CN115511226A - 一种基于改进差分进化算法的车辆路径优化方法 - Google Patents
一种基于改进差分进化算法的车辆路径优化方法 Download PDFInfo
- Publication number
- CN115511226A CN115511226A CN202211438672.1A CN202211438672A CN115511226A CN 115511226 A CN115511226 A CN 115511226A CN 202211438672 A CN202211438672 A CN 202211438672A CN 115511226 A CN115511226 A CN 115511226A
- Authority
- CN
- China
- Prior art keywords
- individuals
- target
- transportation
- individual
- differential evolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 230000035772 mutation Effects 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于改进差分进化算法的车辆路径优化方法,所述方法包括:构建道路和运输方式数学模型;所述初始化模块被配置为:初始化差分进化算法的参数和原始种群,并计算所述原始种群内每一个个体对应的适应度值;从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体;将所述变异个体与目标个体进行交叉操作,得到实验个体,所述目标个体为目标数目和所述原始种群的乘积;比较所述实验个体与所述目标个体的适应度值,选取最优个体形成目标种群;将所述目标种群中的个体进行邻域搜索操作并进行迭代,直至迭代结束;采用道路和运输方式数学模型对多式联运车辆路径问题进行优化,输出最优解即最优路径。
Description
技术领域
本发明涉及网络通信技术领域,特别涉及一种基于改进差分进化算法的车辆路径优化方法。
背景技术
在贸易全球化的现在,各物流公司更加有效地优化和管理物流环节是很有必要。其中,最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划,因为这不仅可以降低运输成本,还对提升服务质量起到重要作用。经典的车辆路径问题(Vehicle RouteProblem,VRP)是指在给定的运输网络上的对物流车辆的路线进行有效规划,以便物流公司在一些特定的约束条件下高效地服务于客户。其中,缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件,一般意义上,基本的车辆路径问题是指确认一组有效的多个旅行商问题(TSP)路线,即车辆从起点到目的地的,以服务给定的一组客户,并且每个客户应该只被一辆车访问一次。此外,由于单个路线可能超过允许的运输距离或者运输时间,因此物流车辆可能存在多种不同运输路线。因此,VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。而启发式算法作为解决该类问题的主流算法之一,主要包括有遗传算法、差分进化算法等。
差分进化算法(DE)是一类基于群体的自适应全局优化算法。DE算法通过采用浮点矢量进行编码生成种群个体。在DE算法寻优的过程中,首先,从父代个体间选择两个个体进行向量做差生成差分矢量;其次,选择另外一个个体与差分矢量求和生成实验个体;然后,对父代个体与相应的实验个体进行交叉操作,生成新的子代个体;最后在父代个体和子代个体之间进行选择操作,将符合要求的个体保存到下一代群体中去。
采用差分进化算法解决车辆路径问题(VRP)时,由于算法具有内在的并行性,适用于大规模并行分布处理时,可以减小时间成本开销,但算法后期个体之间的差异性减小,收敛速度减慢,易陷入局部最优,且没有利用个体的先验知识,可能较多的迭代次数才能收敛到全局最优。
发明内容
本申请提供了一种基于改进差分进化算法的车辆路径优化方法,旨在解决由于算法具有内在的并行性,在用于大规模并行分布处理时,虽然可以减小时间成本开销,但算法后期个体之间的差异性减小,收敛速度减慢,易陷入局部最优,且没有利用个体的先验知识,可能较多的迭代次数才能收敛到全局最优的问题。
本申请提供了一基于改进差分进化算法的车辆路径优化方法,所述方法包括:
初始化差分进化算法的参数和原始种群,并计算所述原始种群内每一个个体对应的适应度值;
从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体;
将所述变异个体与目标个体进行交叉操作,得到实验个体,所述目标个体为目标数目和所述原始种群的乘积;
比较所述实验个体与所述目标个体的适应度值,选取最优个体形成目标种群;
将所述目标种群中的个体进行邻域搜索操作并进行迭代,直至迭代结束,并生成迭代结果;
根据所述迭代结果对多式联运车辆路径问题进行优化,输出最优解即最优路径。
在一种实现方式中,初始化差分进化算法的参数和原始种群采用下列公式:
在一种实现方式中,从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体采用下列公式:
在一种实现方式中,将所述变异个体与目标个体进行交叉操作,得到实验个体采用下列公式:
在一种实现方式中,比较所述实验个体与所述目标个体的适应度值的步骤还包括:根据贪婪算法比较所述实验个体与所述目标个体的适应度值。
在一种实现方式中,根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式:
在一种实现方式中,根据迭代结果对多式联运车辆路径问题进行优化包括:
约束条件如下:
式中:p是所有运输站点的集合;s是运输模式的集合;表示站点i和站点j之
间距离;表示站点i和站点j之间使用运输方式k;表示在站点j上将运输方式k调
整为运输方式l;表示站点i和站点j之间在运输方式k下的运输时间;表示在站点j
