（模式识别与智能系统专业论文）基于智能优化算法的面向业务承接的运输优化问题研究.pdf

基于智能优化算法的面向业务承接的运输优化问题研究 摘要 物流是使商品在需要的时间到达需要的地点的经营活动的过程， 是提高商品流通效率的重要途径，运输问题是物流学中的一个重要的 组成环节。现代物流运输系统需要利用多种物流运输技术和方法来提 高物流运输效率，降低运输费用，最大限度的降低车辆空驶，提高运 输作业的柔性和灵活度，这也就是物流运输系统的优化问题。 一般的运输优化问题都是研究在已知运输任务的前提下，如何选 择最佳的运输路线、运输方式、用最少的运输成本、在最短的时闻内 把货物送到客户手中。而对于一个靠承接运输任务而盈利的运输公司 而言，一个非常重要的问题是如何根据自身员工、运输工具等具体情 况，在众多运输任务中承接那些对其利润最大的运输任务。在现代物 流得到迅速发展( 各种物流中心的兴建) 和物流信息技术迅速发展( 物 流中心运输任务的网上发布) 的今天，这个问题已变得越来越重要。 在运输公司的运输车辆和运输任务都较少，运输线路比较固定的情况 下，决策者可根据直观的经验来判断，但当公司的规模较大、运输线 路较多、各个物流中心( 可能是异地的物流中心) 发布的运输任务较 多时，靠经验来判断难以保证公司利润的最大化。因此需要对这个问 题进行建模，进行优化计算得到一个优化结果，为经营者提供决策依 据。这就是本文所提出的面向业务承接的物流优化问题研究。 本文针对运输中的实际问题，尽可能多地考虑到运输过程中的影 响因素，重点突出“面向业务承接”这个基本前提，提出了个丽向 业务承接的物流运输系统的模型。将该模型与其它模型进行比较，分 析了该模型的复杂性，提出了把模型的求解分为求解行车路线和午鞘 承载量分配方案两个子问题。先用遗传算法求解该模型，然后分别分 析了遗传算法和蚁群算法求解此问题的优势和不足，提出了用遗传算 法和蚁群算法相结合的求解方法来求解，即用蚁群算法来求解行车路 线问题，然后再用遗传算法求解承载量分配问题。最后通过仿真实验 对比得到的结果，充分证明两种算法相结合的方法是可行的。 关键词：物流，运输，优化，业务承接，遗传算法，蚁群算法 t h er e s e a r c ho nap r o b l e mo ft r a n s p o r t o p t l m i z a t i o nf a c e dt o b u s i n e s s a c q u i r e m e n t b a s e do ni n t e l l i g e n t o p t i m l z a t i o na l g o r i t h m a b s t r a c t l o g i s t i c si st h ep r o c e d u r ew h i c hm a k e st h ec o m m o d i t i e sr e a c ht h er i g h tp l a c e i nt i m e i ti sai m p o r t a n tm e a s u r et oi m p r o v et h ee f f i c i e n c y o fc i r c u l a t i o n0r c o m m o d i t y t h et r a n s p o r t a t i o np r o b l e mi s a ni m p o r t a n tc o m p o s i t i o nl i n ki nt h e l o g i s t i c s m o d e r nl o g i s t i c st r a n s p o r t a t i o ns y s t e mn e e di m p r o v et h et r a n s p o r t a t i o n e f f i c i e n c y ，r e d u c ef r e i g h t ，r e d u c e v e h i c l e e m p t i l i t y ，i m p r o v ef l e x i b i l i t y 0f t r a n s p o r tt a s kt h r o u g hm a n y k i n dso fl o g i s t i c st r a n s p o r tt e c h n o l o g i e sa n dm e t h o ds t h i si sa no p t i m i z a t i o np r o b l e mo ft h et r a n s p o r t a t i o ns y s t e mo f1 0 9 is t i e s g e n e