基于改进混合蚁群算法的物流配送路径研究

发布时间：2020-10-29 18:20

　　 物流配送是物流系统中的重要一环,在物流活动的各项成本当中,配送成本占据了很大的比例。在物流配送中,运输车辆配送路径选取问题是一个非常关键的问题。选择合适的配送路径,不仅能够降低物流成本,提高物流效率,而且能够提升服务质量,提高客户满意度。如何在满足客户多样化的需求条件下,采用科学有效的方法对配送路径进行优化以提高企业的经济效益,是企业关心的重要问题,也是当今物流领域研究的重点问题。围绕物流配送路径问题,本文主要完成了以下三个部分的工作：(1)详细介绍了物流配送中的车辆路径问题(Vehicle Routing Problem, VRP),对其进行了分类,并阐述了求解车辆路径问题的算法；深入探讨了蚁群算法(Ant Colony Algorithm,ACA)的基本原理,数学模型和算法实现,并对蚁群算法的优缺点进行了分析；介绍了人工鱼群算法(Artifical Fish Swarm Algorithm,AFSA)口人工鱼模型,并讨论了人工鱼群算法的典型行为和实现步骤。(2)提出了将人工鱼群算法和蚁群算法相融合,进行优势互补的设计思路,并设计了两种算法的动态融合策略,然后对蚁群算法的参数,信息素等进行了改进,从而提出了改进的混合蚁群算法,这是本文的核心内容。最后针对旅行商问题(Travelling Salesman Problem,TSP)进行了实例仿真,结果表明改进的混合蚁群算法和其他启发式算法相比在运算效率和解的稳定性上具有一定的优越性。(3)将改进的混合蚁群算法运用到VRP问题上去,并针对VRP问题的具体特点,对算法进行了相应的改进。然后选取了一些算例对算法进行了测试,验证了算法对于车辆路径问题的有效性。最后,将改进的混合蚁群算法应用于苏宁电器的实际案例中,得出了较好的配送方案,并通过路程和满载率分析证明了算法的实用性。本文提出的改进的混合蚁群算法,对于求解车辆路径问题有一定的参考价值,同时对于企业提高物流配送效率也有一定的意义。
【学位单位】：东南大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：U116.2;F252;TP18
【部分图文】：

用到苏宁电器的实际案例中，并进行了路程和满载率分析。??第五章对全文的内容进斤了总结，并对今后的研巧内容进行了展望。??本文的研巧框架如图１－１所示。??研究基础??［第一章引言?，?第二章相关理论?ｊ??Ｉ?主要研究内容?！???１＿Ｋ?！?（?Ｉ?Ｍ??改进＾?第Ｈ章改进混合蚁群算法及其?Ｉ?Ａ??Ｉ?在ＴＳＰ问题中的应用?Ｉ／Ｕ?Ｔ??混合ｆ第四章改进混合蚁群算法在＂Ｉ?Ｉ?仿??Ｖ民Ｐ问题中的应用?Ｉ?真????＼?／?ｊ???？Ｊ??＊???第五章总结与展望??图１－１研究框架图??５??

聯１?？??；纖；Ｖ＿＿ｉ??图３－４?Ｅｉｒ／６问题最优路径图及最优值收敛曲线图??图３－４是改进的混合蚁群算法求解Ｅｉｌ７６问题的最优路径图Ｗ及最优值收敛??曲线图，从上图可Ｗ看出，算法在第５０代左右就己经达到了最优解５３８，而５３８??也是Ｅｉｌ７６问题的实际最优解，从而说明本文提出的改进算法具有良好的寻优能??力，能较快的收敛到最优解。??类似的，本文还分别对蚁群算法，鱼群算法Ｗ及文献ｔ６２３提出的一种改进的??自适应蚁群算法各自运行了?２０次，表３－４是这四种算法的具体对比分析。??表３－４四种算法对比分析图??算法?Ｉ最好解Ｉ最差解Ｉ平均解Ｉ偏差???蚁群算法?５５３?５７２?５巧．３７?１５???鱼群算法?５６１?５８０?５６７．８４?２１??文献ｔ６２４是出的混合蚁群算覆￣?５３８?￣?５４８?￣?５４２．００?０??本文提出的混合蚁群算法?５３８?５４５?５４１．２２?０??从表３－４可看出．本文提出的混合蚁群算法的最优解为５３８，达到了己知??最优解，这一点比蚁群算法和鱼群算法都要好，和文献Ｉ６叫是出的改进算法相比，??本文算法的平均解仅为５４１．２２

