带容量约束的车辆路径问题算法综述
价值工程
0引言
带容量约束的车辆路径问题（Capacitated Vehicle Routing
Problem ，CVRP
）一直是学术界的NP 难题，给定约束条件，每个具体问题的解空6间是有限的，即原则上有最优解存在，但在实际问题中，确定解的求解非常复杂，随着顾客数目的增加使得CVRP 的计
算量呈指数增长[1]
，因而CVRP 被广泛用来测试新算法及新优化方法的性能。CVRP 问题的解决也具有巨大经济价值，因其在交通运输，物流分发，大型运输包装公司广为存在。有些汽车路径问题
（Vehicle Routing Problem ，VRP
）的算法经过微小修改即可应用于CVRP 问题中，
故本文也将包含这些算法。1CVRP 的基本原理
CVRP 问题中若干顾客被一组汽车服务，这些汽车从仓库出发，沿途为不同的顾客送货。每辆汽车具有相同运送容量上限，每位顾客具有特定的货物量需求，每位顾客只能被一辆车服务，所有的汽车从仓库出发回到仓库，一辆车不能在同一个非仓库结点停留多次，所有的汽车都不能超载，一条路径上所有结点（客户）的需求之
和不能超过一辆汽车的最大容量。
简单以所有汽车行驶的距离总和来衡量一个解的质量，且要求花费最少。
2精确方法
精确方法使用纯优化方法，例如线性规划，用来解决约束简单的小型CVRP 问题。
2.1Brute-force 方法Brute-force 方法最简单的构造过程如下：初始路径都为空，重复扩展当前路径，对于当前结点要么结束当前路径开始新的路径的扩展，要么选择一些新的结点作为下次访问的对象。Brute-force 方法在顾客数量和车辆数量稍大时就会立刻变得特别复杂，所以即使再巧妙地设计与实现此算法，使用此方法也几乎很难找到最优解。
2.2Branch-and-bound 方法此算法为查找算法，不断地为每个结点选择孩子结点直到得到最终路径的过程。在为每个结点选择孩子结点的时候，衡量每个孩子结点，为这些孩子结点设置下限，然后不断地选择带有最好下限的孩子结点来扩展路径。[2]中的算法为最好的精确方法。
3启发式算法
启发式算法用提供近似最优解的方式来解决具有复杂限制的中、大型CVRP 问题。
3.1基于人工智能的方法①构造算法。从一个空路径开始，
不断扩展这条路径，保持总花费最小。Bodin 等人于1983年提出了最
近邻居插入法（Nearest Neighbor Insertion ，NNI ）[3]
，为此类算法的代表。②基于节省的算法：从若干小路径开始，在保证改进解性能的前提下不断合并相应路径（合而治之的策略）。其中引用最多的方法是
CWS 算法[4]
，CWS 算法也是针对CVRP 使用最为广泛的启发式算法。
大部分用CWS 解决CVRP 问题的论文都致力于将CWS 与其他启
发式算法或者元启发式算法结合来得到改进的CWS 算法[5]。
3.2集合划分方法集合划分方法（Set partitioning heuristics ）又叫瓣式方法，从最基本的sweep [6]
方法开始，
由较好路径集合的子集组成，子集中每条汽车路径被称为一瓣。这种方法假设所有顾客结点分布在一个平面上。基于早期的sweep 方法[6]，Foster 与Ryan 于
1976年[7]，Ryan 等于1993[8]，Renaud 等于1996年[9]
分别提出更加复杂的算法，且针对CMT 测试集都可以得到较好的结果。
3.3先分群再定线先分群再定线（Cluster-First ，Route-Second
）方法先把结点（或弧）的需求进行分组或划群，然后对每一组以路线费用最小化为目标设计一条经济的路线，通过应用一些旅行商问题的启发式算法或精确算法来得到每辆车的行车路线。
4元启发式算法
以启发式算法为基础，并与其一致，元启发式算法以计算近似最优解的方式来解决具有复杂限制的中、大型CVRP 问题。
4.1局部搜索算法局部搜索的实质是指，每一步在搜索空间从当前解向其邻居解移动以最终找到一组近似最优解。传统的局部搜索算法有[10]：禁忌搜索，模拟退火算法，确定性退火技术，以及邻居搜索算法。禁忌搜索算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，同时通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效探索以最终实现全局优化。禁忌搜索算法被认为是当前解决CVRP 问题的最好的启发式算法[11,12]，从而在CVRP 相关论文中被广泛采用。
4.2种群搜索遗传算法（Genetic Algorithm ，GA
）被认为是当前最好的种群搜索（Population search ）算法，GA 是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan 大学J.Holland
教授于1975年首先提出[13]
。已知的所有应用于CVRP 问题的GA 算法都与局部搜索结合起来，用以改进后代的质量[14,15]。
4.3基于学习机制的算法最常用的学习机制的算法为蚁穴算法，Reimann 等于2004年成功地将蚁穴算法应用于VRP 问题[16]。蚁穴算法中，到达食物的路径越短其上的信息素积累越快，对应于
CVRP 问题，
这个思想可以转换为逐渐为解集中出现次数多的边增加权重。
5总结与展望
CVRP 属于组合优化问题，
它与旅行商问题以及背包问题都很类似，但是CVRP 问题却远比这两个问题复杂得多，论文数量显示
CVRP 问题依旧是一个活跃的、
具有挑战性的领域。迄今为止，最好的精确方法全都基于分枝剪枝（branch-and-cut ）方法，但也只能解
决最多100个顾客结点的问题，
且其性能在各种不同数据规模面前表现不一致。平均表现最优的算法类型当首选元启发式算法，有些元启发式算法可以得到与最优解仅相差1%以内的高质量解，且这些算法大多采用的是局部搜索、遗传搜索或者将两者结合的方法。CVRP 新算法主要集中在以下方面：①结合CVRP 问题的动态性及随机性的特点，将蒙特卡洛方法等数值计算方法与传统的启发式算法结合得到新的CVRP 问题求解方法。
②在传统的启发式算法计算得到的初始解之上应用诸如蚁群算法等遗传算法来改进初始
解。③将节省算法与蚁群算法的思想融合，把信息素浓度和边上的——————————————————————
—基金项目：西北农林科技大学留学回国人员科研启动费项目（2009信息
01号
）。作者简介：晁晓菲（1981－），女，陕西临潼人，讲师，硕士，研究方向为多目标优化与决策支持；杨晓龙（1976-），男，陕西咸阳人，讲师，硕士，主要研究方向为自然语言理解，CAD 创新设计。
带容量约束的车辆路径问题算法综述
A Review on the Capacitated Vehicle Routing Problem
晁晓菲①Chao Xiaofei ；杨晓龙②Yang Xiaolong
（①西北农林科技大学信息工程学院，杨凌712100；②西安航空技术高等专科学校，
西安710077）（①College of Information Engineering ，Northwest A&F University ，Yangling 712100，China ；
②Xi ′an Aerotechnical College ，Xi'an 710077，China
）摘要：CVRP 的研究带动了确定性算法和启发式算法的发展。简要回顾了这些新算法的发展，总结对比现有方法，提出可能的研究方向。
Abstract:The study of the CVRP has given rise to major developments in the elds of exact algorithms and heuristics.The purpose of this article is
to provide a brief account of this development,compare some of the algorithms,and give some possible solutions for future works.
