一、启发式方法确定最短配送路径（论文文献综述）
黄纪凯[1]（2021）在《全渠道模式前置仓选址与配送路径优化》文中研究指明电子商务是我国第三产业的重要组成部分,其快速发展对新冠肺炎疫情期间国内经济的发展发挥了巨大促进作用。消费需求的不断升级与市场竞争的加剧推动电商前置仓从仓储型转化到全渠道模式。全渠道模式前置仓的高速发展重塑了电商末端配送网络。因此,研究全渠道模式前置仓选址与配送路径优化问题具有现实意义。不仅可以大力推动全渠道模式前置仓业务由高速向高质量转型,亦可有效满足消费者不断升级的需求以及日益加剧的市场竞争环境,进而促进电商零售企业向高质量发展的转变。本文综合采用系统动力学、多目标规划、分布式鲁棒优化、整数规划方法,基于调研和相关文献研究,通过定性与定量相结合的方式,从商业运营的角度出发研究前置仓运营模式的特征,从全渠道模式前置仓配送网络设计的角度出发研究前置仓选址和配送路径规划,从全渠道模式前置仓配送网络优化的角度出发研究选址-路径集成优化。（1）基于系统动学的前置仓运营模式仿真分析。首先,本文界定了全渠道模式前置仓的运营模式、特性及问题。其次,从全渠道模式和仓储模式前置仓运营模式视角出发,构建系统动力学模型,结合实证企业的案例数据,使用VENSIM软件对前置仓的运营模式进行仿真分析。结果表明,全渠道模式前置仓在消费者、订单量、营业收入、服务能力方面均优于仓储模式前置仓,而在总成本方面高于仓储模式前置仓。因此,降低全渠道模式前置仓总成本成为优化全渠道模式前置仓选址与配送路径规划的首要目标。（2）全渠道模式前置仓选址与能力设计联合优化。基于消费画像对确定性需求的刻画,本文不仅考虑配送服务,还结合全渠道模式的特点引入到店购方式,综合考虑前置仓容量限制、总成本、到店购时间、配送时间等要素,利用多目标优化方法构建了分别以总成本最小和服务时间最小的双目标规划模型。通过分析模型结构特点,设计基于精英策略的多目标模拟退火算法。应用MATLAB软件,使用实证企业脱敏的案例数据验证了模型的正确性和算法的有效性。结果表明,增加前置仓选址数量和模型考虑配送和到店购的方式会提高帕累托最优解的数量,增加选址方案组合。帕累托最优解数量受前置仓配送能力降低影响明显且选址方案组合提高较少。（3）全渠道模式前置仓车辆路径分布式鲁棒优化。基于需求参数及其分布的双重不确定性,综合全渠道模式前置仓的特点:配送、到店购或自提的方式、到店购客户的成本、配送成本、车辆固定成本,构建最坏情形下期望总成本和条件风险值（CVa R）最小的分布式鲁棒优化模型。由于模型属于半正定规划问题,所以构造盒子非精确集,推导等价可求解形式。利用实证企业案例数据,应用CPLEX软件对等价模型进行求解,通过与随机规划模型对比分析验证模型的有效性。结果表明,分布式鲁棒方法比随机规划方法具有更好的稳定性,并且可提供更多种鲁棒的配送服务策略。（4）全渠道模式前置仓选址-路径集成优化。在全渠道模式的背景下,前置仓不仅提供配送服务,还引入到店购的全渠道模式特点,综合考虑前置仓建设成本、车辆使用的固定成本、区域仓至前置仓的干线运输成本、前置仓至客户的配送成本等要素,利用整数规划的方法,构建总成本最小的全渠道模式前置仓选址-路径优化模型。应用JAVA语言实现了改进后的遗传算法设计,结合实证企业的案例数据对模型进行了求解和验证。结果表明,设置适当的最大配送距离和优化配送车辆的性能有助于企业总成本的控制。图51幅,表35个,参考文献178篇。
李凯[2]（2021）在《基于GIS的钻井事故应急物资配送路径规划研究与实现》文中研究表明石油钻井作业充满未知性与复杂性,会引发各种各样的钻井事故,当钻井事故无法避免或者已经发生时,为了最大程度地降低财产损失和人员伤亡,应及时采取有效的应急救援工作以防止事故进一步恶化,而合理选择应急物资配送路径是及时有效展开应急救援工作的重要保障。因此,本文研究应急物资配送路径规划方法,并将规划的最优路径利用GIS技术在地图上进行可视化,对钻井事故应急救援有着重要意义。本文从钻井事故应急救援的实际需求出发,研究并实现了一个基于GIS的钻井事故应急物资路径配送规划系统。首先,针对路径规划系统的实际需求进行了调研,了解常用的路径规划算法,以及路径规划的基本流程等,对系统的总体架构、功能模块和数据库进行了设计。其次,对基本蚁群算法进行了改进,利用层次分析法设立路径权重,对状态转移概率进行改进,将影响配送时间的外界因素如道路状况、交通状况、天气情况等综合考虑到蚁群算法当中,提高了算法的实用性。然后,以救援物资配送总时间最少为目标函数,车辆载重和事故点物资需求量等为约束条件,使用当量长度代替实际路径长度,利用改进的蚁群算法,建立基于GIS的应急物资配送路径规划模型。为了验证所构建模型的有效性,进行了仿真实验,结果表明,本文构建的模型可以根据实际路况权重矩阵规划出更合理的应急物资配送路径。最后,根据钻井井场分布,借助Arc GIS软件,建立了油田钻井环境的真实路网模型。在此基础上,结合Web GIS技术,利用Java语言实现了基于GIS的钻井事故应急物资配送路径规划系统。本系统主要包括数据管理、地图管理和路径规划等功能模块,针对不同的事故井场分布以及每个事故井场的应急物资需求量,该系统可以实时规划出应急物资配送的最优路径,并将结果直观地展示在地图上,这便于应急救援人员查看,提高了钻井事故应急救援的效率。
徐光灿[3]（2021）在《城市交通能源供应网络优化研究》文中认为交通能源供应网络是交通运输系统的重要组成部分,其为保障交通运行和城市运转提供了坚实基础。其中,成品油供给在交通能源供应网络中占主导地位,从某种程度上说,成品油供给系统的运作效率决定了交通运输系统的运行效率。当前,成品油供给系统存在资源配置不合理、运作效率低下、服务质量亟待提升等问题,政府相关部门和成品油经营企业急需找到优化成品油供给系统运作、提升成品油供给网络服务质量的方法和路径。因此,本论文的选题具有重要的理论意义和实践意义。成品油供给系统可分为成品油二次配送和成品油终端服务两个阶段,这两个阶段既有相对的独立性又有密切的关联。当前对成品油供给系统相关问题的研究多集中在单一油库向加油站配送成品油及单一加油站服务优化等问题,而缺乏从区域成品油供给资源配置和加油站服务网络优化等方面进行研究。为此本文试图从区域成品油供给系统的角度出发,研究多油库供给网络中的合作配送优化问题,多油库合作配送车辆路径资源配置优化问题,多油库合作配送的合作机制与收益分配问题和加油站服务网络优化问题,进而为区域成品油供给系统资源配置优化和管理决策提供理论和技术支撑。本文的主要研究工作和成果如下:（1）分析研究多油库成品油供给共同配送网络优化问题。首先根据聚类算法把区域内的加油站进行了重新划分,从而重新界定了每个油库服务的加油站集合;然后,以区域多油库成品油供给网络总运作成本最小为目标函数,建立优化数学模型;再次,结合GA和PSO算法各自的优点,提出GA-PSO混合启发式算法来求解所提优化数学模型;最后,以中国重庆的区域成品油供给系统为例,对比分析了优化前后的系统运作总成本、配送车辆使用数等指标,验证了上述优化模型及其算法的有效性,从而为多油库成品油合作共同配送的网络优化问题提供了一种有效的研究方法。（2）研究多油库成品油共同配送车辆路径问题的资源优化配置。同样,首先对不同油库所负责配送的加油站进行了重新的聚类,即每个油库形成了新的客户群;然后,基于多舱车辆共享、时间窗协调和车辆路径优化等机制,以系统运作总成本最低和使用配送车辆数最少为目标函数,建立了多油库成品油共同配送车辆路径的双目标混合整数规划模型;接着设计了考虑遗传变异的多目标粒子群算法来求解所提优化数学模型;最后,通过一个小规模案例和一个大型实例来验证所提优化模型及算法在解决多油库成品油共同配送车辆路径问题时的有效性和合理性。（3）研究多油库成品油供给共同配送网络中的合作机制与收益分配问题。