【摘要】：初始解确定了所选的仓库节点以及每个仓库节点所服务的客户，采用禁忌搜索算法改进初始解，得到一个当前较好解。基于第一阶段求解的设施定位及客户分配，在算法的第二阶段使用遗传算法求解VRP，通过迭代循环实现算法中两阶段搜索的协调，直到满足预先设置的终止条件。
为了有效求解有时间窗约束的多仓库有容量限制的LRP问题，本书设计了基于禁忌搜索和遗传算法的两阶段混合启发式算法，并根据问题的不同决策变量，分解为LAP和VRP两个子问题分别求解。由于仅仅有一些路段会随着仓库位置的改变而发生变化，因此，可以将搜索限制在这些路段内。车辆路径优化阶段实际上是局部搜索，而不是移动所有线路的全局搜索。这就会消除很多不必要的计算，并允许两阶段算法在合理的计算时间内求得较优解。具体步骤如下：
（1）初始化
禁忌搜索算法都是以初始解开始的，在进行计算之前需要先计算初始解。由于禁忌搜索算法对初始解的依赖性较强，一个较好的初始解可使禁忌搜索在解空间中搜索到更好的解，而一个较差的初始解则会降低搜索的收敛速度和搜索质量。为此，我们使用其他启发式算法来获得一个较好的初始解，提高算法的性能。
（2）定位—分配阶段
初始解确定了所选的仓库节点以及每个仓库节点所服务的客户，采用禁忌搜索算法改进初始解，得到一个当前较好解。
（3）车辆路线安排阶段
基于第一阶段求解的设施定位及客户分配，在算法的第二阶段使用遗传算法求解VRP，通过迭代循环实现算法中两阶段搜索的协调，直到满足预先设置的终止条件。
其算法流程如图6-1所示。
集成物流管理系统的选址—路径问题算法流程图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