上将运输方式k调整为运输方式l需要的时间;表示站台i和站台j之间在运输方式k下
的运输成本;表示在站台上j上将运输方式k调整为运输方式l需要的成本;Q是运输
量;表示站点i和站点j之间在运输方式k下的运输量。
在一种实现方式中,将所述目标种群中的个体进行邻域搜索操作采用下列公式:
由上述技术方案可知,本申请通过对经典差分进化算法的变异操作及交叉操作进行改进,引入领域搜索操作,搜索当前向量周围更好的潜在优秀解向量,使得算法的收敛速度更快。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的获得其他的附图。
图1为本申请提供一种基于改进差分进化算法的车辆路径优化方法的流程图;
图2为本申请提供的一种基于改进差分进化算法的车辆路径优化方法的运输网络拓扑图;
图3为本申请提供一种基于改进差分进化算法的车辆路径优化方法的算法收敛代数比较图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在贸易全球化的现在,各物流公司更加有效地优化和管理物流环节是很有必要。其中,最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划,因为这不仅可以降低运输成本,还对提升服务质量起到重要作用。经典的车辆路径问题(Vehicle RouteProblem,VRP)是指在给定的运输网络上的对物流车辆的路线进行有效规划,以便物流公司在一些特定的约束条件下高效地服务于客户。其中,缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件,一般意义上,基本的车辆路径问题是指确认一组有效的多个旅行商问题(TSP)路线,即车辆从起点到目的地的,以服务给定的一组客户,并且每个客户应该只被一辆车访问一次。此外,由于单个路线可能超过允许的运输距离或者运输时间,因此物流车辆可能存在多种不同运输路线。因此,VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。
VRP由于约束条件或者目标的不同存在着多种变体,例如容量VRP(CVRP),多仓库VRP(MDVRP)和带时间窗的VRP(VRPTW)。此外,随着不同运输方式的发展,传统的道路运输模式已不再是唯一的物流运输解决方案,基于多式联运的物流运输方案已成为全球物流行业的重要工作模式,并且多式联运的应用被政府视为推动运营高效化和环保化的重要动力。与经典的VRP类似,多式联运VRP也是一个NP难的优化问题,同时被认为是一个复杂的组合优化问题,研究人员需要在运输成本和时间成本方面协调规划车辆路线和运输模式,因此在过去二十年中已经成为一个具有挑战性的研究课题。
精确算法被认为是解决这类物流运输车辆路径问题的最有效方法之一,解决了大型应用***中搜索算法的时空复杂度较大的问题。通过建立迭代矩阵和序列数矩阵提出了一种改进的Floyd算法,并成功地采用该算法来处理汽车导航***中的路径选择问题。而为了获得最佳路线,提出了基于概率变量邻域搜索的三步局部搜索算法,并将其用于车辆路径规划问题的求解中。而且提出了一种分支切割算法来解决商人库存路径问题,并运用经济目标函数分析了经济环境变化对车辆路径问题的运输平均利润造成的影响。还有为VRP开发了一种有效的稳健的分支切割和价格算法,在这个算法中路线通常与列相关联,这些列是容量化基本路线的松弛,这使得定价问题在假多项式时间内能够被解决。通常,这些精确算法适用于那些简单的VRP和路由规划,但是对于处理复杂的路由规划问题,精确算法的性能可能就无法满足计算要求了。
与精确算法相比,启发式算法,如禁忌搜索算法,模拟退火算法,蚁群算法,遗传算法,粒子群优化和差分进化算法由于强大的搜索能力,在大规模多重约束优化方面表现出优异的性能。例如,Brando提出了禁忌搜索算法,并利用三个过程来得出初始解,还为邻域定义了三个运算符:单个***,双***和交换。该算法还在搜索期间利用了强化和多样化的操作,故该方法能够获得更高质量的解决方案。而且还提出了一种结合了几种局部搜索技术的模拟退火算法(SA)来处理车辆路径问题(VRP)的变体,其中时间窗口是与每个客户服务相关联。之后提出了一种粒子群优化方法,采用自学习方法处理配送中心的车辆路径规划问题,该配送中心具有多个交叉对接处理多种产品。针对算法早熟收敛问题与降低基本蚁群算法(ACA)的计算成本。
而作为一种高效且功能强大的全局优化算法,差分进化算法(DifferentialEvolution Algorithm,DE)于1997年由Rainer Storn和Kenneth Price在遗传算法等进化思想的基础上提出的,本质是一种多目标(连续变量)优化算法(MOEAs),用于求解多维空间中整体最优解,且已成功应用于各种邻域,因为其性能优于其他优化算法。因此,搜索多式联运VRP问题的差分进化算子被认为是优化最佳路径的有效、可行的方案。
本申请为解决现有技术中在解决车辆路径问题(VRP)时,由于算法具有内在的并行性,适用于大规模并行分布处理时,可以减小时间成本开销,但算法后期个体之间的差异性减小,收敛速度减慢,易陷入局部最优,且没有利用个体的先验知识,可能较多的迭代次数才能收敛到全局最优的问题。基于以上原因,本申请提供了一种基于改进差分进化算法的车辆路径优化方法。
下面结合具体的实施例对本发明的一种方法作进一步的阐述。
如图1所示,本申请提供了一种方法,所述方法包括:
S1.构建道路和运输方式数学模型;所述道路和运输方式数学模型由初始化模块、变异模块、交叉模块、选择模块和搜索模块构成;
具体的,在本实施例中,道路和运输方式数学模型表示包括:
约束条件如下:
式中:p是所有运输站点的集合;s是运输模式的集合;表示站点i和站点j之
间距离;表示站点i和站点j之间使用运输方式k;表示在站点j上将运输方式k调
整为运输方式l;表示站点i和站点j之间在运输方式k下的运输时间;表示在站点j
上将运输方式k调整为运输方式l需要的时间;t是最长服务时间;表示站台i和站台j之
间在运输方式k下的运输成本;表示在站台上j上将运输方式k调整为运输方式l需要
