本書在簡要闡述旅行商問題、車輛路徑問題的基礎(chǔ)上，介紹了復(fù)雜約束車輛路徑問題及其研究現(xiàn)狀，并補充了實際物流企業(yè)涉及的多種新型約束，完善了實際物流優(yōu)化調(diào)度中的各類約束條件。針對復(fù)雜約束車輛路徑問題，作者基于蟻群優(yōu)化算法及各組成環(huán)節(jié)的核心思想，針對多個核心步驟改進了算法，并且結(jié)合相關(guān)的算法研究，建立了一個針對實際物流調(diào)度問題的統(tǒng)一應(yīng)用框架，該應(yīng)用框架較好地優(yōu)化了實際物流企業(yè)調(diào)度。最后，筆者結(jié)合蟻群優(yōu)化算法和強化學(xué)習(xí)算法的優(yōu)點，并針對它們的缺點和痛點，根據(jù)市場經(jīng)濟自動優(yōu)化資源配置的機制及反壟斷、風(fēng)險投資機制，開創(chuàng)性地設(shè)計和建立了市場經(jīng)濟優(yōu)化算法。
本書可作為從事智能優(yōu)化算法及其應(yīng)用研究，特別是組合優(yōu)化問題研究的相關(guān)科技工作者、專業(yè)技術(shù)人員的參考書，也可作為計算機、運籌學(xué)等專業(yè)本科生及研究生的參考書。
隨著電子商務(wù)、快遞、外賣、生產(chǎn)供應(yīng)鏈等業(yè)務(wù)的迅猛發(fā)展，物流作為基礎(chǔ)行業(yè)也得到了快速發(fā)展，伴隨而來的是物流成本及規(guī)模的日漸擴大，于是物流成本優(yōu)化問題亟待系統(tǒng)性地解決。
一方面，作為物流行業(yè)核心的車輛路徑問題（VRP），其主要目標(biāo)是尋找一個成本最優(yōu)路徑。車輛路徑問題屬于組合優(yōu)化問題，求解的難度隨著規(guī)模的增大而急劇加大，稱之為“組合爆炸”。另外，隨著物流行業(yè)的發(fā)展，除了基本的車輛容量約束外，其他如異構(gòu)車型、時間窗約束、甩掛運輸、多倉庫配送等新型的物流約束條件層出不窮，稱之為復(fù)雜約束車輛路徑問題（Rich VRP）。規(guī)模和約束的疊加使得復(fù)雜約束車輛路徑問題的求解更為困難，更具有挑戰(zhàn)性。
另一方面，隨著計算機技術(shù)尤其是以5G通信為代表的通信技術(shù)及物聯(lián)網(wǎng)技術(shù)的發(fā)展，物流、信息流、資金流中數(shù)據(jù)的收集、傳輸和處理的規(guī)模和速度也在不斷增大，因此對物流運輸優(yōu)化提出了更高的效率需求。在物流運輸過程中經(jīng)常會出現(xiàn)各類突發(fā)事件，例如道路交通事故形成的交通阻塞，運輸車輛發(fā)生事故或故障拋錨，以及客戶現(xiàn)實情況的快速變化導(dǎo)致的加單、減單、取消、變更、延誤等，這些意料之外的動態(tài)變化疊加近乎實時的數(shù)據(jù)信息收集及處理反饋要求，對解決復(fù)雜約束車輛路徑問題算法提出了更高的要求。
筆者擁有25年以上的IT行業(yè)經(jīng)驗，長期在IT行業(yè)頭部企業(yè)及500強外企工作，有著豐富的軟件設(shè)計、開發(fā)和實踐經(jīng)驗，且長期關(guān)注在蟻群優(yōu)化算法及在復(fù)雜約束車輛路徑問題方面的應(yīng)用研究，筆者的研究均結(jié)合一些中大型物流企業(yè)的實際物流調(diào)度業(yè)務(wù)需求，并取得了20%~50%的實際優(yōu)化效果。
在結(jié)合蟻群優(yōu)化算法和強化學(xué)習(xí)算法的基礎(chǔ)上，特別是針對蟻群優(yōu)化算法的不足，筆者獨自設(shè)計和實現(xiàn)了市場經(jīng)濟優(yōu)化算法，并進行其在復(fù)雜約束車輛路徑問題上的應(yīng)用研究。市場經(jīng)濟優(yōu)化算法的設(shè)計思想可有效解決易陷入局部最優(yōu)和探索與利用困境的問題，其核心方法也適用于改進其他元啟發(fā)式算法或強化學(xué)習(xí)算法。
學(xué)術(shù)研究只解決了核心問題解決方案的有無問題，實際應(yīng)用研究還需要具備深厚的算法設(shè)計能力，以解決后續(xù)多個實際應(yīng)用中的困難，這樣才能將解決方案落地成為一個完整的可行性方案。
