下载文档原格式
0 引言如今不少企业采用的JIT生产都存在着一定的矛盾现象。
汽车生产企业因为要最大限度地减少零部件的库存数量，所以就需要供应商进行多频次、小批量送货，这就造成运输车辆经常以较低的装载率运行，而且这种直送模式还会造成空车返回的运能浪费，导致运输效率低下，并且增加了运输成本。
为了改善这一现象，比较高效的循环取货开始得到了众多企业的关注。
对于循环取货而言，路径规划问题至关重要，只要能设计出好的路线，就能提高循环取货的效率，大大减少企业的物流成本。
车辆路径规划问题起初由Dantzig以及Ramser等人在1959年提出[1]，它属于NP-Hard难题，通常用启发式算法来解决。
董蕊和刘冉等人设计出了一种新型的带有时间窗约束累积性车辆路径问题，用TS算法进行求解，并运用了Nagata时间窗违反量计算[2] 。
廖大强等对于物流部门中的时间窗和车辆限制的开放性车辆路径问题，使用禁忌搜索算法求解路线 [3]。
该文主要根据多约束条件抽象出数学模型，将路径规划问题转变为旅行商问题，以总路径最短为目标函数。
根据提出的数学模型设计适用于该模的禁忌搜索算法，利用计算机随机生成的算例进行验证并分析。
1 循环取货的路径规划循环取货是一种物流中常用的配送模式。
承运商携带须从客户返还给供应商的货物出发，依次到达每个供应商，将返还给供应商的货物卸下并装载上须从供应商处收集的货物回到客户处。
1.1 循环取货路径规划的数学建模1.1.1 循环取货路径规划问题分析想要顺利运作循环取货需要考虑以下3个方面：1）路径规划。
循环取货是按照既定的时间和线路进行取货作业，合理规划路径是进行循环取货的基础，而路径规划的好坏会直接影响到物流成本。
2）车辆装载率的提高。
提高运输车辆装载率也是实施循环取货要考虑的关键问题之一，能改善这个问题就能解决JIT供应和成本之间存在的矛盾。
3）合理安排司机。
要做好司机的调度工作，避免司机疲劳驾驶，也要保证司机不违反交通法规。
配送路线优化方法
配送路线优化方法主要有以下几种：
1. 贪心算法：将配送路线划分为多个子问题，每次选择最优的子问题解决，然后将其合并得到全局最优解。
贪心算法的优点是简单易实现，但可能得到次优解。
2. 动态规划：将配送路线划分为多个子问题，并利用之前的子问题解来解决当前问题，得到最优解。
动态规划的优点是可以得到全局最优解，但计算量较大。
3. 遗传算法：通过模拟生物进化的方式来优化配送路线。
将每个配送路线看作一个个体，通过交叉、变异等操作产生新的个体并筛选出适应度较高的个体，逐代演化得到最优解。
遗传算法的优点是能够在复杂的问题中快速找到较优解，但可能不能保证全局最优解。
4. 模拟退火算法：模拟退火算法通过模拟物质退火过程，利用温度参数来控制搜索空间，在搜索过程中接受概率较低的解，以避免陷入局部最优解。
模拟退火算法的优点是可以在解空间中跳出局部最优解，但需要较多的计算时间。
5. 禁忌搜索算法：禁忌搜索算法引入禁忌表来记录搜索过程中的禁忌解，避免陷入局部最优解，并通过引入随机扰动和策略调整来搜索全局最优解。
禁忌搜索算法的优点是相对于局部搜索算法来说，在全局搜索的过程中增加了多样性和全局搜索能力，但可能需要较长的计算时间。
以上是几种常见的配送路线优化方法，具体选择哪种方法应根据具体问题的任务目标、计算资源和时间限制来确定。
、、、禁忌搜索算法优化物流调度禁忌搜索算法优化物流调度随着物流行业的不断发展，物流调度已经成为了企业运营中不可或缺的一环。
而物流调度的优化，也一直是企业所关注的问题之一。
在物流调度的优化中，搜索算法起到了至关重要的作用。
然而，对于一些敏感的物流领域，如事物资运输、药品配送等，一些特定的信息不应该被搜索算法所搜寻，这就需要禁忌搜索算法的应用。
禁忌搜索算法（Tabu Search）是一种智能化的优化算法，它通过约束条件来限制搜索空间，从而得到最优的解决方案。
禁忌搜索算法的核心思想是“不走回头路”，即避免搜索过程中陷入死循环。
