CN104463379A - 一种带时变需求的关联物流运输优化调度方法 - Google Patents

一种带时变需求的关联物流运输优化调度方法 Download PDF

Info

Publication number
CN104463379A
CN104463379A CN201410856895.9A CN201410856895A CN104463379A CN 104463379 A CN104463379 A CN 104463379A CN 201410856895 A CN201410856895 A CN 201410856895A CN 104463379 A CN104463379 A CN 104463379A
Authority
CN
China
Prior art keywords
client
vehicle
demand
sigma
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410856895.9A
Other languages
English (en)
Inventor
汤雅连
王连稳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG YIFU NETWORK TECHNOLOGY Co Ltd
Original Assignee
GUANGDONG YIFU NETWORK TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GUANGDONG YIFU NETWORK TECHNOLOGY Co Ltd filed Critical GUANGDONG YIFU NETWORK TECHNOLOGY Co Ltd
Priority to CN201410856895.9A priority Critical patent/CN104463379A/zh
Publication of CN104463379A publication Critical patent/CN104463379A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047Optimisation of routes or paths, e.g. travelling salesman problem
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/008Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/08Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Robotics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于蜂群算法的时变需求关联物流运输优化调度方法,该方法的具体实现步骤为:1.配送中心获取客户的已知需求信息;2.构造初始解;3.基于禁忌表思想的人工蜂群算法对初始解寻优;4.获得一条经过所有完备无向图G的顶点的预回路;5.配送中心采集时变信息,获取时变客户的需求信息;6.按照一定的规则对预回路进行调整并满足约束条件。7.结束。获得时变需求关联运输调度的最终调度方案。

Description

一种带时变需求的关联物流运输优化调度方法
技术领域
本发明提出一种带时变需求的关联物流运输优化调度方法,用于求解时变需求关联的物流运输优化调度问题。属于物流运输优化调度领域。
背景技术
物流运输优化调度问题是一类重要的组合优化问题,其应用广泛,涉及到生产、流通、消费等领域。它是指把配送中心中货物按客户要求进行组织配送,追求总运输成本最小或总利润最高。物流运输优化调度的核心内容是根据客户的货物需求量进行车辆的分配和各车辆配送路线的生成。网络信息技术高速发展,使得客户可以根据本公司的实际需要,随时增加或者减少供货需求量,甚至取消供货请求服务。这种情况下,我们虽无法确定客户的具体需求量,但可以统计出它们的需求概率分布。客户需求量的实时变化以及路况信息的变化使得初始车辆调度策略做出适当的调整,既能及时地满足客户新需求,又使总的运输费用最为节省。这种问题就成为时变需求关联物流运输调度问题。
