配送问题模型
快递员配送路线优化模型
快递员配送路线优化模型摘要如今，随着网上购物的流行，快递物流行业在面临机遇的同时也需要不断迎接新的挑战。
如何能够提高物流公司的配送效率并降低配送过程中的成本，已成为急需我们解决的一个问题。
下面，本文将针对某公司的一名配送员在配送货物过程中遇到的三个问题进行讨论及解答。
对于问题一，由于快递员的平均速度及在各配送点停留的时间已知，故可将最短时间转换为最短路程。
在此首先通过Floyd求最短路的算法，利用Matlab 程序将仓库点和所有配送点间两两的最短距离求解出来，将出发点及配送点结合起来构造完备加权图，由完备加权图确定初始H圈，列出该初始H圈加点序的距离矩阵，然后使用二边逐次修正法对矩阵进行翻转，可以求得近似最优解的距离矩阵，从而确定近似的最佳哈密尔顿圈，即最佳配送方案。
对于问题二，依旧可以将时间问题转化为距离问题。
利用问题一中所建立的模型，加入一个新的时间限制条件，即可求解出满足条件的最佳路线。
对于问题三，送货员因为快件载重和体积的限制，至少需要三次才能将快件送达。
所以需要对100件快件分区，即将50个配送点分成三组。
利用距离矩阵寻找两两之间的最短距离是50个配送点中最大的三组最短距离的三个点，以此三点为基点按照准则划分配送点。
关键字：Floyd算法距离矩阵哈密尔顿圈二边逐次修正法矩阵翻转问题重述某公司现有一配送员，，从配送仓库出发，要将100件快件送到其负责的50个配送点。
现在各配送点及仓库坐标已知，货物信息、配送员所承载重物的最大体积和重量、配送员行驶的平均速度已知。
问题一：配送员将前30号快件送到并返回，设计最佳的配送方案，使得路程最短。
问题二：该派送员从上午8：00开始配送，要求前30号快件在指定时间前送到，设计最佳的配送方案。
问题三：不考虑所有快件送达的时间限制，现将100件快件全部送到并返回。
设计最佳的配送方案。
配送员受快件重量和体积的限制，需中途返回取快件，不考虑休息时间。
符号说明D：n个矩阵nV：各个顶点的集合E：各边的集合e：每一条边ijw:边的权()eG：加权无向图,v v：定点i jC：哈密尔顿圈()f V：最佳哈密尔顿圈i模型的建立一、基本假设1、假设送货员的始终以24千米/小时的速度送货，中途没有意外情况；2、假设送货员按照路径示意图行走；3、假设仓库点为第51点；4、假设送货员回到仓库点再次取货时间不计。
两级分销网络选址_配送问题的模型及算法
计算机集成制造系统
Ｃ ｏ ｍ ｕ ｔ ｅ ｒ Ｉ ｎ ｔ ｅ ｒ ａ ｔ ｅ ｄ Ｍ ａ ｎ ｕ ｆ ａ ｃ ｔ ｕ ｒ ｉ ｎ Ｓ ｓ ｔ ｅ ｍ ｓ ｐ ｇ ｇ ｙ
Ｖ ｏ ｌ ． １ ８Ｎ ｏ ． １ １ Ｎ ｏ ｖ ． ２ ０ １ ２
； 。Ｒ 收稿日期 ： 修订日期 ： ２ ０ １ １ ０ ９ １ ４ ２ ０ １ １ １ １ ０ ７ ｅ ｃ ｅ ｉ ｖ ｅ ｄ １ ４Ｓ ｅ ． ２ ０ １ １； ａ ｃ ｃ ｅ ｔ ｅ ｄ ０ ７Ｎ ｏ ｖ ． ２ ０ １ １． － － － － ｐ ｐ ；中 央 高 校 基 本 科 研 业 务 费 资 助 项 目 基金项 目 ：教 育 部 人 文 社 会 科 学 研 究 规 划 基 金 资 助 项 目 （ １ １ Ｙ Ｊ Ａ ７ ９ ０ １ ６ ４， １ ０ Ｙ Ｊ Ａ ７ ９ ０ ０ ２ ０） （ ） 。Ｆ ： １ ０ ５ ０ １ Ｂ １ ０ ０ ９ ６ ０ ０ １ ｏ ｕ ｎ ｄ ａ ｔ ｉ ｏ ｎ ｉ ｔ ｅ ｍ ｓ Ｐ ｒ ｏ ｅ ｃ ｔ ｓ ｕ ｏ ｒ ｔ ｅ ｄ ｂ ｔ ｈ ｅ Ｈ ｕ ｍ ａ ｎ ｉ ｔ ｉ ｅ ｓ ａ ｎ ｄ Ｓ ｏ ｃ ｉ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｆ ｕ ｎ ｄ ｏ ｆ Ｍ ｉ ｎ ｉ ｓ ｔ ｒ ｏ ｆ Ｅ ｄ ｕ ｃ ａ － ｏ ． １ １ Ｙ Ｊ Ａ ７ ９ ０ １ ６ ４， １ ０ Ｙ Ｊ Ａ ７ ９ ０ ０ ２ ０） ｈ ｅ Ｆ ｕ ｎ ｄ ａ ｍ ｅ ｎ ｔ ａ ｌ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｆ ｕ ｎ ｄ ｓ ｆ ｏ ｒ ｔ ｈ ｅ Ｃ ｅ ｎ ｔ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｉ ｅ ｓ ｈ ｉ ｎ ａ（ Ｎ ｏ ． ） １ ０ ５ ０ １ Ｂ １ ０ ０ ９ ６ ０ ０ １ ．
