内容发布更新时间 : 2024/11/17 7:35:15星期一 下面是文章的全部内容请认真阅读。

阅读文章：

牟峰.车辆调度问题的研究现状及发展趋势[]. 西华大学学报·自然科学版. 杨家其,罗萍.物流企业车辆调度优化方法研究[].系统工程理论与实践[]. 王晓波.连锁企业物流车辆调度模型及优化设计[].微电子学与计算机. 秦家娇, 张勇.物流系统中车辆调度问题及算法研究[].通信学报 邵泽军, 高淑萍.几类车辆调度问题的研究[].自动化学报.

主要内容及理解：

、《车辆调度问题的研究现状及发展趋势》

我从网上搜索了一下关于这方面的数据：全国社会物流总费用万亿元，其中运输费用万亿元，占社会物流总费用的比重为 ，社会物流总费用与 的比率为 。所以合理的运输管理可以提高运输效率、控制运输成本，同时也就提高了物流整体服务水平、降低了物流运行成本。所以车辆调度问题是其研究的重点。

这篇期刊文章的作者以铁路车站取送车作业问题对车辆调度问题进行了详细介绍，还分析了它与其他车辆调度问题的区别与联系。通过作者的举例研究可以知道无论静态问题还是随机动态问题，都呈现出一种精细化的趋势，也就是所研究的问题具有越来越强的个性特征，例如针对车场数、取送时窗、车辆类型等特征进行研究。这种策略的优势在于研究工作的针对性强，但是不利因素更大，因为特征改变时，其结果也就不再是符合。所以作者的研究工作让人们对车辆调度中各种特征形成了更清晰的认识，为研究具有多特征的打下了一定基础。

、《物流企业车辆调度优化方法研究》

这篇文章主要是蚁群算法的改进。我第一次看到这个算法的名字时，首先想到的就是蚂蚁。当时我就想这还能和蚂蚁联系起来？读完文章才知道，这是受到蚂蚁行走觅食的启发。拿上一篇文章举例这就好比蚁窝是车站，各地的食物是装卸区，而蚂蚁就是车辆，所以总要找一条最合适的路径来运送货物。

其实这就是选择最短路径，蚂蚁留下的信息通过不断交互，最终会趋向于最短路径。而对于现实中的车辆来说，我们必须通过计算才能尽可能的得到最短路。这和运筹学上的迭代相似，先找出初始解，然后更新信息选择节点，经过多次迭

代得出最优解。还一个就是得到初始解的扫描法，这也和运筹学上的随机选择相似。

、《连锁企业物流车辆调度模型及优化设计》

和上一篇不同的是这文章介绍了另一种算法遗传算法。说到遗传不得不想到基因，这也是生物学里的难点。在生物这门学科中，遗传基因可能发生重叠、缺失、交叉等。同样，在车辆调度问题中也适用。

遗传算法有六个基本要素:编码、生成初始种群、适应度、选择、交叉、变异。它的开始部分和蚁群算法类似，对从配送中心出发的每条路径编码，然后生成初始种群。而后面的选择、交叉、变异择属于不同的操作，我感觉这三种里面，最难的是交叉，完全看不明白是如何操作的，其他两种还可以稍微理解。最后也是通过多次迭代得到最佳方案。

、《物流系统中车辆调度问题及算法研究》

这篇同样提到了车辆调度问题，但是不同的是又看到一种新算法粒子群算法。看其名字也可知道它和物理中没有质量、没有体积的粒子一样，同时，也可理解为蚁群算法中的蚂蚁。它们都是根据周围的经验去选择一条最短路，即通过迭代找到最优解。

和上一篇的遗传算法相比，粒子群算法的信息共享机制是很不同的，或者说只有全局最优粒子的认知才得以向整个群体传播。所以粒子群算法应该属于单向的信息流动，而遗传算法中的染色体基因都是互相共享信息的。我感觉它们也有相似的地方，粒子群算法的碰撞操作和遗传算法的交叉操作比较相似，可以说是借鉴了遗传算法的交叉操作。

、《几类车辆调度问题的研究》

这篇文章是在建立数学模型的基础上对车辆调度问题的研究。车辆调度问题其实就是解决运输问题，不管是主观因素还是客观因素，合理的车辆调度是解决这个问题的主要办法。我发现这类问题的解决最常用算法就是上几篇文章中提到的，虽然理解起来有点难度。

我感觉要解决车辆调度问题最重要的就是先解决主观因素，只有内部协调运作，才能更有效的发挥各种算法的结果。所以，在建立的数学模型的基础上满足各约束的条件下，要求一合适的车辆调度方案，使各车场的车辆能满足所有用户

的需求，并能达到配送成本最小消耗，就是其解决的问题。

也就是说在一堆可能的选择中搜索对某些目标来说是最优解的问题，如果仅考虑一个目标，就是单目标优化问题；如果考虑多个目标，这多个目标需要同时处理时，就成为多目标优化问题，这就又回到了前几篇文章中的最短路问题。无论算法操作怎么变化，我感觉其本质都是找出最佳路径，解决调度问题。