第1章 绪论 1
1.1引言 1
1.2物流配送VRP概述 2
1.2.1 VRP定义 2
1.2.2 VRP组成要素分析 3
1.3 VRP研究现状 4
1.3.1 VRP模型综述 4
1.3.2 VRP算法综述 10
参考文献 15
第2章 CVRP的智能优化算法 23
2.1引言 23
2.2 CVRP的数学模型 23
2.3 CVRP的粒子群算法研究 24
2.3.1粒子群算法的原理与研究进展 24
2.3.2粒子群算法求解VRP的过程 28
2.3.3算法复杂度分析 30
2.3.4实验及分析 31
2.4 CVRP的实数编码粒子群算法研究 33
2.4.1实数编码粒子群算法 33
2.4.2算法过程 34
2.4.3算法复杂度分析 36
2.4.4实验及分析 37
2.5 CVRP的双种群遗传算法研究 41
2.5.1双种群遗传算法的原理 41
2.5.2算法求解的过程 42
2.5.3算法复杂度分析 44
2.5.4实验及分析 45
2.6 CVRP的人工鱼群算法研究 46
2.6.1人工鱼群算法的原理 46
2.6.2人工鱼群算法求解CVRP的过程 48
2.6.3算法复杂度分析 51
2.6.4实验及分析 52
2.7 CVRP的量子进化算法研究 55
2.7.1量子进化算法基本原理 55
2.7.2量子进化算法求解CVRP的过程 56
2.7.3量子进化算法复杂度分析 59
2.7.4实验结果及分析 59
2.8几种算法的分析对比 61
参考文献 62
第3章 OVRP的智能优化算法 68
3.1引言 68
3.2 OVRP的数学模型 69
3.3粒子群算法在OVRP中的应用 70
3.3.1算法的求解过程 70
3.3.2算法复杂度分析 72
3.3.3实验及分析 73
3.4量子进化算法在OVRP中的应用 76
3.4.1量子进化算法求解OVRP的过程 76
3.4.2量子进化算法复杂度分析 77
3.4.3实验结果及分析 78
3.5基于客户满意度的OVRP的数学模型 82
3.5.1模糊时间窗口 83
3.5.2数学模型 84
3.6粒子群算法求解过程 86
3.6.1客户插入可行性分析 86
3.6.2改进的最近邻启发式算法 86
3.6.3改进的最廉价插入法 87
3.6.4粒子群算法的流程 88
3.6.5算法复杂度分析 89
3.6.6实验分析 90
参考文献 95
第4章 VRPTW的智能优化算法 97
4.1引言 97
4.2 VRPTW问题 98
4.2.1时间窗 98
4.2.2 VRPTW问题的数学模型 98
4.3蚁群算法求解VRPTW问题 100
4.3.1蚁群算法 100
4.3.2解构造 102
4.3.3信息素更新 103
4.3.4算法参数 103
4.3.5 ACS算法行为及局部搜索 108
4.3.6仿真结果 114
4.4 PDPTW问题 115
4.4.1 PDPTW的数学模型 115
4.4.2模型转化 116
4.5蚁群系统求解PDPTW问题 118
4.5.1解构造过程 118
4.5.2信息素更新 120
4.5.3局部搜索 121
4.5.4算法框架描述 122
4.5.5仿真结果 122
4.6带模糊旅行时间的VRP问题 124
4.6.1模糊理论基本知识 124
4.6.2问题数学模型 127
4.7双蚁群系统求解带模糊旅行时间的VRP问题 127
4.7.1 MACS-VRPTW问题 127
4.7.2算法流程 128
4.7.3仿真结果 128
参考文献 130
第5章 动态需求VRP模型及其智能优化算法 133
5.1引言 133
5.1.1动态需求VRP的构成要素及分类 134
5.1.2动态需求VRP的求解策略及现有算法 135
5.2动态需求HFVRP的数学规划模型 136
5.2.1问题描述 137
5.2.2数学模型的建立 138
5.2.3多车型分配策略 140