时变需求关联物流运输调度问题是一个新的问题,目前国内外研究的很少。但是,时变需求关联物流运输调度问题实质上是各种不确定因素引起的动态车辆路径问题,它属于动态车辆路径问题的研究范畴。在国外,Powell在文献指出随着动态车辆调度问题复杂性越高,其求解策略就越需要简化(见On languages fordynamic resource scheduling problems.In:Crainic,T.G,Laporte,G.(Eds.),FleetManagement and Logistics.Kluwer,Boston,1998,127-157.),实例证明,虽然像插入法、构造和改进算法等启发式算法的原理相对简单,但是这些算法却能在复杂的动态环境下获得较好的结果。在国内,国内对DVRP问题进行研究的文献相当少,且处于起步阶段。2003年谢秉磊在其博士论文中(见随机车辆路径问题研究.成都:西南交通大学,博士学位论文,2003.)里详细分析了动态车辆路径问题的各类模型及其算法。郭凤鸣(见郭凤鸣.动态环境下的车辆调度问题研究[D].上海:同济大学,硕士学位论文,2009.)在硕士论文中,考虑了多车辆、容量约束、时间窗约束,建立了基于动态时间轴的数学模型,并分静态解的构造和动态解的插入两个阶段设计了相应的启发式算法。
蜂群的觅食行为是一种典型的群体智能行为。蜂群算法(Bees Algorithm,BA)是建立在蜜蜂自组织模型和群体智能基础上的一种非数值优化计算方法。蜂群算法由于其控制参数少、易于实现、计算简洁等优点,已被越来越多的学者所关注。但是,蜂群算法具有容易限于局部最优、收敛速度比较慢等问题。为了求解带容量限制的物流运输优化调度问题,本发明引入禁忌搜索中禁忌表思想。禁忌表用以记录已经搜索过的局部最优点,在下一次搜索中,利用禁忌表中的信息禁止或有选择地搜索这些点,可以改进蜂群算法局部邻域搜索的不足,增加获得更好全局最优解的概率。
发明内容
为了解决一种常见的物流运输调度问题,发明了一种带时变需求的关联物流运输优化调度方法。本发明解决该问题的技术方案包括以下步骤:
步骤1时变调度环境中,建立单回路策略下的带时变需求的关联物流运输优化调度问题的数学模型。参数设置为:
γi:为车辆剩余载货量恰好满足客户i的需求量的概率;
δi:为车辆剩余载货量不能满足客户i的概率;
K:表示所用车辆数;
Q:假定配送中心所有的车辆拥有相同的额定载重量Q;
dij:表示任意两客户点i,j之间的路径长度;
ti:表示车辆到达客户点i的时刻,其中t0表示最晚一辆车返回配送中心O的时刻;
Ti:表示各客户i的执行服务(卸货)时间;
cij:为车辆从客户i到j的单位距离成本,C为单位车辆的固定使用费用(包括驾驶员的工资、车辆使用基本费用);
此处,cij为车辆从客户i到j的单位距离成本cij的离散时变函数。为方便研究,把一天的时间分为P个不同的时段[BP,Bp+1],车辆的行驶速度在同一个时段可以看成近似不变,不同时段行驶速度不同,此外车辆可能跨时段行驶。车辆从客户i到j的单位距离成本cij的离散时变函数如下式:
其中,cp1和cp2为时间的函数,cp1=f(BP),cp2=g(Bp+1)。η,ζ为常系数,且η+ζ=1;
决策变量:
则带时变需求的关联物流运输调度问题的期望成本为:
E ( Z R 0 ) = Σ i = 1 n c 0 i d 0 i p i C Π r = 1 i - 1 ( 1 - p r C ) + Σ i = 1 n c i 0 d i 0 p i C Π r = i + 1 n ( 1 - p r C ) + Σ i = 1 n Σ j = i + 1 n c ij d ij p i C p j C Π r = i + 1 j - 1 ( 1 - p r C ) + Σ i = 1 n ( δ i c ii s ii + Σ j = i + 1 n γ i p j C c ij s ij Π r = i + 1 j - 1 ( 1 - p r C ) ) + CK - - - ( 1 )
其中,
sij=di0+d0j-dij    (2)
γ i = Σ h - 1 i - 1 { Σ q = 1 Q i p i ( q ) f ( h , i - 1 , Q - q ) } , 2 ≤ i ≤ n , γ 1 = 0 - - - ( 3 )
δ i = Σ h - 1 i - 1 { Σ q = 1 Q i - 1 ( Σ r = q + 1 Q i p i ( r ) ) f ( h , i - 1 , Q - q ) } , 2 ≤ i ≤ n , δ 1 = 0 - - - ( 4 )
f(r,s,t)表示预回路中,车辆从客户r到客户s配送货物量为t的概率。可由下面的递推公式计算出:
f ( r , s , t ) = Σ q = 0 Q i - 1 p s ( q ) f ( r , s - 1 , t - q ) , 1 ≤ r ≤ s ≤ n , t ≤ Q - - - ( 6 )