关键词：带容量约束的车辆路径问题；物流配送；路径规划；确定算法；启发式算法Key words:Capacitated Vehicle Routing Problem ；logistic dispatching ；path planning ；exact algorithm ；meta-heuristic algorithm
中图分类号：F252
文献标识码：A
文章编号：1006-4311（2012）05-0016-02
·16·
车辆路径优化问题的均衡性
!""#$%%%&%%’( )#$$&***+,#清华大学学报-自然科学版. /012345678329-":2;0<:5.= *%%>年第(>卷第$$期 *%%>=?@A B(>=#@B$$ +C,+C $C(’&$C(D 车辆路径优化问题的均衡性 但正刚=蔡临宁=杜丽丽=郑力 -清华大学工业工程系=北京$%%%D(. 收稿日期E*%%’&%>&%F 基金项目E国家自然科学基金资助项目-F%*%$%%D. 作者简介E但正刚-$C F D&.=男-汉.=重庆=博士研究生G 通讯联系人E蔡临宁=副教授=H&I72A E:72A3J K1234567B
时间窗车辆路径问题【带有时间窗约束的车辆路径问题的一种改进遗传算法】
系 统 管理学报 第１９卷 不同，文献［６］中１００，本文３０；③文献［６］中没有给出２０次求解中有多少次求得最优解，本文算法在软硬２种时间窗下，求得最优解的概率分别为９０％和７５％。由此可以看出本文算法具有较快的收敛速度和较高的稳定性。 表２实例ｌ。软时间窗下算法运行结果 第２个实例［６］，该问题有８个客户，顾客的装货或卸货的时间为Ｔｉ，一般将ｔ作为车辆的行驶时间的一部分计算费用，ｇｆ和［ｎ，，６ｉ］的含义同前，具体数据见表４。这些任务由仓库发出的容量为８ｔ的车辆来完成，车辆行驶速度为５０，仓库以及各个顾客之间的距离见表５。 ６），达到最优解的概率为８０％，其最终结果与文献［６］中相同最优解其费用值为９１０，对应的子路径
为（Ｏ一３一ｌ一２—０）、（Ｏ一６—４一Ｏ）、（Ｏ一８—５—７一Ｏ）。然而，文献 ［６］是在ｍａｘｇｅｎ＝５０、ｐｏｐｓｉｚｅ一２０的情况下，达到最优解的概率为６７％。这又说明了本文算法的有 效性。 表６实例２的算法运行结果 ４ 结语 尽管用带有子路径分隔符的自然数编码作为遗传算法解决ＶＲＰＴＷ问题的编码方式有其优点，但缺陷也是显而易见的，为了弥补该缺陷，本文去掉了 子路径中的分隔符，并采用Ｓｐｌｉｔ作为解码方式，就此设计了求解ＶＲＰＴＷ的遗传算法，并进行了数值试验的对比分析，试验结果表明，该算法是十分有
效的。参考文献 ＤａｎｔｚｉｑＧ，Ｒａｍｓｅｒ Ｊ．Ｔｈｅｔｒｕｃｋｄｉｓｐａｔｃｈｉｎｇｐｒｏｂｌｅｍ ［Ｊ］．Ｍａｎａｇｅｍｅｎｔ ｓｃｉｅｎｃｅ，１９５９，１３（６）８０一９１． 谢秉磊，李军，郭耀煌．有时间窗的非满载车辆调 度问题的遗传算法［Ｊ］．系统工程学报，２０００，１５ （３）２９０一２９４． 宋伟刚，张宏霞，佟玲．有时间窗约束非满载车辆调度问题的遗传算法［Ｊ］．系统仿真学报，２００５，１７ （１１）２５９３—２５９７． 刘诚，陈治亚，封全喜．带软时间窗物流配送车辆路径问题的并行遗传算法
车辆路径问题
车辆路径问题(vehideRoutingProblem，vRP)是组合优化和运筹学领域研究 的热点问题之一，其主要研究满足约束条件的最优车辆使用方案以及最优的车辆路径方案。基于基本车辆路径问题的框架，研究满足生产经营和运作需要的各种车辆路径问题，并构建具有高质量和高鲁棒性(roubustuess)的问题求解算法对于提高生产经营管理水平和降低运作成木具有重要的理论意义和现实价值。 本文以车辆路径问题为研究对象，综合运用组合优化和现代启发式算法等工 具，对几类重要的车辆路径问题模型及其优化算法进行了系统的研究，主要研究工作及成果总结如下: 1.综述了车辆路径问题在定义车辆路径问题分类和扩展标准的基础上，给出了 车辆路径问题的研究综述。基于不同的分类标准，首先讨论了主要的标准车辆 路径问题扩展问题。在此基础上详细地综述了求解标准车辆路径问题的现代启 发式算法，系统地描述了各种算法的实现机理以及各种算法的性能比较结果。 2.综述了求解组合优化问题的现代启发式算法在给出组合优化问题和计算复杂 性定义的基础上，综述了求解复杂组合优化问题的各种现代启发式算法。 3.研究了开放式车辆路径问题通过松弛标准车辆路径问题中车辆路线为哈 密尔顿巡回(Hamiltoniantour)的假设，研究了车辆路线为哈密尔顿路径(Hamiltonianpath)的开放式车辆路径问题。该问题中车辆在服务完最后一个 顾客点后不需要回到车场，若要求回到车场，则必须沿原路返回。在首先给出 问题数学模型的基础上，提出了求解开放式车辆路径问题的蚁群优化算法。该 算法主体是一个在超立方框架下执行的侧只刃一侧工加尸蚂蚁系统，算法混合了禁忌搜索算法作为局部优化算法，同时集成了一个后优化过程来进一步优化最优解。基于基准测试问题，系统地研究了算法性能。同其它算法的性能比较结果 表明本文提出的蚁群优化算法是有效的求解开放式车辆路径问题的方法。 4.研究了带时间窗和带时间期限开放式车辆路径问题通过引入时间约束，研究 了两类新的满足时效性要求的开放式车辆路径问题—带时间窗和带时间期 限开放式车辆路径问题。首先构建了两类问题的数学模型，同时提出了求解两 上海交通大学博十学位论文 类问题的基于禁忌搜索的迭代局部搜索算法，该算法集成了不同的解接受标准 以及一个基于阂值接受的后优化过程。