针对带时间窗的多车型电动车辆路径问题(heterogeneous electric vehicle routing problem with time windows,HEVRPTW),综合考虑客户需求差异、车辆异构特性和充电约束等因素,构建以总行驶成本最小化为目标的混合整数规划模型,并提出...针对带时间窗的多车型电动车辆路径问题(heterogeneous electric vehicle routing problem with time windows,HEVRPTW),综合考虑客户需求差异、车辆异构特性和充电约束等因素,构建以总行驶成本最小化为目标的混合整数规划模型,并提出结合层次聚类机制的混合变邻域搜索算法(hybrid variable neighborhood search,HVNS)进行求解。该算法采用层次聚类机制对客户节点进行空间划分,并结合贪婪算法生成初始解;在局部搜索阶段,整合单点插入、两点交换、两段交换及2–opt等多种邻域操作算子,并引入充电站优化策略优化路径选择。基于标准测试案例通过与Gurobi求解器和遗传算法(genetic algorithm,GA)进行仿真对比实验,并对电池容量、充电时间、时间窗宽度、车辆数量等关键参数进行敏感性分析。结果表明:HVNS能在更短时间内获得与Gurobi相近的优质解,验证了模型的正确性及其在不同规模问题求解中的优越性能;与GA相比,HVNS在求解质量上实现了10%~20%的提升,同时在稳定性和收敛性方面更优;通过参数优化确定了最佳配置方案(电池容量为150 kWh、充电时间为45 min、时间窗宽度为90 min、车辆数量为8辆),实现了总行驶成本最小化与客户满意度最大化的平衡。研究结果验证了HVNS是求解HEVRPTW的有效方法,本研究为物流企业电动车辆路径优化提供了科学的决策支持工具。展开更多
文摘针对带时间窗的多车型电动车辆路径问题(heterogeneous electric vehicle routing problem with time windows,HEVRPTW),综合考虑客户需求差异、车辆异构特性和充电约束等因素,构建以总行驶成本最小化为目标的混合整数规划模型,并提出结合层次聚类机制的混合变邻域搜索算法(hybrid variable neighborhood search,HVNS)进行求解。该算法采用层次聚类机制对客户节点进行空间划分,并结合贪婪算法生成初始解;在局部搜索阶段,整合单点插入、两点交换、两段交换及2–opt等多种邻域操作算子,并引入充电站优化策略优化路径选择。基于标准测试案例通过与Gurobi求解器和遗传算法(genetic algorithm,GA)进行仿真对比实验,并对电池容量、充电时间、时间窗宽度、车辆数量等关键参数进行敏感性分析。结果表明:HVNS能在更短时间内获得与Gurobi相近的优质解,验证了模型的正确性及其在不同规模问题求解中的优越性能;与GA相比,HVNS在求解质量上实现了10%~20%的提升,同时在稳定性和收敛性方面更优;通过参数优化确定了最佳配置方案(电池容量为150 kWh、充电时间为45 min、时间窗宽度为90 min、车辆数量为8辆),实现了总行驶成本最小化与客户满意度最大化的平衡。研究结果验证了HVNS是求解HEVRPTW的有效方法,本研究为物流企业电动车辆路径优化提供了科学的决策支持工具。