物流配送优化模型及算法综述
物流配送优化模型及算法综述一、物流配送问题概述物流配送问题是指在给定的时间窗口内，从指定的供应点或仓库将货物分配到指定的需求点或客户，并通过最优路线和车辆载重量进行配送的问题。
其目标是通过合理的路线安排、货物装载和车辆调度，使得整个物流系统的运营成本最小化，同时满足各种约束条件。
二、物流配送优化模型1.车辆路径问题（VRP）车辆路径问题是物流配送问题的经典模型，主要考虑如何确定最佳配送路线和货物装载方案，以最小化总行驶成本或最大化配送效率。
其中常用的模型包括TSP（Traveling Salesman Problem）、CVRP（Capacitated Vehicle Routing Problem）和VRPTW（Vehicle Routing Problem with Time Windows）等。
2.货车装载问题（BPP）货车装载问题是指在给定的车辆装载容量限制下，如何合理地将货物装载到车辆中，以最大化装载效率或最小化装载次数。
该问题常常与VRP结合使用，以使得整个配送过程达到最优。
3.多目标物流配送问题多目标物流配送问题是指在考虑多种目标函数的情况下，如何找到一个平衡的解决方案。
常见的多目标函数包括成本最小化、配送时间最短化、节能减排等。
解决该问题常常需要使用多目标优化算法，如遗传算法、粒子群算法等。
三、物流配送优化算法1.精确求解算法精确求解算法是指通过穷举所有可能的解空间，找到最优解的方法。
常用的精确求解算法包括分支定界法、整数规划法、动态规划法等。
这些算法可以保证找到最优解，但在规模较大的问题上效率较低。
2.启发式算法启发式算法是指通过设定一些启发式规则和策略，寻找近似最优解的方法。
常用的启发式算法包括贪心算法、模拟退火算法、遗传算法等。
这些算法在求解复杂问题时效率较高，但不能保证找到最优解。
3.元启发式算法元启发式算法是指将多种启发式算法结合起来，形成一种综合的解决方案。
常用的元启发式算法包括蚁群算法、粒子群算法等。
物流配送优化模型及算法综述
物流配送优化模型及算法综述随着互联网和电商的发展，物流配送的重要性越来越受到关注。
物流配送的效率直接关系到企业运营的成本和客户满意度，因此，如何优化物流配送成为了重要的问题。
目前，随着信息技术和数学模型的发展，物流配送优化模型及算法也日渐成熟。
本文将对物流配送优化模型及算法进行综述。
一、物流配送优化模型物流配送优化模型主要分为单一时间窗口模型和多时间窗口模型两类。
1. 单一时间窗口模型单一时间窗口模型是指整个配送过程中，每个客户的配送时间窗口都是相同的。
该模型通常采用的是车辆路径问题（Vehicle Routing Problem, VRP）模型。
VRP模型一般会考虑以下多个因素：客户需求量、车辆容量、时间窗口、路线长度、人力成本等。
其中，车辆路径规划是最重要的一环。
在车辆路径规划时，需要考虑配送顺序和路线，使得每个配送点的需求得到满足，同时尽量缩短路径长度和时间成本。
近年来，多种求解VRP问题的算法被提出。
例如，Tabu搜索、模拟退火、粒子群优化等。
这些算法主要基于启发式算法，能够有效地解决VRP问题。
2. 多时间窗口模型多时间窗口模型是指每个客户的配送时间窗口不同，该模型通常采用的是遗传算法（Genetic Algorithm, GA）模型。
GA模型的迭代过程包括评估当前解的质量、选择优良的解、通过交叉和变异生成新的解。
这样的迭代过程以欧几里得距离作为距离函数，可实现基于时间窗口的最优解搜索，进而有效提升物流配送效率。
二、物流配送优化算法1. Ant Colony Optimization蚁群算法（Ant Colony Optimization, ACO）是基于蚂蚁寻路行为的一种启发式算法。