r a l l y ，a l lt r a n s p o r t a t i o no p t i m i z a t i o np r o b l e ms t u d yh o w t os e n dg o o d st o t h ec u s t o m e r sw i t h i nl e a s tt r a s p o r t a t i o nc o s ta n ds h o r t e s tt i m e ，b yc h o o s i n gt h e b e s t t r a s p o r t a t i o n r o u t ea n d w a y ，0 1 1 t h e p r e m i s eo fa l r e a d yh a v i n ga c c e p t e d t r a n s p o r t a t i o n t a s k b u tf o ra t r a n s p o r tc o m p a n y w h i c h g e tp r o f i t st h r o t l g h a c c e p t i n gt a s k s ，av e r yi m p o r t a n tp r o b l e mi s h o wt oc h o o s et h o s et a s k sw h i c hc a n m a k em o s tp r o f i t si nn u m e r o u st r a n s p o r tt a s k sa c c o r d i n gt oi t so w ns t a f f , m e a n so f c o n c r e t et r a n s p o r t a t i o nc o n d i t i o n s t o d a y ，w i t ht h er a p i dd e v e l o p m e n to fm o d e r n l o g i s t i c s a n di n f o r m a t i o nt e c h n o l o g y ，t h i sp r o b l e mh a sb e c o m em o r ea n di n o f t ： i m p o r t a n t i f t h ec o m p a n y st r a n s p o r tv e h i c l e sa n dt a s k sa r em or el e s sa n dt r a n p o t l t c i r c u i ta r em o r er e g u l a r ，d e c i s i o n m a k e r sc a nd e c i d et o a c c e p tw h i c hb u s i n e s s e s a c c o r d i n gt ot h e i re x p e r i e n c e b u tf o ral a r g et r a n s p o r tc o m p a n y ，i ft h et r a n s p o r t c i r c u i t sa n dt a s k sa r e l a r g e r ，i t i sd i f f i c u l tt o g u a r a n t e e m a x i m a l p r o f i tb y e x p e r i e n c e s o i ti s n e c e s s a r yt o b u i l d m o d e l i n gt o t h i s q u e s t i o n ，r e c e i v i n g a r e s u l tb yo p t i m i z a t i o n ，t h e ng i v i n gi n f o r m a t i o nt ot h ed e c i s i o n m a k e r st h i sist h e r e s e a r c he m p h a s i st h a tt h et h e s is p u tf o r w a r d t h et h e s i sc o ns i d e r st h ei n f l u e n c ef a c t o r sa sm a n ya sp o s s i b i l et ot h ep la c l i c a 【 p r o b l e mi nt r a n s p o r t a t i o n ，s t r e s s e st h a t “f a c i n gt ob