基于随机产生的测试问题的实验结果表明:基于禁忌搜索的迭代局部搜索算法可以有效地求解带时间窗和带时间期限 开放式车辆路径问题。 5.研究了带时间窗和随机旅行时间车辆路径问题通过对标准车辆路径问题的拓 展，引入新的边约束条件:时间窗、随机旅行时间和服务时间，研究了一类新 的随机车辆路径问题—带时IbJ窗和随机旅行时间车辆路径问题。根据不同 的优化标准，分别构建了问题的机会约束规划模型以及带修正随机规划模型。 机会约束规划模型是在随机约束以一定的置信水平成立的条件下最小化运输费用。带修正的随机规划模型是一个两阶段优化问题，其确定第一阶段的路线集 以最小化第二阶段(随机变量实现后)的期望运输费用。鉴于问题的随机特 性，为了有效求解该问题提出了基于随机模拟的禁忌搜索算法。同时基于随机 产生的测试问题通过实验检验了算法有效性。 6.研究了固定车辆数异型车辆路径问题在车辆路径问题经典文献中，一般均假 设车辆同质目‘车辆数无限。然而在实际运作中，车辆集一般是由具有不同属性(装载能力、固定成本以及单位公里可变费用)的车辆组成，且受运作成本的
车辆路径问题及遗传算法
车辆路径问题优化算法 美国物流管理学会(Council of Logistics Management，CLM)对物流所作的定义为：“为符合顾客的需要，对原料、制造过程中的存货与制成品以及相关信息，从其起运点至最终消费点之间，做出的追求效率与成本效果的计划、执行与控制过程。” 而有关资料显示，物流配送过程(包含仓储、分拣、运输等)的成本构成中，运输成本占到52%之多。因此，如何在满足客户适当满意度的前提下，将配送的运输成本合理地降低，成为一个紧迫而重要的研究课题，车辆路径问题正是基于这一需求而产生的。 2.1车辆路径问题的定义 车辆路径问题可以描述为：给定一组有容量限制的车辆的集合、一个物流中心（或供货地）、若干有供货需求的客户，组织适当的行车路线，使车辆有序地通过所有的客户，在满足一定的约束条件（如需求量、服务时间限制、车辆容量限制、行驶里程限制等）下，达到一定的目标（如路程最短、费用极小、时间尽量少、使用车辆数尽量少等）。[4] 因此研究车辆的路径问题，就是要研究如何安排运输车辆的行驶路线，使运输车辆依照最短的行驶路径或最短的时间费用，依次服务于每个客户后返回起点，总的运输成本实现最小。车辆路径问题已被证明是NP-Hard问题，因此求解比较困难。然而，由于其在现实生活中应用非常广泛，使得它无论在理论上还是在实践上都有极大的研究价值。 Penousal Machado等人[5]指出车辆路径问题(vehicle routing problem，简称VRP)是一个复杂的组合优化问题，是古老的旅行商问题和背包问题的综合。实际上，车辆路径问题通常可被分解或转化成一个或几个已经研究过的基本问题，再采用相应比较成熟的基本理论和方法，以得到最优解或满意解。 这些与车辆路径问题相关的常用基本问题有；旅行商问题、运输问题、背包问题、最短路问题、最小费用最大流问题、中国邮路问题、指派问题等。 旅行商问题可被描述为：一个推销员欲到n个城市推销商品，每2个城市之间的距离是已知的。如何选择一条路径使推销员依次又不重复地走遍每个城市后，回到起点且所走的路径最短。 运输问题关心的是（确实的或是比喻的）以最低的总配送成本把供应中心（称为出发地，sources）的任何产品运送到每一个接受中心（称为目的地，destinations）。运输问题需要的数据仅仅是供应量、需求量和单位成本。 背包问题是指有一只固定容量的背包和若干体积、重量不等的物品，背包的容量不允许装下这所有的物品，那么如何选择适当的物品装入背包，使得背包的装载量（所装物品的重量之和）最大。 最短路径问题解决的是在一个网络中，如何寻找两点之间的最短路径。这两点之间通常没有直接的通路可达，但可经由若干中间结点相通。 最小费用流问题主要解决如何以最小成本在一个配送网络中运输货物。最小费用流问题又称为网络配送问题。 最大流问题和最小费用流问题一样，也与网络中的流有关。但是它们的目标不同，最大流问题不是使得流的成本最小化，而是寻找一个流的方案，使得通过网络的流量最大。 中国邮路问题是由我国管梅谷同志在1962年首先提出的，它可描述为：一个邮递员负责某一个地区的信件投递。每天要从邮局出发，走遍该地区所有的街道再返回邮局，问应该怎样安排送信路线可以使所走的路程最短。 指派问题解决将n件工作安排给m个人完成的问题。已知不同人完成不同工作的效率（或成本）不同，指派问题要求以最高的效率（或最小的人工成本）完成工作的安排。 2.2车辆路径问题的分类
车辆路径问题
一、车辆路径问题描述和建模 1. 车辆路径问题 车辆路径问题（Vehicle Routing Problem, VRP ）,主要研究满足约束条件的最优车辆使用方案以及最优化车辆路径方案。 定义：设G={V,E}是一个完备的无向图，其中V={0,1,2…n}为节点集，其中0表示车场。V ,={1,2,…n}表示顾客点集。A={(i,j),I,j ∈V,i ≠j}为边集。一对具有相同装载能力Q 的车辆从车场点对顾客点进行配送服务。每个顾客点有一个固定的需求q i 和固定的服务时间δi 。每条边（i,j ）赋有一个权重，表示旅行距离或者旅行费用c ij 。 标准车辆路径问题的优化目标为：确定一个具有最小车辆数和对应的最小旅行距离或者费用的路线集，其满足下列约束条件： ⑴每一条车辆路线开始于车场点，并且于车场点约束； ⑵每个顾客点仅能被一辆车服务一次 ⑶每一条车辆路线总的顾客点的需求不超过车辆的装载能力Q ⑷每一条车辆路线满足一定的边约束，比如持续时间约束和时间窗约束等。 