该算法主要通过模拟蚂蚁在寻找食物时释放的信息素来构造解空间。
在物流配送中，该算法可用于规划车辆路径，寻找最佳路线。
2. Particle Swarm Optimization粒子群优化算法（Particle Swarm Optimization, PSO）也是一种启发式算法。
同时取送货问题数学模型
同时取送货问题数学模型
同时取送货问题（也称为OV-VRPSDP问题）是一个组合优化问题，涉及到车辆路径规划、车辆装载和配送策略。
这个问题的目标是确定一组最优的配送路线，使得车辆能够在满足客户需求的同时，实现总成本的最小化。
以下是该问题的数学模型：
1. 定义变量：
设客户集合为C，其中C={c1, c2, ..., cn}；
设车辆集合为V，其中V={v1, v2, ..., vm}；
设路径集合为P，其中P={p1, p2, ..., pm}；
设时间窗集合为T，其中T={t1, t2, ..., tn}；
设车辆容量为Q；
设距离矩阵为D，其中D=[dij]n×n，表示从客户ci到客户cj的距离；
设每个客户的取货量与送货量为Gi=[gi1, gi2, ..., gim]，每个客户的送货量与取货量分别为Hi=[hi1, hi2, ..., him]。
2. 建立目标函数：
最小化总行驶距离：min z = Σ Pij L(pi,pj) U(pi,pj) W(pi,pj) T(pi,pj) R(pi,pj)
约束条件：
+ 每辆车只访问一个客户；
+ 每辆车的货物装载量不超过容量限制Q；
+ 每个客户的需求必须满足且只能被访问一次。
3. 求解模型：采用启发式算法、元启发式算法、精确算法等求解该模型。
常用的求解算法包括遗传算法、蚁群算法、模拟退火算法等。
需要注意的是，这个问题的数学模型比较复杂，涉及到多个决策变量和约束条件。
因此，在实际应用中，通常需要借助专业的优化软件或算法库进行求解。
物流配送车辆调度模型
一般配送费用由车辆费用、工资费用、延迟费用和等待费用组成。
车辆费用由燃料费、折旧费和维修费等变动费用组成，中心根据经营情况可核算出每车公里应摊的车辆费用。
工资费用根据途中工作时间计算，若工作时间超过8小时，则超时部分应按加班补助计算。
客户通常要求货物在一定时间窗范围内送达，否则中心需支付惩罚费用。
若提前到达，支付等待费用；若延迟到达，支付延迟费用。
设单一配送中心向l 个客户送货，第i 个客户货运量g i 为，卸货时间为i ut ，时间窗为[i et ，i lt ],每小时延迟费用i r ,中心与客户、客户与客户两两间的最短运距、平均车速和车辆费用分别为ij ij ij r v d 和、(i,j=0,1,2…,l;0表示配送中心)；可用m 类卡车送货，第p 型卡车有p n 辆，装载容量为p v (p=0,1,2,…，m)；每小时等待费用为r ，行车补助和加班补助分别为每小时s 和es ；途中运行到中午12：00和下午6：00时安排30分钟吃饭时间，车辆当天返回配送中心，再设pg n 为第p 类车的第q 辆配送的需一求点数(pg n =0表示未使用第p 类车的第q 辆车)，确定车辆调度方案。
4.2.2 物流配送车辆调度模型根据上述对问题的描述，可以构造数学模型，定义变量：⎩⎨⎧),(0),(1j i pq j i pq x ijpq 经过弧段表示车辆经过弧段表示车辆⎩⎨⎧=送货不给顾客表示车辆送货给顾客表示车辆i pq i pq y ipq01 得到配送调度模型如下： 目标函数：∑∑∑∑∑∑∑∑========+-∙+∙+∙+=li l i i i l i illj mp mp n q pq pqn q ijpq ijij t r lt t res t e s tx r dMinZ pp11i 01111)()0,max()(ωωω（4.3）约束条件：∑=≥li i t t f l1%80)(1（4.4）pli ipq iv y g≤∑=1（4.5）l i y mp n q ipq p，，， (21111)==∑∑== （4.6）pq l j y x jpqli ijpq ∀==∑；，，，...10 （4.7）pq l i y x ipq lj ijpq ∀==∑=；，，， (101)（4.8）式中：（4.3）为目标函数，即使车辆在完成配送任务时的最小配送费用； （4.4）为顾客满意度约束，即：每一顾客满意度的平均值必须到80%以上；（4.5）为车辆的能力约束，即：某一车辆所访问的全部客户的需求量不能超过车辆本身的载重量；（4.6）确保顾客i 仅由第p 类车的第q 辆车完成配送任务；(4.7) (4.8) 为到达某一顾客的车辆唯一性约束，即每一顾客仅由一辆车服务；其中，)(i i t ω表示当顾客i 的开始时间为i t 时，车辆在顾客i 处的等待时间:ij ij j j i v d ut t t /++=,j 为i 的前一个站点，当i t <12且j t ≧12,或j t <18且j t ≧18，有5.0+=j j t t ；)8,min(0'0t t t pq -=ω，)0,8max(0'0--=t t t e pq ω，0t 为发车时间，'0000/t v d et t i i i -=为收车时间。
货物配送的最优化设计的数学模型
货物配送的最优化设计的数学模型一、问题的提出。
一公司有二厂,分处a,b两市,另外还有4间具有存贮机构的库房,分别在p,q,r 和s市,公司出售产品给6家客户c1,c2,c3,…,c6,由各库房或直接由工厂向客户供货,配送货物的费用由公司负担单价见下表:受货者供货者a市厂b市厂p库房q r sp库房0.5-q库房0.50.3r库房1.00.5s库房0.20.2客户c11.02.0-1.0--c2--1.50.51.5-c31.5-0.50.52.00.2c42.0-1.51.0-1.5c5---0.50.50.5c61.0-1.0-1.51.5注单位:元/吨:划“-”表示无供货关系.某些客户表示喜欢由某厂或某库房供货,计有:c1—a市厂c2—p库房c5—q库房c6—r库房或s库房a市厂月供货量不能超过150千吨,b市厂月供货量不能超过200千吨.各库房的月最大流通量千吨数为:库房p q r s流通量705010040各客户每月所必须满足的供货量为(单位:千吨)客户c1c2c3c4c5c6要求货量501040356020公司希望确定以下事项:1)如何配货,总费用最低?2)增加工厂和库房的生产能力对配送费用的影响是什么?3)费用单价,工厂和库房生产能力以及客户对供货量的最低要求等,各微小变化对配货方案的影响是什么?4）能不能满足各客户对供货者的喜好选择?如果满足,会引起配送费用提高多少?二、摘要。
在公司给客户配送货物的过程中,有两种情况,一种是由工厂直接向客户提供货物,另一种是由库房向客户提供货物,再结合运输的费用问题我们建立了这个货物配送的最优化设计的数学模型.在这个模型中,我们考虑到了以下几点:1.为了保证模型的一般性,我们不考虑不能配送的问题,对所有可能的运输都设了未知量来建立模型,然后根据模型的条件在处理单价时将不可能运货路线的运输价格设为”无穷大”,在实际处理中给予比一般数据高数量级的数据来进行运算.2.我们将模型中的对象分为三层,第一层为供货者,第三层为受货者,第二层既可以为供货者也可以为受货者,为了使模型更直观,我们在第二层里引入a,b两个工厂加入库房的行列,然后将a,b向a,b运货设为不可能运货路线.3.在模型解答中,因为计算量庞大,为了节约时间,我们调用了matlab里的最优化方法的函数来进行运算.4.另外，在模型的解答过程中，由于运输的单价的相同，我们还发现在满足配送费用最低的情况下配送方案并不唯一，其主要不确定因素我们在模型中给予了讨论。
数学建模—货物配送问题
数学建模—货物配送问题本文将会探讨货物配送问题，其中会使用到数学建模的方法来解决。
问题描述假设有 $n$ 个城市需要被配送货物，每个城市之间的距离是已知的 $d_{i,j}$，其中 $d_{i,j}$ 表示第 $i$ 个城市和第 $j$ 个城市之间的距离。
需要找到一种合理的方案使得每个城市都能够被配送到且总的成本最小。
模型建立这是一个典型的旅行商问题，可以使用线性规划的方法来解决。