u s i n e s sa c c e p t i n g ”，e s p e c i a l l y ， t h et h e s i s p r o p o s e s am o d e lw h i c hf a c e st ob u s i n e s s a c c e p t i o n o f l o g i s t i c s t r a n s p o r t a t i o ns y s t e m t h et h e s i sc o m p a r e st h em o d e lw i t ho t h e rm o d e l s ，a n a l y s e s t h ec o m p l e x i t yo ft h em o d e l ，t h e np u tf o r w a r dt h a td e c o m p o s et h ep r o b l e mt ot w o p r o b l e m s ，t h ev e h i c l er o u t ep r o b l e ma n dt h e a l l o c a t i v ea m o u n tp r o b l e mt ot h e p r o b l e mo ft h ev i h i c l er u n n i n gr o u t e ，t h et h e s i sf i r s ta d o p t st h et r a d i t i o n a lg e n e t i c a l g o r i t h mt os o l v et h ep r o b l e m ，t h e na n a l y s et h ea d v a n t a g e sa n dd i s a d v a n t a g e s0r g e n e t i ca l g o r i t h ma n da n ta l g o r i t h m s o t h et h e s i sp r o p o s e st h ea l g o r i t h mt h a tc o m b i n e g e n e t i ca l g o r i t h ma n da n ta l g o r i t h mt os o l v et h ep r o b l e m t h a ti st os a y ，w ef ir s t s o l v et h e p r o b l e mo fv e h i c l er u n n i n gr o u t e w i t ha n t a l g o r i t h m ，t h e ns o l v et h e p r o b l e mo fa l l o c a t i v ea m o u n tw i t hg e n e t i ca l g o r i t h m f i n a l l yt h es i m u l a t i o no n s o m e e x a m p l e s a r ec a r r i e d t h r o u g h a sv a l i d a t i o na n d p r o v e t h e a l g o r i t h m is f e a s i b l e w e n y i n g y i n g ( p a t t e r n r e c o g n i t i o na n di n t e l l i g e n c es y s t e m ) s u p e r v i s e db yw a n g z h i j i e k e y w o r d s ：l o g i s t i c s ，t r a n s p o r t a t i o n ，o p t i m i z a t i o n ，g e n e t i ca l g o r i t h m ，a n ta l g o r i t h m 基于智能优化算法的面向业务承接的运输优化问题研究 史信息( 这与a c s 算法的调整方案有点类似) ：为了避免算法过早收敛于 并非全局最优的解，将各条路径可能的外激素浓度限制于 tmin ，t ma x ，超出这个范围的值被强制设为tmin 或者是ti t l a x ，可以 有效地避免某条路径上的信息量远大干其余路径，使得所有的蚂蚁都集 中到同一条路径上，从而使算法不再扩散；将各条路径上外激素的起始浓 度设为tmax ，这样便可以更加充分地进行寻优”“。 5 2 基于蚁群算法和遗传算法相结合的模型求解 遗传算法求解路径闳题其中非常重要的一点就是初始种群的选取， 单纯的用遗传算法求解的时候，我们是通过随机的选取城市排序作为一 个染色体，这样的话所得的结果会因为随机性而选择出一些低劣的种 群，所得结果会因为这些低劣的种群产生坏的影响。