首先介绍了常用的几种收益分配方法及严格单调路径策略;接着,提出了考虑参与合作主体业务量、投资额和风险量等因素的Shapley值修正模型来决定成品油共同配送中的收益分配;最后,以多油库成品油供给共同配送网络优化问题为基础,应用Shapley值方法和SMP策略来分析多油库成品油合作供给系统的利益分配和各油库的最佳入盟序列。成品油供给系统多主体合作机制与收益分配方法为区域合作联盟的形成和联盟的稳定性提供了理论支撑,其也是多油库成品油合作供给在实践中应用的前提和基础。（4）研究加油站网络补能车辆排队优化。首先,介绍排队理论,分析排队的基本特征及在相关领域的应用;然后,分有信息引导和无信息引导两种情况,将排队论用于分别由两个M/M/1/2、M/M/1/3、M/M/2/3组成的典型加油站布局系统的补能车辆排队分析,并从数学上严格证明了两种情况下排队系统的不同性态指标;最后,通过数值计算,直观比较有信息引导和无信息引导两种状况下相关排队指标值变化的情况,并将排队系统扩展到两个M/M/1/4、M/M/2/4组成的加油站服务网络,通过数值模拟,验证结果的一致性。上述研究一方面为政府相关部门和成品油经营企业优化交通能源供应网络运作效率,提升成品油供给服务质量提供有益参考建议,另一方面进一步丰富和发展了交通能源供应链相关理论与方法体系,具有重要的理论和实践意义。
王雪兵[4]（2021）在《基于遗传算法的Y物流公司配送路径优化研究》文中研究指明随着经济的发展,人们生活水平的提高,物流配送服务的需求逐渐多样化,对配送服务的效率、时间准确性等有更高的要求。配送业务是物流企业的重要业务,配送业务的成本占总成本的主要部分。在企业物流配送的管理工作中,配送路径优化是很重要的问题。科学合理的规划车辆的配送路径,能够减少企业的配送成本、增加车辆装载量、提高客户的满意度,增加物流企业的利润和行业竞争力。本文以Y物流公司为研究对象,Y物流公司是以提供配送服务作为公司的主要业务,但是在配送的过程中存在着一些问题。根据公司配送的实际情况,对配送线路进行科学合理的优化,能够有效解决Y物流公司在配送过程的问题。本文以车辆路径问题的相关理论文献为指导,结合Y物流公司配送的实际情况,发现存在的问题是配送成本高、车辆的装载率低、配送服务水平低,分析产生问题的原因主要为配送计划时间不合理和路径规划缺乏科学方法。根据Y物流公司的配送情况,构建带软时间窗的车辆路径优化问题模型,以配送成本和违反时间窗产生的成本最小为目标,以车辆装载容量、客户服务的时间窗、客户的需求量等为约束条件,采用遗传算法对构建模型进行求解,并使用matlab作为遗传算法实现的工具。最后对Y物流公司的配送路径进行优化,首先分析了遗传算法的选择、交叉和变异算子对求解最优解的影响,得到使用遗传算法能够快速高效的求得模型的最优解;其次对路径优化前和优化后的结果进行对比分析,其中配送总成本下降了39%,需要使用的车辆减少了7辆,车辆的装载率提高了49%,配送车辆的行驶的总里程减少了41%,配送的时间减少了38%,使用遗传算法求解的最优解能够有效的减少配送成本、增加配送车辆的装载率、减少车辆行驶路程,提高Y物流公司的服务水平和客户的满意度。通过对Y物流公司车辆路径优化问题的研究,说明对Y物流公司和相同类型的公司具有一定借鉴意义。
张光亮[5]（2021）在《考虑卡车搭载无人机的农村末端快递配送路径规划研究》文中研究说明近年来,我国农村地区快递业务量连年攀升。但在我国广袤的农村地区,末端配送体系不完善一直制约着农村快递的发展。特别是在地形复杂、基础道路建设差的偏远山区,传统卡车配送模式已经难以解决农村末端配送难题。无人机的出现给末端配送难题提供了新的解决方案,无人机配送以成本低、速度快、效率高等优势逐渐成为末端快递配送的重要载体,但在实际应用中,由于无人机续航及载重能力有限,只采用无人机单独配送经济效益较低。因此,本文在农村末端快递配送网络的设计中,采用卡车搭载无人机协同配送,即使用一辆卡车搭载多架无人机向一组农村客户地点进行快递配送,实现更高效的快递交付服务。本文在对国内外研究现状归纳的基础上,分析了卡车搭载无人机协同配送的可行性,并结合农村快递配送现状构建了卡车搭载无人机的末端配送网络与流程。具体配送流程为:卡车搭载无人机从配送中心出发,按规划好的行车路线到达第一个卡车停靠点,采用无人机对停靠点集群内的客户进行配送,所有无人机完成配送后返回到出发地的停靠点,由卡车搭载无人机前往下一个停靠点进行配送,直至完成所有快递配送返回配送中心。本文以S物流集团在山东沂蒙老区-蒙阴县的农村快递配送为案例背景,考虑到企业的经济效益,以总交付成本最低为优化目标,建立了0-1整数规划模型,并针对问题特点设计了两阶段算法进行求解。首先利用K-means聚类对一组客户进行聚类,确定卡车停靠点,然后采用遗传算法对两种不同聚类策略下的VRP问题进行求解,确定卡车的最优行车路线。在此考虑两种不同的选择卡车停靠点的策略,第一种是将卡车停靠点限制在客户位置上,第二种是允许卡车停靠点出现在交付区域的任意位置。案例分析结果表明,相较于传统的卡车配送模式,两种不同聚类策略下的卡车搭载无人机协同配送模式均能有效降低总交付成本与总交付时间,这验证了卡车搭载无人机协同配送的有效性。最后通过对初始K值数量、无人机最大飞行距离进行敏感性分析,得出最优配送方案帮助S物流集团进行决策规划。图15幅,表18个,参考文献60篇
尹艺珂[6]（2021）在《城市物流配送路径优化算法研究与应用》文中研究说明随着全球电子商务的飞速发展,物流行业规模也逐步扩大。然而,配送成本居高不下、车辆调度不合理及客户满意度较低等问题在一定程度上制约了物流运输业的可持续发展。为此,本文对车辆路径问题进行了优化和改进,实现了物流运输合理化,达到减少运输环节成本,提高物流企业经济效益的目的。针对城市物流配送路径问题,结合时间窗函数对成本的影响,构建了以总运输成本最低为优化目标的车辆路径优化模型。在模型的应用中,提出了改进的遗传算法和蚁群优化算法。改进的遗传算法利用交叉、变异概率自适应调整策略增强了算法的全局搜索能力;改进的蚁群优化通过对核心参数的动态调整提升了算法的适用性。在此基础上,设计了一种融合改进的遗传算法和蚁群优化的路径优化算法。其基本思想是运用遗传算法种群多样性和快速搜索的优势,通过编码、交叉和变异等过程生成初始解,进而作为蚁群优化的初始信息素浓度,弥补了蚁群优化初始时刻信息素匮乏的问题。结合蚁群优化正反馈特性和收敛速度快的优势,有效提高了融合算法的收敛速度和寻优能力。实验结果表明,将所提出的融合算法应用到企业物流的实际配送场景,使带时间窗的车辆配送路径优化模型获得了最优的物流配送方案,为实现物流企业对配送车辆的科学调度提供支持。
郭金凤[7]（2021）在《基于最小订单拆分原则的配送路径优化研究》文中指出随着人们生活水平的提高,顾客需求日益多样化,以及电子商务的迅猛发展,顾客越来越倾向于网上购物,订单量大大增加,线上订单已占据全渠道订单的绝大部分市场份额,加之仓库布货无规律、存储的商品种类比较单一、单品商品数量较少,单仓往往不能满足顾客订单品类多或订单单品数量庞大（“一单多品”或“一单多量”）需求的现实情景,就需要多配送中心满足,由此产生多仓配送,当顾客购买了多品类或单品数量较多的商品,而它存储在多个仓库,这时就会面临订单拆分的问题。通过文献梳理和实际调研,大多数物流企业在面临订单拆分时,订单处理方法往往是采用最短距离原则进行订单拆分,这种拆单方法优先考虑距离最短因素,容易使车辆使用数增加、配送路径重复、配送时效性差,导致配送成本增多、顾客服务体验差,因此,如何有效的进行订单拆分,对订单处理方法进行研究,选择合理的订单拆分原则,从而有效地减少取货次数、配送次数、顾客取件次数,是本文研究的关键问题,并在此基础上进行后续的配送路径规划,降低物流企业配送成本及提升顾客服务体验。因此,本文提出采用最小订单拆分原则,考虑时间窗和车载量约束,构建以配送总成本最小为目标的数学模型,在遗传算法的基础上设计两阶段遗传算法,以P物流企业为例进行应用研究,运用MATLAB编程求解基于最小订单拆分原则的配送方案,并与最短距离订单拆分原则的配送方案进行对比,结果表明,基于最小订单拆分原则的配送方案更优,可以有效的减少车辆使用数、取货次数、配送次数、取件次数,提高配送时效性,实现降低配送总成本的目标,并对效果进行分析,验证了模型和算法的有效性,希望能对相关物流企业提供指导和借鉴。