在物流调度中，禁忌搜索算法可以通过设置禁忌表来约束搜索空间，从而避免出现重复的解决方案。
在物流调度中，禁忌搜索算法的应用主要分为两个方面：1. 避免重复路径的搜索在物流调度中，每个货物都需要按照一定的路径进行运输。
如果搜索算法在搜索过程中出现了重复路径，那么就会浪费宝贵的时间和资源。
禁忌搜索算法可以通过约束条件来避免搜索过程中出现重复路径的情况，从而提高物流调度的效率。
2. 隐私保护在一些敏感领域的物流调度中，一些特定的信息不应该被搜索算法所搜寻，例如事物资的运输路径、药品配送的细节等。
禁忌搜索算法可以通过设置禁忌表来限制搜索空间，从而避免搜索算法出现不应该搜索到的信息，从而保护隐私。
禁忌搜索算法在物流调度中的应用，可以大大提高物流调度的效率和准确性，同时也可以保护隐私。
然而，禁忌搜索算法也存在一些问题，例如搜索空间较大时算法的效率就会受到影响，这就需要在实际应用中进行合理的优化。
在禁忌搜索算法的优化中，可以采用以下几个方面：1. 禁忌表的合理设置禁忌表的设置是禁忌搜索算法中的关键。
在物流调度中，可以通过合理设置禁忌表来限制搜索空间，从而避免搜索算法出现重复路径和隐私泄露的情况。
禁忌表的设置需要根据具体的业务需求进行灵活调整。
2. 改进启发式函数启发式函数是禁忌搜索算法中的重要组成部分，它用于评估搜索过程中的解决方案。
自动导引车（Automated Guided Vehicles，AGV）定义为配置导航定位功能的自动导引装置，能够沿系统规划的路径行驶，具有安全保护且能完成各种装卸作业的自动设备[1]。
在现代化输送系统的自动化和智能化中起着不可或缺的重要作用，日益广泛应用在制造业、航空航天、物流服务等行业。
多AGV系统的路径规划技术包括作业任务的分派、最短路径搜索和交通管理的相互配合，不仅需要保证作业的安全性，同时还要保持系统的高效运转。
其中AGV的路径搜索需要在复杂的现场环境下，依据工艺地图路线，按照作业时间最短、系统运行成本最低和全局作业流畅的评价标准，规划一条从起始点到目标点的行驶路径[2]。
多AGV系统的路径搜索是一个涉及约束条件、附加条件和现实条件的复杂非确定性多项式（Non-deterministic Polynomial，NP）问题。
相比于传统经典算法，智能优化算法能够更有效地解决路径规划的多约束问题，通过将寻找最优路径转化为寻找函数最优值，从而实现多AGV系统路径规划中的最短路径搜索[3]。
本文在保证合理任务分配机制和稳定交通管理策略的前提下，对比经典寻路算法，提出基于邻域搜索的禁忌路径搜索算法，通过仿真实验证明该方法的优越性和必要性。
1介绍随着AGV系统应用的日益广泛和作业任务的日益复杂，AGV集群之间的相互配合与协作，成为系统项目中不可避免的重要问题，而多AGV的路径规划技术就是AGV系统的核心技术之一，可分为环境信息完全已知的全局路径规划和环境信息完全未知或部分未知的局部路径规划[4]。
在多AGV系统的环境信息已知的全局路径规划中，任务调度算法、路径搜索方法和交通管理的性能直基于禁忌搜索的多AGV系统路径优化算法陈展，公建宁，刘媛媛，徐京邦机械科学研究总院机科发展科技股份有限公司，北京100044摘要：在多自动导引车（Automated Guided Vehicles，AGV）系统的路径规划中，构建AGV的拓扑结构地图模型，设计基于全局邻域搜索的禁忌算法，以高效准确地解决最短路径的组合优化问题，并进行不同规模算例下的分组实验，验证禁忌搜索算法对路径能耗属性、时间属性和路径负载均衡目标参数的优化效果，来提高多AGV系统的稳定性和高效性。
Vol 18,No 1管 理 工 程 学 报Journal of Industrial Engineering Engineering Management2004年第1期车辆路径问题的禁忌搜索算法研究郎茂祥,胡思继(北京交通大学交通运输学院,北京100044)摘要:论文在对车辆路径问题进行简单描述的基础上,通过设计一种新的解的表示方法构造了求解该问题的一种新的禁忌搜索算法,并进行了实验计算。