图４－６最优路径图??用改进的混合蚁群算法进行计算，得出的最优解为为２６０．２ｋｍ，最优路径如??图４－６所示，最优解所对应的四条配送路线为：??
【相似文献】

相关期刊论文 前10条

1 王训斌;陆慧娟;陈伍涛;张火明;;改进蚁群算法在物流配送路径中的应用[J];中国计量学院学报;2008年04期

2 李远远;刘彦;刘光前;;车辆路径问题优化——基于改进节约算法[J];社会科学家;2013年11期

3 邵俊岗;郑芳瑜;;车辆路径问题的连接点选择节约算法[J];佳木斯大学学报(自然科学版);2015年02期

4 窦莉薇;;基于蚁群算法的车辆路径问题研究[J];商;2015年22期

5 王兵;刘佩;周亦鹏;;基于参数动态调整策略的蚁群算法优化及应用研究[J];中国新技术新产品;2017年09期

6 朱锦新;;基于空间聚类和蚁群算法的车辆路径问题的研究[J];盐城工学院学报(自然科学版);2009年04期

7 唐浩;;蚁群算法的研究与展望[J];牡丹江教育学院学报;2009年06期

8 赵师;孙文纪;刘洪坤;;基于蚁群算法的火力分配寻优方法研究[J];指挥控制与仿真;2010年02期

9 王肖林;;浅谈蚁群算法在蛋白质折叠问题上的应用[J];天津职业院校联合学报;2013年11期

10 区云鹏;韦兆文;蒋慧超;;基于多信息素的蚁群算法[J];广西科学院学报;2008年03期

相关博士学位论文 前10条

1 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年

2 王艳娇;人工蜂群算法的研究与应用[D];哈尔滨工程大学;2013年

3 李美安;普适分布式互斥算法及应用[D];电子科技大学;2007年

4 王小根;粒子群优化算法的改进及其在图像中的应用研究[D];江南大学;2009年

5 刘婷;改进人工蜂群算法及其在多用户检测中的应用[D];天津大学;2013年

6 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

7 王翔;混合蚁群算法及其在管理优化中的应用[D];东华大学;2012年

8 肖建元;保几何结构算法在等离子体物理中的应用[D];中国科学技术大学;2017年

9 盛歆漪;粒子群优化算法及其应用研究[D];江南大学;2015年

10 张冬丽;人工蜂群算法的改进及相关应用研究[D];燕山大学;2014年

相关硕士学位论文 前10条

1 黄鑫;基于改进混合蚁群算法的物流配送路径研究[D];东南大学;2016年

2 王书勤;车辆路径问题的蚁群算法研究[D];重庆大学;2008年

3 吴隽;基于改进蚁群算法的物流配送路径优化研究[D];武汉理工大学;2009年

4 龙汀;基于蚁群算法的车辆路径问题的研究[D];合肥工业大学;2008年

5 魏振宇;蚁群算法在物流运输调度系统中的研究[D];南昌大学;2007年

6 贝肇宇;改进蚁群算法的研究及应用[D];沈阳工业大学;2008年

7 薛海波;人工蜂群算法在物流配送路径选择问题中的应用研究[D];重庆大学;2016年

8 李委委;混合蚁群算法在车辆路径优化问题中的研究与应用[D];大连交通大学;2012年

9 刘轲;一种融合算法在电网规划中的运用[D];南昌大学;2013年

10 古明家;蚁群算法优化策略及其应用[D];广西民族大学;2009年

本文编号：2861280