王婷[8]（2021）在《M生鲜电商的冷链物流配送路径优化研究》文中研究表明随着人们工作节奏的不断加快和对品质生活的要求不断提高,对线上生鲜订单的需求日益增加。但是现阶段国内生鲜产品在流通运营中存在着“损耗大、冷链流通低、保鲜率低、配送成本高”等问题。同时随着人们经济水平的提升,城市机动车行驶数量不断增加,使得城市内交通道路情况变得复杂,这也给解决生鲜车辆路径优化问题造成了巨大的阻力。因此本文研究在城市交通复杂性导致车辆配送行驶速度时刻发生变化的情况下,满足人们对生鲜冷链物流配送时效性和新鲜度要求,同时使得生鲜电商公司总配送最小。构建生鲜冷链物流配送路径优化问题的模型,以解决生鲜电商公司如何安排车辆调度满足各个顾客对生鲜产品新鲜度和服务时间窗的要求下的总配送成本最小的问题。针对这一问题,本文的主要研究结论如下:（1）在对生鲜产品特征分析的基础上,分析国内生鲜产品从生产到顾客手中流通过程中存在着损耗率高、冷藏流通率低、保鲜率低三个现状,表明目前中国生鲜产品在流通过程中损耗远大于国外,冷链物流发展也比较落后,从而导致配送成本过高,顾客满意度低的现象。同时分析生鲜配送中车辆行驶速度变化的基础上,因实际存在的道路问题的复杂性,传统研究车辆在城市内上行驶速度不变是不切合现实情况的。因此本文研究车辆行驶速度会随着各时间段交通情况不同,车辆行驶速度时刻变化的情况,比较符合现有交通复杂背景下的求解车辆路径问题。通过分析现实存在的问题及国内外学者研究的现状,表明了生鲜车辆配送研究的必要性和现实意义。（2）由于城市交通的复杂性和生鲜产品的特性。因此首先考虑各个时间段的车辆行驶速度会随着道路拥堵指数不同而发生变化,确定车辆行驶速度从而计算生鲜配送车辆两点间的行驶时间。然后引入生鲜产品新鲜度随配送时间推移而呈指数下降的新鲜度变化函数和存在顾客最大容忍的模糊时间窗函数两个时间约束条件。构建了车辆使用成本、运输油耗成本、运输及卸货时的制冷成本、CO2排放成本、顾客对新鲜度的满意度及模糊时间窗满意度惩罚成本六个模块总成本之和最小的生鲜冷链配送路径优化模型。并应用变邻域改进遗传算法（VNS-GA）解决传统遗传算法求解过程中易出现局部最优解的现象即“早熟”,更好可以提升解的质量。结果验证了本文所提出的时变交通情况下考虑生鲜产品新鲜度和时间窗的生鲜冷链配送模型在生鲜电商公司车辆配送中的有效性和可行性,为解决生鲜电商冷链物流配送路径优化问题提供策略和建议。
黄戈文[9]（2021）在《应急物流运输调度理论与方法研究》文中研究说明近年来随着环境的恶化,各类突发事件发生日益频繁,严重危害了人民群众的生命财产安全,为了减少损失,应急救援工作显得尤为重要。而应急救援中,应急物流运输调度是应急救援的关键环节,与救援效率的高低、灾后救援的成功与否紧密相关,但目前相关的研究成果还比较少。传统的物流运输调度研究多数以总的路径长度最小为目标,而在应急物流中,为了使救援物资尽快送达各受灾点,需要考虑在车辆限制、场地限制、物资量限制、路网限制等约束条件下,最小化等待时间。综上所述,对应急物流运输调度问题（Vehicle Routing Problems for Emergency Logistics,VRPEL）进行研究具有重要研究价值和社会意义。因此,针对应急物流运输中的车辆、场地、物资量、路网等约束,建立了多种场景下的应急物流运输调度模型,并设计了相应的算法进行优化求解。本文所做的主要工作如下:（1）提出了带最小延迟的应急物流运输调度问题的改进离散灰狼优化算法。针对应急物流中物资补给和人员撤离的综合运输调度需求,基于有限车辆的情况,以最小延迟为目标,建立了带最小延迟的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with Minimum Latency,VRPELML）模型,并提出一种改进离散灰狼优化算法求解该模型。该算法在传统灰狼优化算法基础上采用带路径标识的整数编码实现灰狼空间与问题解空间的转换,建立了离散灰狼更新算子定义,提出劣势点优先邻域搜索策略来增强算法的探索能力和局部寻优能力,实现VRPELML的求解。通过对比实验,证明了改进离散灰狼优化算法的有效性。（2）提出了带容量约束的应急物流运输调度问题的文化基因灰狼优化算法。基于有限车辆数和车辆容量受限的情况,以最小延迟为目标,建立了带容量约束的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with Capacitated Constraint,VRPELCC）模型,并提出一种文化基因灰狼优化算法求解该模型。该算法是基于文化基因思想对传统灰狼优化算法针对VRPELCC的求解进行改进,提出了基于分组和重组的双向转换策略进行灰狼位置向量和车辆路径组之间的双向转换。在灰狼优化域,提出了围猎位置片段定义、灰狼遗传优化策略和自适应灰狼更新策略来提高全局搜索能力;在问题空间域,对问题解的优化提出了轮盘选择邻域搜索优化策略和基于路径创建的最优解持续优化策略,优化了算法的全局搜索能力,提高了算法的精度。通过算例分析实验证明了模型和算法的有效性,通过算法对比实验进一步证明了算法和策略的有效性。（3）提出了收货场地受限的应急物流运输调度问题的混合烟花灰狼算法。基于有限车辆数、车辆容量受限、场地受限的情况,考虑为每个受灾点设定接货点作为中心配送车辆和需求点自助车辆交接点,以最小延迟为目标,建立了收货场地受限的应急物流运输调度问题（Vehicle Routing Problem for Emergency Logistics with region restriction,VRPELRR）模型,并提出一种混合烟花灰狼算法求解该模型。该算法引入了 2-1交换邻域搜索策略和3-opt局部搜索策略,提高了算法的搜索能力,并提出了位置方向预估法以提高寻优速度。实验结果表明:该算法能够有效求得受灾点的配送次序和各受灾点接货点位置;所提模型的等待时间比VRPELCC模型降低了 14.19%,比CVRP模型降低了 42.11%,充分证明了模型的实用性和算法的有效性。（4）提出了路网全损的应急物流运输调度问题的混合扫描灰狼优化算法。针对路面道路不可用,采用无人机代替路面车辆配送轻质关键应急物资的应急场景,基于无人机数量受限、无人机负荷受限和无人机能耗受限的情况,考虑飞行状态和负荷对无人机能耗的影响,以最小延迟为目标,建立了路网全损的应急物流运输调度问题（Road-independent Vehicle Routing Problem for Emergency Logistics,RIVRPEL）模型,并提出一种混合扫描灰狼优化算法求解该模型。该算法采用带出发点分隔的整数编码将灰狼空间转化为RIVRPEL解空间,提出了概率选择中央位置定义,设计了相应的离散灰狼更新算子;针对问题的多重约束,算法提出了扫描法初始解生成策略提高算法稳定性,提出了采用部分反转算子的灰狼搜寻策略和带有方位角的2-opt局部搜索策略来提高全局搜索能力和局部搜索能力。实验结果表明,混合扫描灰狼优化算法能有效求解RIVRPEL模型;求解RIVRPEL模型得到的结果比能耗约束CVRP模型降低了 26.49%,证明了模型和算法具有较好的实用性。。