成果简介

1、考虑三维装载约束的SDVRP-TW优化问题研究 在车辆燃油消耗函数的设计上，综合考虑时变速度、负载重量、运输距离的影响，基于时段划分策略的行驶时间计算方法构建了车辆燃油消耗函数。针对模型的特点，采用了包括了配送阶段与装箱阶段的ALNS-GA两阶段算法求解模型。首先在配送阶段，采用改进的自适应大规模邻域搜索算法(ALNS)来确定车辆配送路径，针对模型设计了客户需求可拆分配送与不可拆分配送的两种编码方式。其次在装箱阶段，当车辆的载重与体积不超过车辆额定载重与额定体积时，将调用遗传算法(GA)用于对货物进行装箱作业。通过对不同规模的算例进行测试，本研究设计的ALNS-GA两阶段算法均可得出较好的解，证明构建的模型的合理性，可以有效降低配送成本、减少车辆在配送时的燃油消耗与碳排放；通过不同算法结果的对比分析，发现采用ALNS-GA两阶段算法求解3L-GVRPTW模型与3L-SD-GVRPTW模型的结果更优，证明该算法性能更好、更加具有稳定性。 2、考虑充电策略的电动物流车辆配送路径优化研究 研究设计了以固定成本、运输成本、充电成本和惩罚成本为车辆配送总成本的目标函数，针对不同的充电策略，如完全充电、部分充电和换电池，分别构建了以最小化总配送成本为目标的路径规划模型。模型还涵盖了车辆载重、客户时间窗、电动车电量和时变速度等多重约束条件。为解决该模型，采用了自适应大邻域搜索（ALNS）算法。算法首先生成初始解，并根据电量需求计算充电量，通过插入充电站算子将充电站合理加入路径。基于ALNS算法框架，设计了多种破坏与修复算子，先破坏当前解，再通过修复操作生成新的解。实验结果表明：完全充电策略在时间宽松的情况下表现较好，部分充电策略则适用于时间窗不紧张的场景，能够有效降低成本；在时间紧迫时，换电池策略表现最优，能够提供最低的物流成本。