针对现实中广泛存在的一类模糊需求下多时间窗车辆路径问题(vehicle routing problem with multiple time windows under fuzzy demand, VRPMTW_FD),即车辆配送前客户需求模糊但车辆到达客户后其需求变为确定的多时间窗车辆路径问题(veh...针对现实中广泛存在的一类模糊需求下多时间窗车辆路径问题(vehicle routing problem with multiple time windows under fuzzy demand, VRPMTW_FD),即车辆配送前客户需求模糊但车辆到达客户后其需求变为确定的多时间窗车辆路径问题(vehicle routing problem with multiple time windows, VRPMTW),以最小化总成本为优化目标,构建基于模糊可信性理论的模糊机会约束规划模型,并提出一种两阶段混合优化算法(two-stage hybrid optimization algorithm, TSHOA)进行求解.首先,在TSHOA的第1阶段设计改进灰狼优化算法(improved grey wolf optimizer, IGWO)求解车辆配送前客户需求模糊的VRPMTW,以获得VRPMTW_FD的预优化路径;然后,在TSHOA的第2阶段设计最优点重调度策略(optimal point rescheduling strategy, OPRS),对预优化路径进行动态调整,从而确定合适的返回点以降低因预优化路径故障产生的额外配送成本.通过不同规模问题上的仿真实验和算法比较,验证了TSHOA可有效求解VRPMTW_FD.展开更多
文摘针对现实中广泛存在的一类模糊需求下多时间窗车辆路径问题(vehicle routing problem with multiple time windows under fuzzy demand, VRPMTW_FD),即车辆配送前客户需求模糊但车辆到达客户后其需求变为确定的多时间窗车辆路径问题(vehicle routing problem with multiple time windows, VRPMTW),以最小化总成本为优化目标,构建基于模糊可信性理论的模糊机会约束规划模型,并提出一种两阶段混合优化算法(two-stage hybrid optimization algorithm, TSHOA)进行求解.首先,在TSHOA的第1阶段设计改进灰狼优化算法(improved grey wolf optimizer, IGWO)求解车辆配送前客户需求模糊的VRPMTW,以获得VRPMTW_FD的预优化路径;然后,在TSHOA的第2阶段设计最优点重调度策略(optimal point rescheduling strategy, OPRS),对预优化路径进行动态调整,从而确定合适的返回点以降低因预优化路径故障产生的额外配送成本.通过不同规模问题上的仿真实验和算法比较,验证了TSHOA可有效求解VRPMTW_FD.