2.标准车辆路径的数学模型: 对于车辆路径问题定义如下的符号： c ij ：表示顾客点或者顾客点和车场之间的旅行费用等 d ij ：车辆路径问题中，两个节点间的空间距离。 Q ：车辆的最大装载能力 d i ：顾客点i 的需求。 δi ：顾客点i 的车辆服务时间 m:服务车辆数，标准车辆路径问题中假设所有的车辆都是同型的。 R ：车辆集，R={1,2….，m} R i :车辆路线，R i ={0，i 1,…i m ,0},i 1,…i m ?V ,,i ?R 。 一般车辆路径问题具有层次目标函数，最小化车辆数和最小化车辆旅行费用，在文献中一般以车辆数作为首要优化目标函数，在此基础上使得对应的车辆旅行费用最小，下面给出标准车辆路径问题的数学模型。 下面给出标准车辆路径问题的数学模型。 对于每一条弧（I,j ）,定义如下变量: x ijv = 1 若车辆v 从顾客i 行驶到顾客点j 0 否则 y iv = 1 顾客点i 的需求由车辆v 来完成0 否则 车辆路径问题的数学模型可以表述为： minF x =M x 0iv m i=1n i=1+ x ijv m v=1n j=0n i=0.c ij (2.1) x ijv n i=0m v=1≥1 ?j ∈V , (2.2)
配送运输中车辆路径问题研究综述
????????? ?仈?ウ?? ??????????? ?仈а? ?? 亶 ??ウ???а? ???? ?仈? ?? ? ? ?? 学?仈 ??????ウ? ? ? ??? ?? ??????????? ?仈??? ?????? The Current Situation and Development Trends on Vehicle Routing Problems of distribution management Abstract: Vehicle routing problem is one of the attractive research area in the circles of operations research. In this paper, on the basis of introducing briefly the application background, the research classified the vehicle routing problem, analyzed and summarized the progress of different type of problems and solution algorithms. Furthermore, the research progress of the problems is also discussed. It is expected to provide inference for relevant research work. Key words: distribution management; vehicle routing problem; heuristics; overview.
粒子群优化算法车辆路径问题
粒子群优化算法 计算车辆路径问题 摘要 粒子群优化算法中,粒子群由多个粒子组成,每个粒子的位置代表优化问题在D 维搜索空间中潜在的解。根据各自的位置,每个粒子用一个速度来决定其飞行的方向和距离,然后通过优化函数计算出一个适应度函数值(fitness)。粒子是根据如下三条原则来更新自身的状态:(1)在飞行过程中始终保持自身的惯性;(2)按自身的最优位置来改变状态;(3)按群体的最优位置来改变状态。本文主要运用运筹学中粒子群优化算法解决车辆路径问题。车辆路径问题 由Dan tzig 和Ram ser 于1959年首次提出的, 它是指对一系列发货点(或收货点) , 组成适当的行车路径, 使车辆有序地通过它们, 在满足一定约束条件的情况下, 达到一定的目标(诸如路程最短、费用最小, 耗费时间尽量少等) , 属于完全N P 问题, 在运筹、计算机、物流、管理等学科均有重要意义。粒子群算法是最近出现的一种模拟鸟群飞行的仿生算法, 有着个体数目少、计算简单、鲁棒性好等优点, 在各类多维连续空间优化问题上均取得非常好的效果。本文将PSO 应用于车辆路径问题求解中, 取得了很好的效果。 针对本题，一个中心仓库、7个需求点、中心有3辆车，容量均为1，由这三辆车向7个需求点配送货物，出发点和收车点都是中心仓库。 1233,1,7. k q q q l =====货物需求 量12345670.89,0.14,0.28,0.33,0.21,0.41,0.57g g g g g g g =======， 且 m a x i k g q ≤。利用matlab 编程，求出需求点和中心仓库、需求点之间的各 个距离，用ij c 表示。求满足需求的最小的车辆行驶路径，就是求 m i n i j i j k i j k Z c x = ∑∑∑ 。经过初始化粒子群，将初始的适应值作为每个粒子的个
车辆路径优化及算法综述_袁建清
