084C用遗传算法解决车辆优化调度问题样本
(样本只提供该系统的基本情况介绍,若需要完整的设计和论文,建议您购买本系统,凡是购买本站系统的,本站均根据您的要求,把系统上的开发信息,题目等修改成符合您的要求)

 

本系统开发工具：C
本设计包含内容：源代码+毕业论文+开题报告+答辩稿
论文大概：
 
 

 

 

1 摘 要
近年来,物流作为“第三方利润的源泉”受到国内各行业的极大重视并得到了较大的发展。在高度发展的商业社会中,传统的VSP算法已无法满足顾客需求对物流配送提出的要求,于是时间窗的概念应运而生。带有时间窗的车辆优化调度问题是比VSP复杂程度更高的NP难题。
本文在研究物流配送车辆优化调度问题的基础上,对有时间窗的车辆优化调度问题进行了分析。并对所采用的遗传算法的基本理论做了论述。
对于有时间窗的非满载VSP问题,将货运量约束和软时间窗约束转化为目标约束,建立了非满载VSP模型,设计了基于自然数编码,使用最大保留交叉、改进的反转变异等技术的遗传算法。经实验分析,取得了较好的结果。由于此问题为小组成员共同研究,本文重点论述了本人完成的关于适应度函数和变异操作的部分。

关键词：物流配送 车辆优化调度 遗传算法 时间窗
 
2 Abstract
  Recent years, logistics, taken as "third profit resource”, has been developing rapidly. In the developed commercial society, traditional VSP algorithm have been unable to meet the requirement that Quick Response to customer demand had brought forth, then the conception of Time Window has come into being. The vehicle-scheduling problem with time window is also a NP-hard problem being more complicated than VSP.
  This text has been researched to the vehicle-scheduling problem with time window on the basis of researched to logistic vehicle scheduling problem. And it has explained the basic theory of genetic algorithm.
On the VSP with time window, while the restraints of capacity and time windows are changed into object restraints, a mathematic model is established. We use technique such as maximum preserved crossover and design genetic algorithm on nature number, which can deal with soft time windows through experimental analysis, have made better result. Because this problem was studied together for group members, this text has expounded the part about fitness function and mutation operator that I finished.

Key words: logistic distribution  vehicle scheduling problem  genetic algorithm   time windows
 
3 目 录
摘 要 I
Abstract II
目 录 III
引 言 1
第1章  概 述 2
1.1  研究背景 2
1.2  物流配送车辆优化调度的研究动态和水平 4
1.2.1  问题的提出 4
1.2.2  分类 5
1.2.3  基本问题与基本方法 6
1.2.4  算法 6
1.2.5  货运车辆优化调度问题的分类 8
1.3  研究的意义 9
1.4  研究的范围 10
第2章  有时间窗的车辆优化调度问题(VSPTW) 11
2.1  时间窗的定义 11
2.2  VSPTW问题的结构 13
第3章  遗传算法基本理论 14
3.1  遗传算法的基本原理 14
3.1.1  遗传算法的特点 14
3.1.2  遗传算法的基本步骤和处理流程 15
3.1.3  遗传算法的应用 16
3.2  编码 17
3.2.1  二进制编码 18
3.2.2  Gray编码 18
3.2.3  实数向量编码 18
3.2.4  排列编码 19
3.3  适应度函数 19
3.3.1  目标函数映射成适应度函数 19
3.3.2  适应度定标 20
3.4  遗传算法的基因操作 21
3.4.1  选择算子 21
3.4.2  交叉算子 22
3.4.3  变异算子 25
3.5  遗传算法控制参数设定 28
第4章  遗传算法求解有时间窗非满载VSP 30
4.1  问题描述 30
4.2  数学模型 31
4.2.1  一般VSP模型 31
4.2.2  有时间窗VSP模型 32
4.3  算法设计 33
4.3.1  算法流程图 33
4.3.2  染色体结构 33
4.3.3  约束处理 35
4.3.4  适应度函数 36
4.3.5  初始种群 36
4.3.6  遗传算子 36
4.3.7  控制参数和终止条件 37
4.4  算法实现 39
4.5  实验及结果分析 39
4.5.1  控制参数选定 39
4.5.2  实例实验 43
4.5.3  实例数据 44
4.5.4  实例数据分析 44
结 论 45
参考文献 47
谢 辞 48
 
4 引 言
随着市场经济的发展,大量经营规模较大的制造企业和商业企业纷纷建立起配送中心向商品流通效率化发起挑战,与此同时,相当部分的大型运输、仓储和航运企业开始转向第三方物流经营。此外,我国具有强大物流配送资源优势的邮政业更是在递送包裹的基础上为企业、商家和电子商务网站积极开展配送业务。物流配送开始在我国迅速兴起发展起来,对物流配送的研究引起了国内物流专家学者的广泛关注。
   目前国内采用遗传算法解决物流配送的车辆优化调度问题的研究还处在起步阶段。本文针对客户提出时间约束这一配送需求,对有时间窗的物流配送车辆优化调度问题（VSPTW）进行数学分析,研究探索性能更强的解决VSPTW的遗传算法。
   本文第1章研究目前物流配送车辆优化调度问题的研究动态和水平；第2章进一步研究有时间窗的物流配送车辆优化调度问题；第3章阐述和研究所采用遗传算法的基本理论；第4章详细论述如何采用遗传算法解决有时间窗的物流配送车辆优化调度问题并通过实验数据分析所采用改进的遗传算法的性能。
 