计算结果表明,用本文设计的禁忌搜索算法求解车辆路径问题,不仅可以取得很好的计算结果,而且算法的计算效率较高,收敛速度较快,计算结果也较稳定。
关键词:车辆路径问题;禁忌搜索算法;优化中图分类号:F502 文献标识码:A 文章编号:1004-6062(2004)01-0081-04收稿日期:2002-06-18 修回日期:2002-12-30作者简介:郎茂祥(1969 ),男(汉),山东高唐人,北京交通大学交通运输学院副教授,博士,主要研究方向为交通运输规划与管理。
0 引言车辆路径问题(VRP,Vehicle Rou ting Problem)是由Dantzig 和Ramser 于1959年提出的[1]。
该问题一直是运筹学与组合优化领域的前沿与热点问题。
在现实生产和生活中,邮政投递问题、飞机、铁路列车、水运船舶及公共汽车的调度问题、电力调度问题、管道铺设问题、计算机网络拓扑设计问题等都可以抽象为车辆路径问题。
研究车辆路径问题具有重要的理论和现实意义。
车辆路径问题作为一个NP 难题,随着客户数量的增加,可选的车辆路径方案数量将以指数速度急剧增长。
因此,用启发式算法求解该问题就成为人们研究的一个重要方向。
求解车辆路径问题的方法很多,常用的有旅行商法、动态规划法、节约法、扫描法[2]、分区配送算法[3]、方案评价法等。
禁忌搜索算法的出现,为求解车辆路径问题提供了新的工具。
Gendreau 、Jiefeng 、Barbarosoglu 、蔡延光等都曾利用禁忌搜索算法求解车辆路径问题[4-8],并取得了一些研究成果。
基于禁忌搜索的自动化旅行商问题求解在当今快节奏的社会中，旅行已经成为人们生活中不可或缺的一部分。
无论是为了工作还是休闲，我们都希望能够规划出一条最优的旅行路线，以最小的成本和时间获得最大的收益。
这就引出了一个经典的数学问题——旅行商问题（Travelling Salesman Problem，TSP）。
而禁忌搜索（Tabu Search，TS）作为一种有效的优化算法，为自动化求解旅行商问题提供了新的思路和方法。
旅行商问题可以简单描述为：给定一系列城市以及城市之间的距离，旅行商需要从某个城市出发，访问每个城市恰好一次，最后回到出发城市，求总行程最短的路径。
这个问题看似简单，但随着城市数量的增加，可能的路径组合数量会呈指数级增长，导致求解变得极其困难。
传统的求解方法，如枚举法，在城市数量较多时会因为计算量过大而变得不切实际。
禁忌搜索算法是一种启发式搜索算法，它通过引入禁忌表来避免重复搜索已经访问过的区域，从而跳出局部最优解，找到全局最优解或者接近全局最优解的次优解。
在解决旅行商问题时，禁忌搜索算法首先随机生成一个初始解，然后通过邻域搜索来寻找更好的解。
邻域搜索可以通过交换城市的顺序、插入城市或者删除城市等操作来实现。
在进行邻域搜索时，禁忌搜索算法会评估每个邻域解的质量，并选择最优的邻域解作为下一步的当前解。
但这里有一个关键的步骤，就是要判断所选择的邻域解是否在禁忌表中。
如果在禁忌表中，那么即使这个解更好，也不能被选择；否则，就可以选择这个解作为新的当前解，并将相应的操作放入禁忌表中，以防止在一定的迭代次数内再次进行相同的操作。
为了更有效地应用禁忌搜索算法求解旅行商问题，还需要对一些关键参数进行设置和调整。
比如禁忌长度，它决定了某个操作被禁止的迭代次数。
如果禁忌长度设置得太短，可能会导致算法陷入局部最优解；如果设置得太长，则可能会降低算法的搜索效率。
另外，还有候选解集的大小、终止条件等参数，都需要根据具体问题的规模和特点进行合理的选择。
禁忌搜索算法原理及应用随着计算机技术的不断发展，各种算法也应运而生，其中禁忌搜索算法便是一种比较常用的优化算法。
禁忌搜索算法的一大特点就是能够避免搜索过程中出现循环现象，能够有效地提高搜索效率，因此在许多领域都有广泛的应用。
一、禁忌搜索算法的原理禁忌搜索算法是一种基于局部搜索的优化算法。
其基本思想就是在搜索过程中引入禁忌表，通过记录禁忌元素，避免进入不良搜索状态，从而获得更好的解。