5.3动态需求HFVRP的混合量子进化算法求解 141
5.3.1问题的求解策略 141
5.3.2混合量子进化算法求解动态需求HFVRP问题 142
5.3.3混合量子进化算法的计算复杂性分析 144
5.3.4量子进化算法收敛性证明 145
5.3.5实验结果与分析 146
5.4动态需求多配送中心VRP数学规划模型 152
5.4.1沿途补货策略 153
5.4.2数学规划模型 154
5.5动态需求多配送中心VRP的自适应免疫量子进化算法求解 157
5.5.1自适应免疫量子进化算法 157
5.5.2自适应免疫量子进化算法复杂度分析 160
5.5.3实验结果与分析 161
5.6基于客户满意度的多目标动态需求VRP的数学规划模型 170
5.6.1模糊时间窗 171
5.6.2数学规划模型 171
5.7基于客户满意度的动态需求VRP的多目标量子进化算法求解 175
5.7.1多目标优化问题 175
5.7.2多目标量子进化算法设计 176
5.7.3算法复杂度分析 179
5.7.4实验分析 180
参考文献 186
第6章 动态网络VRP的智能优化算法 189
6.1引言 189
6.1.1动态网络VRP的定义及特征 190
6.1.2动态网络VRP的分类 191
6.2动态网络VRP的数学规划模型 193
6.2.1时间依赖函数 193
6.2.2数学规划模型 195
6.3自适应惯性权重调整粒子群算法在动态网络VRP中的应用 196
6.3.1粒子群算法惯性权重调整方法 196
6.3.2自适应惯性权重调整粒子群算法 198
6.3.3算法求解过程 199
6.3.4算法复杂度分析 201
6.3.5实验及分析 202
6.4量子进化算法在动态网络VRP中的应用 208
6.4.1量子进化算法求解动态网络VRP的过程 208
6.4.2实验结果及分析 209
参考文献 210
第7章 随机VRP模型及其智能优化算法 212
7.1引言 212
7.1.1 SVRP的分类 212
7.1.2随机VRP的特点 213
7.1.3随机VRP的求解策略 214
7.2带软时间窗的随机VRP问题描述及数学模型 215
7.2.1问题描述 215
7.2.2数学模型 216
7.3蚁群算法求解带软时间窗随机VRP问题 217
7.3.1蚁群算法的求解过程 217
7.3.2实验结果及分析 219
7.4多目标随机VRP问题优化 221
7.4.1问题描述 221
7.4.2数学模型 222
7.5多目标混合粒子群算法求解 224
7.5.1多目标优化问题概述 224
7.5.2改进算法 225
7.5.3基于自适应网格解的多样性保持方法 227
7.5.4算法主要步骤 227
7.5.5实验仿真 228
7.6动态随机需求VRP的基于补偿策略的随机规划模型 234
7.6.1问题描述 235
7.6.2预优化阶段模型 236
7.6.3实时优化阶段模型 238
7.7动态随机需求VRP求解 240
7.7.1实例测试 240
7.7.2优化性能实验及分析 243
7.7.3算法的比较分析 247
参考文献 247
第8章 智能车辆调度系统及动态车辆调度仿真平台的实现 250
8.1智能车辆调度系统的工程背景及开发意义 250
8.2智能车辆调度系统的平台和框架 251
8.2.1系统的开发平台 251
8.2.2系统的总体框架 251
8.3智能车辆调度系统各功能的实现 253
8.3.1承运单管理 253
8.3.2回单管理 253
8.3.3调度基础信息管理 254
8.3.4报表管理 256
8.3.5智能算法调度 256
8.4系统应用实例 259
8.5动态车辆调度仿真平台的框架 261
8.5.1仿真环境 261
8.5.2总体框架 262
8.6动态车辆调度仿真平台各功能的实现 263
8.6.1实验仿真平台 263
8.6.2实例应用 264
参考文献 271