基于遗传算法的集装箱甩挂运输路径规划问题

发布时间：2020-11-08 09:46

　　 在集装箱甩挂运输问题中,牵引车和拖车进行甩挂操作的特定地点被称作甩挂点。通过甩挂点的操作,可以实现牵引车和拖车装卸和运输的并行化。这种物流组织方式比其他组织方式效率更高。因此,研究甩挂运输的路径规划问题对发展现代物流和提高物流运输效率具有重要意义。本文研究了带时间窗的甩挂运输路径规划问题以及基于客户优先级的甩挂运输路径规划问题这两类应用场景下的问题。在第一类问题中,本文研究了考虑容积、时间窗等约束情形下的集装箱甩挂运输路径规划问题,根据问题建立了数学模型,利用遗传算法进行求解,并对Solomon Benchmark数据集进行一定调整,在调整后的数据集的基础上对算法进行数值实验,分析了算法的有效性和参数敏感性,得到了算法最佳参数配置。在遗传算法的实验结果分析的基础上,设计了参数自适应遗传算法,进行了相应的数值实验,并与基本遗传算法的实验结果进行了对比。实验结果表明,参数自适应遗传算法的性能要优于一般遗传算法。在第二类问题中,本文设计了客户优先级的定义和计算方法,描述了问题的场景,建立了相应问题模型,设计了求解该问题的遗传算法和测试数据集。最后进行了数值实验,验证了算法的有效性和适用性。本文的研究成果能有效的解决带时间窗和基于客户优先级这两种类型下的甩挂运输路径规划问题,对解决甩挂运输路径规划问题具有一定的意义。
【学位单位】：合肥工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F542
【部分图文】：

法有效性实验出了最优解随遗传算法迭代代数的变化图，由图 3.3 可知0 代左右时，最优解已达到收敛状态。由此遗传算法初始法种群规模 POPSIZE=100,最大迭代代数 T=1500,交叉概率m=0.1，更新数目为 10。

设置遗传算法的更新数目为 10 并且保持不变的情况下，本文令交叉概、0.6、0.7、0.8、0.9 以及变异概率为 0.1、0.2、0.3、0.4、0.5 两两组合试数据集分别进行了 25 组实验，每组实验运行遗传算法 20 次，实验结.4~图 3.9 所示。

(a)最优解 (b)收敛代数图 3.5 C2 类数据集在不同交叉概率、不同变异概率下实验结果图Fig.3.5. Results of dataset C2 under different crossover rates and mutation rates如图 3.5 所示，在 C2 类测试数据集下最优解随着交叉概率的增加而增加，异概率的变化对最优解的影响相对较小，变异概率为 0.1 时最优解的值高于其取值。对于遗传算法的收敛代数，当变异概率取 0.1~0.4 时，随着交叉概率的加，收敛代数变化趋势较小，而当变异概率取 0.5 时，随着交叉概率的增加，敛代数随交叉的概率的增加而增加。
【参考文献】

相关期刊论文 前1条

1 雷萍;成冬香;;甩挂运输效益及运营模式分析[J];交通企业管理;2010年09期

相关硕士学位论文 前1条

1 韦琦;基于多车场的网络型甩挂运输车辆调度问题研究[D];吉林大学;2016年

本文编号：2874616