車輛調度源碼
❶ 基於JAVA 的汽車租賃系統~~源代碼~謝謝~高分~~！
汽車租賃系統是汽車租賃公司的辦公系統，包括從車輛的購置預算，審核購置，車輛預定，合同簽訂，車輛交接，收款結算，車輛維修，保險，違章車輛處置等業務。汽車租賃系統是基於Internet互聯網、ERP、GPS及資料庫技術開發的軟體，實現汽車租賃行業全業務流程的信息化，迪蒙汽車租賃解決方案是由迪蒙自主設計研發的一套多網融合汽車租賃管理整體解決方案。
迪蒙汽車租賃系統軟體後台由車輛信息管理、租賃業務管理、車輛服務管理、財務管理、客戶管理、統計管理、線下門店管理和系統管理八大模塊組成。
1)、車輛信息管理
系統業務模塊，包括車輛管理、租金設置、車輛調度和車輛優惠管理四大模塊。
2)、租賃業務管理
系統業務模塊，包括汽車租賃業務設置、訂單管理、車輛預定管理、訂單變更管理、車輛續租管理、出/還車管理、押金管理、合同管理等各種業務管理功能。
汽車租賃系統後台功能有哪些？
3)、車輛服務管理
車輛服務業務模塊，包括保險管理、事故管理、違章管理、維修管理、保養管理、加油卡管理，這些主要
是租賃汽車的服務工作。
4)、財務管理
對汽車租賃業務的輔助管理模塊，也是不可缺少的模塊，包括賬單管理、發票管理、調賬管理和資金明細
等功能。
5)、客戶管理
主要是針對客戶信息的管理，包括個人客戶管理、企業客戶管理、黑名單管理、積分設置等功能。
6)、統計管理
統計管理是統計站內的數據，包括用戶統計、訂單統計、成本統計、資金統計和車輛統計等。
7)、線下門店管理
汽車租賃公司的另一輔助模快，包括系統用戶管理、門店設置和員工管理。
8)、系統管理
系統管理維護模塊，包括站點管理、APP管理、基礎設置、提醒管理。
迪蒙汽車租賃解決方案融合了共享經濟理念，通過先進的移動互聯網技術，對傳統汽車租賃系統進行了互聯網化改造，不僅覆蓋了傳統租賃業務模式，還拓展了多元化的線上汽車租賃業務。通過系統，客戶不僅可以高效開展和管理線下業務，還可通過 PC 網站、APP 等渠道開展全新的線上租賃業務。最大化優化配置時間與空間，提高汽車使用效率、提升用戶體驗、降低企業管理運營成本，助力企業「互聯網 +」升級轉型。
❷ 車輛優化調度理論與方法
國外車輛優化調度研究已廣泛用於生產、生活的各個方面，如報紙投遞及線路的優化、牛奶配送及送達線路的優化、電話預訂貨物的車輛載貨和線路設計、垃圾車的線路優化及垃圾站選址優化、連鎖商店的送貨及線路優化等等。目前，研究水平已有很大發展，其理論成果除在汽車運輸領域外，在水運、航空、通訊、電力、工業管理、計算機應用等領域也有一定的應用，還用於航空乘務員輪班安排、輪船公司運送貨物經過港口與貨物安排的優化設計、交通車線路安排、生產系統中的計劃與控制等多種組合優化問題。 在國內，該問題的系統研究還不多見。近年來本書作者及課題組成員承擔了國家自然科學基金《城市貨運汽車的科學調度》、《貨運車輛調度優化理論及應用研究》和四川省重點軟科學課題《城市貨運卡車集中優化調度研究》等項目的研究工作，對車輛優化調度的基礎理論及各類問題進行了較為系統的研究，開發了基於地理信息系統的可視化物流配送車輛優化調度系統軟體包，2000年11月在深圳第二屆中國高新技術成果交易會上發布，受到好評和重視；發表了三十多篇相關論文；獲得過一項省部級科技進步二等獎。2001年又獲得了國家自然科學基金項目《不確定信息條件下動態車輛路徑》。
本書展示的主要是國家自然科學基金項目《貨運車輛調度優化理論及應用研究》(編號79700019)的研究成果，在多項課題的研究中，取得一批成果，這本書反映的僅僅是一個側面。在課題的研究和書稿的寫作過程中，參閱了大量的國內外文獻，書稿也反映了相關方面目前國際的前沿動態。該領域的研究內容非常廣泛，本書還有許多方面未涉及，期望在新的課題研究中取得突破。
作者：李軍
出 版 社：中國物資出版社
作者簡介：李軍，1967年生，管理學博士，西南交通大學經濟管理學院教授。主要教學和科學研究領域為物流工程、決策分析、博弈理論及應用。主持和完成國家自然科學基金資助項目及其他省部級以上項目10餘項，並獲得省科技進步二等獎一項，發表論文30餘篇。主編、參編教材三本，獲得鐵道部優秀教材一等獎、二等獎各一項。
目錄
第一章 緒論
1．1 物流配送車輛優化調度的概述
1．2 物流配送車輛優化調度的研究動態和水平
1．3 貨運車輛優化調度問題的分類
第二章 基本理論
2．1 組合優化與計算復雜性
2．2 啟發式演算法理論
2．3 遺傳演算法理論
第三章 基本問題
3．1 圖的基本概念
3．2 最小生成樹
3．3 最短路問題
3．4 最大流問題
3．5 最小費用流問題
3．6 中國郵遞員問題
3．7 旅行商問題
第四章 集貨或送貨非滿載車輛優化調度啟發式演算法
4．1 引言
4．2 模型分析
4．3 C—W節約啟發式演算法
4．4 分派啟發式演算法
4．5 多車場多車型問題
第五章 集貨和送貨一體化非滿載車輛優化調度啟發式演算法
5．1 引言
5．2 網路啟發式演算法
5．3 組合啟發式演算法
第六章 非滿載車輛優化調度遺傳演算法
6．1 自然數編碼遺傳演算法理論研究
6．2 旅行商問題的遺傳演算法
6．3 一般車輛優化調度問題的遺傳演算法
6．4 時間窗車輛優化調度問題的遺傳演算法
第七章 單車型滿載車輛的優化調度
7．1 引言
7．2 調度解的獲得
7．3 解的調整
7．4 解的連通化
7．5 線路的組織與調整
第八章 多車型滿載車輛的優化調度啟發式演算法
