文献综述
一、国内研究现状：
对于物流的最优路径的研究，杨宝石把城市快递配送路径问题看作是简单的旅行商问题（Travel Salesman Problem，TSP），针对该问题模型除了考虑了一般性的约束之外，仅仅只额外考虑了容量约束。当问题规模不大时，可以得到全局最优解。丁洁则将城市快递配送路径问题转化为多重旅行商问题（Multi Travel Salesman Problem，MTSP），同时考虑到 MTSP 问题求解难度较大，故先将其转化为 TSP 问题，接着结合最小生成树的深度优先搜索算法来确定快递员最终的行车路线，以求得到该问题的近似最优解[1]。
何俊生等人针对同城快递配送路径问题，提出了两个模型，一个不考虑时间窗约束仅考虑容量约束，另一个同时考虑，采用 Dijkstra 遗传优化算法求解并进行了比较对比分析。姜艳和关雪提出了一个线性混合整数规划模型，该模型主要考虑时间窗约束和单车快件数目上限约束[2,3]。
杨从平等人针对快递物流配送车辆路径问题，考虑了容量约束和单车最大行程距离约束，采用蚁群算法对桂林市某快递网络的配送路径进行了优化。李炳会则用超时惩罚对时间约束进行了替代，即快递超过预定时间需要赔偿以进行惩罚[4]。
张迅和刘海东等人根据快递配送的特点，研究了采用快件递送和揽收同时服务的配送策略的车辆路径问题。他们假设车辆在配送中心与客户点之间或客户点之间行驶的时间服从正态分布，各客户点均带有有软时间窗约束，以及快件揽收数量服从泊松分布，依此建立一个线性混合整数规划的多目标模型，目标函数包括：行驶路程最短，时间惩罚值最小和快件揽收数量最大。同时他们提出了一种遗传算法：该遗传算法采取种群个体适应度值排序和最佳个体保留的选择策略，以及通过参数控制自适应交叉概率来保证所求结果的优良性，通过设计算例并采用Matlab软件进行编程运算，实验结果证明了该遗传算法的可行性[5,6]。
陈敏等人研究了如何快速响应动态信息的车辆调度问题，并将其描述成是一个实时带时间窗车辆路径问题（Real-time Vehicle Routing Problem with Time Windows，RT-VRPTW）。针对实际调度问题的规模、复杂度和特性，将动态问题转化成静态问题，提出了一种混合禁忌搜索算法，该算法分为两个阶段：第一阶段，首先采用插入法生成初始方案；第二阶段，引入改进的禁忌启发式搜索算法对全局进行优化，实验结果表明该算法行之有效[7,8]。
胡明伟和唐浩等人则研究了快递服务相关的动态车辆路径问题，并将其描述成带时间窗的动态旅行修理员问题（Dynamic Traveling Repairman Problem with Time Windows，DTRPTW），建立多目标优化模型，该模型包括服务客户数量最大、客户等待时间最小以及总运行时间最短三重优化目标。他们采用基于词典式的排序方法，同时改进了Or-opt局部搜索算法。根据仿真实验结果显示，与单目标模型相比，多目标优化模型能够明显降低被拒绝服务的客户数量和客户等待时间，同时总运营时间未发生明显增长[9,10]。
赵世安等人则着重研究了带装载量约束的物流配送车辆路径优化研究，如何能够保证快递配送的路径得到最优[11,12]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