目标函数:
Z = min E ( Z R 0 ) - - - ( 7 )
约束条件为:
Σ i = 1 n x 0 ik = 1 , Σ j = 1 n x j 0 k = 1 ; k = 1,2 , . . . , K - - - ( 8 )
Σ i = 0 n x ijk = y jk , j = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 9 )
Σ j = 0 n x ijk = y jk , i = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 10 )
xijk,yik=0或1;i,j=1,2,...,n;k=1,2,...,K    (11)
公式(7)为目标函数。其前三项为车辆沿着预回路,只考虑由时变客户所引起的期望路径成本。第一项表示车辆从配送中心到达第一个需求为0的客户的期望路径成本;第二项表示从某需求量不为0的客户返回配送中心的期望成本;第三项表示从某个需求量不为0的客户达到下一个需求量不为0的客户的期望成本。第四项为考虑时变需求量时的情况:表示当发生路由失败时,即车辆剩余载货量不能满足或者恰好满足客户需求之后,返回配送中心补货所产生的期望成本;第五项为K台车辆的使用费用(包括驾驶员的工资、车辆使用基本费用)。式(8)前者表示车辆k必从配送中心出发,后者表示车辆k必返回配送中心。式(9)和式(10)保证每个客户有且仅有一辆车服务。式(11)为变量的取值范围。
步骤2基于禁忌表思想的蜂群算法对初始解寻优,获得一条经过所有完备无向图G的顶点的预回路,具体步骤如下:
(1)算法初始化。设置种群规模SN,全局最大循环次数M,最大局部循环次数limit。令全局循环次数cycle=1;
(2)构造初始解。用如下方法构造预行驶路线:起始于配送中心,在未访问的客户中选择关联系数较大的作为后继,然后依次选择较小的,以此遍历所有客户点,最后返回配送中心。这样就构成了一条可行的TSP预回路。如此反复,直到得到NS条TSP路径,从中选择较短的N条路径;
(3)计算N个初始解的适应度值。把预回路的初始解带入期望成本函数,计算期望路径成本,再根据适应度函数公式求得初始解的适应度值;
(4)令局部循环次数l=1;引领蜂根据对初始解邻域进行搜索产生新解vij,计算其适应度值;其中j∈{1,2,…d}为D维解向量的某个分量。采用贪婪原则依据适应度值对xij和vij做出选择,并令所选的解为xij,检查禁忌表中是否有该解,如果有则转步骤(6)。
(5)计算所有xij的适应度值,并根据公式计算与xij相关的概率值pi;其中,fiti是食物源i所代表的解的适应度函数,SN是食物源的总数,与引领蜂的数量相等。收益率越大的食物源,被选择的概率越大。跟随蜂根据pi选择引领蜂跟随,并根据采用贪婪原则依据适应度值对xij和vij做出选择。
(6)l=l+1;判断是否达到局部最大循环次数limit。如果l<limit,则转Step7,否则将该路径放入禁忌表中,则引领蜂转变为侦查蜂,并根据公式 x i j = x min j + rand ( 0,1 ) ( x max j - x min j ) 随机产生一个新解来替换它。
(7)记录目前为止最好的解,cycle=cycle+1;判断是否达到全局最大循环次数M。如果cycle≥M,则输出最优结果,否则返回步骤(4)。
步骤3通过蜂群算法得到预回路之后,随着客户需求状态的明朗,按照一定的规则对预回路进行调整以满足约束条件。调整步骤如下:
(1)车辆满载货物从配送中心出发,按照预回路行驶。
(2)当将要访问的客户的需求量为零时,直接跳过该客户点,否则继续访问。
(3)当车辆所服务的客户的需求量恰好为剩余载货量时,则在满足该客户需求后,返回配送中心。并派另一辆装满货物的车辆,继续服务预回路上的下一个客户。转步骤(1)。
(4)如果车辆到达某个客户时,如果车辆的剩余载货量不能满足其要求时,车辆不为该客户服务,返回配送中心,并派另一辆装满货物的车辆直接到达该客户继续服务。此时,转步骤(2)。
综上所述,本发明提出了一种求解时变需求关联物流运输优化调度问题的方法,其优点在于:对于物流运输行业所存在的时变需求关联的运输调度实际问题,采用蜂群算法进行求解。蜂群算法的角色转换机制以及侦查蜂和引领蜂之间的正反馈机制能够加快收敛速度,寻求最优解。它具有很强的发现最优解的能力,有极好的鲁棒性和广泛的适用性。满足物流调度行业的实际需求,提供了强有力的解决办法。
附图说明
