建立有时间窗车辆路径问题的数学模型，针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造有时间窗车辆路径问题的混合遗传算法，并进行实验计算。结果表明，用混合遗传算法求解该优化问题，可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足，从而得到质量较高的解。
　　车辆路径问题是物流配送优化中关键的一环，也是电子商务活动中不可缺少的内容。自1959年和首次提出VRP以来，很快引起运筹学、应用数学、网络分析、图论及计算机应用等学科的专家与运输计划制定者和管理者的极大重视。历经多年的研究发展，衍生出多种不同类型的问题。
　　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、行驶里程限制及时间限制）下，达到一定的目标（如路程最短、费用最小、时间尽量少及使用车辆尽量少）。
　　由于VRP已被证明是一个NP难题，求解该问题高效的精确算法存在的可能性不大，为此专家们主要将精力用于构造高质量的启发式算法上。比知一些学者尝试了用一般启发式算法、神经网络、遗传算法、禁忌搜索及模拟退火等智能化启发式算法，均取得了较好的结果。
　　但是，这些算法在求解问题时都存在“早熟收敛”、搜索效率低和求解速度慢的问题。针对遗传算法的不足，本文中通过将模拟退火的思想引入遗传算法，并对交叉和变异后的个体实施接收策略，不但能有效地缓解遗传算法的选择压力，并且能增强遗传算法的全局收敛性，克服其易限于局部最优的缺陷。实验结果表明该算法具有较强的寻优性能和较快的收敛速度，得到的优化结果也更接近最优解。
　　求满足货运需求的总最短行车路线。根据不同的约束，VRP有多种不同类型，从上述描述中可知，该问题是车辆数固定的单车场单车型非满载车辆路径问题。用CJJ表示从点I到点J的运输成本，其含义可以是距离、费用及时间等，设配送中心编码为0，客户编码为为车辆的容量约束，式保证每个客户点的运输任务仅由一辆车来完成，而所有的运输任务则由Ｋ辆车共同完成，式和式保证每个客户能且只能被一辆车服务一次。
　　求解问题的遗传模拟退火算法遗传模拟退火算法是遗传算法和模拟退火算法相结合的一种优化方法。它既具有遗传算法的全局性和并行性，又具有模拟退火算法的局部搜索能力和退火特征，将这两种算法结合起来所构成的遗传模拟退火算法使得遗传算法的搜索性能得到极大改进。具体分为5个步骤。
　　优先关系指的是客户被服务的先后次序。它可以根据起点到各分店的距离确定，也可以根据每个分店的时间窗来确定，还可以通过加权因子由二者共同来确定。在满足车容量和时间窗的约束前提下，我们有理由访问与起点０距离成本较小的客户。
　　式中前两项分别为：从起点0访问客户j的时间窗口左右边界的绝对差与整个时间窗口宽度的比值，第三项为距离因素，把客户按照其评价值从小到大的顺序进行排列，就得到一个各分店被服务的优先关系。
　　染色体的交叉在每代种群中，以一定的交叉概率对染色体进行交叉操作，在此引入一种新颖的交叉算子，这种交叉算子的最大特点是当两父代相同时，仍能产生新的个体，这就减弱了对种群多样性的要求，能够有效地避免传统遗传算法“早熟收敛”的缺点，这是以往交叉算子所不具备的。
　　结论在建立带时间窗车辆路径问题的数学模型基础上，针对遗传算法因局部搜索能力不强造成寻优效果较差的缺陷，将局部搜索能力很强的模拟退火算法与之结合，从而构造了求解带时间窗车辆路径问题的混合遗传算法。实验计算结果表明，用混合算法求解带时间窗的车辆路径问题，可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足，从而得到较好的计算结果，同时混合遗传算法还具有计算效率较高，计算结果较稳定和鲁棒性强的特点，充分显示了其良好的寻优性能。 

职称评定要求要发表论文，论文发表要注意哪些事情。有哪些期刊可以选择，欢迎在本站查阅可以在本站了解一下评职的具体要求哦，也可以咨询我们。