8．1 概述
8．2 演算法分析
8．3 實例分析
第九章 車輛優化調度演算法的計算機實現
9．1 系統基礎數據
9．2 系統演算法實例
第十章 基於地理信息系統的物流配送可視化車輛優化調度系統
10．1 系統基礎設計
10．2 系統集成結構設計
10．3 系統總體設計
參考文獻
❸ 急求matlab車輛調度遺傳演算法代碼，需求車輛行駛最優路徑。
function [path,lmin]=ga(data,d) %data為點集,d為距離矩陣，即賦權圖
tic
%======================
sj0=data;%開環最短路線
%=================================
% sj0=[data;data(1,:)]; %閉環最短路線
%=========================
x=sj0(:,1);y=sj0(:,2);
N=length(x);
%=========================
% d(N,:)=d(1,:);%閉環最短路線
% d(:,N)=d(:,1);%距離矩陣d
%======================
L=N; %sj0的長度
w=800;dai=1000;
%通過改良圈演算法選取優良父代A
for k=1:w
c=randperm(L-2);
c1=[1,c+1,L];
flag=1;
while flag>0
flag=0;
for m=1:L-3
for n=m+2:L-1
if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1))
flag=1;
c1(m+1:n)=c1(n:-1:m+1);
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
end
J(k,c1)=1:L;
end
J=J/L;
J(:,1)=0;J(:,L)=1;
rand('state',sum(clock));
%遺傳演算法實現過程
A=J;
for k=1:dai %產生0～1 間隨機數列進行編碼
B=A;
c=randperm(w);
%交配產生子代B
for i=1:2:w
F=2+floor(100*rand(1));
temp=B(c(i),F:L);
B(c(i),F:L)=B(c(i+1),F:L);
B(c(i+1),F:L)=temp;
end;
%變異產生子代C
by=find(rand(1,w)<0.1);
if length(by)==0
by=floor(w*rand(1))+1;
end
C=A(by,:);
L3=length(by);
for j=1:L3
<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>=floor(1+fix(rand(1,3)*N)); %產生1-N的3個隨機數
<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>=sort(<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>);
C(j,:)=C(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:L]);
end
G=[A;B;C];
<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>=size(G,1);
%在父代和子代中選擇優良品種作為新的父代
[<a href="https://www..com/s?wd=dd&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">dd</a>,IX]=sort(G,2);
temp=[];
temp(1:<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>)=0;
for j=1:<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>
for i=1:L-1
temp(j)=temp(j)+d(IX(j,i),IX(j,i+1));
end
end
[DZ,IZ]=sort(temp);
A=G(IZ(1:w),:);
end
path=IX(IZ(1),:)
% for i=1:length(path)
% path(i)=path(i)-1;
% end
% path=path(2:end-1);
lmin=0;l=0;
for j=1:(length(path)-1)
<a href="https://www..com/s?wd=t1&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">t1</a>=path(j);t2=path(j+1);
l=d(<a href="https://www..com/s?wd=t1&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">t1</a>,t2);
lmin=lmin+l;
end
xx=sj0(path,1);yy=sj0(path,2);
plot(xx,yy,'r-o');
axis equal
toc