內容簡介
《物流配送的車輛路徑最佳化方法》是作者近年來在車輛路徑問題領域的研究成果，特別是作者承擔的國家自然科學基金項目“面向物流配送的動態車輛調度模型與混合量子進化算法”、浙江省重大科技攻關項目“第三方物流智慧型信息協作平台及其套用示範”、浙江省科技計畫項目“面向物流配送服務的智慧型最佳化關鍵技術與平台建設”、浙江省教育廳項目“面向物流配送的動態車輛調度問題建模及量子進化算法最佳化”的有關研究成果的總結。《物流配送的車輛路徑最佳化方法》內容系統全面，覆蓋車輛調度問題目前的研究熱點，由淺入深，先研究物流配送車輛調度的靜態問題，後研究動態問題，在此基礎上研究隨機問題，符合科學研究的規律。
圖書目錄
前言
第1章 緒論
1.1 引言
1.2 物流配送VRP概述
1.2.1 VRP定義
1.2.2 VRP組成要素分析
1.3 VRP研究現狀
1.3.1 VRP模型綜述
1.3.2 VRP算法綜述
參考文獻
第2章 CVRP的智慧型最佳化算法
2.1 引言
2.2 CVRP的數學模型
2.3 CVRP的粒子群算法研究
2.3.1 粒子群算法的原理與研究進展
2.3.2 粒子群算法求解VRP的過程
2.3.3 算法複雜度分析
2.3.4 實驗及分析
2.4 CVRP的實數編碼粒子群算法研究
2.4.1 實數編碼粒子群算法
2.4.2 算法過程
2.4.3 算法複雜度分析
2.4.4 實驗及分析
2.5 CVRP的雙種群遺傳算法研究
2.5.1 雙種群遺傳算法的原理
2.5.2 算法求解的過程
2.5.3 算法複雜度分析
2.5.4 實驗及分析
2.6 CVRP的人工魚群算法研究
2.6.1 人工魚群算法的原理
2.6.2 人工魚群算法求解CVRP的過程
2.6.3 算法複雜度分析
2.6.4 實驗及分析
2.7 CVRP的量子進化算法研究
2.7.1 量子進化算法基本原理
2.7.2 量子進化算法求解CVRP的過程
2.7.3 量子進化算法複雜度分析
2.7.4 實驗結果及分析
2.8 幾種算法的分析對比
參考文獻
第3章 OVRP的智慧型最佳化算法
3.1 引言
3.2 OVRP的數學模型
3.3 粒子群算法在OVRP中的套用
3.3.1 算法的求解過程
3.3.2 算法複雜度分析
3.3.3 實驗及分析
3.4 量子進化算法在OVRP中的套用
3.4.1 最子進化算法求解OVRP的過程
3.4.2 量子進化算法複雜度分析
3.4.3 實驗結果及分析
3.5 基於客戶滿意度的OVRP的數學模型
3.5.1 模糊時間視窗
3.5.2 數學模型
3.6 粒子群算法求解過程
3.6.1 客戶插入可行性分析
3.6.2 改進的最近鄰啟發式算法
3.6.3 改進的最廉價插入法
3.6.4 粒子群算法的流程
3.6.5 算法複雜度分析
3.6.6 實驗分析
參考文獻
第4章 VROTW的智慧型最佳化算法
4.1 引言
4.2 VRPTW問題
4.2.1 時間窗
4.2.2 VRPTW問題的數學模型
4.3 蟻群算法求解VRPTW問題
4.3.1 蟻群算法
4.3.2 解構造
4.3.3 信息素更新
4.3.4 算法參數
4.3.5 ACS算法行為及局部搜尋
4.3.6 仿真結果
4.4 PDPTW問題
4.4.1 PDPTW的數學模型
4.4.2 模型轉化
4.5 蟻群系統求解PDPTW問題
4.5.1 解構造過程
4.5.2 信息素更新
4.5.3 局部搜尋
4.5.4 算法框架描述
4.5.5 仿真結果
4.6 帶模糊旅行時間的VRP問題
4.6.1 模糊理論基本知識
4.6.2 問題數學模型
4.7 雙蟻群系統求解帶模糊旅行時間的VRP問題
4.7.1 MACS—VRPIW問題
4.7.2 算法流程