车辆路径优化及算法综述 袁建清 （黑龙江东方学院计算机科学与电气工程学部，黑龙江哈尔滨１５００８６ ）摘 要：阐述了ＶＲＰ的主要求解算法， 在参阅大量文献基础之上以禁忌搜索算法、遗传算法、蚂蚁算法三种主要的算法为划分总结了ＶＲＰ的研究现状以及三种算法的改良与应用情况，最后对车辆调度问题进行了展望，提出了进一步发展动向。 关键词：车辆路径问题；ＶＲＰ； 算法中图分类号：ＴＰ３１２ 文献标识码：Ａ 文章编号：１６７２－７８００（２０１１）０７－００６０－ ０２作者简介：袁建清（１９７９－） ，女，黑龙江穆棱人，硕士，黑龙江东方学院讲师，研究方向为信息管理。０ 引言 车辆路径问题（Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ，ＶＲＰ）是指在客户需求和位置已知的情况下， 确定车辆在各个客户间的行驶路线，使得运输路线最短或运输成本最低。对运输车辆进行优化调度，通过选择车辆的最佳运输路径，合理安排车辆调度顺序， 可以有效减少车辆的空驶率和行驶距离。它是物流系统优化环节中关键的一环。已经典型应用到牛奶配送、 报纸和快件投递、垃圾车的线路优化及连锁商店的送货线路优化等众多社会领域，而且在工业管理、物流管理、交通运输、通讯、电力、计算机设计等领域都有广泛的应用。 １ ＶＲＰ求解算法 ＶＲＰ是一个ＮＰ难问题， 因此根据各具体类型问题的特点应用启发式算法算法求解已经成为研究的主流。其中传统启发式算法主要有节约算法、插入算法、二阶段算法法等；现代启发式算法主要有禁忌搜索算法（ＴａｂｕＳｅａｒｃｈ，ＴＳ）、遗传算法（Ｇｅｎｅｔｉｃ Ａｌｇ ｏｒｉｔｈｍ，ＧＡ）、模拟退火算法（Ｓｉｍｕｌａｔｅｄ Ａｎｎｅａｌｉｎｇ，ＳＡ）、蚂蚁算法（ａｎｔ ｃｏｌｏｎｙｏｐ ｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）等。近年来应用最多的是禁忌搜索算法、 遗传算法、蚂蚁算法以及它们之间或它们与传统启发式算法之间的结合形成的混合算法。 （１）禁忌搜索算法（ＴＳ） ：是一种全局优化搜索算法，通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效探索以最终实现全局优化。但是存在对初始解有较高的依赖性的缺点。 （２）遗传算法（ＧＡ） ：是一种基于自然进化原理的全局搜索随机算法，它使用群体搜索技术，通过对当前群体施 加选择（ｒｅｐｒｏｄｕｃｔｉｏｎ）、交叉（ｃｒｏｓｓｏｖｅｒ）及变异（ｍｕｔａｔｉｏｎ）等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。该算法有局部搜索能力不强、易陷入早熟、总体上可行解的质量不是很高的缺点。 （３）蚁群算法（ＡＣＯ） ：是一种概率搜索算法，它模拟蚂蚁群体在觅食过程中所体现出的智能行为， 利用信息激素为媒介进行间接的信息传递，根据信息素的强度做出对较优解的选择。此算法有易陷入早熟、停滞、局部最优的缺点。 ２ ＶＲＰ研究现状 ＶＲＰ一直是物流届研究的热点问题， 纵观国内外学者研究都是通过对以上几种算法进行改良或将其结合形成有效地混合算法， 而对不同约束条件下车辆路径优化问题进行求解。本文针对三种主要算法总结研究现状如下：（１ ）应用遗传算法研究。文献分别用改进的遗传算法、免疫遗传算法、小生境遗传算法、以及与爬山算法、禁忌搜索算法、 蚁群算法相结合的混合算法对时间窗的车辆路径优化问题（ＶＲＰＴＷ）进行了求解。另外：张海刚等提出用基于自然数编码的遗传算法同时处理有软硬时间窗的ＶＲＰ，魏航等设计了基于自然数编码的遗传算法，针对有行驶里程限制的多车场满载车辆调度问题。 （２ ）应用禁忌搜索法研究。学者们对禁忌搜索法的应用主要针对两方面进行改良。一是构造好的初始解，在这方面主要形成三种方法：①随机排列，然后将顾客按序列聚类分配到每辆车，从而产生每辆车的路径；②先分组，然后在每个组内采用旅行商算法产生初始解；③用Ｃ－Ｗ启发式构造线路。二是通过改进邻域移动方法构造候选
物流配送的车辆路径优化
物流配送的车辆路径优化 专业：[物流管理] 班级：[物流管理2班] 学生姓名：[江东杰] 指导教师：[黄颖] 完成时间：2016年6月30日
背景描述 物流作为“第三利润源泉”对经济活动的影响日益明显，越累越受到人们的重视，成为当前最重要的竞争领域。近年来，现代物流业呈稳步增长态势，欧洲、美国、日本成为当前全球范围内的重要物流基地。中国物流行业起步较晚，随着国民经济的飞速发展，物流业的市场需求持续扩大。特别是进入21世纪以来，在国家宏观调控政策的影响下，中国物流行业保持较快的增长速度，物流体系不断完善，正在实现传统物流业向现代物流业的转变。现代物流业的发展对促进产业结构调整、转变经济增长方式和增强国民经济竞争力等方面都具有重要意义。 配送作为物流系统的核心功能，直接与消费这相关联，配送功能完成质量的好坏及其达到的服务水平直接影响企业物流成本及客户对整个物流服务的满意程度。配送的核心部分是配送车辆的集货、货物分拣及送货过程，其中，车辆配送线路的合理优化对整个物流运输速度、成本、效益影响至关重要。 物流配送的车辆调度发展现状 VRP（车辆调度问题）是指对一系列装货点和卸货点，组织适当的行车线路，使车辆有序的通过，在满足一定的约束条件（如货物需求量、发送量、交发货时间、车辆容量等限制）下，达到一定的目标（如路程最短、费用最少、时间最少、使用车辆数最少等）。一般认为，不涉及时间的是路径问题，涉及时间的是调度问题。VRP示意图如下 当然，VRP并不止是这样的一个小范围，而是又更多的客户点与一个仓库链接，从而达