禁忌表的作用是记录已经经过的解的信息，防止搜索陷入局部最优解，增加了搜索的广度和深度。
禁忌搜索算法的核心是寻找最优化解。
具体过程包括：初始化，构造邻域解，选择最优解，更新禁忌表，结束搜索。
当搜索过程中发现某个解是当前状态下的最优解时，将这个最优解加入到禁忌表中，以后在搜索过程中就不再去重复对该最优解的操作。
在禁忌搜索算法中，选择邻域解是非常重要的一环。
邻域解是指与当前解相邻的解，也就是在当前解的基础上进行一定的操作得到的解。
邻域解的选择通常根据问题的不同而定，可以是交换位置、插入、反转等。
而选择最优解的原则则是要在禁忌状态下优先选择不在禁忌表中的最优解，如果所有的最优解都处于禁忌状态，那么就选择设定的禁忌期最短的解。
二、禁忌搜索算法在实际应用中的应用禁忌搜索算法作为一种优化算法，在实际应用中有着广泛的应用。
下面我们就通过几个实际案例来了解禁忌搜索算法的应用。
1. 生产排程问题禁忌搜索算法在制造业的排程问题中有着广泛的应用。
在生产排程问题中，需要考虑的因素非常多，如时间、人员、设备、物料等。
禁忌搜索算法通过构建邻域空间，利用禁忌表避免了进入不良解的状态，从而在生产排程问题中，可以为厂家避免很多因时间不足而导致的决策错误。
2. 组合最优化问题禁忌搜索算法在组合最优化问题中有着很好的应用。
比如在公路路径设计中，需要从成千上万的路径中选择最优解。
禁忌搜索算法不仅可以找到全局最优解，还可以避免局部最优解的产生，使得结果更加准确。
基于禁忌搜索算法求解定位－运输路线安排问题林晖钢1，胡大伟1，徐丽蕊1，21 长安大学汽车学院，西安（710064）2 陕西工业职业技术学院工商管理系，陕西咸阳（712000）E-mail：lhgzhl@摘要：定位—运输路线安排问题（location routing problems, LRP）是集成化物流系统分销网络设计和管理决策中的难题，也是任何一个大型物流配送企业必须要面对的问题。
由于LRP的NP—HARD属性，其求解方法目前大多局限在将定位—配给问题（location allocation problems, LAP）的输出作为车辆路线安排问题（vehicle routing problems, VRP）的输入而求解。
然而，在LAP最优的前提下求出的VRP的最优并不一定就是LRP的最优解，从而导致这样的处理方式不可避免的会陷入局部最优解的状态。
本文针对多站点定位—运输路线安排问题（multi-depot location routing problems, MDLRP）数学模型，用Lingo软件对小规模测试数据情形进行了验证,然后采用禁忌搜索法(TS）分别求解LAP和对应的每一个设施的VRP，并将VRP的结果作为LAP的输入，再将LAP解及其邻域解作为VRP输入不断反复循环求解MDLRP，并在此基础上对较大规模测试数据进行了仿真运算。
结果表明采用禁忌搜索方法求解一定规模的MDLRP快速有效。
关键词：定位—运输路线安排问题；定位—配给问题；车辆路线问题；禁忌搜索1.引言设施定位、车辆路线各自作为单独的问题，国内外已有较多学者进行了研究，其理论也已比较完善，这些研究为物流管理的优化决策奠定了坚实的基础。
国外一批学者对LRP进行了一系列的研究[1]。
LRP的概念认为：在设施（制造厂、库存点或分销中心）相对于客户的位置、货物的配给、货物运输的车辆路线安排之间存在相互依赖的关系，根据这种关系来进行综合优化与管理；相比单一的物流系统优化问题，LRP更加贴近目前物流系统复杂的实际特征，对进一步优化整个物流系统，降低系统成本具有一定的理论价值和现实意义。
而当前大部分学者对LRP的研究都局限在将LAP的输出作为VRP的输入而进行求解，这种方法得出的LRP解往往并不是最优的。
基于这样一个现实情况，本文将LAP和VRP综合统筹考虑，得出了相应的MDLRP优化解，首先用C++编程软件与Lingo软件对小规模数据集（8点数据集）进行了计算及其对比验证本文算法计算结果的精确性，然后对较大规模数据（25点、50点、100点数据集）用本文算法求出了相应的优化解，证明了本文算法对求解MDLRP问题的有效性和准确性。
