不确定性VRP问题模型和混合算法

鼍#鳓进剐科 T咿 i瞳V I卧’ ll笋 I啦p l鼍pl伽’ I转p 惦Ⅳ化f墩p 甘期悯(s). I洲 l飘p l舅JIW l舅l H# l孙’ I 54PI外】 lHp l科p 从表2可以看出:用爬山遗传算法对简例的10次求解所得到的配送总里程的平均值为 122.o蹦,该计算结果优于遗传算法的计算结果。配送总里程比遗传算法减少了12%,也优于爬山算法的计算结果。从求解效率来看,爬山遗传算法的平均计算时间为1.54s,该计算时间短于遗传算法的时间,但长于爬山算法的计算时间。 4结论本文通过构建双目标相关机会约束随机规划模型和爬山遗传算法研究了不确定性VRP问题。并根据以上简例计算结果,可得到如下结论:将局部搜索能力很强的爬山算法和遗传算法不确定性VRP问题模型和混合算法 81 结合,从而构造不确定VRP问题的爬山遗传算法,可以在一定程度上克服遗传算法在局部搜索能力方面的不足,也能克服爬山算法在全局搜索能力方面的不足.从而得到比基本遗传算法和爬山算法更优的计算结果。显示了较好的寻优性能。参考文献[1]束瑞ITs运输管理模式及决策优化研究[R】.博士后科研工作报告.北方交通大学,1999.1. [2]何世伟.等.复合遗传算法的计算特征分析[R].国家自然科学基金项目研究总报告.北方交通大学,2002 [3]周明.等遗传算法原理及其应用[M].北京:国防工业出版社,1997. [4]席裕庚.柴天佑遗传算法综述[J].控制理论与应用.1996,13(6):687—708. [5]P邓adiⅢitriou CH.Steiglitz K.组合最优化算法和复杂性呲].刘振宏等译.北京:清华大学出版社,1988 [6]杨浩.模型与算法[M].北京:北方交通大学出版社,2002. 作者简介沈鹃,现就读北方交通大学,攻读系统理论理学硕士学位,主要研究方向是不确定决策在交通运输领域的应用.