本書內(nèi)容包括從學(xué)術(shù)層面介紹旅行商問題、車輛路徑問題和復(fù)雜約束車輛路徑問題，并綜述了目前解決相應(yīng)問題的各類算法，著重闡述了蟻群優(yōu)化算法；最后針對復(fù)雜約束車輛路徑問題，并結(jié)合實際物流企業(yè)的需求、實現(xiàn)及效果進一步展示了相關(guān)研究的實用價值。
本書結(jié)合筆者的IT企業(yè)經(jīng)歷及研究成果，綜合學(xué)術(shù)研究和實際應(yīng)用，具有較高的學(xué)術(shù)研究和實踐參考價值，適合組合優(yōu)化研究方向及實際物流優(yōu)化的研究者參考。
著者
202302
第1章 緒論
1.1 物流行業(yè)背景及現(xiàn)狀 /1
1.2 解決車輛路徑問題的意義 /4
1.3 基本的旅行商問題和車輛路徑問題 /5
1.3.1 旅行商問題（TSP） /5
1.3.2 車輛路徑問題（VRP） /7
小結(jié) /9
第2章 復(fù)雜約束車輛路徑問題(Rich VRP)
2.1 復(fù)雜約束車輛路徑問題（Rich VRP）的具體內(nèi)容 /10
2.2 復(fù)雜約束車輛路徑問題（Rich VRP）在實踐中的新增約束 /15
2.3 其他車輛路徑問題的研究現(xiàn)狀 /19
2.4 車輛路徑問題關(guān)聯(lián)裝載問題概述 /20
小結(jié) /23
第3章 復(fù)雜約束車輛路徑問題的算法現(xiàn)狀
3.1 解決Rich VRP的算法研究概述 /24
3.2 解決Rich VRP的精確算法 /25
3.3 解決Rich VRP的近似算法 /28
3.4 解決Rich VRP的元啟發(fā)式算法 /30
3.5 解決Rich VRP的機器學(xué)習(xí)算法 /36
3.6 解決Rich VRP的強化學(xué)習(xí)算法 /40
3.7 單智能體強化學(xué)習(xí)與多智能體強化學(xué)習(xí) /41
3.8 主流強化學(xué)習(xí)與組合優(yōu)化問題 /42
3.9 各類算法的比較 /43
小結(jié) /47
第4章 蟻群優(yōu)化算法及其改進研究
4.1 蟻群優(yōu)化算法（ACO）原理 /48
4.2 選擇蟻群優(yōu)化算法（ACO）的原因 /50
4.3 蟻群優(yōu)化算法（ACO）研究現(xiàn)狀 /52
4.4 蟻群優(yōu)化算法在Rich VRP的研究現(xiàn)狀 /56
4.5 蟻群優(yōu)化算法與強化學(xué)習(xí)算法的結(jié)合 /58
小結(jié) /61
第5章 Levy ACO算法
5.1 萊維分布和萊維飛行模式概述 /62
5.2 Levy ACO的算法設(shè)計 /66
5.3 實驗環(huán)境說明 /69
5.4 實驗結(jié)果及其分析 /73
5.5 Levy ACO與其他最新算法的比較 /80
5.5.1 Levy ACO與ACO相關(guān)最新算法的比較 /80
5.5.2 Levy ACO與非ACO最新算法的比較 /83
小結(jié) /84
第6章 Greedy Levy ACO算法
6.1 Epsilon Greedy機制 /85
6.2 Greedy Levy ACO的算法設(shè)計 /87
6.3 實驗環(huán)境說明 /88
6.4 實驗結(jié)果及其分析 /89
6.5 Greedy Levy ACO與其他最新算法的比較 /96
6.5.1 Greedy Levy ACO與ACO相關(guān)最新算法的比較 /96
6.5.2 Greedy Levy ACO與非ACO最新算法的比較 /99
小結(jié) /100
第7章 Contributionbased ACO算法
7.1 強化學(xué)習(xí)算法中的獎勵機制 /101
7.2 管理學(xué)激勵理論概述 /102
7.3 經(jīng)典ACO算法中的信息素更新邏輯 /103
7.4 Contributionbased ACO的算法設(shè)計 /104
7.5 實驗環(huán)境說明 /106
7.6 實驗結(jié)果及其分析 /106
7.7 ACO改進算法的比較、關(guān)系和作用 /112
小結(jié) /116
第8章 Rich VRP分析及統(tǒng)一應(yīng)用框架的建模
8.1 Rich VRP統(tǒng)一應(yīng)用框架分析 /118
8.1.1 車型的定義及意義 /118
8.1.2 Rich VRP約束分析 /119
8.1.3 多車型車隊概念 /121
8.1.4 多車型及多信息素 /122
