随机需求点下分批配送VRP模型的优化算法研究

本文主要探讨了城市配送中需求点不确定性对分批配送车辆路径问题（Split Delivery Vehicle Routing Problem, SDVRP）的影响，并提出了一种创新的解决方案。作者石建力和张锦针对这一实际问题，结合随机需求点，构建了一个修正的随机规划模型。该模型考虑了分批配送的特点，即车辆可能根据需求的变化动态调整配送批次，这在现实情况下是非常实用的。 他们采用了先验优化策略，这是一种预先设定目标并不断调整的方法，以提高求解效率。在自适应大邻域搜索算法框架内，他们引入了一种改进的分割插入算子，这是一种局部搜索策略，通过将待插入的客户划分成多个部分并分别插入到当前路径的不同位置，以寻求更优解。 在调整后的Solomon算例测试中，结果表明，允许分批配送的策略在大多数情况下能够降低配送成本，相比于不允许分批配送的传统方法，显示出明显的效益。通过对算法执行过程中的算子权重分析，确定性最差删除算子和随机删除算子在处理随机需求点时表现优异，它们能够有效地去除不理想的路线段或客户需求。贪婪插入算子和后悔插入算子则在保持效率的同时，能够逐步优化路径。 然而，尽管分割插入算子的权重较低，但它对整体解决方案的质量有着决定性的影响。这是因为分割操作能够精细地处理复杂的需求组合，从而产生显著的优化效果。本文的研究为解决城市配送中随机需求点的分批配送问题提供了有效的数学模型和算法支持，这对于物流行业的实际运营具有重要的指导意义。