（5）提出了带二次分配的应急物流运输调度问题的混合灰狼优化算法。基于有限车辆数、车辆容量受限、物资量有限的情况,在提出时间满意度、物资满意度和综合满意度定义的基础上,建立了最大时间满意度车辆路径问题（Capacitated Vehicle Routing Problem with Maximum Time Satisfaction,CVRP-MTS）模型和最小加权满意度标准差应急物资分配（Emergency Material Distribution Problem with Minimum Weighted Standard Deviation of Satisfactions,EMDP-MWSDS）模型,并提出一种两阶段应急物流运输与物资二次分配策略求解该模型。第一阶段针对CVRP-MTS模型设计了一种混合灰狼优化算法进行求解,该算法采用了最优分割过程分组解码策略,并采用了混沌搜索策略、2-opt局部搜索策略和1-1交换邻域搜索策略提高算法的搜索能力;第二阶段针对EMDP-MWSDS设计了混沌灰狼优化算法求解。实验结果表明:两阶段应急物流运输与物资二次分配策略得到了较高的时间满意度和较好的物资分配结果,证明了所提模型和算法的有效性,较好地平衡了灾民的心理诉求和物资利用效能。（6）提出了多目标应急物流运输调度问题的动态灰狼优化算法。基于有限车辆数、车辆容量受限和车辆运行时长受限的情况,考虑车辆在需求点卸货时间的影响,以最小延迟以及最小车辆运行时长超额成本作为优化目标,建立了多目标应急物流运输调度问题（Multi-Objective Vehicle Routing Problem for Emergency Logistics,MOVRPEL）模型,并提出一种动态灰狼优化算法求解该模型。该算法是对灰狼优化算法针对多目标问题求解进行改进,采用等分随机键与ROV规则结合的方法进行解码,提出了动态非支配解集更新策略,建立非支配解集的暂存机制和基于动态非支配解集的头狼产生机制,提出了针对MOVRPEL的多目标改进2-opt局部搜索策略以提交算法收敛速度,有效对MOVRPEL进行求解。通过实验证明了所提出的动态灰狼优化算法能够有效求解MOVRPEL。最后,对全文进行了总结和展望。
张长泽[10]（2021）在《基于物流配送中心选址-车辆配送路径问题优化的研究》文中认为物流作为实体经济运行的动脉系统,直接影响着经济运行的质量和效益。近年来,我国物流发展取得长足进步,有效地支撑了国民经济较快增长,但企业物流成本居高不下已经成为经济运行中的突出问题。社会物流总费用与GDP的比率从2012年的18%下降到2020年的14.7%,累计下降了3.3个百分点。2018年,社会物流总费用为13.3万亿元,同比增长9.8%,增速比上年同期提高0.7个百分点;社会物流总费用与GDP的比率为14.8%,比上年同期上升0.2个百分点;2018年全国社会物流总额为283.1万亿元,同比增长6.4%,增速比上年同期回落0.2个百分点,相比较可得:物流费用的增长幅度大于物流总额的增长幅度,简而言之就是物流的成本仍在不断提高。在此背景下,如何使得在客户满意和降低物流配送的成本方面达到一个平衡,就很值得研究。文章基于此,分别考虑了在不确定需求下可拆分配送和2级开放型的物流配送中心选址--车辆配送路径的优化问题。本文的研究内容主要包括以下几个方面:（1）通过参阅既有文献,首先,对配送中心选址--车辆配送路径问题和基于此的其他变体问题的国内外研究现状进行总结和述评;然后,基于此,在选址过程中考虑了配送中心选址之间的相互影响和相互约束,引入二次指派;最后,针对基于二次指派的选址问题,并结合二次指派的特点,提出基于熵收敛的改进的蚁群算法来进行求解。（2）考虑到在实际的物流配送中,存在很多不确定因素,导致客户的需求往往是随机的、不确定的;而且在客户需求随机情况下,尤其是客户需求量占比车辆容量相对较大时,如果此时客户订单不能进行拆分配送,那么车辆在配送时很可能会发生配送失败,甚至有时会发生多次配送失败,这无疑会增加物流配送的成本。为此,本文在研究对物流配送中心选址的同时对车辆配送路径进行优化,提出基于不确定需求下的客户订单考虑拆分配送的物流配送中心选址--车辆配送路径优化问题的数学模型,并兼顾需求点和配送中心不同的的利益诉求,建立多目标物流配送中心选址--车辆配送路径优化模型。同时,鉴于蚁群算法具有良好的并行性、正反馈、鲁棒性强等先天优越性,将非快速支配排序策略（NSGA-II）和具有二次指派特点的局部搜索策略引入蚁群算法,设计了求解多目标的非支配排序改进蚁群算法。（3）电子商务的出现,增加了供应商到个体顾客之间的货物量,尤其是在配送中心离顾客较远且需求密度较高的大城市中,当供应商或生厂商没有自己的车辆或者其能力不足以为所有客户提供服务时,此时为降低运输成本,就会产生由仓库--物流配送中心--客户形成的2级开放型物流配送中心选址--车辆配送路径问题。针对此问题的数学模型,采取混合启发式算法;并对初始解的构造分两个阶段进行构造,同时引入CW算法为每个配送中心提供所需的车辆,以及将客户分配给配送中心的车辆。最后采用Solomon算例部分数据对模型和算法进行验证。本文旨在对物流配送中心选址--车辆配送路径的运输资源配置问题进行研究,通过对客户的需求以及车辆配送路径的分析,建立符合人们在实际决策中的目标函数,兼顾各个决策者的心理偏好,为决策者在不同的物流配送背景下提供科学的决策依据。
二、启发式方法确定最短配送路径（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、启发式方法确定最短配送路径（论文提纲范文）
（1）全渠道模式前置仓选址与配送路径优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 全渠道模式应用研究 |
| 1.2.2 仓储设施选址研究 |
| 1.2.3 仓配路径选择研究 |
| 1.2.4 仓配网络优化研究 |
| 1.2.5 文献述评 |
| 1.3 研究内容与结构 |
| 1.4 研究方法与技术路线 |
| 1.5 创新点 |
| 2 全渠道模式前置仓运营模式与问题分析 |
| 2.1 全渠道零售模式与前置仓的发展 |
| 2.1.1 全渠道零售模式的产生和发展 |
| 2.1.2 前置仓的产生和发展 |
| 2.2 前置仓特性与问题分析 |
| 2.2.1 前置仓运营模式特性 |
| 2.2.2 前置仓存在的问题 |
| 2.3 全渠道模式前置仓仓配系统分析 |
| 2.3.1 全渠道模式前置仓仓配系统的网络特性 |
| 2.3.2 全渠道模式前置仓仓配系统问题分析 |
| 2.4 本章小结 |
| 3 基于系统动力学的前置仓运营系统仿真分析 |
| 3.1 问题背景 |
| 3.2 系统动力学在前置仓仿真中的适用性分析 |
| 3.2.1 系统动力学适用于动态系统问题 |
| 3.2.2 系统动力学适用于结构性问题 |
| 3.2.3 系统动力学适用于内容性问题 |
| 3.3 前置仓运营系统的系统动力学模型构建 |
| 3.3.1 系统边界与流程 |
| 3.3.2 因果关系图 |
| 3.3.3 系统动力学模型 |
| 3.3.4 模型检验 |
| 3.4 前置仓运营系统仿真 |
| 3.4.1 消费者数量分析 |
| 3.4.2 订单量分析 |
| 3.4.3 营业收入分析 |
| 3.4.4 总成本分析 |
| 3.4.5 服务能力分析 |
| 3.4.6 仿真结论 |
| 3.5 本章小结 |
| 4 全渠道模式前置仓选址与能力设计联合优化 |
| 4.1 问题背景 |
| 4.2 前置仓选址与能力设计联合优化模型构建 |
| 4.2.1 模型假设 |
| 4.2.2 参数定义与符号说明 |
| 4.2.3 双目标规划模型建立 |