由于蚁群算法适用 于解决具有复杂约束条件的路线优化问题，所以对于本问题中涉及到的 第一个子问题，即运输车辆行车路线的优化，我们采用蚁群算法来求解。 求解出最佳行车路线后，再求解另外一个子问题一车辆承载量分配方 案，由于遗传算法在求解运算量比较大的问题时速度比较快，所以我们 采用遗传算法来求解这个子问题。 5 2 1 蚁群算法和遗传算法结合的算法步骤 ( 1 ) 设有a n t n u m b e r 个蚂蚁，令a n m u m b e r - = n = 3 0 ( 其中车场是5 个，当前的货物供 应点是1 0 个，货物需求点是1 5 个) 然后将3 0 个蚂蚁分别放在3 0 个节点( 也就是车 场数加上货物供应点以及需求点的数目) 上作为各自蚂蚁的起始位置。 ( 2 ) 根据各个点之间的距离办，求解5 彤，；将气( o ) 5 0 ，( o ) = 1 ( 3 ) 开始循环，每一次循环所得到的最短的城市序列作为初始种群。 f o r ( i n tc y c l e n u m h e r = o ：c y c l e n u m b e r c n ：c y c l e n u m b e r + + ) c n 表示初始 种群个数。 f o r ( i n t k = 0 ：k a n t n u m b e r ：k ”) k 表示每个蚂蚁 5 9 基于智能优化算法的面向业务承接的运输优化问题研究 利用公式 露( f ) = f ；( f ) 可? ( ，) r ；( f ) 蹿# ( f ) k 0 w a l l o w e d o t h e r w i s e 计算选择下一个地点的概率大小，通过轮盘赌法来随机的选择每一 个蚂蚁下一个地点的地址，把地点加入各自蚂蚁的城市t a b u 。( t a b u 用 来存放每个蚂蚁走过地点的次序) 根据公式 勺0 + 1 ) = ( 1 一p ) r o ( t ) + a r , j ( t ) a r g ( t ) = m i 。露 更新矿“( r + 1 ) 和a r 口( f ) 的值， ) a r p 2 0 找出最优路径和结果。将最优路径的城市序列存储在 i n i t a l t a b u c n a n t n u m b e r = 里的i n i t a l t a b u k a n t n u m b e r = 里面。 判断是否满足循环结束条件，是的话结束循环进入下一步，不是的 话，回到( 3 ) 。 ( 4 ) 把zkqx 当作一条染色体，一条染色体就代表从某一个供应点到某一 个需求点之间第g 种货物的运输业务由f 车场出发的第k 种车型的车辆 来完成，承载量为瑞。 ( 5 ) 在i 、j 已知的情况下定义适应度函数。 ( 6 ) 初始化遗传世代g = 1 ：每一代的染色体群的种群数目n ；交叉概率见 变异概率p 。等参数，随机产生初始染色体种群。 ( 7 ) 对种群进行选择，复制，变异，交叉操作 幕于智能优化算法的面向业务承接的运输优化问题研究 ( 8 ) 算法停止。 5 2 2 基于蚁群算法和遗传算法相结合求解的仿真实验 我们用二者相结合的方法来求解上一章的第二个实例。 根据蚁群算法的运算步骤，我们得到最佳行车路线为： 0 1 4 寸b 斗4 _ 且_ 4 _ 岛，d 3 寸呜_ 马 d 4 一码色_ 4 一岛寸4 呻县j 鸣一段一4 辛恳 根据这个最优运输路线得到的最优承载量分配方案是：x ：，；= 1 7 ，4 6 ， 恐5 】2 。2 4 2 5 ，x l l l l 2 1 2 0 4 ，五1 1 2 2 2 8 1 0 ，9 1 1 2 16 8 7 ，x 4 9 1 2 ；7 6 8 ，x 3 7 3 1 = 2 1 9 2 ， 弓7 3 2 = 2 9 3 2 ，而7 3 3 = 1 9 8 0 ，而6 4 l = 3 6 s 8 ，而6 4 2 = 15 2 3 ，x 4 蹦l = 2 7 2 5 ，x 4 2 = 17 0 2 ， x l ”l = 2 9 8 6 ，x 1 2 4 2 = 1 4 、6 5 ，x 2 4 4 1 ；2 6 5 l ，而4 4 2 = 1 6 4 8 ，五3 4 1 = 9 ，2 7 ，五3 4 2 = 2 5 6 6 ， m a x e = 3 8 6 2 5 6 6 。