的成本;Q是运输量;表示站点i和站点j之间在运输方式k下的运输量。
在实际应用场景中,初始化差分进化算法的种群的道路和运输方式模型,并初始化算法相关参数(例如,1->2->4->3;公路-铁路->空运->海运等)。其中,为了利用改进的差分进化算法优化多式联运VRP,VRP需要采用十进制代码编码。在该优化过程中采用两个分段编码的形式,DE个体的第一部分代表运输路径,其余部分是多模式运输类型。例如,如果共有8个运输点,在路径编码中,我们将[0,1,...,7]定义为传输点编号,并且0,7定义初始点和终点;在运输型编码中,[1,2,3,4]分别代表公路运输,铁路运输,船舶运输和航空运输。
所述初始化模块被配置为:初始化差分进化算法的参数和原始种群,并计算所述原始种群内每一个个体对应的适应度值;
具体的,在本实施例中,初始化差分进化算法的参数和原始种群采用下列公式:
所述变异模块被配置为:从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体;
具体的,在本实施例中,从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体采用下列公式:
在实际应用场景中,从当前的原始种群中选择五个不同的目标个体,,,和,需要注意的是,这些被挑选出的目标向量不能够重合。按照上述通过对的变异
操作计算出变异个体,通常情况下,过小会导致算法过早收敛,但是过大也会导
致减弱算法的局部最优解搜索能力。
所述交叉模块被配置为:将所述变异个体与目标个体进行交叉操作,得到实验个体,所述目标个体为目标数目和所述原始种群的乘积;
具体的,在本实施例中,将所述变异个体与目标个体进行交叉操作,得到实验个体采用下列公式:
在实际应用场景中,为了提高概率密度,变异操作之后通常采用交叉操作。
所述选择模块被配置为:比较所述实验个体与所述目标个体的适应度值,选取最优个体形成目标种群;
具体的,在本实施例中,比较所述实验个体与所述目标个体的适应度值的步骤还包括:根据贪婪算法比较所述实验个体与所述目标个体的适应度值。其中,根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式:
在实际应用场景中,进行选择操作的目的是决定将哪些个体保留到下一代以及将
多少个体复制到下一代。贪婪选择方案被应用在DE算法中,以确定新的个体和目标个体。如果优于,那么新个体将替换到下一代中的相应目标向量,否则目标个体保留
在目标种群中。因此,目标种群要么变得更好,要么在健康状态下保持不变,但永远不会产
生恶化。
所述搜索模块被配置为:将所述目标种群中的个体进行邻域搜索操作并进行迭代,直至迭代结束;
具体的,在本实施例中,将所述目标种群中的个体进行邻域搜索操作采用下列公式:
在实际应用场景中,通常,由于敏感的参数信息和弱局部搜索能力,差分进化算法的收敛性能可能会受到影响。受到蜜蜂群体觅食行为的启发,引入邻域搜索操作,根据以邻域搜索当前向量周围更好的潜在优秀解向量。
S2.采用道路和运输方式数学模型对多式联运车辆路径问题进行优化,输出最优解即最优路径。
在实际应用场景中,将遗传算法与本申请的方法进行比较,并且表1给出了遗传算法和差分进化算法的相应参数设置情况。
表1:差分进化算法和遗传算法的参数设置。
从A市到K市有一个10吨的运输任务,其中网络拓扑共包括11个城市。除了启动城市A和目的地城市K之外,该网络中有9个中转城市和数百个可选路线,该网络拓扑如图2所示。为了方便优化算法计算种群个体和染色体的适应度值,每个城市的运输成本和转移成本列于表2中,其中符号“-”表示列出的运输方式不可使用。
表2:多式联运模式运输开销。
通过将遗传算法与本申请的方法进行比较,我们可以容易地获得具有运输模式的最佳路线,即从A市到K市的最佳路线是A→B→F→J→K,相应的交通方式是从A市到B市到F市的铁路运输,从F市到J市到K市的船舶运输。此外,为了确认改进型差分进化算法的有效性与性能,本申请选择了标准遗传算法和标准差分进化算法进行对比,其迭代趋势的结果如图3所示。因此,改进型差分进化算法相比于遗传算法收敛速度更快并且经常能够计算处更加优秀的车辆路径规划方案;同时,相比于一般的差分进化算法,改进性差分进化算法没有过早收敛。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由本申请的权利要求指出。
Claims (8)
1.一种基于改进差分进化算法的车辆路径优化方法,其特征在于,所述方法包括:
初始化差分进化算法的参数和原始种群,并计算所述原始种群内每一个个体对应的适应度值;
从所述原始种群中根据所述适应度值选取个体进行变异操作,得到变异个体;
将所述变异个体与目标个体进行交叉操作,得到实验个体,所述目标个体为目标数目和所述原始种群的乘积;
比较所述实验个体与所述目标个体的适应度值,选取最优个体形成目标种群;
将所述目标种群中的个体进行邻域搜索操作并进行迭代,直至迭代结束,并生成迭代结果;
根据所述迭代结果对多式联运车辆路径问题进行优化,输出最优解即最优路径。
5.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法,其特征在于,比较所述实验个体与所述目标个体的适应度值的步骤还包括:
根据贪婪算法比较所述实验个体与所述目标个体的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438672.1A CN115511226A (zh) | 2022-11-17 | 2022-11-17 | 一种基于改进差分进化算法的车辆路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438672.1A CN115511226A (zh) | 2022-11-17 | 2022-11-17 | 一种基于改进差分进化算法的车辆路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511226A true CN115511226A (zh) | 2022-12-23 |