到一整个物流集群。 根据路径规划前调度员对相关信息是否已知，VRP可分为静态VRP和动态VRP，动态VRP 是相对于静态VRP而言的。静态VRP指的是：假设在优化调度指令执行之前，调度中心已经知道所有与优化调度相关的信息，这些信息与时间变化无关。一旦调度开始，便认为这些信息不再改变。 而VRP发展到现在的问题也是非常突出的，例如，只有一单货物，配送成本远高于一单的客户所给的运费，在这种情况下，该如何调度车辆？甚至还有回程运输的空载问题，在这些问题之中，或多或少都涉及到了VRP的身影，那么在这样的配送中怎么有效的解决车辆的路径优化问题就是降低运输和物流成本的关键所在。 解决怎么样的问题？ 现如今对于VRP研究现状主要有三种静态VRP的研究、动态VRP的研究以及随机VRP的研究。 而我对于VRP的看法主要有以下几点。 有效解决VRP或者优化车辆调度路径优化问题，那么将非常有效的降低物流环节对于成本的比重，有效的增大利润。 而我想到的方法，就是归类总结法。 建立完善的信息系统机制，将订单归类总结出来，可以按地区划分出来，一个地区一个地方的进行统一配送，这样也有效的降低了物流配送的车辆再使用问题，降低了成本。如下图所示。 仓库 客户 变换前 由上图可以看出来这样的路径，车辆需要来回两次，严重增加了配送成本，也增加了运输成本，使得利润并不能最大化。
《物流车辆路径算法的优化与设计》
物流车辆路径算法的优化与设计 【摘要】：随着物流业向全球化、信息化及一体化发展，配送在整个物流系统中的作用变得越来越重要。运输系统是配送系统中最重要的一个子系统，运输费用占整体物流费用的50％左右，所以降低物流成本首先要从降低物流配送的运输成本开始。 一个车辆集合和一个顾客集合，车辆和顾客各有自己的属性，每辆车都有容量，所装载货物不能超过它的容量。起初车辆都在中心点，顾客在空间任意分布，车把货物从车库运送到每一个顾客（或从每个顾客处把货物运到车库），要求满足顾客的需求，车辆最后返回车库，每个顾客只能被服务一次，怎样才能使运输费用最小。而顾客的需求或已知、或随机、或以时间规律变化，这正是本文要研究的课题。 【关键词】：物流配送；路径；车辆路径问题(VRP)；MATLAB 1 前言 1.1 课题研究背景 运输线路是否合理直接影响到配送速度、成本和效益，特别是多用户配送线路的确定是一项复杂的系统工程。选取恰当的车辆路径，可以加快对客户需求的响应速度，提高服务质量，增强客户对物流环节的满意度，降低服务商运作成本。因此，自从1959年Danting和Rams er提出车辆路径问题(Vehicle Routing Problem，VRP)以来，VRP便成为近年来物流领域中的研究热点。 VRP一般定义为：对一系列发货点和／或收货点，组织适当的行车路线，使车辆有序地通过它们，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，达到一定的目标(如路程最短、费用最小、时间尽量少、使用车辆尽量少等)。本文围绕VRP展开了研究，共包括五章内容。首先，本文收集国内外关于
车辆路径问题研究综述
摘要：作为现代物流领域的研究前沿，车辆路径问题的求解算法及应用领域一直是学者研究的重点。本文在研读大量文献的基础上介绍了遗传算法的研究现状及其应用情况，并对车辆路径优化在生鲜农产品配送上的应用进行了简单的综述。 关键词：车辆路径问题；遗传算法；生鲜农场品；研究综述 一、引言 车辆路径问题最早在60年代被提出，dantzig和ramser首次在交通领域提出该问题就立即引起了社会的广泛关注。发展到现如今，车辆路径问题的应用已经跳出了交通领域，在别的很多领域被使用，如：通讯、工业管理、航空等。 二、遗传算法 1.遗传算法简介 达尔文的生物进化论自被提出以来就一直被科学家们广泛应用到各个领域。60年代时美国科学家结合进化论，提出了遗传算法。跟大自然中生物优胜劣汰的进化过程类似，遗传算法在计算过程中模拟了自然界各种群由简单到复杂，由低级到高级的进化过程，不断进化种群，直至使种群达到包含最优解或接近最优解的状态。 2.遗传算法研究现状 遗传算法作为一种群体随机搜索方法，在车辆路径问题研究中运用很多。很多国内外的研究学者对基础的遗传算法进行了改良，以期达到求解不同约束条件下车辆路径优化问题的目的。通过研究撰写遗传算法的文献发现，研究学者们分别用各种改进遗传算法对车辆路径问题进行了求解，如：免疫遗传算法、小生境遗传算法，以及遗传算法与爬山算法、禁忌搜索算法、蚁群算法相结合的混合算法。 将基础的遗传算法与改进的遗传算法进行对比仿真实验，可以发现经过改良的遗传算法，其各方面能力都更优。罗勇等为了求解更优的物流配送路线，就采用了针对性改进的遗传算法。通过研究发现，改良后的算法不仅收敛速度变快，而且全方位寻优的能力也有很大提高。由此可见改进的遗传算法是能更好的处理物流配送路径问题。基础的遗传算法有容易陷入局部最优和早熟的缺点，为了解决这个问题，周艳聪等设计了基于小生境技术的改进遗传算法，还在改进的遗传算法的基础上求解了物流配送路径的优化问题。不仅如此，还通过对物流配送过程的研究，建立了不带时间窗约束的物流配送优化模型。大规模车场的车辆路径问题是车辆路径优化问题中的一个难点，一直是学者们研究的重点。李波等引入了双层模糊聚类方法，针对基础的遗传算法进行了改进，得到了求解该问题的基本框架。通过随机的实验算例证明，所提出的方法是有效可行的。 三、车辆路径问题在生鲜农产品配送中的应用 对近年来，针对生鲜农产品配送路径问题的研究已经越来越多，人们对绿色食品的质量要求不断提高，是导致该问题备受关注的根本原因。容易腐烂变质，存放不易是大多数生鲜农产品的特点。而在整个销售过程中，生鲜农产品需要经历从农户手中到经销商手中这样一个配送过程，尽可能在配送过程中选择合适的路径，节约时间，保证生鲜农产品的质量，从而保证农户、经销商、消费者的利益就变得越来越重要。 为了保证生鲜农产品的质量、安全，生鲜农产品配送过程中的时效性一直是各个学者研究的关注点，大多数相关文献的模型建立都是以配送时间最短和配送成本最低为目标。王红玲等学者的研究考虑了生鲜农产品的特点构建了以生鲜农产品在途时间最短、配送成本最低为优化目标的农产品配送模型，并采用经过改进后的粒子群算法进行求解。由于生鲜农产品的时效性强的特点，对带时间窗的车辆路径问题的研究也相当多。邱荣祖等在分析了农产品的物流配送模式的基础上，建立了有时限的物流配送路径优化模型，并应用gis于禁忌搜索算法集成技术进行求解。文献中还选用了具体的数据进行了实验的验证，进行了初步的应用