即按照如下的分配方案得到的最大利润是3 8 8 6 2 5 6 6 ： 从当前车场0 】出发的车辆先空车行驶到4 ，然后完成从坞到良的运输业 务，两种车型的承载量分别是1 7 4 6 ，2 4 2 5 ( 而= 1 7 4 6 ，x 2 = 2 4 ，2 5 ) ， 然后从丑：再空车行驶到4 ，完成从码到墨的运输业务，两种车型的车辆 的承载量分别是1 2 0 4 ，2 8 1 0 ( 五= 1 2 0 4 ，乇1 1 2 = 2 8 1 0 ) ，然后再空车从 b 1 到4 ，完成从 到蜀的运输业务，两种车型的车辆的承载量分别是 1 6 8 7 ，7 6 8 ( x 4 9 n = 1 6 8 7 ，x 4 9 1 2 ：7 6 8 ) ；从当前车场0 3 出发的车辆先空车 到呜，完成从呜到马的运输业务，三种车型的车辆的承载量分别是 2 1 9 2 ，2 9 3 2 ，1 9 8 0 ( x ”2 2 1 9 2 ，x m 2 = 2 9 3 2 ，x 3 7 3 3 = 1 9 8 0 ) ；从当前车 场0 4 出发的车辆先空车行驶到 ，完成从a ，到晚的运输业务，两种车型 的承载量分别是3 6 _ 8 8 ，l 5 2 3 ( x 3 6 4 1 = 3 68 8 ，屯2 = l5 2 3 ) ，然后车辆再空 车行驶到a 。，完成从也到岛的运输业务。两种车型的车辆的承载量分别 幕于智能优化算法的面向业务承接的运输优化问题研究 是2 7 2 5 ，1 7 0 2 ( x 4 8 4 1 = 2 7 2 5 ，x 4 8 4 2 = 1 7 0 2 ) ，然后车辆再空车行驶到爿 完成从4 到岛的运输业务，两种车型的车辆的承载量分别是2 9 8 6 ，1 4 6 5 ( 一2 4 】2 2 9 8 6 ，墨2 4 2 2 1 4 6 5 ) ，然后车辆空车行驶到a ：，完成从a 2 到b 的 运输业务，两种车型的车辆的承载量分别是2 6 5 l ，1 6 4 8 ( x 2 4 。l = 2 6 5 1 x 2 4 4 2 = 1 6 4 8 ) ，最后车辆再到4 完成从4 到岛的业务，承载量分别是9 ，2 7 2 5 6 6 ( 鼍3 4 l = 9 2 7 ，x 1 3 4 2 = 2 5 6 6 ) a 我们来求解上苹中的实例3 根据蚁群算法的步骤，我们得到最优行车路线为： d l 寸4 寸马2 斗4 一岛寸4 斗马 0 2 _ 4 _ 最。以_ 目0 4 呻茸。一以寸骂， q _ 爿l _ 最。a 4 哼b _ 以_ 县4 ， 。4 斗4 砷b 1 1 。4 寸b 5 呻代斗b 13 q 寸鸽呻b 8 甘4 一岛 最优承载量分配方案是：砖1 2 l l = 3 6 10 ，蚝2 l = 1 6 6 3 ，巧1 2 = 9 7 2 ， x ；1 2 1 2 。3 3 2 6 ，工1 3 1 1 2 2 2 5 0 ，x u l 2 = 3 5 2 2 ，x 3 7 1 1 2 2 3 6 8 ，x 3 7 1 2 。2 3 0 9 ，x 2 6 2 i = 1 7 2 7 ， x 2 6 2 2 = 1 1 6 8 ，x 2 4 2 1 = 3 8 9 8 ，x 2 4 2 2 = 4 0 4 2 ，x 4 i 1 0 2 l = 3 1 3 9 ，x 4 2 1 0 2 l = 1 4 7 1 ，甄1 1 0 2 2 = 3 5 6 6 ， x 4 2 1 0 2 2 m 4 1 38 ，x 6 1 5 2 l = 2 2 6 9 ，x 6 15 2 2 = 1 0 15 ，爿1 3 l = 3 8 0 0 ，3 1 = 3 1 7 9 ，x 2 = 2 5 1 1 ， 硝3 2 2 3 1 4 1 ，x 4 9 3 1 2 3 0 0 0 ，x 4 9 3 2 2 2 9 7 3 ，x 6 1 4 3 1 2 1 6 10 ，1 4 3 2 2 13 3 0 ，z 5 1 1 4 l = 3 2 8 6 ， x s 4 2 = 6 4 8 ，x ；5 4 = 1 6 6 3 ，x 2 2 5 4 1 = 9 7 2 ，x ：5 4 2 = 2 9 8 2 ，x 2 2 5 4 2 = 3 6 6 7 ，x 6 i3 4 】= 9 3 9 ， k 1 3 4 22 38 4 8 ，屯8 5 l5 18 1 9 ，x 3 8 s 22 2 1 0 3 ，五2 5 i2 3 4 ，9 4 ，。l2 5 2 = 1 0 2 4 ， m a x e = 5 9 3 3 5 2 0 ，即车场0 1 出发的车辆完成从4 到b j ：，a i 到岛，a ，到马 的运输业务，承载量分别是：3 6 1 0 ，16 6 3 ，9 7 2 ，3 3 2 6 ，2 2 5 0 ，35 2 2 ， 2 3 6 8 ，2 3 0 9 ( 。5 1 1 2 i i = 3 6 10 ，x 5 2 1 2 l 】= 1 6 6 3 ，。