本课题研究的基本内容是在随机需求的条件下，分别从供应链中各成员的角度研究供应链各环节的库存补货策略、各环节之间的配送组织方案(运输线路、车辆数量、送货时间)设计，以及各策略间的协调问题，建立相应优化目标，设计智能优化算法求解模型，最后用实例分析模型参数变化对最优解的影响。

本课题拟解决的主要问题

（1）如何确立具有随机需求的物流配送问题的优化目标？路径长度还是成本？

（2）由于配送点的需求具有随机性，导致配送车辆返回配送中心补货的位置和次数不确定，虽然配送路线固定，但车辆行驶距离具有随机性，如何计算配送车辆的平均行驶距离？

（3）考虑不同的配送规则，返回补货次数有限或不限的情况下，如何计算配送车辆的平均行驶距离？

本课题的难点

（1）解决VRP问题在算法上，国内外的研究学者进行了许多探索，提出的方法主要有精确算法和启发式算法两种。本课题拟采用改进的遗传算法来求解最优配送次序，难点在于遗传操作算子的设计。

（2）综合考虑随机需求因素和多配送车辆使得本问题的优化目标和约束变得更加复杂，如何将单车辆问题的解法拓展到多车辆问题是本课题的最大难点。

三、研究步骤、方法及措施：

1、掌握库存论和物流配送车辆路径优化（VRP）的基本知识和经典结论；

2、掌握经典优化算法和粒子群、遗传算法等智能算法；

3、通过查阅文献和实际考察，了解物流配送与供应链管理现状，以获得一些重要的信息与数据，分析存在的问题；

4、结合实际调研和文献研究，建立起基于供应链整体最优的物流配送模型；

5、设计智能优化算法对所构造的数学模型进行求解，用实例说明求解过程；

6、对模型进行分析、评价和改进；对模型参数进行灵敏度分析；

7、得出最终结论后总结成果，撰写论文，准备答辩材料。

......

物流配送中的车辆路径问题最早由Dantzig和Ramser在1959年提出，在当今市场经济竞争愈发激烈的环境下，企业单一考虑压缩商品成本已经无法显著提高企业的经济效益，降低商品配送成本已经成为相关企业考虑的首要因素。车辆路径问题任是创新与改进搜索算法领域的热点模型。

本文从控制企业物流配送成本、提高物流配送效率的角度出发，综合考虑客户需求的随机性以及配送车辆的装载容量等约束条件，分别建立了限制车辆返回配送中心次数以及不限返回次数的随机需求单车辆物流配送模型，给出了车辆行驶路程长度的期望公式。然后在解决TSP问题的遗传算法基础上，以路径长度的数学期望最小化为目标，设计了针对SVRP问题的遗传算法，寻找出最优的配送次序。最后通过仿真实例验证算法的可行性与效率，并分析了遗传算子中变异概率对算法效果的影响。

......

本文采用旅行商问题(Travelling salesman problem TSP)的求解方式来求解VRP模型，TSP指的是已知一定数量的城市和每个城市之间相隔的距离，求网络图中访问所有城市一次，最后返回起点城市的最短线路。遗传算法从本质来讲是用于求解复杂问题的随机搜索算法，所以遗传算法在求解TSP问题时是合适有效的。VRP与TSP解决的问题相似，都是求最优访问次序，解结构也相同，所以针对TSP问题的遗传算法同样适用于VRP模型的求解。