动态车辆路径问题的优化方法
第２９卷第４期２００８年４月 东北大学学报（自然科学版） ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ） Ｖ０１．２９．Ｎｏ．４ Ａｐｒ．２００８动态车辆路径问题的优化方法 刘士新，冯海兰 （东北大学流程工业综合自动化教育部重点实验室，辽宁沈阳１１０００４） 摘要：设计了在动态环境下进行车辆路径优化的导向局域搜索算法．算法在产生初始解以后的动态求解过程中，不再做车辆之间的顾客调整，而只应用２－ｏｐｔ局域搜索算子更新车辆服务顾客的顺序，即针对每辆车辆的旅行路线求解一个旅行商问题．建立了在动态环境下车辆执行运输任务过程的仿真模型．仿真过程中，应用算法根据交通路网实际情况实时优化车辆路径。并采用４种接受准则判别是否接受新的车辆路径．仿真结果表明：算法具有实时、高效的特点，满足动态车辆路径问题的求解要求． 关键词：智能交通系统；动态车辆路径问题；交通模拟；导向局部搜索 中图分类号：Ｃ９３４文献标识码：Ａ文章编号：１００５—３０２６（２００８）０４—０４８４—０４ ＯｐｔｉｍｉｚａｔｉｏｎＡｐｐｒｏａｃｈｔｏＳｏｌｖｉｎｇＤｙｎａｍｉｃＶｅｈｉｃｌｅＲｏｕｔｉｎｇＰｒｏｂｌｅｍｓ Ｌ儿，Ｓｈｉ．ｘｉｎ，ＦＥＮＧＨ．口ｉ—ｌａｎ （ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｇｒａｔｅｄＡｕｔｏｍａｔｉｏｎＤｆＰｒｏｃｅｓｓＩｎｄｕｓｔｒｙ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ１１０（）０４，Ｃｈｉｎａ．Ｃｏｒｒｅｓｐｏｎｄｅｎｔ：ＬＩＵＳｈｉ—ｘｉｎ，Ｅ－ｍａｉｌ：ｓｘｌｉｕ＠ｍａｉｌ．ｎｅｕ．ｅｄｕ．ｃｎ） Ａｂｓｔｒａｃｔ：Ａｇｕｉｄｅｄｌｏｃａｌｓｅａｒｃｈ（ＧＬＳ）ａｌｇｏｒｉｔｈｍｉｓｐｒｅｓｅｎｔｅｄｔｏｓｏｌｖｅｄｙｎａｍｉｃｖｅｈｉｃｌｅｒｏｕｔｉｎｇｐｒｏｂｌｅｍｓ（ＤＶＲＰ）．Ｉｎｔｈｅｄｙｎａｍｉｃｓｏｌｖｉｎｇｐｒｏｃｅｓｓａｆｔｅｒａｌｌｉｎｉｔｉａｌｓｏｌｕｔｉｏｎ，ｔｈｅＧＬＳｄｏｅｓｎｏｔｅｘｃｈａｎｇｅｃｕｓｔｏｍｅｒｓｂｅｔｗｅｅｎｖｅｈｉｃｌｅｓｂｕｔａｐｐｌｉｅｓｔｈｅ２一ｏｐｔｌｏｃａｌｓｅａｒｃｈｏｐｅｒａｔｏｒｔｏｕｐｄａｔｉｎｇｔｈｅｓｅｒｖｉｃｉｎｇｓｅｑｕｅｎｃｅｆｏｒｃｕｓｔｏｍｅｒｓ，ｉ．ｅ．，ｔｏｓｏｌｖｅａｔｒａｖｅｌｉｎｇｓａｌｅｓｍａｎｐｒｏｂｌｅｍｏｆｔｒａｖｅｌｉｎｇｒｏｕｔｉｎｇｏｆｅａｃｈｖｅｈｉｃｌｅ。Ａｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｉｓｔｈｕｓｄｅｖｅｌｏｐｅｄｆｏｒｔｈｅｄｙｎａｍｉｃｐｒｏｃｅｓｓｄｕｒｉｎｇｗｈｉｃｈｖｅｈｉｃｌｅｓａｒｅｉｎｔｒａｆｆｉｃ．ＩｎｔｈｅｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｔｈｅＧＬＳａｌｇｏｒｉｔｈｍｉｓａｐｐｌｉｅｄｔｏｏｐｔｉｍｉｚｉｎｇｔｈｅｖｅｈｉｃｌｅｒｏｕｔｅｓｉｎａｃｃｏｒｄａｎｃｅｔｏｔｈｅｒｅａｌ—ｔｉｍｅｔｒａｆｆｉｃｓｉｔｕａｔｉｏｎ，ａｎｄｆｏｕｒｒｕｌｅｓａｙｅａｐｐｌｉｅｄｔｏｊｕｄｇｉｎｇｉｆｔｈｅｎｅｗｌｙｏｐｔｉｍｉｚｅｄｖｅｈｉｃｌｅｒｏｕｔｅｓａｒｅａｃｃｅｐｔｅｄ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｒｅｖｅａｌｔｈａｔｔｈｅＧＬＳ ａｌｇｏｒｉｔｈｍｃａｎｐｒｏｖｉｄｅｒｅａｌ－ｔｉｍｅｒｅｓｐｏｎｓｅｔｏｄｙｎａｍｉｃｉｎｆｏｒｍａｔｉｏｎｔｏｓａｔｉｓｆｙｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｓｏｌｖｉｎｇＤＶＩ王Ｐ． Ｋｅｙｗｏｒｄｓ：ｉｎｔｅｌｌｉｇｅｎｔｔｒａｎｓｐｏｒｔａｔｉｏｎｓｙｓｔｅｍ；ＤＶＲＰ；ｔｒａｆｆｉｃｓｉｍｕｌａｔｉｏｎ；ＧＬＳ 物流优化已经成为当代企业的一个重要利润源泉．车辆路径问题（ｖｅｈｉｃｌｅｒｏｕｔｉｎｇｐｒｏｂｌｅｍｓ，Ⅵ冲）是物流领域的核心和热点研究问题，吸引了众多学者和业者的研究和关注．现代物流市场的激烈竞争和顾客的个性化需求不断提高，使得现代物流配送运作更加复杂，要求物流配送系统更加灵活、高效地针对变化的环境调整作业计划．计算机及通讯技术的迅速发展，使得交通状况及运输工具的实时信息更易获取，为解决物流配送面对的新问题提供了基础．动态ＶＲＰ（ｄｙｎａｍｉｃＶＲＰ，ＤｖＲＰ）正是在这样的背景下开始受到了关注和研究．现有研究主要是针对环境变化，对车辆路径计划进行重计划或局部调整，涉及的方法有元启发式算法和局域搜索算法等【１－２Ｊ．本文针对城市复杂交通系统的环境变化，提出了一种ＤＶＲＰ中更新车辆路径的导向局域搜索（ｇｕｉｄｅｄｌｏｃａｌｓｅａｒｃｈ，ＧＬＳ）算法，设计了动态交通环境的仿真模型，通过对７１个节点交通路网的仿真实验，得出了咖车辆路径的更新原则，研究成果对于现代城市智能交通系统中的车辆路径优化 收稿日期：２００７一０４—０５ 基金项目：国家自然科学基金资助项目（７０３０１００７，７０７７１０２０，７０４３１００３）；新世纪优秀人才支持计划项目（ＮＣＥＴ－０６－０２８６）．作者简介：刘士新（１９６８一），男，辽宁调兵山人，东北大学教授． 万方数据