图1本发明的大概流程图
图2是本发明的求解单回路的算法流程图
具体实施方式
下面通过附图和具体实施方法对本发明的技术方案做进一步的描述,但本发明的保护范围并不限于此。
一种时变需求的关联物流运输调度问题的解决方法,包括以下步骤:
步骤1时变调度环境中,建立单回路策略下的带时变需求的关联物流运输调度问题的数学模型。
参数设置为:
γi:为车辆剩余载货量恰好满足客户i的需求量的概率;
δi:为车辆剩余载货量不能满足客户i的概率;
K:表示所用车辆数;
Q:假定配送中心所有的车辆拥有相同的额定载重量Q;
dij:表示任意两客户点i,j之间的路径长度;
ti:表示车辆到达客户点i的时刻,其中t0表示最晚一辆车返回配送中心O的时刻;
Ti:表示各客户i的执行服务(卸货)时间;
cij:为车辆从客户i到j的单位距离成本,C为单位车辆的固定使用费用(包括驾驶员的工资、车辆使用基本费用);
cij为车辆从客户i到j的单位距离成本cij的离散时变函数。设一天的时间分为P个不同的时段[BP,Bp+1],车辆的行驶速度在同一个时段可以看成近似不变,不同时段行驶速度不同,此外车辆可能跨时段行驶。cij如下式:
其中,cp1和cp2为时间的函数,cp1=f(BP),cp2=g(Bp+1)。η,ζ为常系数,且η+ζ=1;
决策变量:
则带时变需求的关联物流运输调度问题的期望成本为:
E ( Z R 0 ) = &Sigma; i = 1 n c 0 i d 0 i p i C &Pi; r = 1 i - 1 ( 1 - p r C ) + &Sigma; i = 1 n c i 0 d i 0 p i C &Pi; r = i + 1 n ( 1 - p r C ) + &Sigma; i = 1 n &Sigma; j = i + 1 n c ij d ij p i C p j C &Pi; r = i + 1 j - 1 ( 1 - p r C ) + &Sigma; i = 1 n ( &delta; i c ii s ii + &Sigma; j = i + 1 n &gamma; i p j C c ij s ij &Pi; r = i + 1 j - 1 ( 1 - p r C ) ) + CK - - - ( 1 )
其中,
sij=di0+d0j-dij    (2)
&gamma; i = &Sigma; h - 1 i - 1 { &Sigma; q = 1 Q i p i ( q ) f ( h , i - 1 , Q - q ) } , 2 &le; i &le; n , &gamma; 1 = 0 - - - ( 3 )
&delta; i = &Sigma; h - 1 i - 1 { &Sigma; q = 1 Q i - 1 ( &Sigma; r = q + 1 Q i p i ( r ) ) f ( h , i - 1 , Q - q ) } , 2 &le; i &le; n , &delta; 1 = 0 - - - ( 4 )
f(r,s,t)表示预回路中,车辆从客户r到客户s配送货物量为t的概率。可由下面的递推公式计算出:
f ( r , s , t ) = &Sigma; q = 0 Q i - 1 p s ( q ) f ( r , s - 1 , t - q ) , 1 &le; r &le; s &le; n , t &le; Q - - - ( 6 )
目标函数:
Z = min E ( Z R 0 ) - - - ( 7 )
约束条件为:
&Sigma; i = 1 n x 0 ik = 1 , &Sigma; j = 1 n x j 0 k = 1 ; k = 1,2 , . . . , K - - - ( 8 )
&Sigma; i = 0 n x ijk = y jk , j = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 9 )
&Sigma; j = 0 n x ijk = y jk , i = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 10 )
xijk,yik=0或1;i,j=1,2,...,n;k=1,2,...,K    (11)