2.MDLRP参数定义及其数学模型与验算本文研究的LRP模型基于如下假设：①客户数量、位置及需求已知；②候选设施位置及容量已知；③各客户需求均能得到满足且每个客户只由一辆车服务；④每辆车在完成全部运输任务后回到出发点；⑤各线路的总需求小于或等于车辆的容量；⑥车辆类型给定。
2.1参数定义ijk x 在路线 k 上，如果点 i 在 j 之前值为1，否则为0； i y 如果建立 i 设施则值为1，否则为0；ij z 如果客户 j 由设施 i 来服务则值为1，否则为0；R 配送设施点潜在位置的集合； J 所有客户点的集合； V 所有车辆集合； N 代表客户的数量；ij C i ，j 两点之间的距离（作为i ，j 两点间的运输费用）； S R J =U 所有客户点和潜在设施点的集合；r G 设施r 建设和运行的固定成本；k F 使用车辆 k 的固定成本；r V 设施 r 的最大容量；j q 客户 j 的需求量； k Q 车辆 k 的容量；2.2 多站点定位－配给问题的数学模型Min∑∑∑∑∑∑∑∈∈∈∈∈∈∈++R i Jj ijk Vk k ijk S i S j Vk ij r Rr rx F x C y G.s t ：∑∑∈∈=V k Si ijkx,1 J j ∈， （1）,k S i Jj ijk jQ x q≤∑∑∈∈ V k ∈， （2）R r y V zq r r Jj rjj ∈≤−∑∈,0， （3） ∑∑∈∈=−Si S j pjk ipkx x,0 V k ∈，,S p ∈ i j ≠ （4）∑∑∈∈≤R r Jj rjkx,1 V k ∈ ， （5）()1rlkljk rj l Sxx z ∈+≤+∑ ， R r ∈，J j ∈， V k ∈ （6）10或=ijk x ， ,,,,j i V k S j i ≠∈∈ （7）10或=r y ， ,R r ∈ （8）10或=ij z ，,R i ∈J j ∈ （9）在上述这个模型中，目标函数为总成本（包括设施建设和运作成本、运输成本以及车辆投入及其使用成本）最小。
约束（1）保证每一个客户只由一个运输车辆服务；约束（2）为运输车辆容量约束条件；约束（3）为仓库的容量限制条件；约束（4）保证路线连续；约束（5）保证每一个运输工具的路线只能从一个设施驶出；约束（6）保证客户只能由选中的设施提供服务；约束（7）－（9）表示0、1变量约束。
2.3模型检验由于目前学术界并不存在任何定位－路线问题的测试数据。
为了检验此模型的正确性，本文以VRP的Solomon测试数据源R101数据系列为基础随机产生包含3个候选设施点和5个客户需求点的数据组，对定位－路线问题数学模型进行检验。
通过产生1～100范围内的8个随机数对应于100个客户中的各个客户编号，将其中三个作为本算例中候选设施点的数据，其余5个作为客户点的数据。
这样随机产生的一组候选设施点和客户，潜在设施点的坐标、容量和建设成本如表1所示；客户点的坐标和需求量如表2所示。
车辆容量取40，车辆固定成本取30。
表1 潜在设施点的坐标、容量和建设成本D1 D2 D3 X坐标35 25 10Y坐标35 30 43设施点的70 70 70容量建设成本200 200 200表2 客户点的坐标和需求量C1C2C3C4C5 X坐标3050104545Y坐标6035206510客户需1619199 18 求量用Lingo10.0对MDLRP模型进行编程，计算时间为156s，结果表明两个设施被选中，对应的目标函数值为666.406，从而证明了本文带容量约束的MDLRP数学模型的正确性。
3.禁忌搜索算法介绍TS（Tabu Search）算法是近年来受到普遍关注的一种高效率的现代启发式优化算法，该算法由F.Glover[2]于1986年首先提出，进而形成一套完整算法[3][4]。
并随着计算机技术的发展而成功的应用于各个领域，解决了大量复杂的优化问题。