Family
ID=84514177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438672.1A Pending CN115511226A (zh) | 2022-11-17 | 2022-11-17 | 一种基于改进差分进化算法的车辆路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511226A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077981A (zh) * | 2023-10-16 | 2023-11-17 | 四川大学 | 融合邻域搜索变异和差分进化的停机位分配方法及装置 |
-
2022
- 2022-11-17 CN CN202211438672.1A patent/CN115511226A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077981A (zh) * | 2023-10-16 | 2023-11-17 | 四川大学 | 融合邻域搜索变异和差分进化的停机位分配方法及装置 |
CN117077981B (zh) * | 2023-10-16 | 2024-02-02 | 四川大学 | 融合邻域搜索变异和差分进化的停机位分配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764777B (zh) | 带时间窗的电动物流车调度方法和*** | |
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
Ma et al. | Distribution path robust optimization of electric vehicle with multiple distribution centers | |
CN111428931B (zh) | 物流配送线路规划方法、装置、设备及存储介质 | |
CN107944605A (zh) | 一种基于数据预测的动态交通路径规划方法 | |
John et al. | An improved multi-objective algorithm for the urban transit routing problem | |
CN106197455B (zh) | 一种城市交通路网实时动态多路口路径导航量子搜索方法 | |
CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
CN112712247A (zh) | 一种面向跨线运营的开行方案制定方法及*** | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
CN108597246A (zh) | 一种解决路径选择实时性问题以避免局部拥堵的方法 | |
CN115511226A (zh) | 一种基于改进差分进化算法的车辆路径优化方法 | |
Tomforde et al. | Possibilities and limitations of decentralised traffic control systems | |
CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及*** | |
CN111368149A (zh) | 网络化运营条件下基于图论的行程可达性计算和展示方法、计算机设备及存储介质 | |
Housroum et al. | A hybrid ga approach for solving the dynamic vehicle routing problem with time windows | |
Zavin et al. | Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data | |
CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及*** | |
Zhou et al. | A multi-objective optimization approach to package delivery by the crowd of occupied taxis | |
Sun et al. | Application of adaptive genetic algorithm for multimodal transportation logistics distribution routing problem | |
Xu et al. | Modeling and empirical analysis of regional hub-and-spoke road-rail combined transport network based on uncertain cost-time-demand | |
Lesiak et al. | Application of genetic algorithms in design of public transport network | |
Verbytskyi | Delivery routes optimization using machine learning algorithms | |
Kim et al. | Neural Coarsening Process for Multi-level Graph Combinatorial Optimization | |
Hai et al. | Research on vehicle routing problem based on real-time vehicle speed prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221223 |