5 1 1 2 1 2 = 9 7 2 ，x 5 2 1 2 1 2 = 3 3 2 6 ， z n 2 2 2 5 0 ，x 2 2 3 52 2 ，玛7 1 1 2 2 3 6 8 ，屯7 1 2 ：= 2 3 0 9 ) ；从车场0 2 出发的车 基于智能优化算法的面向业务承接的运输优化问题研究 辆分别完成一：到反，一：到只，4 到b l 。，也到置，之间的运输业务，承载 量分别是：1 7 2 7 ，1 1 6 8 ，3 8 9 8 ，4 0 4 2 ，3 1 3 9 ，1 4 7 l ，3 5 6 6 ，4 138 ， 2 2 6 9 ，1 0 15 ( x 2 6 2 l 羔1 7 2 7 ，x 2 6 2 2 = 1 l ，6 8 ， x 2 4 2 l = 3 8 9 8 ，戈2 蛇2 = 4 0 4 2 ， 工：】= 3 1 3 9 ，k 2 啪】= 1 4 7 1 ，一1 0 2 2 = 3 5 6 6 ，_ 2 1 0 2 2 = 4 1 3 8 ， x 6 1 5 2 】= 2 2 6 9 ， x 6 1 5 2 2 = 1 0 15 ) ；从车场0 3 出发的车辆分别完成从4 到目，呜到b 9 ，a 。到吼 的运输业务，承载量分别是3 8 o o ，3 1 7 9 ，2 5 1 1 ，3 1 4 l ，3 0 o o ，2 9 7 3 ， 1 6 1 0 ，1 3 3 0 ( x f t 3 】= 3 8 0 0 ，x i 3 1 = 3 1 7 9 ，x f 】3 2 = 2 5 1 1 ，x ：3 2 = 3 1 4 1 ，x 4 9 3 1 = 3 0 0 0 ， z 4 9 3 2 = 2 9 7 3 ，z 6 1 4 3 1 = 1 6 1 0 ，x 6 2 = 1 3 3 0 ) ：从车场d 4 出发的车辆完成从一，到 b 1 ，a s 到岛，以到马，的运输业务，承载量分别是3 2 8 6 ，6 4 8 ，1 6 6 3 ， 9 7 2 ，2 9 8 2 ，3 6 6 7 ，9 3 9 ，3 8 4 8 ( x 5 1 1 4 l 。3 2 8 6 ，x 5 1 1 4 2 = 6 4 8 ，z = 1 6 6 3 ， 壤4 l ；9 7 2 ，曷m = 2 9 8 2 ，毛2 = 3 6 6 7 ，x b m l ；9 3 9 ，x 6 1 3 4 2 = 3 8 4 8 ) ：从车场q 出发的车辆完成从4 到鸽，4 到岛的运输业务，承载量分别是 x 3 8 5 l = l8 ，1 9 ，x 2 2 2 1 0 3 ，墨2 5 1 2 3 4 ，9 4 ，x 1 2 3 2 = 1 0 ，2 4 。根据如上的分配方案 得到的最大利润是5 9 3 3 5 2 0 。 小结：从以上两个实例可以看出，先采用蚁群算法求解车辆行车路 线，再利用遗传算法求解车辆承载量分配方案得到的最大利润，比用遗 传算法同时求解出车辆行车路线和承载量分配方案得到的最大利润有 明显的提高，充分说明针对本文所建立的数学模型，用蚁群算法和遗传 算法相结合的方法来求解是可行的。 基于智能优化算法的面向业务承接的运输优化问题研究 第六章总结与展望 传统的运输公司一般都是与某些物流公司有着固定的业务关系，也就 说某些物流公司的业务固定由某个或者某些运输公司来完成货物的运 输。但是随着电子商务的发展，运输公司的角色已经发生了变化。越来 越多的物流公司把货运信息发布在网上，运输公司可以根据当前车辆的 实际情况来决策是否承接业务，这实际上让运输公司有了更多的选择机 会。在决策之前，运输公司需要事先预测下某一项或者某几项业务所 能赚取的最大利润，即对整个运输过程进行优化，根据最大利润来判断 是否承接业务，这也就是本文所提出的面向业务承接的运输优化问题。 6 1 主要工作及创新点 ( 1 ) 立足于“厦向业务承按“针对运输中的实际问题，综合考虑各方面 的影响因素，建立了一个数学模型。 ( 2 ) 对于本文所建立的模型，针对模型的复杂度分析，提出把一个大问 题分为求解行车路线和承载量分配方案两个子问题来求解，先用传统的 遗传算法来求解，然后提出用蚁群算法和遗传算法相结合的方法来求解， 并通过仿真实验证明，该方法是可行的。 6 2 展望 ( 1 ) 由于运输是一个非常复杂的问题，在运输的过程中，可能会有很1 多 动态的影响因素，在建立本文的模型时，没有全面考虑到，需要进一步 的分析。 ( 2 ) 关于蚁群算法本身。蚁群算法作为一种新的优化算法，对它的研究 只停留在仿真阶段，尚未能提出一个完善的理论分析，对它的有效性也 没有一个严格的数学解释，所以还不是很成熟，要进一步研究蚁群算法。 ( 3 ) 蚁群算法与遗传算法结合问题。由于时间紧促，在这方面做的工作 有待于进一步完善，还需要通过实验进一步论证可行性。 基于智能优化算法的面向业务承接的运输优化问题研究 参考文献 【13 何明珂，物流中心及其职能，中国物资流通。