基于蚁群算法的X物流企业配送中心车辆调度系统设计与实现
发布时间：2021-10-02 06:30
城市配送作为物流环节的重要组成部分,一直受到国内外学者广泛关注。近年来,物流行业信息化也是我国的热点问题。本文以X物流企业城市配送系统为研究对象,通过前期调研发现其北京配送中心车辆调度系统存在如下缺陷:系统设置与实际业务流程不符,加盟车与车队管理无法分离且数据更新不及时,不能反应加盟车与车队的最新状态;地址库应用不充分,无法为车辆调度提供有力支撑;系统缺乏车辆调度模块,只能由人工根据经验手动分配车辆,无法实现系统自动配车。这些问题使得配送中心人工成本和运输成本居高不下,在业务高峰期更是出现人员不足的情况,影响业务正常运转。根据X物流企业北京配送中心的实际需求,本文首先研究了车辆调度优化方法,通过建立符合实际应用场景的数学模型并使用蚁群算法求解,得到以运输成本最低为目标的车辆调度方案,并将优化模型和求解算法作为车辆调度的核心嵌入系统,同时为系统设计提供依据。接着通过分析系统现状和优化算法所需提供的参数,使用面向对象的方法对车辆调度系统进行需求分析,根据需求对系统的整体架构、功能、数据库进行详细设计。在设计系统功能时,新增车辆调度模块,将车辆调度优化方法与系统相结合。最后,使用JAVA语言...
【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】：110 页
【学位级别】：硕士
【部分图文】：
图２－１?ＶＲＰ问题示意图??
?与全局最优解接??近程度??图２－２算法对比??Ｆｉｇ２－２?Ａｌｇｏｒｉｔｈｍ?ｃｏｍｐａｒｉｓｏｎ??禁忌搜索算法得到的结果最接近最优解，但运算开销也最大，随着数据量增??长极大影响求解速度。而模拟退火算法收敛速度最快，但也最容易陷入局部最优，??无法求得全局最优解。遗传算法与蚁群算法计算复杂度相当，也都能较好地求得??全局最优解。二者相比，遗传算法参数较蚁群算法多且对初始种群有一定的依赖，??随机产生初始解可能会影响其搜索结果。因此本文选择蚁群算法优化车辆路径。??２．３蚁群算法??蚁群算法是一种用来寻找优化路径的概率型算法。它由Ｍａｒｃｏ?Ｄｏｒｉｇｏ于１９９２??年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为??［２Ｑ］。最初，蚁群算法设计的目的是解决旅行商问题（ＴＳＰ），与ＶＲＰ问题相比，两??者之间存在着一定的联系。因此，该算法也被引用到了车辆调度问题中，并且已??经经历了一系列的研宄与探讨［２１］。这种算法具有分布计算、信息正反馈和启发式??搜索的特征
?食物?食物??图２－３蚁群算法原理??Ｆｉｇ２－３?Ｔｈｅ?ｐｒｉｎｃｉｐｌｅ?ｏｆ?ａｎｔ?ｃｏｌｏｎｙ?ａｌｇｏｒｉｔｈｍ??假设有两条路可从蚁巢（Ａ）通向食物（Ｆ），分别为ＡＢＣＥＦ和ＡＢＤＥＦ。开??始时没有任何“信息素”影响，两条路上的妈蚁数量相同，当蚂蚁找到食物之后??会立即原路返回。在蚂蚁行进速度相同的情况下，在距离短的路上（ＡＢＤＥＦ）蚂??蚁往返一次时间短，单位时间里往返蚂蚁的数目越多，留下的“信息素”也越多，??会吸引更多蚂蚁选择该路径，进而留下更多的“信息素”。而距离长的路（ＡＢＣＥＦ）??则恰恰相反，因此越来越多的蚂蚁将聚集到最短路径上来，最终，全部蚂蚁将沿??着最短路径觅食。??２．３．２算法特点??与其他启发式算法相比，蚁群算法具有以下特点：??（１）
【参考文献】：
期刊论文
[1]2017年前三季度物流运行稳中有进[J]. 中国物流与采购. 2017(22)
[2]多车场动态路径问题的自适应量子蚁群算法[J]. 郑丹阳,毛剑琳,郭宁,曲蔚贤,王昌征. 传感器与微系统. 2017(10)
[3]基于大数据平台的动态车辆路径调度算法[J]. 唐德权,黄金贵,史伟奇. 计算机工程. 2018(01)
[4]粒子群算法的物流配送路径优化研究[J]. 王华东,李巍. 计算机仿真. 2012(05)
[5]半开放式多车场车辆路径问题[J]. 刘冉,江志斌,耿娜,刘天堂. 上海交通大学学报. 2010(11)
[6]开放式动态网络车辆路径问题的粒子群算法[J]. 吴斌,倪卫红,樊树海. 计算机集成制造系统. 2009(09)
[7]配送车辆调度问题刍议[J]. 郎茂祥. 物流技术. 2003(03)
[8]Tabu Search算法在优化配送路线问题中的应用[J]. 袁庆达,闫昱,周再玲. 计算机工程. 2001(11)
[9]微型机公路运输调度系统与应用[J]. 陈艳. 交通与计算机. 1985(04)
硕士论文
[1]基于B/S的仓储物流管理系统设计与实现[D]. 杜玮玮.大连理工大学 2016
[2]基于JavaEE的仓储物流管理信息系统的设计与实现[D]. 赵建文.北方工业大学 2015
[3]赵公口小件快运管理系统开发及发展策略研究[D]. 王昆.北京交通大学 2015
[4]高校学生处综合管理系统的设计与实现[D]. 高晨平.北京交通大学 2015
[5]基于物联网的物流信息系统的设计与实现[D]. 李瑶.吉林大学 2015
[6]物流系统货物装载及车辆路径组合优化问题研究[D]. 蒲俊.西南交通大学 2014
[7]基于GIS的智能配送系统研究[D]. 王平.南京师范大学 2008
[8]物流配送及其运输调度优化研究[D]. 孟小平.大连海事大学 2001
本文编号：3418145
【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】：110 页
【学位级别】：硕士
【部分图文】：
图２－１?ＶＲＰ问题示意图??