5 
6 第2章  有时间窗的车辆优化调度问题(VSPTW)
6.1 2.1  时间窗的定义
VSPTW问题是传统的车辆优化调度问题加上时间窗约束,时间窗约束可分为硬时间窗、软时间窗与混合型时间窗。三者分述如下：
1、硬时间窗(Hard Time Windows)：指配送车必须在特定时间区段(如图2-1中的 )内将货品送达顾客手中,不论是迟到或早到都完全不予接受。图2-1为一惩罚函数(Penalty Function)当货品送达时间超出 时,其惩罚值 等于一个非常大的正值,表示硬时间窗的限制。Desrochers (1988)曾指出硬时间窗宽度会影响寻优程序,并提出时间窗宽度评价指标,时间窗越宽则VSPTW问题越接近路线安排(Routing)问题,越窄则越近似行程安排(Scheduling)问题。
 
            图2-1  硬时间窗约束示意图
2、软时间窗(Soft Time Windows)：指配送车辆如果无法将货物在特定的时段(如图2-2的 )内送到顾客手中,则必须按照违反时间的长短施以一定的罚金或其它惩罚法则。图2-2就是一种可能的惩罚函数。
 
               图2-2  软时间窗约束示意图
3、混合型时间窗(Mixed Time Windows )：系统中有些顾客属于硬时间窗,有些则属于软时间窗；同一顾客,往往软、硬两种时间窗混合使用。在实际的物流配送中,配送车辆如果能在最佳时段(如图2-3中的 内将货物送到顾客处,则不处罚；若在图2-3中的（ 或 ）时段内才送达,则顾客的满意度降低(转化为惩罚函数),而且顾客不接受上述两个时段以外的时间 （ 或 ）收货。
 
       图2-3  混合型时间窗约束示意图
6.2 2.2  VSPTW问题的结构
时间窗约束的车辆优化调度问题是在传统的车辆优化调度问题的基础上再加入顾客的时间窗约束,所以该问题包含以下三项关键问题：
1、巡回(Routing)问题
一般车辆优化调度问题中的配送车辆由配送中心出发后,必须完成其所指派客户的配送,然后回到配送中心。所以对每一部车辆来说,是一个旅行商问题(TSP)。
2、装载(Loading)问题
因为每一配送车辆都有规定负荷的载重量限制,所以在TSP问题中加入配送车辆的装载量限制,此时的问题成为一般车辆优化调度问题。
3、行程安排(Scheduling)问题
一般车辆优化调度问题再加入时间窗约束,则必须考虑到达各顾客的先后顺序,也就是行程安排问题。
有时间窗约束的车辆优化调度问题可以用图2-4表示：
 
图 2-4   VSPTW问题的结构
7 第3章  遗传算法基本理论
7.1 3.1  遗传算法的基本原理
遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,它由美国Holland教授首先在《自然结合人工智能系统的适应性》一书中提出,是利用生物进化的特性所发展的方法,由一群群体(Population)以随机配对产生下一代,利用交叉(Crossover)及变异(Mutation)等操作进行基因的进化,并经由选择(Selection)机能决定下一代相对的个数,使适应度越大的解存活的机会越大；也就是“适者生存”的原则来选择随机的值域,最后留下的就是最优解。
7.1.1 3.1.1  遗传算法的特点
同传统的寻优算法相比,遗传算法具有以下特点：
    1、算法对问题参数的代码集起作用,而不是对参数本身起作用。遗传算法处理的对象是染色体,因而要求把所要优化问题的基本参数转化成一定长度的有限符号的染色体。
    2、遗传算法是从初始群体开始搜索的,而不是从单点开始搜索的。许多传统优化方法都是从搜索空间的单点出发,通过某些转换规则确定下一点。这种点到点的搜索方法在多峰值优化问题中,容易误入局部最优解。遗传算法是以点集开始的寻优过程,初始群体是随机地在搜索空间中选取的,覆盖面大,利于全局寻优。
3、遗传算法在求解时只使用适应度函数的信息,而不使用导数及其他辅助信息。对于不同类型的优化问题,传统方法需要使用不同形式的辅助信息,没有一种优化方法能适应各类问题的要求。遗传算法在优化过程中,放弃使用这些辅助信息,具有广泛适应性。
4、算法具有极强的容错能力。遗传算法的初始种群本身就带有大量与最优解甚远的信息,通过选择、交叉、变异操作能迅速排除与最优解相差极大的染色体。
5、算法具有隐含的并行性。Goldeberg对GA的处理并行性进行了合理的分析,指出了GA对模式的处理效率是 ,Holland称之为GA的“隐式并行性”［５］。
    6、遗传算法中的选择、交叉、和变异都是随机操作,而不是确定的精确规则。复制体现了向最优解的逼近,交叉体现了最优解的产生,变异体现了全局最优解的覆盖。
与传统方法相比,遗传算法的优越性主要表现在：首先,在遗传算子的作用下,遗传算法具有很强的搜索能力,能以很大的概率找到问题的全局最优解：其次,由于它固有的并行性,能有效地处理大规模的优化问题。

7.1.2 3.1