1 9 9 9 年第1 0 期。 2 张毅，现代物流管理，上海人民出版社，2 0 0 2 。 3 臧建梅，第三方物流一2 1 世纪国际物流发展的新趋势，物流论 坛，1 9 9 9 年第3 期。 4 张明善，唐小我，多车场满载货运车辆优化调度的网络流算法， 系统工程，2 0 0 2 年6 月第1 7 卷第3 期。 5 】郭耀煌，李军，车辆优化调度，成都科技大学出版社，1 9 9 4 。 f 6 】李军，谢秉磊，郭耀煌，非满载车辆调度问题的遗传算法，系 统工程理论方法应用，2 0 0 0 年第9 卷第3 期。 【7 】陈火根，丁红钢，程耀东，物流配送中心车辆调度模型与遗传 算法设计，浙江大学学报，2 0 0 3 年9 月第3 7 卷第5 期。 8 】张得志，凌春雨，多种运输方式的组合优化模型及求解算法， 长沙铁道学院学报，2 0 0 2 年1 2 月第2 0 卷第4 期。 【9 1 丁承民，张传生，刘辉，遗传算法纵横谈，信息与控制，1 9 9 7 年2 月第2 6 卷第l 期。 【1 0 】徐宁，李春光，张健，厥邦，几种现代优化算法的比较研究， 系统工程与电子技术，2 0 0 2 年1 2 月第2 4 卷第1 2 期。 【1 1 陈国良，遗传算法及其应用，北京人民邮电出版社，l9 9 6 。 【1 2 郎茂祥，基于遗传算法的物流配送路径优化问题研究，中国 公路学报，2 0 0 2 年7 月第15 卷第3 期。 【13 】周勇，陈洪亮，蚁群算法的研究现状及其展望，微型电脑应用， 2 0 0 2 年第1 8 卷第2 期。 1 4 】黎锁平，张秀嫒，杨海波，人工蚁群算法理论及其在经典t s p 问题中的实现，交通运输系统工程与信息，2 0 0 2 年2 月第2 卷第1 期。 【15 1 伍文城，肖建，基于蚁群算法的中国旅行商问题满意解，计算 机与现代化，2 0 0 2 年第8 期。 基于智能优化算法的面向业务承接的运输优化问题研究 16 】闻育，吴铁军，基于蚁群算法的城域交通控制实时滚动优化， 控制与决策，2 0 0 4 年9 月第1 9 卷第9 期。 1 7 】胡小兵，黄席樾，蚁群优化算法及其应用，计算机仿真，2 0 0 4 年 5 月第2 l 卷第5 期。 【1 8 胡小兵，袁锐，黄席樾，易继军，蚁群算法原理的仿真研究，计 算机仿真，2 0 0 4 年8 月第2 1 卷第8 期。 f 1 9 1 王文鹏，李万庆，李文华，卢智成，应用遗传算法求解函数优化 问题的程序实现，微机发展，2 0 0 2 年第3 期。 【2 0 周伟，刘粉林，吴灏，王清贤，简单蚁群算法的仿真分析，控制 与决策，2 0 0 3 年5 月第18 卷第3 期。 2 1 汪镭，吴启迪，蚁群算法在连续空间寻优问题求解中的应用，控 制与决策，2 0 0 3 年1 月第18 卷第l 期。 【2 2 a n d r e av o g e l ，c h r i s t i a ng o e r i c k ，w e m e r v o l ts e e l e n ，e v o l u t i o n a r y a l g o r i t h m s f o r o p t i m i z i n g t r a f f i cs i g n a lo p e r a t i o n , n e u r a li n f o r m a t i o n p r o c e s s i n gs y s t e m s ， 2 0 0 0 ，2l ( 2 ) ， 2 3 】m i h a io l t e a n ，e v o l v i n ge v o l u t i o n a r ya l g o r i t h m sf o rf u n c t i o no p t i m i z a t i o n ，i e e e t r a n s a c t i o n so n e v o l u t i o n a r yc o m p u t a t i o n 1 9 9 8 ，1 6 ( 8 ) 。 【2 4 】s m u w e r tv a n o t t e r l o o ，e v o l u t i o n a r ya l g o r i t h m sa n ds c h e d u l i n gp r o b l e m s ， t r a n s a c t i o n so i le v o l u t i o n a r yc o m p u t a t i o n 2 0 0 2 ，1 7 ( 5 ) 2 5 】b o d i n l d ，g o l d e n b l ，r o u t i n g a n ds c h e d u l i n go f v e h i c l e sa n d c r e w s ，c o m p u t e r sa n d o p e r a t i o n sr e s e a r c h ，1 9 8 3 ，1 0 ( 6 ) 。 