公式(7)为目标函数。其前三项为车辆沿着预回路,只考虑由时变客户所引起的期望路径成本。第一项表示车辆从配送中心到达第一个需求为0的客户的期望路径成本;第二项表示从某需求量不为0的客户返回配送中心的期望成本;第三项表示从某个需求量不为0的客户达到下一个需求量不为0的客户的期望成本。第四项为考虑时变需求量时的情况:表示当发生路由失败时,即车辆剩余载货量不能满足或者恰好满足客户需求之后,返回配送中心补货所产生的期望成本;第五项为K台车辆的使用费用(包括驾驶员的工资、车辆使用基本费用)。式(8)前者表示车辆k必从配送中心出发,后者表示车辆k必返回配送中心。式(9)和式(10)保证每个客户有且仅有一辆车服务。式(11)为变量的取值范围。
步骤2基于禁忌表思想的蜂群算法对初始解寻优,获得一条经过所有完备无向图G的顶点的预回路,具体步骤如下:
(1)算法初始化。设置种群规模SN,全局最大循环次数M,最大局部循环次数limit。令全局循环次数cycle=1。
(2)构造初始解。用如下方法构造预行驶路线:起始于配送中心,在未访问的客户中选择关联系数较大的作为后继,然后依次选择较小的,以此遍历所有客户点,最后返回配送中心。这样就构成了一条可行的TSP预回路。如此反复,直到得到NS条TSP路径,从中选择较短的N条路径。
(3)计算N个初始解的适应度值。把预回路的初始解带入期望成本函数,计算期望路径成本,再根据适应度函数公式求得初始解的适应度值。
(4)令局部循环次数l=1;引领蜂根据对初始解邻域进行搜索产生新解vij,计算其适应度值;其中j∈{1,2,…d}为D维解向量的某个分量。采用贪婪原则依据适应度值对xij和vij做出选择,并令所选的解为xij,检查禁忌表中是否有该解,如果有则转步骤(6)。
(5)计算所有xij的适应度值,并根据公式计算与xij相关的概率值pi;其中,fiti是食物源i所代表的解的适应度函数,SN是食物源的总数,与引领蜂的数量相等。收益率越大的食物源,被选择的概率越大。跟随蜂根据pi选择引领蜂跟随,并根据采用贪婪原则依据适应度值对xij和vij做出选择。
(6)l=l+1;判断是否达到局部最大循环次数limit。如果l<limit,则转Step7,否则将该路径放入禁忌表中,则引领蜂转变为侦查蜂,并根据公式 x i j = x min j + rand ( 0,1 ) ( x max j - x min j ) 随机产生一个新解来替换它。
(7)记录目前为止最好的解,cycle=cycle+1;判断是否达到全局最大循环次数M。如果cycle≥M,则输出最优结果,否则返回步骤(4)。
步骤3通过蜂群算法得到预回路之后,随着客户需求状态的明朗,按照一定的规则对预回路进行调整以满足约束条件。调整步骤如下:
(1)车辆满载货物从配送中心出发,按照预回路行驶。
(2)当将要访问的客户的需求量为零时,直接跳过该客户点,否则继续访问。
(3)当车辆所服务的客户的需求量恰好为剩余载货量时,则在满足该客户需求后,返回配送中心。并派另一辆装满货物的车辆,继续服务预回路上的下一个客户。转步骤(1)。
(4)如果车辆到达某个客户时,如果车辆的剩余载货量不能满足其要求时,车辆不为该客户服务,返回配送中心,并派另一辆装满货物的车辆直接到达该客户继续服务。此时,转步骤(2)。
以下为仿真实验
设有一个配送中心O,拥有额定载重量Q为10吨的同一车型的车辆若干台,工作时间为8:00~18:00。某天有15个客户需要服务,需求量为[0,5]之间的整数,其概率随机分布在(0,1)之间,需求概率服从二项分布,各客户相关信息如表1所示。客户需求量的概率值如表2。客户间的距离可由位置坐标求得。车辆行驶的单位距离成本cij和行驶速度vij分时段如表3,单位车辆的固定使用费用C为30元/台。
表1客户信息
表2客户需求量的概率及服务时间
表3车辆速度及运费相关信息
本算例是在windows 7系统下,用Matlab语言进行的仿真实验,运行20次。蜂群算法中,设置种群规模SN=1000,迭代次数M=100,limit=50。由蜂群算法得到的预回路如下:
0-15-11-13-6-9-2-3-4-1-14-8-7-10-5-12-0
期望成本为1667.5。
车辆只有到达客户点时,才能获知该客户的具体需求信息。客户的具体需求量如表4:
表4客户的具体需求
预回路调整为如表5:
表5预回路调整
预回路的花费的期望成本与实际花费成本相比相差较少,表明蜂群算法求解带时变需求的关联物流运输调度问题是有效的。
综上所述,改发明所提出的蜂群算法有更好的收敛性,并具有更强的全局寻优能力。蜂群算法能够解决诸如时变需求关联的物流运输调度的复杂组合优化问题,这在物流运输系统中有助于减少费用,提高经济效益。

Claims (4)

1.一种带时变需求的关联物流运输优化调度方法,其特征在于包括以下步骤:
步骤1时变调度环境中,建立单回路策略下的时变需求关联物流运输调度问题的数学模型;