蚁群算法在车辆路径问题中的应用
蚁群算法在车辆路径问题中的应用 摘要 蚁群算法（Ant Colony Optimization, ACO）是意大利学者M.Dorigo等人通过模拟蚁群觅食行为提出的一种基于种群的模拟进化算法。通过介绍蚁群觅食过程中基于信息素（pheromone）的最短路径的搜索策略，给出了基于MATLAB 的蚁群算法在车辆路径问题（Vehicle Routing Problem, VRP）中的应用。蚁群算法采用分布式并行计算机制，易于其他方法结合，而且具有较强的鲁棒性，但搜索时间长，容易陷入局部最优解。针对蚁群算法存在的过早收敛问题，加入2—opt方法对问题求解进行了局部优化，计算机仿真结果表明，这种混合型蚁群算法对求解车辆路径问题有较好的改进效果。 关键词：蚁群算法、组合优化、车辆路径问题、2-opt方法 1.车辆路径问题 车辆路径问题（VRP）来源于交通运输，1959年由Dantzig 提出，它是组合优化问题中一个典型的NP-hard问题。最初用于研究亚特兰大炼油厂向各个加油站投送汽油的运输路径优化问题，并迅速成为运筹学和组合优化领域的前沿和研究热点。
车路优化问题如下： 已知有一批客户，各客户点的位置坐标和货物需求已知，供应商具有若干可供派送的车辆，运载能力给定，每辆车都是从起点出发，完成若干客户点的运送任务后再回到起点。现要求以最少的车辆数和最少的车辆总行程来完成货物的派送任务。 2、蚁群系统基本原理 在蚂蚁群找到食物时，它们总能找到一条从食物到蚁穴之间的最短路径。因为蚂蚁在寻找食物时会在路途上释放一种特殊的信息素。当它们碰到一个还没有走过的路口时，会随机地挑选一条路径前行。与此同时释放出与路径长度有关的信息素。路径越长，释放的激素浓度越低。当后面的蚂蚁再次碰到这个路口时，会选择激素浓度较高的路径走。这样形成了一个正反馈，最优路径上的激素浓度越来越高，而其他的路径上激素浓度却会随时间的流逝而消减。最终整个蚁群会找出最优路径。在整个寻找过程中，整个蚁群通过相互留下的信息素作用交换着路径信息，最终找到最优路径。 3、基本蚁群算法求解车辆路径问题 求解VRP问题的蚂蚁算法中，每只蚂蚁是一个独立的用 于构造路线的过程，若干蚂蚁过程之间通过信息素值来交换信
车辆路径问题资料
车辆路径问题(VRP)一般定义为：对一系列装货点和卸货点，组织适当的行车线路，使车辆有序地通过它们，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，达到一定问题的目标(如路程最短、费用最少、时间尽量少、使用车辆数尽量少等)。 目前有关VRP的研究已经可以表示（如图1）为：给定一个或多个中心点（中心仓库，central depot）、一个车辆集合和一个顾客集合，车辆和顾客各有自己的属性，每辆车都有容量，所装载货物不能超过它的容量。起初车辆都在中心点，顾客在空间任意分布，车把货物从车库运送到每一个顾客（或从每个顾客处把货物运到车库），要求满足顾客的需求，车辆最后返回车库，每个顾客只能被服务一次，怎样才能使运输费用最小。而顾客的需求或已知、或随机、或以时间规律变化。 图1 VRP示意图 一、在VRP中，最常见的约束条件有: (1) 容量约束：任意车辆路径的总重量不能超过该车辆的能力负
荷。引出带容量约束的车辆路径问题(CapacitatedVehicle Routing Problem，CVRP)。 (2) 优先约束：引出优先约束车辆路径问题(VehicleRouting Problem with precedence Constraints，VRPPC)。 (3) 车型约束：引出多车型车辆路径问题(Mixed/Heterogeneous Fleet Vehicle Routing Problem，MFVRP/ HFVRP)。 (4) 时间窗约束：包括硬时间窗(Hard Time windows)和软时间窗(Soft Time windows) 约束。引出带时间窗(包括硬时间窗和软时间窗)的车辆路径问题(V ehicle Routing Problem withTime windows，VRPTW)。 (5) 相容性约束：引出相容性约束车辆路径问题(VehicleRouting Problem with Compatibility Constraints，VRPCC)。 (6) 随机需求：引出随机需求车辆路径问题(VehicleRouting Problem with Stochastic Demand，VRPSD)。 (7) 开路：引出开路车辆路径问题(Open Vehicle RoutingProblem)。 (8) 多运输中心：引出多运输中心的车辆路径问题(Multi-Depot Vehicle Routing Problem)。 (9) 回程运输：引出带回程运输的车辆路径问题(VehicleRouting Problem with Backhauls)。 (10) 最后时间期限：引出带最后时间期限的车辆路径问题(Vehicle Routing Problem with Time Deadlines)。