2 6 d e s r o s i e r s j ，l a p o r t e g ，s a u v e m ，v e h i c l er o u t i n gw i t hf u l ll o a d s ，c o m p u t e r sa n d o p e r a t i o n sr e s e a r c h ，1 9 8 8 ，2 5 ( 8 ) 。 2 7 】d em e u l e m e e s t e rl ，l a p o r t e g ，l o u v e a u x f v ，s e m e t f ，o p t i m a ls e q u e n c i n go f s k i p c o l l e c t i o n sa n dd e l i v e r i e s j o u r n a lo f t h e o p e r a t i o n a l r e s e a r c hs o c i e t y ，1 9 9 7 ，1 7 ( 8 ) 2 8 z h a ok ，w a n g j 。ar e d u c t i o n a l g o r i t h mm e e t i n gu s e r s r e q u i e m e n t s ，c o n t r o lt h e o r y a n d t e c h n o l o g y ，2 0 0 2 ，18 ( 5 ) 【2 9 m d o r i g o ，v m a n i e z z o ，a c o l o m i a n ts y s t e mo p t i m i z a t i o nb y a c o l o n y o f c o o p e r a t i n ga g e n t s i e e et r a n s a c t i o n so ns y s t e m ，m a n ，q b e m e t i c s p a r tb ，1 9 9 6 ，2 6 ( 1 ) 基于智能优化算法的面向业务承接的运输优化问题研究 3 0 l u c am a r i a ，g a r n b a r d e l l aa n dm a r e o d o r i g o ，s o l v i n gs y m m e t r i c a n da s y m m e t r i c t s p ， b y a n tc o l o n i e s ，p r o e i e e i n t c o n f e v o l u f i o n a r y c o m p u t a t i o n ，i e e e e c 9 6 ，1 9 9 6 ，1 9 9 9 ，2 2 ( 1 ) 【31 fm a u f d e rh e i d e ，bv o c k i n g s h o r t e s t p a t hr o u t i n gi na r b i t r a r yn e t w o r k s j o u r n a lo f a l g o r i t h m s ，1 9 9 9 ，3l ( 1 ) ， 3 2 d g o l d f a r b a no ( n m ) - t i m e n e t w o r ks i m p l e a l g o r i t h m f o rt h es h o r t e s tp a t h p r o b l e m o p e r a t i o n sr e s e a r c h ，1 9 9 9 ，4 7 ( 3 ) 3 3 s c v a n o v e r f l o w d e l a ya t s i g n a l i z e d n e t w o r k s t r a n s p o r t a t i o n r e s e a r c h ，1 9 9 1 ， 2 5 a ( 5 ) 【3 3 1 r h a l l t h ef a s t e s tp a t ht h r o u g h an e t w o r k 谢t l lr a n d o m t i m e d e p e n d e n tt r a v e l t i m e t r a n s p o r ts c i e n c e ，1 9 8 6 ，2 0 ( 3 ) ： 3 4 】m a r c od o r i g o ，e r i cb o n a b e a u g u y ，t h e r