8.1.5 多信息素下的ACO信息素邏輯 /124
8.1.6 信息素更新改進策略 /124
8.1.7 與車型無關(guān)約束的實現(xiàn) /126
8.2 Rich VRP統(tǒng)一應(yīng)用框架的ACO算法邏輯 /128
8.2.1 車輛選擇邏輯 /128
8.2.2 候選節(jié)點選擇邏輯 /129
8.3 Rich VRP統(tǒng)一應(yīng)用框架性能提升的設(shè)計 /130
8.4 Rich VRP統(tǒng)一應(yīng)用框架系統(tǒng)的實現(xiàn)條件 /131
8.4.1 開發(fā)語言的選擇 /131
8.4.2 基礎(chǔ)開發(fā)庫的選擇 /132
8.4.3 數(shù)據(jù)庫中間件的選擇 /132
8.4.4 電子地圖的選擇 /133
8.4.5 GPU或CPU等并行機制的選擇 /133
8.5 Rich VRP統(tǒng)一應(yīng)用框架實驗結(jié)果 /135
小結(jié) /138
第9章 Rich VRP的實際應(yīng)用及效果分析
9.1 Rich VRP的應(yīng)用背景 /139
9.2 Rich VRP的應(yīng)用環(huán)境 /140
9.2.1 Rich VRP中的節(jié)點信息和訂單信息 /141
9.2.2 Rich VRP中的路網(wǎng)信息 /141
9.2.3 Rich VRP中的車輛信息 /142
9.2.4 Rich VRP中的節(jié)點、路網(wǎng)、車輛、訂單信息的關(guān)系 /143
9.3 Rich VRP應(yīng)用實例 /143
9.3.1 某銀行ATM機清機運鈔車線路優(yōu)化項目 /144
9.3.2 某汽車生產(chǎn)供應(yīng)鏈優(yōu)化項目 /146
9.3.3 某冷鏈互聯(lián)網(wǎng)服務(wù)平臺運輸優(yōu)化項目 /149
9.3.4 某倉儲服務(wù)企業(yè)攬貨線路優(yōu)化項目 /150
9.3.5 某倉儲服務(wù)企業(yè)倉庫揀選運輸優(yōu)化項目 /153
小結(jié) /155
第10章 市場經(jīng)濟優(yōu)化算法（MEO-Q）
10.1 組合優(yōu)化問題中的難點 /158
10.2 Qlearning算法及AntQ算法 /158
10.2.1 Qlearning算法 /158
10.2.2 AntQ算法及其與QLearning算法的比較 /160
10.2.3 現(xiàn)有算法的不足和市場經(jīng)濟優(yōu)化算法的改進措施 /162
10.3 市場經(jīng)濟理論對于組合優(yōu)化問題的意義 /163
10.4 市場經(jīng)濟優(yōu)化算法的主要內(nèi)容 /164
10.4.1 市場經(jīng)濟優(yōu)化算法中的價格機制及成本利潤模式 /165
10.4.2 市場經(jīng)濟優(yōu)化算法中的反壟斷機制 /167
10.4.3 市場經(jīng)濟優(yōu)化算法中的風(fēng)險投資機制 /170
10.4.4 市場經(jīng)濟優(yōu)化算法中的總體算法結(jié)構(gòu) /171
10.4.5 市場經(jīng)濟優(yōu)化算法中的其他設(shè)計 /173
10.5 市場經(jīng)濟優(yōu)化算法的實驗設(shè)置 /173
10.6 市場經(jīng)濟優(yōu)化算法的實驗結(jié)果 /173
10.6.1 市場經(jīng)濟優(yōu)化算法實驗總體結(jié)果 /173
10.6.2 市場經(jīng)濟優(yōu)化算法實驗中具體數(shù)據(jù)集的詳細(xì)結(jié)果 /176
10.6.3 市場經(jīng)濟優(yōu)化算法實驗與最新強化學(xué)習(xí)算法性能的對比 /185
10.7 市場經(jīng)濟優(yōu)化算法的后續(xù)研究 /186
10.7.1
市場經(jīng)濟優(yōu)化算法后續(xù)改進之一——融合LKH算法 /186
10.7.2 市場經(jīng)濟優(yōu)化算法后續(xù)改進之二——解的重復(fù)性過濾 /186
10.7.3
將市場經(jīng)濟優(yōu)化算法應(yīng)用于Rich VRP統(tǒng)一應(yīng)用框架 /187
小結(jié) /187
附錄 英文縮寫說明 /188
參考文獻 /190
書單推薦