我们设 $x_{i,j}$ 表示是否从城市 $i$ 转移到城市 $j$，则可以得到以下的规划模型：$$\begin{aligned}\min \quad & \sum_{i=1}^n \sum_{j=1}^n d_{i,j} x_{i,j} \\s.t. \quad & \sum_{j=1}^n x_{i,j} = 1, \quad i=1,\cdots,n \\& \sum_{i=1}^n x_{i,j} = 1, \quad j=1,\cdots,n \\& u_i - u_j + nx_{i,j} \leq n-1, \quad i,j=2,\cdots,n, i \neq j \\& x_{i,j} \in \{0,1\}, \quad i,j=1,\cdots,n\end{aligned}$$其中，第一个约束是保证每个城市都恰好被访问一次，第二个约束也是保证每个城市都恰好被访问一次，第三个约束是 TSP 约束条件。
结论通过进行线性规划求解，可以求得货物配送问题的最优解。
当然，对于特别大的问题，我们还可以使用遗传算法等启发式算法来解决。
通过本文的学习，相信大家可以掌握货物配送问题的建模方法，并且对于线性规划方法有更深入的了解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
配送问题模型一、摘要本文通过给出运输公司为十个客户配送货物，从第i个客户到第j个客户的路线距离（单位公里），求出最短的路径，即最短路径法。
针对问题一、二，要求出第i个客户到第j个客户的最短路径。
这个问题可以使用图论的方法解决。
我们分别用1,2 ，…，10十个点表示从第i个客户到第j个客户的位置，再把所有的点对都用边连接起来，边（i，j）上赋以数值w ij,它表示从第i个客户到第j 个客户的距离。
因此使用Dijkstra(迪杰斯特拉)算法求出这个问题的最优策略，得到最短距离。
Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。
主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。
针对问题三，我们首先直接利用问题二得一辆车的最优回路，以货车容量为限定条件，建立相应的规划模型并设计一个简单的寻路算法，最终可为公司确定合理的一号运输方案:两辆车全程总和为295公里；然后建立线性规划模型得出二号运输方案：两辆车全程总和为290公里；最后再进一步优化所建的线性规划针对问题四，我们首先用Dijkstra算法确定提货点到每个客户点间的最短路线，然后结合一些限定条件建立一个目标模型，设计一个较好的解决方案进行该方案得到运输总费用是645元。
关键词：Dijkstra(迪杰斯特拉)算法最短路径二、问题重述某运输公司为10个客户配送货物，假定提货点就在客户1所在的位置，从第i个客户到第j个客户的路线距离（单位公里）用下面矩阵中的i j=位置上的数表示（其中∞表示两个客户之间无直接的路线到(,)i j(,1,,10)达）。
123456789101050402530502500303550603300153050256044015045305520406552515450601030556503030600255535730501025030456086025203055300109204015254502010352010452060300∞∞∞∞⎡⎢∞∞∞∞⎢⎢∞∞∞⎢∞⎢⎢∞∞⎢∞∞⎢⎢∞∞⎢∞∞⎢∞∞∞∞∞⎣⎤⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎢⎥⎢⎥⎢⎥⎦图（一）分别解决以下问题：1、运送员在给第二个客户卸货完成的时候，临时接到新的调度通知，让他先给客户10送货，已知送给客户10的货已在运送员的车上，请帮运送员设计一个到客户10的尽可能短的行使路线（假定上述矩阵中给出了所有可能的路线选择）。
2、现运输公司派了一辆大的货车为这10个客户配送货物，假定这辆货车一次能装满10个客户所需要的全部货物，请问货车从提货点出发给10个客户配送完货物后再回到提货点所行使的尽可能短的行使路线？对所设计的算法进行分析。
