基于改进蚁群混合算法的末端物流路径优化研究

发布时间：2023-04-09 04:07

　　随着电子商务与新媒体平台的迅速发展,线上购物已融入进千家万户,成为人们生产生活密不可分的一部分。而与之相关的物流与配送体系问题也越来越被人们所重视,拥有一个良好的物流配送系统,既是企业也是客户的追求。通过对国内外文献进行归纳总结发现,现有的对物流配送路径的优化大多集中于VRP(Vehicle Routing Problem),而对于“最后一公里”这一面向客户的交互环节,更多地是利用SWOT分析法对其进行的理论层面优化与畅想。基于此,本文将“最后一公里”配送问题抽象为多旅行商问题(Multiple Traveling Salesman Problem,MTSP),将蚁群与粒子群两种智能算法融合求解末端物流配送问题,研究的目标是多快递员的总路线最短。由于多旅行商模型自身具有复杂的约束,再加之也没有可供测试算法性能的公开数据集,所以本文的研究首先从旅行商问题(Traveling Salesman Problem,TSP)入手,选择利用蚁群算法在K-means聚类思想下进行基础TSP的求解。引入K-means算法是受到多旅行商问题中多个旅行商分担同一任务的启发,大规模TSP中目标点过多,为避免...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
中文摘要
abstract
第一章 绪论
    1.1 选题背景和研究意义
    1.2 国内外研究现状
    1.3 本文工作
        1.3.1 研究方法
        1.3.2 研究目的及意义
    1.4 论文组织结构
第二章 相关理论研究
    2.1 标准旅行商问题
        2.1.1 旅行商问题的测试数据集
        2.1.2 标准旅行商问题的求解
    2.2 多旅行商问题
        2.2.1 多旅行商问题的求解
        2.2.2 多旅行商问题的应用
    2.3 蚁群算法
        2.3.1 蚁群算法基本原理
        2.3.2 蚁群算法数学模型
        2.3.3 蚁群算法的优势与缺陷
    2.4 本章小结
第三章 K-means聚类下的旅行商问题求解
    3.1 K-means算法原理
    3.2 改进的蚁群算法模型
    3.3 KC-IACO模型聚类规则
    3.4 仿真结果与分析
    3.5 本章小结
第四章 粒子群和蚁群混和算法
    4.1 粒子群算法
        4.1.1 粒子群算法基本原理
        4.1.2 粒子群算法数学模型
        4.1.3 粒子群算法的优势与缺陷
    4.2 融合策略
        4.2.1 蚁群算法的改进策略
        4.2.2 混合算法描述
    4.3 评价标准
    4.4 本章小结
第五章 混合算法与末端物流路径优化
    5.1 末端物流优化问题描述
    5.2 混合算法的末端配送模型构建
    5.3 数据预处理
    5.4 实验结果分析
        5.4.1 考虑时效性限制
        5.4.2 不考虑时效性限制
    5.5 本章小结
第六章 总结与展望
    6.1 结论
    6.2 研究特色
    6.3 模型的不足之处与后续工作
        6.3.1 模型的不足之处
        6.3.2 模型的后续工作
参考文献
附录1
附录2
致谢
攻读学位期间发表的论文及参与的项目



本文编号：3787037