| 4.3 多目标模拟退火算法设计 |
| 4.3.1 算法介绍 |
| 4.3.2 算法流程 |
| 4.3.3 中心确定与邻域构造 |
| 4.4 案例分析 |
| 4.4.1 案例背景 |
| 4.4.2 数据来源 |
| 4.4.3 计算结果与量化分析 |
| 4.4.4 灵敏度分析 |
| 4.4.5 结果讨论 |
| 4.5 本章小结 |
| 5 全渠道模式前置仓车辆路径分布式鲁棒优化 |
| 5.1 问题背景 |
| 5.2 前置仓车辆路径分布式鲁棒优化模型构建 |
| 5.2.1 模型假设 |
| 5.2.2 参数定义与符号说明 |
| 5.2.3 分布式鲁棒优化模型建立 |
| 5.3 模型分析与等价转化 |
| 5.3.1 非精确集构造 |
| 5.3.2 模型等价形式 |
| 5.3.3 模型复杂性分析 |
| 5.4 案例分析 |
| 5.4.1 数据来源与参数设置 |
| 5.4.2 计算结果与量化分析 |
| 5.4.3 模型对比分析 |
| 5.4.4 结果讨论 |
| 5.5 本章小结 |
| 6 全渠道模式前置仓选址-路径集成优化 |
| 6.1 问题背景 |
| 6.2 前置仓选址-路径集成优化模型构建 |
| 6.2.1 模型假设 |
| 6.2.2 参数定义与符号说明 |
| 6.2.3 整数规划模型建立 |
| 6.3 遗传算法设计 |
| 6.3.1 算法适用性分析 |
| 6.3.2 算法流程 |
| 6.4 案例分析 |
| 6.4.1 数据来源与参数设置 |
| 6.4.2 计算结果与量化分析 |
| 6.4.3 灵敏度分析 |
| 6.4.4 结果讨论 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于GIS的钻井事故应急物资配送路径规划研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路径规划算法研究现状 |
| 1.2.2 GIS在路径规划中应用的研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论及算法概述 |
| 2.1 钻井事故应急救援的特点 |
| 2.2 蚁群算法概述 |
| 2.2.1 蚁群算法基本原理 |
| 2.2.2 蚁群算法数学模型 |
| 2.2.3 蚁群算法与其他算法比较 |
| 2.2.4 蚁群算法的优缺点 |
| 2.3 GIS技术 |
| 2.3.1 ArcGIS平台 |
| 2.3.2 WebGIS技术 |
| 2.4 本章小结 |
| 第三章 基于GIS的应急物资配送路径规划系统需求分析与设计 |
| 3.1 系统需求分析 |
| 3.1.1 系统设计目标 |
| 3.1.2 功能需求分析 |
| 3.1.3 非功能需求分析 |
| 3.2 系统总体设计 |
| 3.2.1 系统架构设计 |
| 3.2.2 系统功能设计 |
| 3.2.3 路径规划流程设计 |
| 3.3 数据库设计 |
| 3.4 本章小结 |
| 第四章 基于GIS的应急物资配送路径规划模型的建立 |
| 4.1 改进蚁群算法 |
| 4.1.1 对转移概率的改进 |
| 4.1.2 对选择策略的改进 |
| 4.2 应急物资配送路径规划模型的构建 |
| 4.2.1 问题描述与基本假设 |
| 4.2.2 利用改进蚁群算法建立路径规划模型 |
| 4.3 仿真实验与结果分析 |
| 4.4 本章小结 |
| 第五章 基于GIS的应急物资配送路径规划系统实现与测试 |
| 5.1 系统开发环境 |
| 5.2 系统主界面 |
| 5.3 系统功能模块的实现 |
| 5.3.1 数据管理模块 |
| 5.3.2 地图管理模块 |
| 5.3.3 路径规划模块 |
| 5.4 系统测试 |
| 5.4.1 测试环境 |
| 5.4.2 功能测试 |
| 5.4.3 非功能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（3）城市交通能源供应网络优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 问题背景及意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究方法与技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 主要贡献与研究局限性 |
| 1.4.1 主要贡献 |
| 1.4.2 研究局限性 |
| 1.5 本章小结 |
| 第二章 相关研究回顾及评述 |
| 2.1 成品油供应网络问题研究进展 |
| 2.1.1 成品油供给系统 |
| 2.1.2 成品油二次配送 |
| 2.1.3 加油站服务 |
| 2.2 成品油供应网络资源配置相关问题研究进展 |
| 2.2.1 客户聚类问题 |
| 2.2.2 配送资源配置问题 |
| 2.2.3 配送需求时间窗问题 |
| 2.2.4 配送主体合作相关问题 |
| 2.3 成品油供给终端服务网络优化相关问题研究进展 |
| 2.3.1 排队论 |
| 2.3.2 排队论在交通问题中的应用 |
| 2.4 相关算法概述 |
| 2.4.1 精确算法 |
| 2.4.2 启发式算法 |
| 2.5 本章小结 |
| 第三章 城市交通能源供应网络优化框架研究 |
| 3.1 成品油供应网络分析 |
| 3.2 成品油供应网络资源要素分析 |
| 3.2.1 成品油二次配送资源要素 |
| 3.2.2 加油站终端服务资源要素 |
| 3.3 成品油供给系统服务形式与特征 |
| 3.3.1 成品油供给系统服务形式 |
| 3.3.2 成品油供给系统服务特征 |
| 3.4 成品油供应网络优化决策因素及实施步骤 |
| 3.4.1 成品油供应网络资源配置决策因素 |
| 3.4.2 成品油供应网络优化实施步骤 |
| 3.5 本章小结 |
| 第四章 多油库供给共同配送网络优化研究 |
| 4.1 问题的提出 |
| 4.2 数学模型 |
| 4.2.1 符号及定义 |
| 4.2.2 模型构建 |
| 4.3 求解算法设计 |
| 4.3.1 GA-PSO混合算法设计 |
| 4.3.2 混合算法求解流程 |
| 4.4 实例分析及数值模拟 |
| 4.4.1 实例引入及参数设置 |
| 4.4.2 客户聚集分析 |
| 4.4.3 多舱车辆共享分析 |
| 4.4.4 运作总成本分析 |
| 4.4.5 算法合理性检验 |
| 4.4.6 模型比较 |
| 4.5 管理启示 |
| 4.6 本章小结 |
| 第五章 多油库供给车辆路径问题优化研究 |
| 5.1 问题的提出 |
| 5.2 数学模型 |
| 5.2.1 符号及定义 |
| 5.2.2 模型构建 |
| 5.3 考虑遗传变异的多目标粒子群算法 |
| 5.3.1 粒子群算法基本理论 |
| 5.3.2 多目标粒子群算法求解 |
| 5.3.3 考虑遗传变异的多目标粒子群算法 |
| 5.4 实例分析及数值计算 |
| 5.4.1 小规模实例分析 |
| 5.4.2 大规模实例对比分析 |
| 5.4.3 不同算法有效性比较 |
| 5.5 管理启示 |
| 5.6 本章小结 |
| 第六章 多油库供给合作机制与收益分配研究 |
| 6.1 收益分配方法及严格单调路径策略 |
| 6.1.1 核心(Nucleolus)法 |
| 6.1.2 Shapley值法 |
| 6.1.3 GQP法 |
| 6.1.4 MCRS法 |
| 6.1.5 严格单调路径策略(SMP) |
| 6.2 基于Shapley值改进的多油库供给收益分配模型 |
