学位论文 > 优秀研究生学位论文题录展示
配送中心的运输路径优化研究
作 者: 陈韦志
导 师: 刘舒燕
学 校: 武汉理工大学
专 业: 系统工程
关键词: 运输路径优化 分送式配送 车辆路径规划 蚁群算法
分类号: F224
类 型: 硕士论文
年 份: 2007年
下 载: 1043次
引 用: 5次
阅 读: 论文下载
内容摘要
随着市场经济的快速发展,作为“第三利润源泉”的物流对经济活动的影响日益明显,越来越引起人们的重视。在现代物流中,配送是一个与消费者直接相连的重要环节,其体现了企业的核心竞争力。而配送中心的运输路径如何优化一直是学者、咨询机构和企业关注的热点问题。通过对运输路径优化,我们可以提高企业的运作效率,降低配送成本,实现物流科学化。本文章基于管理学、运筹学、数学、系统科学相关理论,在充分调查研究的基础上,综合运用动态规划建模方法、蚁群优化算法、节约里程算法等,完成配送中心的运输路径优化的研究。动态规划建模方法主要用于解决直送式配送运输路径优化,蚁群优化算法、节约里程算法用于解决分送式配送运输路径优化。首先,本文章引入物流、配送以及配送中心的概念,简单的介绍了现代物流的基本理论。对配送的叙述,本文详细的叙述了配送的主要流程以及配送与运输之间的关系。配送中心作为实现配送功能的物流场所,文章简单的介绍了配送中心的分类,重点阐述了配送中心的作业环节,最后提出了配送运输路径的优化概念以及优化原则。其次,文章从两个角度分析研究配送中心的运输路径优化问题:一个是直送式配送运输,另外一个是分送式配送运输。在直送式配送运输中,路径的选择紧紧围绕配送网络展开讨论,主要是求解基于网络确定和网络不确定两种情况下的最短运输路径。在网络不确定情况下,通过对配送网络的构建,提出了基于动态规划思想的最短路径搜索算法。在分送式配送运输中,文章从考虑最短的运输路径与最少的运输费用两个角度建立车辆路径规划(VRP)模型。对于其模型的求解算法,文章引入了蚁群算法,并将蚁群算法与其它优化算法做了比较,说明其优点所在。最后,文章运用改进的蚁群算法求解车辆路径规划模型,该算法的主要特点是正反馈和并行性,正反馈使得该算法很快发现较好解,并行性使得该算法易于实现并行计算。针对该算法易陷入局部最优解、求解速度较慢的缺陷,本文通过对蚁群算法的改进和调整,构造出最大—最小蚁群算法。最大—最小蚁群算法加快了解的收敛速度,实例验证该算法能更快地收敛到全局最优解,体现了改进蚁群算法的相对优越性。
|
全文目录
摘要 4-5 Abstract 5-7 目录 7-10 第1章 导论 10-15 1.1 研究目的与意义 10-11 1.1.1 研究目的 10 1.1.2 研究意义 10-11 1.2 国内外研究现状 11-13 1.2.1 VRP国内外研究现状 11-12 1.2.2 蚁群算法求解VRP的国内外研究现状 12-13 1.3 研究内容与研究方法 13-15 1.3.1 研究内容 13-14 1.3.2 本文研究的方法 14-15 第2章 现代物流综述 15-26 2.1 物流的概念 15-18 2.1.1 物流概念的产生 15 2.1.2 物流的定义 15-17 2.1.3 对物流定义的理解 17 2.1.4 与物流相关的几个术语 17-18 2.2 现代物流的基本原理 18-22 2.2.1 物流目标系统化 18-19 2.2.2 物流要素集成化 19-20 2.2.3 物流组织网络化 20-22 2.3 物流功能及其一体化 22-26 2.3.1 物流功能 22-23 2.3.2 物流一体化 23-26 第3章 配送中心及配送运输路径 26-38 3.1 配送 26-29 3.1.1 配送的概念 26 3.1.2 与配送相关的几个术语 26-27 3.1.3 配送流程 27-29 3.2 配送中心及其作业环节 29-35 3.2.1 配送中心的概念 29-30 3.2.2 配送中心的主要类型 30-32 3.2.3 配送中心的作业环节 32-35 3.3 配送运输路径 35-38 3.3.1 配送运输路径的概念 35 3.3.2 配送运输路径的类型 35-36 3.3.3 配送运输路径的优化原则 36-38 第4章 配送中心的运输路径优化模型及其算法 38-60 4.1 直送式配送运输路径优化 38-42 4.1.1 最短路径问题 38-39 4.1.2 配送网络确定的直送式配送运输路径优化 39-40 4.1.3 配送网络不确定的直送式配送运输路径优化 40-42 4.2 分送式配送运输路径优化模型 42-51 4.2.1 车辆路径问题方法研究概述 43-44 4.2.2 考虑运输路程最短的VRP模型 44-45 4.2.3 考虑运输费用最少的VRP模型 45-47 4.2.4 求解VRP问题的算法 47-51 4.3 改进的蚁群优化算法在VRP中的应用 51-57 4.3.1 蚁群算法的基本思想 51 4.3.2 基本蚁群算法求解VRP模型 51-54 4.3.3 基本蚁群算法的优缺点极其改进 54 4.3.4 最大—最小蚁群系统算法设计 54-57 4.4 实证分析 57-60 第5章 全文总结与研究展望 60-63 5.1 本文研究工作总结 60-61 5.2 研究展望 61-63 参考文献 63-66 致谢 66-67 攻读硕士学位期间发表的论文与参与的课题情况 67
|
相似论文
- 多导弹协同作战突防效能评估及组合优化算法研究,TJ760.1
- 基于蚁群算法的电梯群优化控制研究,TU857
- 动态环境下移动对象导航系统相关技术的研究,TP301.6
- 基于改进蚁群算法的机器人路径规划研究,TP242
- 改进的蚁群算法及其在TSP上的应用研究,TP301.6
- 基于免疫机制蚁群算法的电力系统无功优化研究,TP18
- 基于视觉反馈与行为记忆的GPU并行蚁群算法,TP301.6
- 基于物理拓扑感知的Chord算法研究,TP393.02
- 电渣炉过程控制系统的设计及优化控制,TP273
- Ad Hoc网络中分簇路由算法的研究,TN929.5
- 图像信息处理机的图像处理方法研究,TP391.41
- 智能光网络中路由选择算法的研究,TN929.1
- 面向无线传感器网络的多路径路由协议研究,TN915.04
- 改进蚁群算法在盲均衡中的应用,TN911.5
- 智能光网络动态路由和波长分配算法的研究,TN929.1
- 基于蚁群算法的移动商务个性化推荐体系研究,TP391.3
- 基于蚁群算法的车辆调度问题研究,TP301.6
- 融合MMTD与仿生算法的路由选择研究,TP393.05
- 基于改进蚁群算法的多目标退化调度问题的研究,O221.6
- 面向可穿戴生理检测的无线传感器网络QoS路由研究,TP212.9
- 基于蚁群算法的聚类算法研究,TP311.13
中图分类: > 经济 > 经济计划与管理 > 经济计算、经济数学方法 > 经济数学方法
© 2012 www.xueweilunwen.com
|