G公司多车型电动物流车配送路径规划研究

发布时间：2021-06-11 03:10

　　随着能源危机和环境污染问题的日益显现,政府重视发展清洁能源,积极倡导节能减排,努力推广电动物流车等新能源汽车,对新能源汽车行业给予财政补贴和税收等方面优惠。对于物流企业来说,由于石油等燃料价格的上涨、政府的财政补贴以及电动物流车技术的发展,电动物流车的运营成本优势逐渐体现出来。在此背景下,G公司逐步使用电动物流车代替传统燃油车辆进行城市配送,但是由于电动物流车续航里程以及充电站基础设施不健全的影响,需要合理的规划配送路径才能保证客户物流体验的同时降低综合配送成本。基于以上背景,本文对G公司多车型电动物流车配送路径规划问题进行以下研究:（1）梳理车辆路径规划问题分类及其求解算法。介绍求解车辆路径问题中精确算法、经典启发式算法和现代启发式算法三种常用算法,经过对比分析,选用兼具运算精度和效率的遗传算法作为本文问题研究的主体算法。（2）分析G公司多车型电动物流车配送现状。首先介绍G公司多车型电动物流车参数以及配送中心、充电站的布局;其次由于电动物流车特性以及分批次购买电动物流车,分析G公司城市配送中的问题;最后分析影响G公司电动物流车城市配送路径规划的因素,主要包括续航里程、服务时间、充电时... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

我国新能源物流车保有量及渗透率情况l1]

群保持良好的父代基因，然后通过基因选择、交叉、变异繁衍出子代，形成新的??种群。最后通过不断迭代，当适应度值变化幅度较小时或达到迭代次数时，即满??足终止条件，输出种群中的最优结果。遗传算法处理实际问题一般步骤如图２－１??所示，在车辆路径规划问题中具体步骤如下：??Ｓｔｅｐｌ：确定待优化的车辆路径规划问题及其参数集，选择合适的编码方案，??生成初始可行解，初始化得到初始种群。??Ｓｔｅｐ２：计算个体的适应度值，判断是否符合优化准则，若符合，进行解码，??输出该种群中的最优解，结束。否则，进行下一步。??Ｓｔｅｐ３：依据适应度选择再生个体，适应度值高的个体被选中的概率高，适应??度低的个体被淘汰；按照一定的交叉概率和交叉方法和一定的变异概率和变异方??１５??

ｉｓ图４－１配送站、充电站及客户位置图??Ｆｉｇｕｒｅ?４－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｓｔａｔｉｏｎ，?ｃｈａｒｇｉｎｇ?ｓｔａｔｉｏｎ?ａｎｄ?ｃｕｓｔｏｍｅｒ?ｌｏｃａｔｉｏｎ?ｍａｐ２８??

【参考文献】：
期刊论文
[1]求解双目标带时间窗车辆路径问题的蚁群算法[J]. 柴获,何瑞春,苏江省,宋宇博,代存杰,马昌喜.  交通运输系统工程与信息. 2018(04)
[2]带时间窗的车辆路径问题的离散蝙蝠算法[J]. 戚远航,蔡延光,蔡颢,黄何列.  电子学报. 2018(03)
[3]基于信息交互的大规模电动汽车充电路径规划[J]. 张书玮,冯桂璇,樊月珍,万爽,罗禹贡.  清华大学学报(自然科学版). 2018(03)
[4]考虑充电设施重入的电动汽车旅行商问题研究[J]. 张鹏威,李英.  运筹与管理. 2018(02)
[5]多目标独占性电动汽车路径问题建模与优化[J]. 贾永基,郭文娟,杨东.  工业工程与管理. 2017(05)
[6]求解带容量约束车辆路径问题的混合变邻域生物共栖搜索算法[J]. 李阳,范厚明.  控制与决策. 2018(07)
[7]基于城市道路限行的多能源多车型车辆路径优化[J]. 肖建华,王超文,陈萍,牛云云.  系统工程理论与实践. 2017(05)
[8]带时间窗车辆路径问题的分布式多agent蚁群算法[J]. 金淳,张雨,王聪.  计算机应用研究. 2018(03)
[9]基于实时信息感知的电动汽车物流配送路径优化与充电导航[J]. 邓友均,李明,余千,张鹏兴,张彦涛.  南方电网技术. 2017(02)
[10]需求可拆分车辆路径问题研究——文献综述[J]. 刘新宇,符卓,邱萌.  技术经济. 2017(01)

硕士论文
[1]基于纯电动汽车的城市配送车辆路径问题研究[D]. 王永聪.北京交通大学 2016
[2]基于电动汽车的带时间窗的路径优化问题研究[D]. 高升.大连海事大学 2015
[3]电动汽车行驶路径优化及其价格响应特性分析[D]. 杨松平.长沙理工大学 2014
[4]基于电动汽车技术特征的共同配送调度优化研究[D]. 刘华旭.北京交通大学 2012



本文编号：3223686