CN104240054A - 基于粒子群的物流车辆调度的实现方法 - Google Patents
基于粒子群的物流车辆调度的实现方法 Download PDFInfo
- Publication number
- CN104240054A CN104240054A CN201410399966.7A CN201410399966A CN104240054A CN 104240054 A CN104240054 A CN 104240054A CN 201410399966 A CN201410399966 A CN 201410399966A CN 104240054 A CN104240054 A CN 104240054A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- particle
- population
- mapreduce
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于粒子群的物流车辆调度的实现方法,其特征在于包括以下步骤:步骤S01:粒子初始化;步骤S02:参数因子的设置;步骤S03:采用实数向量的编码方式对车辆调度问题进行求解;其中每个粒子对应两维向量X和Xpso,其中X表示位置向量,Xpso表示位置向量X对应的配送点;步骤S04:粒子速度和车辆数目自调整;步骤S05:Mapreduce模型的引入。本发明通过对基本粒子群算法进行了改进并与云计算下的MapReduce并行计算相结合,并将其运用到车辆调度问题中,实现了车辆的合理调度。
Description
技术领域
本发明是通过对基本粒子群算法进行了改进并与云计算下的MapReduce并行计算相结合,并将其运用到车辆调度问题(Vehicle Routing Problem,VRP)中,属于车辆管控技术领域。
背景技术
随着经济全球化和网络信息技术的快速发展,物流产业被誉为经济发展的“加速器”、产业结构转换的“润滑剂”和现代企业的“第三方利润源泉”,物流产业对经济活动的影响日益显著。而车辆调度作为物流配送的核心环节,合理的车辆调度可以简化配送程序、增长物流经济效益、实现物流科学化。
车辆调度问题指有一系列的收货点或发货点,寻找适当的行车路线,使车辆对各个配送点进行有序的访问,在满足一定约束的条件如:车辆限制、车辆最大载重限制、时间窗限制等,达到所要求的目标如:费用最少、路径最短、耗费时间最短等。
粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法,能够用于求解各种组合优化问题包括VRP。
发明内容
本发明的目的是提供一种基于粒子群的物流车辆调度的实现方法,能实现车辆的合理调度。
本发明采用以下方案实现:一种基于粒子群的物流车辆调度的实现方法,其特征在于包括以下步骤:
步骤S01:对于每个粒子,随机选取0~n之间的整数k,其中n为配送点的个数,求出其余各配送点到配送点k之间的距离作为当前粒子的初始位置,粒子群中初始群体最优位置是以各配送点到配送中心的距离作为粒子群体历史最优位置;
步骤S02:进行参数因子的设置,包括惯性权重w设为可调因子:w=0.9-r*0.4/d;学习因子c2也设为可调因子:c2=2.0*r/d;其中r为当前迭代次数,d为总迭代次数;
步骤S03:采用实数向量的编码方式对车辆调度问题进行求解;其中每个粒子对应两维向量X和Xpso,其中X表示位置向量,Xpso表示位置向量X对应的配送点;
步骤S04:粒子的速度采用自调节因子,在某个区间范围内搜索当前粒子群最适宜的速度,通过比较得出最优解时车辆是否全部使用,如果没有全部使用,则下一轮运行时可调度的车辆就转变为目前为止找到最优解时的车辆使用数目;
步骤S05:基于Mapreduce的改进粒子群算法:通过Mapreduce模型将数据集分割成互相独立的数据块进行Map操作,群体最优解的计算通过Reduce实现,把粒子的每次迭代更新用一次Mapreduce完成。
在本发明一实施例中,所述步骤S03的求解中不可行解的调整步骤为:
(1)每辆车的平均载重:当全部车辆都使用时,平均每辆车的载重averageCap;
(2)预选车辆:假设没有车辆数目的限制,对于位置向量X中整数部分相同的,其所对应的配送点向量Xpso由同一辆车服务,分别计算所需要的车辆数目及每辆车的载重preCap;
(3)车辆安排:调整预选车辆,先判断实际安排的车辆k1的载重realCap[k1]是否大于averageCap,如果大于,则另外选取下一车辆k1+1;否则,依次判断当前预选车辆k2的载重preCap[k2]加上realCap[k1]是否大于车辆的最大载重,如 果小于,则把当前预选车辆k2所服务的配送点加入进车辆k1中,对下一预选车辆做同样的判断直到全部预选车辆都判断结束;否则另外选取车辆k1+1。
在本发明一实施例中,所述基于Mapreduce的改进粒子群算法的具体步骤为:首先,初始化种群及各粒子个体最优位置及群体最优位置并以文件的形式保存在本地计算机上;然后对文件中的数据进行读取,Map阶段完成评估函数值的计算以及粒子状态的更新,Map操作完的中间结果保存在本地计算机上,reduce阶段完成粒子群体历史最优位置的更新并把结果写入文件中。
本发明通过对基本粒子群算法进行了改进并与云计算下的MapReduce并行计算相结合,并将其运用到车辆调度问题中,实现了车辆的合理调度。
附图说明
图1是调整不可行解流程示意图。
图2是车辆自调整流程图示意图。
图3是基于Mapreduce的改进粒子群算法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。