| 6.2.1 考虑不同因素的Shapley值修正 |
| 6.2.2 综合改进Shapley值模型应用算例 |
| 6.2.3 Shapley值综合修正模型应用分析 |
| 6.3 多油库供给中的合作机制与收益分配 |
| 6.3.1 联盟稳定性 |
| 6.3.2 Shapley值法应用 |
| 6.3.3 入盟序列选择 |
| 6.4 本章小结 |
| 第七章 成品油供给系统服务网络优化研究 |
| 7.1 方法简介 |
| 7.2 模型与分析 |
| 7.2.1 模型描述 |
| 7.2.2 假设与符号 |
| 7.2.3 模型构建与分析 |
| 7.3 数值模拟 |
| 7.4 加油站服务网络信息共享机制 |
| 7.5 本章小结 |
| 第八章 结论和展望 |
| 8.1 论文工作总结 |
| 8.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（4）基于遗传算法的Y物流公司配送路径优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆路径问题的研究 |
| 1.2.2 带时间窗车辆路径问题的研究 |
| 1.2.3 车辆路径优化算法的研究 |
| 1.2.4 遗传算法的研究 |
| 1.3 研究内容和方法 |
| 1.3.1 研究的内容 |
| 1.3.2 研究的方法 |
| 1.3.3 技术路线图 |
| 1.4 本章小结 |
| 2 相关的基础理论 |
| 2.1 车辆路径问题 |
| 2.1.1 车辆路径问题的一般描述 |
| 2.1.2 车辆路径问题的分类 |
| 2.1.3 车辆路径问题要素 |
| 2.1.4 时间窗的相关理论 |
| 2.2 遗传算法 |
| 2.2.1 遗传算法的定义 |
| 2.2.2 遗传算法的特点 |
| 2.2.3 遗传算法的步骤 |
| 2.3 本章小结 |
| 3 Y物流公司车辆配送的现状及问题分析 |
| 3.1 Y物流公司简介 |
| 3.2 Y物流公司车辆配送的运行现状 |
| 3.2.1 Y物流公司车辆、运价信息 |
| 3.2.2 Y物流公司车辆配送路径的情况 |
| 3.3 Y物流公司车辆配送存在的问题及原因 |
| 3.3.1 Y物流公司车辆配送存在的问题 |
| 3.3.2 Y物流公司车辆配送存在问题的原因 |
| 3.4 本章小结 |
| 4 Y物流公司车辆路径优化模型构建 |
| 4.1 Y物流公司车辆路径优化建模 |
| 4.1.1 Y物流公司车辆路径问题描述 |
| 4.1.2 模型假设与参数设定 |
| 4.1.3 模型构建 |
| 4.2 遗传算法设计与求解流程 |
| 4.2.1 遗传算法求解设计 |
| 4.2.2 遗传算法的求解流程 |
| 4.3 本章小结 |
| 5 模型求解及优化结果分析 |
| 5.1 遗传算法求解对模型最优解的影响分析 |
| 5.2 优化结果对比分析 |
| 5.3 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）考虑卡车搭载无人机的农村末端快递配送路径规划研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容及方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 研究框架及技术路线图 |
| 1.3.1 研究框架 |
| 1.3.2 研究技术路线图 |
| 1.4 研究创新点 |
| 2 文献综述 |
| 2.1 卡车路径规划问题研究综述 |
| 2.1.1 存在装载限制或时间窗约束下的VRP问题 |
| 2.1.2 多级VRP问题 |
| 2.1.3 多目标VRP问题 |
| 2.1.4 卡车路径规划问题研究现状小结 |
| 2.2 无人机路径规划问题研究综述 |
| 2.2.1 最短时间无人机路径规划问题 |
| 2.2.2 最小成本无人机路径规划问题 |
| 2.2.3 多目标无人机路径规划问题 |
| 2.2.4 无人机配送路径规划问题研究现状小结 |
| 2.3 卡车-无人机协同配送路径规划问题研究综述 |
| 2.3.1 最小成本卡车-无人机路径规划问题 |
| 2.3.2 最短时间卡车-无人机路径规划问题 |
| 2.3.3 多目标卡车-无人机协同配送问题 |
| 2.3.4 “最后一公里”卡车-无人机协同配送问题 |
| 2.3.5 卡车-无人机协同配送路径规划问题研究现状小结 |
| 2.4 现有研究的不足 |
| 2.5 本章小结 |
| 3 考虑卡车搭载无人机配送的研究基础与运作模式 |
| 3.1 农村快递配送发展现状及拟解决问题 |
| 3.1.1 农村快递配送发展现状 |
| 3.1.2 农村快递配送拟解决问题 |
| 3.2 卡车搭载无人机协同配送的可行性 |
| 3.2.1 无人机在农村末端配送的可行性 |
| 3.2.2 卡车搭载无人机协同配送的必要性 |
| 3.2.3 卡车搭载无人机协同配送模式成本经济性 |
| 3.3 卡车搭载无人机协同配送运作模式 |
| 3.3.1 考虑卡车搭载无人机协同的农村快递配送方式 |
| 3.3.2 考虑卡车搭载无人机协同的农村快递配送网络 |
| 3.3.3 考虑卡车搭载无人机协同的农村快递配送流程 |
| 3.4 本章小结 |
| 4 考虑卡车搭载无人机的农村快递配送模型与算法设计 |
| 4.1 问题描述及研究分析 |
| 4.1.1 问题描述 |
| 4.1.2 建模思路 |
| 4.1.3 目标分析 |
| 4.2 传统卡车农村快递配送模式成本最小化模型 |
| 4.2.1 符号说明 |
| 4.2.2 决策变量 |
| 4.2.3 研究假设 |
| 4.2.4 模型建立 |
| 4.3 考虑卡车搭载无人机的农村快递配送成本最小化模型 |
| 4.3.1 符号说明 |
| 4.3.2 决策变量 |
| 4.3.3 研究假设 |
| 4.3.4 模型建立 |
| 4.4 两阶段算法求解思路与算法选择 |
| 4.4.1 求解思路 |
| 4.4.2 算法简述及优缺点对比分析 |
| 4.5 K-means聚类算法概述及流程设计 |
| 4.5.1 K-means聚类算法概述 |
| 4.5.2 两种不同策略下的K-means聚类算法流程设计 |
| 4.6 遗传算法流程设计 |
| 4.6.1 染色体的编码 |
| 4.6.2 初始化种群 |
| 4.6.3 适应度函数 |
| 4.6.4 遗传算子 |
| 4.6.5 算法终止条件 |
| 4.7 本章小结 |
| 5 基于S物流集团的案例分析 |
| 5.1 案例背景与数据来源 |
| 5.1.1 案例背景 |
| 5.1.2 数据来源 |
| 5.2 案例验证 |
| 5.2.1 传统卡车配送模式案例验证 |
| 5.2.2 考虑卡车搭载无人机协同的配送模式案例验证 |
| 5.3 案例结果分析 |
| 5.3.1 总交付成本对比分析 |
| 5.3.2 总交付时间对比分析 |
| 5.4 敏感性分析 |
| 5.4.1 K值数量敏感性分析 |
| 5.4.2 无人机最大飞行距离敏感性分析 |
| 5.4.3 最优策略分析 |
| 5.5 实际案例配送电子地图展示 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A 第一阶段算法求解核心代码 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）城市物流配送路径优化算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 物流配送存在问题 |
