 95
第4章 VRPfW的智能优化算法 97
4.1 引言 97
4.2 VRPTW问题 98
4.2.1 时间窗 98
4.2.2 VRPTW问题的数学模型 98
4.3 蚁群算法求解VRPTW问题 100
4.3.1 蚁群算法 100
4.3.2 解构造 102
4.3.3 信息素更新 103
4.3.4 算法参数 103
4.3.5 ACS 算法行为及局部搜索 108
4.3.6 仿真结果 114
4.4 PDPTW问题 115
4.4.1 PDPTW的数学模型 115
4.4.2 模型转化 116
4.5 蚁群系统求解PDPTW问题 118
4.5.1 解构造过程 118
4.5.2 信息素更新 120
4.5.3 局部搜索 121
4.5.4 算法框架描述 122
4.5.5 仿真结果 122
4.6 带模糊旅行时间的V盯问题 124
4.6.1 模糊理论基本知识 124
4.6.2 问题数学模型 127
4.7 双蚁群系统求解带模糊旅行时间的VRP问题 127
4.7.1 MAC8-VRPTW问题 127
4.7.2 算法流程 128
4.7.3 仿真结果 128
参考文献 130
第5章 动态需求VRP模型及其智能优化算法 133
5.1 引言 133
5.1.1 动态需求VRP的构成要素及分类 134
5.1.2 动态需求VRP的求解策略及现有算法 135
5.2 动态需求HFVRP的数学规划模型 136
5.2.1 问题描述 137
5.2.2 数学模型的建立 138
5.2.3 多车型分配策略 140
5.3 动态需求HFVRP的混合量子进化算法求解 141
5.3.1 问题的求解策略 141
5.3.2 混合量子进化算法求解动态需求HFVRP问题 142
5.3.3 混合量子进化算法的计算复杂性分析 144
5.3.4 量子进化算法收敛性证明 145
5.3.5 实验结果与分析 146
5.4 动态需求多配送中心VRP数学规划模型 152
5.4.1 沿途补货策略 153
5.4.2 数学规划模型 154
5.5 动态需求多配送中心VRP的自适应免疫量子进化算法求解 157
5.5.1 自适应免疫量子进化算法 157
5.5.2 自适应免疫量子进化算法复杂度分析 160
5.5.3 实验结果与分析 161
5.6 基于客户满意度的多目标动态需求VRP的数学规划模型 170
5.6.1 模糊时间窗 171
5.6.2 数学规划模型 171
5.7 基于客户满意度的动态需求VRP的多目标量子进化算法求解 175
5.7.1 多目标优化问题 175
5.7.2 多目标量子进化算法设计 176
5.7.3 算法复杂度分析 179
5.7.4 实验分析 180
参考文献 186
第6章 动态网络VRP的智能优化算法 189
6.1 引言 189
6.1.1 动态网络VRP的定义及特征 190
6.1.2 动态网络VRP的分类 191
6.2 动态网络VRP的数学规划模型 193
6.2.1 时间依赖函数 193
6.2.2 数学规划模型 195
6.3 自适应惯性权重调整粒子群算法在动态网络VRP中的应用 196
6.3.1 粒子群算法惯性权重调整方法 196
6.3.2 自适应惯性权重调整粒子群算法 198
6.3.3 算法求解过程 199
6.3.4 算法复杂度分析 201
6.3.5 实验及分析 202
6.4 量子进化算法在动态网络VRP中的应用 208
6.4.1 量子进化算法求解动态网络VRP的过程 208
6.4.2 实验结果及分析 209
参考文献 210
第7章 随机VRP模型及其智能优化算法 212
7.1 引言 212
7.1.1 SVRP的分类 212
7.1.2 随机VRP的特点 213
7.1.3 随机VRP的求解策略 214
7.2 带软时间窗的随机VRP问题描述及数学模型 215
7.2.1 问题描述 215
7.2.2 数学模型 216
7.3 蚁群算法求解带软时间窗随机VRP问题 217
7.3.1 蚁群算法的求解过程 217
7.3.2 实验结果及分析 219
7.4 多目标随机VRP问题优化 221
7.4.1 问题描述 221
7.4.2 数学模型 222
7.5 多目标混合粒子群算法求解 224
7.5.1 多目标优化问题概述 224
7.5.2 改进算法 225
7.5.3 基于自适应网格解的多样性保持方法 227
7.5.4 算法主要步骤 227
7.5.5 实验仿真 228
7.6 动态随机需求VRP的基于补偿策略的随机规划模型 234
7.6.1 问题描述 235
7.6.2 预优化阶段模型 236
7.6.3 实时优化阶段模型 238
7.7 动态随机需求VRP求解 240
7.7.1 实例测试 240
7.7.2 优化性能实验及分析 243
7.7.3 算法的比较分析 247
参考文献 247
第8章 智能车辆调度系统及动态车辆调度仿真平台的实现 250
8.1 智能车辆调度系统的工程背景及开发意义 250
8.2 智能车辆调度系统的平台和框架 251
8.2.1 系统的开发平台 251
8.2.2 系统的总体框架 251
8.3 智能车辆调度系统各功能的实现 253
8.3.1 承运单管理 253
8.3.2 回单管理 253
8.3.3 调度基础信息管理 254
8.3.4 报表管理 256
8.3.5 智能算法调度 256
8.4 系统应用实例 259
8.5 动态车辆调度仿真平台的框架 261
8.5.1 仿真环境 261
8.5.2 总体框架 262
8.6 动态车辆调度仿真平台各功能的实现 263
8.6.1 实验仿真平台 263
8.6.2 实例应用 264
参考文献 271
京公网安备 11010102004214号