本实施例的基于粒子群的物流车辆调度的实现方法包括以下步骤:
①粒子初始化
在基本粒子群算法中,粒子群初始位置是随机选取,跟实际问题的求解没有关联。而为了使粒子群算法跟实际问题相关联并更好的解决车辆调度问题,本发明 中粒子初始位置的确定是:对于每个粒子,随机选取0~n之间的整数k(其中n为配送点的个数),求出其余各配送点到配送点k之间的距离作为当前粒子的初始位置,粒子群中初始群体最优位置是以各配送点到配送中心的距离作为粒子群体历史最优位置。粒子的种群规模取配送点个数的5倍。
②参数因子的设置
在基本粒子群算法中,粒子速度更新公式中的参数,一般选取惯性权重w=1和学***衡算法局部和全局搜索,当w取大值时有利于探索新领域,较小时有利于详细搜索当前区域。因此迭代初始时粒子应扩大搜索区域,进行全局搜索,使搜索区域收敛于某一局部区域,而随着迭代次数的增加,粒子应进行局部范围搜索,有利于寻找最优解,防止陷入局部最优。所以本发明中惯性权重w设为可调因子:w=0.9-r*0.4/d。
由于学习因子c2是粒子向群体历史最优位置学习,粒子开始搜索阶段,群体历史最优位置在群体最优解所占据的优势还不是很明显,因此通过参数设置使粒子开始阶段向群体历史最优位置学习的比重较低,而搜索后期,由于群体历史最优位置在搜索全局最优解中的比重较大,因此可以使粒子多向群体历史最优位置学习,防止陷入局部最优,有利于找到最优解。所以本发明中,c2也设为可调因子:c2=2.0*r/d其中r为当前迭代次数,d为总迭代次数。
由于粒子位置的更新依赖于粒子速度的更新,而粒子速度的更新很大程度上取决于权重系数w和学习因子c2,因此在步骤①的粒子初始位置的选择基础上增加参数因子的调整可以使粒子位置更新更实际化及朝着最优解目标靠齐,防止粒子搜索过程陷入局部最优。
③编码方式
本发明中采用实数向量的编码方式。每个粒子对应两维向量X和Xpso,其中X表示位置向量,是在步骤②的基础上存储对应粒子的位置信息,Xpso表示位置向量X对应的配送点。
采用这种编码方式可以直接利用粒子群算法的更新公式而不需要对速度更新操作进行重新定义,并且解码时只需对位置向量X进行一次排序和取整操作即可,方便对粒子状态进行调整。位置向量X中整数部分相同的所对应的配送点由同一辆车服务,小数部分代表配送点在对应车辆中的服务顺序。
例1:假设有1个配送中心,8个配送点,位置向量X及对应的配送点向量Xpso如表1所示:
表1 配送点及其对应的位置向量
解码时先对位置向量X进行排序,将整数部分相同的配送点由同一辆车服务,再按小数部分的大小选择服务顺序,因此可以得出该编码表示的车辆路径如表2所示:
表2 实数编码后车辆安排及服务顺序
车辆 | 1 | 2 | 3 | 4 | 5 |
配送顺序 | 0→2→8→0 | 0→3→1→0 | 0→6→0 | 0→7→4→0 | 0→5→0 |
若只有3辆车可以对例1中的配送点进行配送,明显可以发现单纯的采用实数向量编码方式对车辆调度问题进行求解容易由于车辆数目的限制导致得出大量的不可行解,因此需要对实数向量编码方式进行调整,使大多数不可行解转为可行解,增强算法的有效性。
请参见图1,图1是不可行解调整的流程示意图,调整不可行解的步骤为:
(1)每辆车的平均载重:当全部车辆都使用时,平均每辆车的载重averageCap;
(2)预选车辆:假设没有车辆数目的限制,对于位置向量X中整数部分相同的,其所对应的配送点向量Xpso由同一辆车服务,分别计算所需要的车辆数目及每辆车的载重preCap;
(3)车辆安排:调整预选车辆,先判断实际安排的车辆k1的载重realCap[k1]是否大于averageCap,如果大于,则另外选取下一车辆k1+1。否则,依次判断当前预选车辆k2的载重preCap[k2]加上realCap[k1]是否大于车辆的最大载重,如果小于,则把当前预选车辆k2所服务的配送点加入进车辆k1中,对下一预选车辆做同样的判断直到全部预选车辆都判断结束;否则另外选取车辆k1+1。
如果只有3辆车对配送点进行服务,每辆车的最大载重为8,各个配送点的需求量为d=[3 3 1 2 1 2 1 2],依照本发明中可知averageCap=5,按照本发明中对不可行解进行调整,则得出可行解为表3所示:
表3 不可行解调整后车辆安排及服务顺序
车辆 | 1 | 2 | 3 |
配送顺序 | 0→2→8→0 | 0→3→1→6→0 | 0→7→4→5→0 |
④粒子速度和车辆数目自调整
基本粒子群算法中,粒子群的最大速度通常设为一个常数,而粒子最大速度的选取关系到粒子群对于最优解的寻找。当群体速度过大时,粒子容易因为瞬间飞行速度过大而越过最优解,导致最终找到的不是最优解;而速度过小时,粒子容易在小区域内长时间逗留,难以开拓新领域,找到最优解。本发明中,为了更好的寻找最优解,防止粒子群由于速度过大或过小而陷入局部最优,粒子的最大速度采用自调节因子,在某个区间范围内搜索当前粒子群最适宜的速度,防止陷入局部最优。
当可调度的车辆数目较多时,本发明中改进粒子群算法为了使车辆尽量全部使用上,而导致大部分车辆处于空载(载重量较小)状态,因而没有找到最优解。因此,考虑到为了尽量使车辆满载且得到最优解,本发明对前面所使用的改进粒子群算法进一步改进,引入自调整车辆的思路。通过比较得出最优解时车辆是否全部使用,如果没有全部使用,则下一轮运行时可调度的车辆就转变为目前为止找到最优解时的车辆使用数目,车辆自调整的流程图如图2所示:
⑤Mapreduce模型的引入