3、现因资源紧张，运输公司没有大货车可以使用，改用两辆小的货车配送货物。
每辆小货车的容量为50个单位，每个客户所需要的货物量分别为8，13，6，9，7，15，10，5，12，9个单位，请问两辆小货车应该分别给那几个客户配送货物以及行使怎样的路线使它们从提货点出发最后回到提货点所行使的距离之和尽可能短？对所设计的算法进行分析。
4、如果改用更小容量的车，每车容量为25个单位，但用车数量不限，每个客户所需要的货物量同第3问，并假设每出一辆车的出车费为100元，运货的价格为1元/公里（不考虑空车返回的费用），请问如何安排车辆才能使得运输公司运货的总费用最省？四、 问题分析对于问题一，它是在运送员给第二个客户卸货完成的时候，才临时接到新的调度通知，让他先给客户10送货，并且送给客户10的货已在运送员的车上，为了帮运送员设计一个到客户10的尽可能短的行驶路线。
所以，可以考虑用图论的方法来解决。
在这里，我们分别用1,2，…，10十个点表示这十个客户所在的位置，并根据矩阵中的信息将其有路线的点连接起来，边（i,j ）(i,j=1,2,…，10)上赋予数值w ij 它表示从第i 个客户到第j 个客户的总路程。
因此我们可以画出运送员的路线选择图，再运用Dijkstra 算法求出这个问题的最短的行驶路线。
对于问题二，它所要求的是货车从提货点出发给10个客户配送完货物后再回到提货点所行驶的尽可能短的行驶路线。
因此可以类似地运用问题一的解决方法来进行求解。
方案一： 方案二：⎪⎪⎩⎪⎪⎨===⋯==-250}10,32{s },1{1551w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨===⋯==-250}10,32{s },1{1551w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-250}109,8,6,4,32{s },7{7667w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-100}109,8,7,6,4,3,2{s },5{5775w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-300}109,8,4,32{s },6{6336w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-300}109,8,4,32{s },6{6446w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-150}109,8,4,2{s },3{3443w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-150}109,8,3,2{s },4{4334w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-20}109,82{s },4{4884w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-250}109,82{s },3{3883w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-100}109,2{s },8{8998w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-100}109,2{s },8{8998w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-200}10,2{s },9{10.9109w l l s ）（）（⎪⎪⎩⎪⎪⎨⎧=====-200}10,2{s },9{10.9109w l l s ）（）（⎪⎪⎩⎪⎪⎨=====-200}2{s },10{2.10210w l l s ）（）（⎪⎪⎩⎪⎪⎨=====-200}2{s },10{2.10210w l l s ）（）（⎪⎪⎩⎪⎪⎨⎧=====-500}1{s },2{2112w l l s ）（）（⎪⎪⎩⎪⎪⎨⎧=====-500}1{s },2{2112w l l s ）（）（根据方案一，尽可能短的路线为：121098436751→→→→→→→→→→；L 总=25+10+25+30+15+20+10+20+20++50=225根据方案二，尽可能短的路线为：121098346751→→→→→→→→→→；L 总=25+10+25+30+15+25+10+20+20++50=230 因此，方案一的路径小于方案二，故采用方案二。