步骤2基于禁忌表思想的人工蜂群算法对初始解寻优,获得一条经过所有完备无向图G的顶点的预回路,具体步骤如下:
(1)算法初始化;设置种群规模SN,全局最大循环次数M,最大局部循环次数limit,令全局循环次数cycle=1;
(2)构造初始解;用如下方法构造预行驶路线:起始于配送中心,在未访问的客户中选择关联系数较大的作为后继,然后依次选择较小的,以此遍历所有客户点,最后返回配送中心;这样就构成了一条可行的TSP预回路;如此反复,直到得到NS条TSP路径,从中选择较短的N条路径作为预回路的初始解;
(3)计算N个初始解的适应度值;把预回路的初始解带入期望成本函数,计算期望路径成本,再根据适应度函数公式求得初始解的适应度值;
(4)令局部循环次数l=1;引领蜂根据对初始解邻域进行搜索产生新解vij,计算其适应度值;其中j∈{1,2,…d}为D维解向量的某个分量;采用贪婪原则依据适应度值对xij和vij做出选择,并令所选的解为xij,检查禁忌表中是否有该解,如果有则转步骤(6);
(5)计算所有xij的适应度值,并根据公式计算与xij相关的概率值pi;其中,fiti是食物源i所代表的解的适应度函数,SN是食物源的总数,与引领蜂的数量相等;跟随蜂根据pi选择引领蜂跟随,并根据采用贪婪原则依据适应度值对xij和vij做出选择;
(6)l=l+1;判断是否达到局部最大循环次数limit;如果l<limit,则转Step7,否则将该路径放入禁忌表中,则引领蜂转变为侦查蜂,并根据公式随机产生一个新解来替换它;
(7)记录目前为止最好的解;cycle=cycle+1;判断是否达到全局最大循环次数M,如果cycle≥M,则输出最优结果,否则返回步骤(4);
步骤3通过蜂群算法得到预回路之后,随着客户需求状态的明朗,按照一定的规则对预回路进行调整以满足约束条件。调整步骤如下:
(1)车辆满载货物从配送中心出发,按照预回路行驶;
(2)当将要访问的客户的需求量为零时,直接跳过该客户点,否则继续访问;
(3)当车辆所服务的客户的需求量恰好为剩余载货量时,则在满足该客户需求后,返回配送中心。并派另一辆装满货物的车辆,继续服务预回路上的下一个客户;转步骤(1)。
(4)如果车辆到达某个客户时,如果车辆的剩余载货量不能满足其要求时,车辆不为该客户服务,返回配送中心,并派另一辆装满货物的车辆直接到达该客户继续服务;此时,转步骤(2)。
2.根据权利要求1所述的一种带时变需求的关联物流运输优化调度方法,其中步骤1中所单回路策略下的时变需求关联物流运输调度问题的数学模型如下:
参数设置为:
γi:为车辆剩余载货量恰好满足客户i的需求量的概率;
δi:为车辆剩余载货量不能满足客户i的概率;
K:表示所用车辆数;
Q:假定配送中心所有的车辆拥有相同的额定载重量Q;
dij:表示任意两客户点i,j之间的路径长度;
ti:表示车辆到达客户点i的时刻,其中t0表示最晚一辆车返回配送中心O的时刻;
Ti:表示各客户i的执行服务(卸货)时间;
cij:为车辆从客户i到j的单位距离成本,C为单位车辆的固定使用费用(包括驾驶员的工资、车辆使用基本费用);
决策变量:
则带时变需求的关联物流运输调度问题的期望成本为:
E ( Z R 0 ) = &Sigma; i = 1 n c 0 i d 0 i p i C &Pi; r = 1 i - 1 ( 1 - p r C ) + &Sigma; i = 1 n c i 0 d i 0 p i C &Sigma; r = i + 1 n ( 1 + p r C ) + &Sigma; i = 1 n &Sigma; j = i + 1 n c ij d ij p i C p j C &Pi; r = i + 1 j - 1 ( 1 - p r C ) + &Sigma; i = 1 n ( &delta; i c ii s ii + &Sigma; j = i + 1 n &gamma; i p j C c ij s ij &Pi; r = i + 1 j - 1 ( 1 - p r C ) ) + CK - - - ( 1 )
sij=di0+d0j-dij                                 (2)
&gamma; i = &Sigma; h = 1 i - 1 { &Sigma; q = 1 Q i p i ( q ) f ( h , i - 1 , Q - q ) } , 2 &le; i &le; n , &gamma; 1 = 0 - - - ( 3 )