由于当求解问题规模较为庞大时,所需计算时间将呈指数增长,通过对改进粒子群算法的研究可以发现粒子群中每个粒子的状态更新都是彼此独立的,只跟该粒子的个体历史最优位置及群体历史最优位置有关,因此可以考虑并行处理每个粒子的更新过程。同时联想到hadoop下的Mapreduce模型适合处理大规模数据的并行处理,通过Mapreduce模型将数据集分割成互相独立的数据块进行Map操作,群体最优解的计算通过Reduce实现,所以本发明中把粒子的每次迭代更新用一次Mapreduce完成。
基于Mapreduce的改进粒子群算法的具体步骤为:首先,初始化种群及各粒子个体最优位置及群体最优位置并以文件的形式保存在本地计算机上;然后对文件中的数据进行读取,Map阶段完成评估函数值的计算以及粒子状态的更新,Map操作完的中间结果保存在本地计算机上,reduce阶段完成粒子群体历史最优位置的更新并把结果写入文件中。流程图如图3所示。
通过对代码的调试及分析,可以得出本文中改进粒子群算法运行时最耗时的部分是在计算每个粒子的评估函数值,因此把对粒子评估函数值的求解过程并行化。在本文Mapreduce模型中,Map函数的主要功能计算各个粒子的评估函数值及对各粒子的状态进行更新,而Reduce的主要功能是寻找群体最优解并更新群体历史最 优位置。
其中,Map函数和Reduce函数的伪代码如表4所示:
表4 Map和Reduce函数的伪代码
在表4的Map函数的伪代码中,Map输入参数<key1,value1>的类型及其含义如下:key1为IntWritable类型,代表着当前处理的粒子;value1为Text类型,其中包含了迭代的次数、粒子的位置、速度、个体最优位置、群体历史最优位置、个体历史最优评估函数值、群体历史最优评估函数值。Map输出参数<key2,value2>中key2、value2和图1-3中Reduce函数的输入参数<key3,value3>及输出参数<key4,value4>的类型及代表的含义都跟Map函数输入参数的一样。
由于每次完成MapReduce完之后都会生成一个output文件,且output文件是在运行Reduce处理时自动生成的文件,不可以事先存在文件中,因此需要对output文件进行处理,否则迭代1000次的时候,就可能产生1000个output文件。因为考虑到每次进行Mapreduce操作的时候,Map函数处理的时候都需要调用上一个Reduce操作所输出的文件,因此可以在完成一次Mapreduce后把input文件删除,然后再把output文件的内容复制给input,删除output文件。实现边运行程序边删除上一次运行生成的文件。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于粒子群的物流车辆调度的实现方法,其特征在于包括以下步骤:
步骤S01:对于每个粒子,随机选取0~n之间的整数k,其中n为配送点的个数,求出其余各配送点到配送点k之间的距离作为当前粒子的初始位置,粒子群中初始群体最优位置是以各配送点到配送中心的距离作为粒子群体历史最优位置;
步骤S02:进行参数因子的设置,包括惯性权重w设为可调因子:w=0.9-r*0.4/d;学习因子c2也设为可调因子:c2=2.0*r/d;其中r为当前迭代次数,d为总迭代次数;
步骤S03:采用实数向量的编码方式对车辆调度问题进行求解;其中每个粒子对应两维向量X和Xpso,其中X表示位置向量,Xpso表示位置向量X对应的配送点;
步骤S04:粒子的速度采用自调节因子,在某个区间范围内搜索当前粒子群最适宜的速度,通过比较得出最优解时车辆是否全部使用,如果没有全部使用,则下一轮运行时可调度的车辆就转变为目前为止找到最优解时的车辆使用数目;
步骤S05:基于Mapreduce的改进粒子群算法:通过Mapreduce模型将数据集分割成互相独立的数据块进行Map操作,群体最优解的计算通过Reduce实现,把粒子的每次迭代更新用一次Mapreduce完成。
2.根据权利要求1所述的基于粒子群的物流车辆调度的实现方法,其特征在于:所述步骤S03的求解中不可行解的调整步骤为:
(1)每辆车的平均载重:当全部车辆都使用时,平均每辆车的载重averageCap;
(2)预选车辆:假设没有车辆数目的限制,对于位置向量X中整数部分相同的,其所对应的配送点向量Xpso由同一辆车服务,分别计算所需要的车辆数目及每辆车的载重preCap;
(3)车辆安排:调整预选车辆,先判断实际安排的车辆k1的载重realCap[k1]是否大于averageCap,如果大于,则另外选取下一车辆k1+1;否则,依次判断当前预选车辆k2的载重preCap[k2]加上realCap[k1]是否大于车辆的最大载重,如果小于,则把当前预选车辆k2所服务的配送点加入进车辆k1中,对下一预选车辆做同样的判断直到全部预选车辆都判断结束;否则另外选取车辆k1+1。
3.根据权利要求1所述的基于粒子群的物流车辆调度的实现方法,其特征在于:所述基于Mapreduce的改进粒子群算法的具体步骤为:首先,初始化种群及各粒子个体最优位置及群体最优位置并以文件的形式保存在本地计算机上;然后对文件中的数据进行读取,Map阶段完成评估函数值的计算以及粒子状态的更新,Map操作完的中间结果保存在本地计算机上,reduce阶段完成粒子群体历史最优位置的更新并把结果写入文件中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410399966.7A CN104240054A (zh) | 2014-08-13 | 2014-08-13 | 基于粒子群的物流车辆调度的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410399966.7A CN104240054A (zh) | 2014-08-13 | 2014-08-13 | 基于粒子群的物流车辆调度的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104240054A true CN104240054A (zh) | 2014-12-24 |