4.7.3 仿真結果
參考文獻
第5章 動態需求VRP模型及其智慧型最佳化算法
5.1 引言
5.1.1 動態需求VRP的構成要素及分類
5.1.2 動態需求VRP的求解策略及現有算法
5.2 動態需求HFVRP的數學規劃模型
5.2.1 問題描述
5.2.2 數學模型的建立
5.2.3 多車型分配策略
5.3 動態需求HFVRP的混合量子進化算法求解
5.3.1 問題的求解策略
5.3.2 混合量子進化算法求解動態需求HFVRP問題
5.3.3 混合量子進化算法的計算複雜性分析
5.3.4 量子進化算法收斂性證明
5.3.5 實驗結果與分析
5.4 動態需求多配送中心VRP數學規劃模型
5.4.1 沿途補貨策略
5.4.2 數學規劃模型
5.5 動態需求多配送中心VRP的自適應免疫量子進化算法求解
5.5.1 自適應免疫量子進化算法
5.5.2 自適應免疫量子進化算法複雜度分析
5.5.3 實驗結果與分析
5.6 基於客戶滿意度的多目標動態需求VRP的數學規劃模型
5.6.1 模糊時間窗
5.6.2 數學規劃模型
5.7 基於客戶滿意度的動態需求VRP的多目標量子進化算法求解
5.7.1 多目標最佳化問題
5.7.2 多目標量子進化算法設計
5.7.3 算法複雜度分析
5.7.4 實驗分析
參考文獻
第6章 動態網路VRP的智慧型最佳化算法
6.1 引言
6.1.1 動態網路VRP的定義及特徵
6.1.2 動態網路VRP的分類
6.2 動態網路VRP的數學規劃模型
6.2.1 時間依賴函式
6.2.2 數學規劃模型
6.3 自適應慣性權重調整粒子群算法在動態網路VRP中的套用
6.3.1 粒子群算法慣性權重調整方法
6.3.2 自適應慣性權重調整粒子群算法
6.3.3 算法求解過程
6.3.4 算法複雜度分析
6.3.5 實驗及分析
6.4 量子進化算法在動態網路VRP中的套用
6.4.1 量子進化算法求解動態網路VRP的過程
6.4.2 實驗結果及分析
參考文獻
第7章 隨機VRP模型及其智慧型最佳化算法
7.1 引言
7.1.1 SVRP的分類
7.1.2 隨機VRP的特點
7.1.3 隨機VRP的求解策略
7.2 帶軟時間窗的隨機VRP問題描述及數學模型
7.2.1 問題描述
7.2.2 數學模型
7.3 蟻群算法求解帶軟時間窗隨機VRP問題
7.3.1 蟻群算法的求解過程
7.3.2 實驗結果及分析
7.4 多目標隨機VRP問題最佳化
7.4.1 問題描述
7.4.2 數學模型
7.5 多目標混合粒子群算法求解
7.5.1 多目標最佳化問題概述
7.5.2 改進算法
7.5.3 基於自適應格線解的多樣性保持方法
7.5.4 算法主要步驟
7.5.5 實驗仿真
7.6 動態隨機需求VRP的基於補償策略的隨機規劃模型
7.6.1 問題描述
7.6.2 預最佳化階段模型
7.6.3 實時最佳化階段模型
7.7 動態隨機需求VRP求解
7.7.1 實例測試
7.7.2 最佳化性能實驗及分析
7.7.3 算法的比較分析
參考文獻
第8章 智慧型車輛調度系統及動態車輛調度仿真平台的實現
8.1 智慧型車輛調度系統的工程背景及開發意義
8.2 智慧型車輛調度系統的平台和框架
8.2.1 系統的開發平台
8.2.2 系統的總體框架
8.3 智慧型車輛調度系統各功能的實現
8.3.1 承運單管理
8.3.2 回單管理
8.3.3 調度基礎信息管理
8.3.4 報表管理
8.3.5 智慧型算法調度
8.4 系統套用實例
8.5 動態車輛調度仿真平台的框架
8.5.1 仿真環境
8.5.2 總體框架
8.6 動態車輛調度仿真平台各功能的實現
8.6.1 實驗仿真平台
8.6.2 實例套用
參考文獻