?与全局最优解接??近程度??图２－２算法对比??Ｆｉｇ２－２?Ａｌｇｏｒｉｔｈｍ?ｃｏｍｐａｒｉｓｏｎ??禁忌搜索算法得到的结果最接近最优解，但运算开销也最大，随着数据量增??长极大影响求解速度。而模拟退火算法收敛速度最快，但也最容易陷入局部最优，??无法求得全局最优解。遗传算法与蚁群算法计算复杂度相当，也都能较好地求得??全局最优解。二者相比，遗传算法参数较蚁群算法多且对初始种群有一定的依赖，??随机产生初始解可能会影响其搜索结果。因此本文选择蚁群算法优化车辆路径。??２．３蚁群算法??蚁群算法是一种用来寻找优化路径的概率型算法。它由Ｍａｒｃｏ?Ｄｏｒｉｇｏ于１９９２??年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为??［２Ｑ］。最初，蚁群算法设计的目的是解决旅行商问题（ＴＳＰ），与ＶＲＰ问题相比，两??者之间存在着一定的联系。因此，该算法也被引用到了车辆调度问题中，并且已??经经历了一系列的研宄与探讨［２１］。这种算法具有分布计算、信息正反馈和启发式??搜索的特征
?食物?食物??图２－３蚁群算法原理??Ｆｉｇ２－３?Ｔｈｅ?ｐｒｉｎｃｉｐｌｅ?ｏｆ?ａｎｔ?ｃｏｌｏｎｙ?ａｌｇｏｒｉｔｈｍ??假设有两条路可从蚁巢（Ａ）通向食物（Ｆ），分别为ＡＢＣＥＦ和ＡＢＤＥＦ。开??始时没有任何“信息素”影响，两条路上的妈蚁数量相同，当蚂蚁找到食物之后??会立即原路返回。在蚂蚁行进速度相同的情况下，在距离短的路上（ＡＢＤＥＦ）蚂??蚁往返一次时间短，单位时间里往返蚂蚁的数目越多，留下的“信息素”也越多，??会吸引更多蚂蚁选择该路径，进而留下更多的“信息素”。而距离长的路（ＡＢＣＥＦ）??则恰恰相反，因此越来越多的蚂蚁将聚集到最短路径上来，最终，全部蚂蚁将沿??着最短路径觅食。??２．３．２算法特点??与其他启发式算法相比，蚁群算法具有以下特点：??（１）
【参考文献】：
期刊论文
[1]2017年前三季度物流运行稳中有进[J]. 中国物流与采购. 2017(22)
[2]多车场动态路径问题的自适应量子蚁群算法[J]. 郑丹阳,毛剑琳,郭宁,曲蔚贤,王昌征. 传感器与微系统. 2017(10)
[3]基于大数据平台的动态车辆路径调度算法[J]. 唐德权,黄金贵,史伟奇. 计算机工程. 2018(01)
[4]粒子群算法的物流配送路径优化研究[J]. 王华东,李巍. 计算机仿真. 2012(05)
[5]半开放式多车场车辆路径问题[J]. 刘冉,江志斌,耿娜,刘天堂. 上海交通大学学报. 2010(11)
[6]开放式动态网络车辆路径问题的粒子群算法[J]. 吴斌,倪卫红,樊树海. 计算机集成制造系统. 2009(09)
[7]配送车辆调度问题刍议[J]. 郎茂祥. 物流技术. 2003(03)
[8]Tabu Search算法在优化配送路线问题中的应用[J]. 袁庆达,闫昱,周再玲. 计算机工程. 2001(11)
[9]微型机公路运输调度系统与应用[J]. 陈艳. 交通与计算机. 1985(04)
硕士论文
[1]基于B/S的仓储物流管理系统设计与实现[D]. 杜玮玮.大连理工大学 2016
[2]基于JavaEE的仓储物流管理信息系统的设计与实现[D]. 赵建文.北方工业大学 2015
[3]赵公口小件快运管理系统开发及发展策略研究[D]. 王昆.北京交通大学 2015
[4]高校学生处综合管理系统的设计与实现[D]. 高晨平.北京交通大学 2015
[5]基于物联网的物流信息系统的设计与实现[D]. 李瑶.吉林大学 2015
[6]物流系统货物装载及车辆路径组合优化问题研究[D]. 蒲俊.西南交通大学 2014
[7]基于GIS的智能配送系统研究[D]. 王平.南京师范大学 2008
[8]物流配送及其运输调度优化研究[D]. 孟小平.大连海事大学 2001
本文编号：3418145
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/3418145.html