Family
ID=52228074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410399966.7A Pending CN104240054A (zh) | 2014-08-13 | 2014-08-13 | 基于粒子群的物流车辆调度的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240054A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868843A (zh) * | 2016-03-22 | 2016-08-17 | 南京邮电大学 | 一种面向货品配送的路线规划方法 |
CN105868949A (zh) * | 2016-03-31 | 2016-08-17 | 北京小度信息科技有限公司 | 物流配送调度方法以及装置 |
CN105956723A (zh) * | 2016-07-19 | 2016-09-21 | 成都镜杰科技有限责任公司 | 基于数据挖掘的物流信息管理方法 |
CN106203911A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 基于云计算的智能物流数据管理方法 |
CN106203912A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 物流信息智能处理方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
CN109816225A (zh) * | 2019-01-11 | 2019-05-28 | 郑州嘉晨电器有限公司 | 一种基于叉车云平台的任务调度方法 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
-
2014
- 2014-08-13 CN CN201410399966.7A patent/CN104240054A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
Non-Patent Citations (6)
Title |
---|
ANDREW W. MCNABB ET AL: "Parallel PSO Using MapReduce", 《2007 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
S.A. MIRHASSANI ET AL: "A particle swarm optimization algorithm for open vehicle routing problem", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
ZHENG QIN ET AL: "Adaptive Inertia Weight Particle Swarm Optimization", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
刘志雄: "基于粒子群算法的物流配送车辆优化调度研究", 《武汉科技大学学报》 * |
智寅春: "基于粒子群算法的医药物流配送车辆路径问题研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 * |
马冬青等: "基于改进粒子群算法的物流配送车辆调度", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868843A (zh) * | 2016-03-22 | 2016-08-17 | 南京邮电大学 | 一种面向货品配送的路线规划方法 |
CN105868949A (zh) * | 2016-03-31 | 2016-08-17 | 北京小度信息科技有限公司 | 物流配送调度方法以及装置 |
CN106203911A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 基于云计算的智能物流数据管理方法 |
CN106203912A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 物流信息智能处理方法 |
CN105956723A (zh) * | 2016-07-19 | 2016-09-21 | 成都镜杰科技有限责任公司 | 基于数据挖掘的物流信息管理方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
CN107578199B (zh) * | 2017-08-21 | 2021-02-26 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
CN109816225A (zh) * | 2019-01-11 | 2019-05-28 | 郑州嘉晨电器有限公司 | 一种基于叉车云平台的任务调度方法 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104240054A (zh) | 基于粒子群的物流车辆调度的实现方法 | |