| 1.3 国内外研究现状 |
| 1.3.1 物流配送路径优化 |
| 1.3.2 遗传算法 |
| 1.3.3 蚁群优化 |
| 1.4 研究内容 |
| 1.5 组织结构 |
| 第二章 物流配送路径优化相关算法 |
| 2.1 城市物流车辆路径问题概述 |
| 2.1.1 城市物流配送特点 |
| 2.1.2 车辆路径问题基本概念 |
| 2.1.3 车辆路径问题构成要素 |
| 2.1.4 车辆路径问题分类 |
| 2.1.5 车辆路径问题相关算法 |
| 2.2 遗传算法 |
| 2.2.1 遗传算法的原理 |
| 2.2.2 遗传算法的求解步骤 |
| 2.2.3 遗传算法的特点 |
| 2.3 蚁群优化 |
| 2.3.1 蚁群优化的原理 |
| 2.3.2 蚁群优化的数学模型 |
| 2.3.3 蚁群优化的求解步骤 |
| 2.3.4 蚁群优化的特点 |
| 2.4 本章小结 |
| 第三章 带时间窗的车辆路径优化模型构建 |
| 3.1 模型描述 |
| 3.2 模型分析 |
| 3.3 模型构建 |
| 3.3.1 条件假设 |
| 3.3.2 目标优化 |
| 3.3.3 条件约束 |
| 3.3.4 模型建立 |
| 3.4 本章小结 |
| 第四章 路径优化算法设计 |
| 4.1 遗传算法与蚁群优化分析 |
| 4.2 算法的改进 |
| 4.2.1 遗传算法的改进 |
| 4.2.2 蚁群优化的改进 |
| 4.3 遗传—蚁群融合算法的设计 |
| 4.3.1 算法的融合思路 |
| 4.3.2 模型求解步骤 |
| 4.4 本章小结 |
| 第五章 应用实例与结果分析 |
| 5.1 应用背景 |
| 5.2 实例数据 |
| 5.3 实验结果分析 |
| 5.3.1 改进的遗传算法实验结果 |
| 5.3.2 改进的蚁群优化实验结果 |
| 5.3.3 遗传—蚁群融合算法实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（7）基于最小订单拆分原则的配送路径优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究述评 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究框架 |
| 1.4 主要创新点 |
| 第二章 相关理论综述 |
| 2.1 车辆路径问题理论 |
| 2.1.1 车辆路径问题的定义 |
| 2.1.2 车辆路径问题的分类 |
| 2.1.3 车辆路径问题的求解算法 |
| 2.2 时间窗概述 |
| 2.2.1 时间窗的描述 |
| 2.2.2 时间窗的分类 |
| 2.3 需求可拆分问题概述 |
| 2.3.1 需求可拆分问题的描述 |
| 2.3.2 衍生类型 |
| 2.4 多配送中心问题概述 |
| 2.4.1 多配送中心问题的描述 |
| 2.4.2 多配送中心的配送方式 |
| 第三章 多仓配送现状及存在的问题 |
| 3.1 多仓配送现状 |
| 3.1.1 顾客购买特征 |
| 3.1.2 商家存货特征 |
| 3.1.3 配送特征 |
| 3.1.4 一地多仓 |
| 3.2 多仓配送存在的问题 |
| 3.2.1 配送成本高 |
| 3.2.2 顾客体验差 |
| 3.3 订单拆分的必要性及原则 |
| 3.3.1 订单拆分的必要性 |
| 3.3.2 订单拆分的原则 |
| 本章小结 |
| 第四章 基于最小订单拆分原则的配送路径优化模型 |
| 4.1 问题描述 |
| 4.2 基本假设及参变量定义 |
| 4.2.1 基本假设 |
| 4.2.2 参变量定义 |
| 4.3 配送总成本的构成 |
| 4.4 数学模型的构建 |
| 4.5 模型求解 |
| 4.5.1 多配送中心的转换 |
| 4.5.2 两阶段遗传算法设计 |
| 4.6 算法灵敏度分析 |
| 本章小结 |
| 第五章 P物流企业应用研究 |
| 5.1 P物流企业概况 |
| 5.1.1 组织结构 |
| 5.1.2 综合能力 |
| 5.1.3 配送流程 |
| 5.1.4 配送现状 |
| 5.1.5 配送存在的问题 |
| 5.2 数据收集及整理 |
| 5.2.1 配送中心信息 |
| 5.2.2 客户信息 |
| 5.2.3 车辆信息 |
| 5.2.4 参数设置 |
| 5.3 计算结果 |
| 5.3.1 基于最小订单拆分原则的配送方案 |
| 5.3.2 基于最短距离订单拆分原则的配送方案 |
| 5.3.3 对比分析 |
| 5.4 效果分析 |
| 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
（8）M生鲜电商的冷链物流配送路径优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 生鲜产品冷链物流研究现状 |
| 1.2.2 带时间窗车辆路径优化问题研究现状 |
| 1.2.3 时变交通下车辆问题研究现状 |
| 1.2.4 研究述评 |
| 1.3 研究内容和技术路线图 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线图 |
| 第二章 相关理论概述 |
| 2.1 生鲜电商冷链物流相关理论 |
| 2.1.1 冷链物流温度带分区 |
| 2.1.2 冷链物流流程 |
| 2.2 生鲜产品新鲜度相关理论 |
| 2.3 时变交通下车辆行驶时间变化相关理论 |
| 2.4 车辆配送问题求解相关理论 |
| 2.4.1 精确算法 |
| 2.4.2 启发式算法 |
| 2.5 本章小结 |
| 第三章 M生鲜电商公司冷链配送车辆路径优化模型构建 |
| 3.1 M生鲜电商公司简介 |
| 3.1.1 M生鲜电商公司运营情况 |
| 3.1.2 M生鲜电商公司配送存在的问题 |
| 3.1.3 构建模型问题描述 |
| 3.2 模型假设及相关参数表示 |
| 3.2.1 问题假设 |
| 3.2.2 相关参数表示 |
| 3.2.3 考虑时变交通情况下配送速度的规划 |
| 3.3 问题建模 |
| 3.3.1 配送路径成本分析 |
| 3.3.2 配送路径模型构建 |
| 3.4 本章小结 |
| 第四章 算法设计 |
| 4.1 算法选择分析 |
| 4.2 遗传算法介绍 |
| 4.2.1 遗传算法的主要步骤 |
| 4.2.2 遗传算法局限性 |
| 4.3 变邻域搜索改进遗传算法 |
| 4.3.1 变邻域搜索算法基本原理 |
| 4.3.2 邻域结构 |
| 4.3.3 变邻域改进遗传算法求解流程 |
| 4.4 本章小结 |
| 第五章 案例结果分析 |
| 5.1 案例调研数据 |
| 5.2 相关参数设置 |
| 5.3 算法求解结果对比分析 |
| 5.4 算法有效性验证 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
| 附录:变邻域搜索改进算法代码 |
（9）应急物流运输调度理论与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题研究背景及研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 应急物流运输调度研究现状 |
| 1.2.2 物流运输调度算法研究现状 |
| 1.3 本文研究内容及组织 |
| 第二章 带最小延迟的应急物流运输调度问题 |
| 2.1 问题描述及数学模型 |
| 2.1.1 问题描述 |
| 2.1.2 数学模型 |
| 2.2 改进离散灰狼优化算法设计 |
| 2.2.1 编解码策略 |