近几年，该算法被广泛领域引入，如水火电联合经济调度[3]、电力系统无功优化[4]、输电系统最优规划[5]以及交通运输系统规划[5]等领域，并取得了一定研究成果。
部邻域搜索陷入局部最优的不足，禁忌搜索算法用一个禁忌表记录下已经到达过的局部最优点，在下一次搜索中，利用禁忌表中的信息不再或有选择地搜索这些点，以此来跳出局部最优点。
本文利用禁忌搜索算法求解组合优化问题时，首先产生一个初始解作为当前解，然后在当前解的邻域中搜索若干邻域解，取其中的最好解作为新的当前解。
为了避免对已搜索过的局部最优解的重复，禁忌搜索算法使用禁忌表记录已搜索的局部最优解的历史信息，这使得算法可在一定程度上避开局部最优点，从而开辟新的搜索区域。
本文设计的禁忌搜索算法流程图如图1所示，禁忌搜索算法的特点是使用了禁忌技术。
所谓禁忌就是禁止重复前面搜索，为了回避局图1 禁忌搜索算法流程图禁忌搜索算法作为一种人工智能算法，涉及解的表示、解的评价、邻域解的构造及算法终止准则，并且实现的技术问题是算法的关键，不同的算法策略将会对解的好坏产生重要影响。
禁忌搜索算法的主要策略有：禁忌对象和禁忌长度的确定、候选集的产生方法、特赦规则以及终止规则。
⑴解的表示[8][9]不同编码方式的运行时间和适应度函数值以及目标函数值计算的复杂程度不同，并且编码方式也影响着解空间的大小。
一般来说，在与车辆路线问题有关问题的求解中都采用自然数编码的方式，而自然数编码方式也存在着如下三种不同形式：第一种，客户和配送中心共同排列的编码方式。
第二种，车辆和客户对应排列的编码方式。
第三种，客户直接排列的编码方式。
根据本文研究问题的特征，本文采用第三种编码方式，即客户直接排列的编码方式确定一组MDLRP的初始可行解。
⑵禁忌对象的确定禁忌对象是指禁忌表中被禁的元素。
由于解状态的变化可分为解的简单变化、解向量分量的变化和目标值变化三种情况，则在确定禁忌对象时也有对解的简单变化进行禁忌、对解的分量变化进行禁忌及对解的目标值变化进行禁忌三种情况。
一般来说，对解的简单变化进行禁忌比对解的分量变化进行禁忌和对解的目标值变化进行禁忌的受禁范围要小，因此可能造成计算时间的增加，但其优点是提供了较大的搜索范围。
解分量的变化和目标函数变化的禁忌范围要大，这减少了计算的时间，可能引发的问题时禁忌的范围增大以至陷入局部最优点。
根据定位配给问题和车辆路线问题的特点，可采用对解的简单变化进行禁忌的方法。
其原理是：当解从x变化到y时，Y可能是局部最优解，为了避开局部最优解，禁忌y这一解再度出现，可采用如下禁忌规则：当y的邻域中有比它更优的解时，选择更优的解；当Y 为N (y)的局部最优解时，不再选Y，而选比y稍差的解。
⑶禁忌长度的确定禁忌长度是指被禁对象不允许被选取的迭代步数，一般是给被禁忌对象x一个数L(称为禁忌长度)，要求禁忌对象x在L步迭代内被禁，在禁忌表中采用Tabu(x)=L记忆，每迭代一步，该项指标做运算Tabu(x)=L-1，直到Tabu(x)=0时解禁。
禁忌长度在同一问题求解过程中是固定的，但是随问题规模的不同取不同的值，一般来说，问题规模越大，禁忌长度越长。
禁忌长度短会造成循环，也可能在一个局部最优解附近循环。
禁忌长度长会造成算法的记忆存储量增加，使得算法计算时间增加，还可能造成算法无法继续计算下去。
本文L取为常数，L=为邻域中邻居的总个数)，这种规则容易在算法中实现。
⑷候选集的产生方法候选集合由邻域中的邻居组成。
常规的方法是从邻域中选择若干个目标值或评价值最佳的邻居入选。
有时这种计算量较大，而且容易导致局部收敛的情况，所以本文采用不在邻域的所有邻居中选择，而是在邻域中的一部分邻居中随机选择若干个目标值或评价值最佳的状态实现部分邻居的选取。
由于考虑到计算时间的复杂度问题，本文设计每次对当前解随机进行5次邻域解产生操作，将其作为当前解的候选集。
在定位阶段既要确定配送中心数目，又要选择具体的配送中心，因此设计两种邻域搜索方法，分别是“客户交换”和“客户插入”操作。