Chobar et al. | Multi-objective hub-spoke network design of perishable tourism products using combination machine learning and meta-heuristic algorithms | |
Chang et al. | Optimal delivery routing with wider drone-delivery areas along a shorter truck-route | |
Dechampai et al. | A differential evolution algorithm for the capacitated VRP with flexibility of mixing pickup and delivery services and the maximum duration of a route in poultry industry | |
CN102136104A (zh) | 基于负载均衡和lk算法的车辆路径规划方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN109194746A (zh) | 基于物联网的异构信息处理方法 | |
Dong et al. | Workflow scheduling based on deep reinforcement learning in the cloud environment | |
CN102945283A (zh) | 一种语义Web服务组合方法 | |
CN109151042A (zh) | 物联感知数据智能规划方法 | |
CN109359771A (zh) | 一种基于大数据的干线运输车货匹配算法 | |
Yu et al. | Logistics automation control based on machine learning algorithm | |
Li et al. | Two-stage algorithm for solving multi-depot green vehicle routing problem with time window | |
Liang et al. | A multi-objective location and channel model for ULS network | |
Chen et al. | Multiconstrained network intensive vehicle routing adaptive ant colony algorithm in the context of neural network analysis | |
Wu et al. | Historical information-based differential evolution for dynamic optimization problem | |
Karaoglan et al. | Distance-constrained vehicle routing problems: a case study using artificial bee colony algorithm | |
Guo et al. | [Retracted] Transportation Path Optimization of Modern Logistics Distribution considering Hybrid Tabu Search Algorithm | |
Gupta et al. | On solutions to vehicle routing problems using swarm optimization techniques: a review | |
CN110084463A (zh) | 基于大数据的干线运输预配货的方法及*** | |
Gao et al. | UAV reconnaissance task allocation with reinforcement learning and genetic algorithm | |
Rezaeipanah et al. | An Improved Hybrid Cuckoo Search Algorithm for Vehicle Routing Problem with Time Windows | |
Duan et al. | Multiple depots incomplete open vehicle routing problem based on carbon tax | |
Huang et al. | An improved firefly algorithm for generalized traveling salesman problem | |
Ma | Application of fuzzy particle swarm optimization algorithm in optimizing logistics distribution management system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |
|
RJ01 | Rejection of invention patent application after publication |