| 2.2.2 离散灰狼优化算法 |
| 2.2.3 劣势点优先邻域搜索策略 |
| 2.2.4 适应度函数 |
| 2.2.5 算法步骤 |
| 2.3 实验与分析 |
| 2.3.1 实验环境和算法参数设置 |
| 2.3.2 实验结果与分析 |
| 2.4 本章小结 |
| 第三章 带容量约束的应急物流运输调度问题 |
| 3.1 问题描述及数学模型 |
| 3.2 文化基因灰狼优化算法设计 |
| 3.2.1 灰狼优化域 |
| 3.2.2 问题空间域策略 |
| 3.2.3 基于分组和重组的双向转换策略 |
| 3.2.4 适应度函数 |
| 3.2.5 算法步骤 |
| 3.3 实验与分析 |
| 3.3.1 实验环境和算法参数设置 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 收货场地受限的应急物流运输调度问题 |
| 4.1 问题描述及数学模型 |
| 4.1.1 问题描述 |
| 4.1.2 数学模型 |
| 4.2 算法设计 |
| 4.2.1 应急中心车辆路径序列优化 |
| 4.2.2 接货点位置优化 |
| 4.2.3 适应度函数 |
| 4.2.4 算法步骤 |
| 4.3 实验与分析 |
| 4.3.1 实验环境及算例 |
| 4.3.2 参数实验与分析 |
| 4.3.3 模型对比实验与分析 |
| 4.4 本章小结 |
| 第五章 路网全损的应急物流运输调度问题 |
| 5.1 问题描述和数学模型 |
| 5.1.1 问题描述 |
| 5.1.2 数学模型 |
| 5.2 混合扫描灰狼优化算法设计 |
| 5.2.1 扫描法初始解生成策略 |
| 5.2.2 编解码策略 |
| 5.2.3 概率选择中央位置定义 |
| 5.2.4 灰狼更新操作 |
| 5.2.5 灰狼搜寻策略 |
| 5.2.6 适应度函数 |
| 5.2.7 带方位角2-opt局部搜索策略 |
| 5.2.8 算法步骤 |
| 5.3 实验与分析 |
| 5.3.1 实验算例与实验环境 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 带二次分配的应急物流运输调度问题 |
| 6.1 问题描述和数学模型 |
| 6.1.1 问题描述 |
| 6.1.2 最大时间满意度车辆路径问题模型 |
| 6.1.3 应急物资分配模型 |
| 6.2 算法设计 |
| 6.2.1 灰狼更新操作 |
| 6.2.2 最大时间满意度车辆路径问题模型求解算法 |
| 6.2.3 应急物资分配模型求解算法 |
| 6.3 实验与分析 |
| 6.3.1 实验环境及算例 |
| 6.3.2 实验结果与分析 |
| 6.4 本章小结 |
| 第七章 多目标应急物流运输调度问题 |
| 7.1 问题描述和数学模型 |
| 7.2 动态灰狼优化算法设计 |
| 7.2.1 编码方式与解码策略 |
| 7.2.2 灰狼个体多目标评价机制 |
| 7.2.3 动态非支配解集更新策略 |
| 7.2.4 灰狼更新操作 |
| 7.2.5 适应度函数 |
| 7.2.6 多目标改进局部搜索策略 |
| 7.2.7 算法步骤 |
| 7.3 实验与分析 |
| 7.3.1 实验环境和算法参数设置 |
| 7.3.2 实验结果与分析 |
| 7.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（10）基于物流配送中心选址-车辆配送路径问题优化的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 既有研究成果的统计分析 |
| 1.2.2 国内研究现状综述 |
| 1.2.3 国外研究现状综述 |
| 1.2.4 国内外研究现状述评 |
| 1.3 论文研究内容及技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本章总结 |
| 2 基于二次指派的选址--路径问题理论基础 |
| 2.1 选址--路径问题概述 |
| 2.1.1 选址--路径问题定义 |
| 2.1.2 选址--路径问题组成要素 |
| 2.2 二次指派问题的相关理论 |
| 2.2.1 二次指派问题的定义 |
| 2.2.2 二次指派问题的一般模型 |
| 2.2.3 二次指派问题在选址问题中的应用 |
| 2.3 基于二次指派的选址问题求解算法设计 |
| 2.3.1 蚁群算法 |
| 2.3.2 改进蚁群算法 |
| 2.3.3 算法性能分析 |
| 2.4 本章小结 |
| 3 随机需求下可拆分配送的物流配送中心选址--运输路径优化 |
| 3.1 问题描述与基本假设 |
| 3.2 随机需求下客户订单可拆分配送的多目标优化模型的建立与分析 |
| 3.2.1 客户订单可拆分配送的两种情况 |
| 3.2.2 目标分析 |
| 3.2.3 相关模型参数变量的定义 |
| 3.2.4 CLRP-SDSD模型的构建 |
| 3.3 求解算法设计 |
| 3.3.1 快速非支配排序 |
| 3.3.2 拥挤度的评价 |
| 3.3.3 具有QAP特点的状态转移策略设计 |
| 3.3.4 具有QAP特点的信息素更新策略 |
| 3.3.5 具有QAP特点的局部搜索策略 |
| 3.3.6 初始解的构造设计 |
| 3.4 算例分析 |
| 3.4.1 算例生成 |
| 3.4.2 算例结果及算法性能分析 |
| 3.5 本章小结 |
| 4 两级开放型服务物流配送中心选址--车辆运输路径优化 |
| 4.1 问题描述与分析 |
| 4.2 2E-OLRP混合整数规划模型的建立 |
| 4.2.1 模型假设 |
| 4.2.2 相关模型参数及变量的定义 |
| 4.2.3 模型建立 |
| 4.3 改进的CW节约算法 |
| 4.4 算法设计 |
| 4.4.1 初始解的构造和表示 |
| 4.4.2 初始解的构造方法 |
| 4.4.3 配送中心位置确定及第一级配送路径优化考虑 |
| 4.4.4 第二级配送路径优化考虑 |
| 4.5 算例试验及结果分析 |
| 4.5.1 数据的设置 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文创新 |
| 5.3 论文的不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、启发式方法确定最短配送路径（论文参考文献）
- [1]全渠道模式前置仓选址与配送路径优化[D]. 黄纪凯. 北京交通大学, 2021(02)
- [2]基于GIS的钻井事故应急物资配送路径规划研究与实现[D]. 李凯. 西安石油大学, 2021(09)
- [3]城市交通能源供应网络优化研究[D]. 徐光灿. 重庆交通大学, 2021(02)
- [4]基于遗传算法的Y物流公司配送路径优化研究[D]. 王雪兵. 中北大学, 2021(09)
- [5]考虑卡车搭载无人机的农村末端快递配送路径规划研究[D]. 张光亮. 北京交通大学, 2021(02)
- [6]城市物流配送路径优化算法研究与应用[D]. 尹艺珂. 西安石油大学, 2021(09)
- [7]基于最小订单拆分原则的配送路径优化研究[D]. 郭金凤. 内蒙古工业大学, 2021(01)
- [8]M生鲜电商的冷链物流配送路径优化研究[D]. 王婷. 江南大学, 2021(01)
- [9]应急物流运输调度理论与方法研究[D]. 黄戈文. 广东工业大学, 2021(08)
- [10]基于物流配送中心选址-车辆配送路径问题优化的研究[D]. 张长泽. 兰州交通大学, 2021(02)