&delta; i = &Sigma; h = 1 i - 1 { &Sigma; q = 1 Q i - 1 ( &Sigma; r = q + 1 Q i p i ( r ) ) f ( h , i - 1 , Q - q ) } , 2 &le; i &le; n , &delta; 1 = 0 - - - ( 4 )
f(r,s,t)表示预回路中,车辆从客户r到客户s配送货物量为t的概率。可由下面的递推公式计算出:
f ( r , s , t ) = &Sigma; q = 0 Q i - 1 p s ( q ) f ( r , s - 1 , t - q ) , 1 &le; r &le; s &le; n , t &le; Q - - - ( 6 )
目标函数:
Z=minE(ZR0)(7)
约束条件为:
&Sigma; i = 1 n x 0 ik = 1 , &Sigma; j = 1 n x j 0 k = 1 ; k = 1,2 , . . . , K - - - ( 8 )
&Sigma; i = 0 n x ijk = y jk , j = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 9 )
&Sigma; j = 0 n x ijk = y jk , i = 1,2 , . . . , n ; k = 1,2 , . . . , K - - - ( 10 )
xijk,yik=0或1;i,j=1,2,...,n;k=1,2,...,K(11)
式(7)为目标函数;其中前三项为车辆沿着预回路,只考虑由时变客户所引起的期望路径成本;第一项表示车辆从配送中心到达第一个需求为0的客户的期望路径成本;第二项表示从某需求量不为0的客户返回配送中心的期望成本;第三项表示从某个需求量不为0的客户达到下一个需求量不为0的客户的期望成本;第四项为考虑时变需求量时的情况:表示当发生路由失败时,即车辆剩余载货量不能满足或者恰好满足客户需求之后,返回配送中心补货所产生的期望成本;第五项为K台车辆的使用费用;式(8)前者表示车辆k必从配送中心出发,后者表示车辆k必返回配送中心;式(9)和式(10)保证每个客户有且仅有一辆车服务;式(11)为变量的取值范围。
3.根据权利要求2所述的一种带时变需求的关联物流运输优化调度方法,其特征在于所述参数cij为车辆从客户i到j的单位距离成本cij的离散时变函数;
为方便研究,设一天的时间可分为P个不同的时段[BP,Bp+1],车辆的行驶速度在同一个时段可以看成近似不变,不同时段行驶速度不同,此外车辆可能跨时段行驶。设车辆从客户i到j的单位距离成本为cij
其中,cp1和cp2为时间的函数,cp1=f(BP),cp2=g(Bp+1)。η,ζ为常系数,且η+ζ=1。
4.根据权利要求2或3所述的一种带时变需求的关联物流运输优化调度方法,其特征在于所述参数λi为关联系数,表示客户的插入位置对其余车辆访问客户中额外的距离和时间的依赖程度,也就是影响程度;λi值越接近1,表示客户的需求对其他客户的影响程度越大;λi值越接近0,表示客户的需求对其他客户的影响程度越小。
CN201410856895.9A 2014-12-31 2014-12-31 一种带时变需求的关联物流运输优化调度方法 Pending CN104463379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410856895.9A CN104463379A (zh) 2014-12-31 2014-12-31 一种带时变需求的关联物流运输优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410856895.9A CN104463379A (zh) 2014-12-31 2014-12-31 一种带时变需求的关联物流运输优化调度方法

Publications (1)

Publication Number Publication Date
CN104463379A true CN104463379A (zh) 2015-03-25

Family

ID=52909383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410856895.9A Pending CN104463379A (zh) 2014-12-31 2014-12-31 一种带时变需求的关联物流运输优化调度方法

Country Status (1)

Country Link
CN (1) CN104463379A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933474A (zh) * 2015-05-24 2015-09-23 北京化工大学 危险化学品运输的模糊双层优化方法