对于问题三： 对于问题四：四、模型假设（1）假定图（一）矩阵中给出了所有可能的路线选择； （2）w ij 它表示从第i 个客户到第j 个客户的总路程 (3) ∞表示两个客户之间无直接的路线到达； (4) 针对问题四，不考虑空车返回的费用；五、模型的建立与求解问题一求解：图（二）根据Dijkstra 算法求出这个问题的最优策略，过程如下：⎪⎩⎪⎨⎧=+=⋯==-45)3(}10,5,4{},3,2{344w l l s s ）（， ⎪⎩⎪⎨⎧==⋯==-35}10,6,5{},4,3,2{255w l s s ）（， ⎪⎩⎪⎨⎧====-50}10,9,8,7,6{},5,4,3,2{266w l s s ）（⎪⎩⎪⎨⎧=+=+===-451035)5(}10,9,8,7{},6,5,4,3,2{577w l l s s ）（⎪⎩⎪⎨⎧=+=+===-552530)3(}10,9,8{},7,6,5,4,3,2{388w l l s s ）（⎪⎩⎪⎨⎧=+===-65)8(}10,9{},8,7,6,5,4,3,2{899w l l s s ）（⎪⎪⎩⎪⎪⎨⎧===⋯==-300}10,4,3{s },2{2332w l l s ）（）（，⎪⎩⎪⎨⎧=+===-85)9(}10{},9,8,7,6,5,4,3,2{10.910w l l s s ）（问题二求解：按照Dijkstra 算法求出这个问题的最优策略，过程如下：⎪⎪⎩⎪⎪⎨⎧===⋯==-250}10,32{s },1{1551w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-100}109,8,7,6,4,3,2{s },5{5775w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-250}109,8,6,4,32{s },7{7667w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-300}109,8,4,32{s },6{6336w l l s ）（）（，， ⎪⎪⎩⎪⎪⎨⎧=====-150}109,8,4,2{s },3{3443w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-200}109,82{s },4{4884w l l s ）（）（，，⎪⎪⎩⎪⎪⎨⎧=====-100}109,2{s },8{8998w l l s ）（）（， ⎪⎪⎩⎪⎪⎨⎧=====-200}10,2{s },9{10.9109w l l s ）（）（⎪⎪⎩⎪⎪⎨⎧=====-200}2{s },10{2.10210w l l s ）（）（⎪⎪⎩⎪⎪⎨⎧=====-500}1{s },2{2112w l l s ）（）（所以，尽可能短的路线为：121098436751→→→→→→→→→→； L 总=25+10+25+30+15+20+10+20+20++50=225 问题四求解：由分析知可以建立问题的模型（目标函数）：()k Lue LEN Z +=400m in依解决方案，能得出运输公司所派出的4辆车所走的路线及每条线上的货物总需求量如下表： 、显然每条发车路线上的货物总需求量均不会超过货车的容量25，故方案可行；则公司运货的总费用：()()()()6457055804040040010681=++++=++++=Lue LEN Lue LEN Lue LEN Lue LEN Z。