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105069523A (zh) * 2015-07-28 2015-11-18 昆明理工大学 一种有时间限制的配送车辆调度方法
CN105357043A (zh) * 2015-11-09 2016-02-24 南京邮电大学 云计算环境下自动反馈调节的sla系统框架及调节方法
CN105741064A (zh) * 2016-01-21 2016-07-06 华南师范大学 基于云计算思想的协同物流调度方法和系统
CN107067075A (zh) * 2016-10-11 2017-08-18 河南大学 一种基于人工蜂群算法的城市土地生态安全空间探测模型
CN107194575A (zh) * 2017-05-19 2017-09-22 重庆大学 一种处理快递新增取件需求的车辆自治调度方法
CN107862416A (zh) * 2017-11-29 2018-03-30 辽宁工程技术大学 一种基于盒子不确定集的应急物资储备库选址优化方法
CN109669458A (zh) * 2018-12-28 2019-04-23 芜湖哈特机器人产业技术研究院有限公司 一种基于无向图的多台激光叉车调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151435A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Automated Partitioning of Transportation Routing Problems
CN104036333A (zh) * 2014-06-26 2014-09-10 广东工业大学 求解单车场时变关联物流运输车辆路径问题的算法
CN104036379A (zh) * 2014-06-26 2014-09-10 广东工业大学 求解带硬时间窗时变关联物流运输车辆路径问题的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151435A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Automated Partitioning of Transportation Routing Problems
CN104036333A (zh) * 2014-06-26 2014-09-10 广东工业大学 求解单车场时变关联物流运输车辆路径问题的算法
CN104036379A (zh) * 2014-06-26 2014-09-10 广东工业大学 求解带硬时间窗时变关联物流运输车辆路径问题的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
汤雅连等: "关联运输调度问题的蚁群算法", 《电子世界》 *
汤雅连等: "单车场关联物流运输调度问题的混沌遗传算法", 《广东工业大学学报》 *
袁建清: "求解动态车辆调度问题的混合禁忌搜索算法", 《计算机应用与软件》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933474B (zh) * 2015-05-24 2018-04-27 北京化工大学 危险化学品运输的模糊双层优化方法
CN104933474A (zh) * 2015-05-24 2015-09-23 北京化工大学 危险化学品运输的模糊双层优化方法
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105069523A (zh) * 2015-07-28 2015-11-18 昆明理工大学 一种有时间限制的配送车辆调度方法
CN105357043B (zh) * 2015-11-09 2018-06-05 南京邮电大学 云计算环境下自动反馈调节的sla系统框架及调节方法
CN105357043A (zh) * 2015-11-09 2016-02-24 南京邮电大学 云计算环境下自动反馈调节的sla系统框架及调节方法
CN105741064A (zh) * 2016-01-21 2016-07-06 华南师范大学 基于云计算思想的协同物流调度方法和系统
CN105741064B (zh) * 2016-01-21 2020-04-21 华南师范大学 基于云计算思想的协同物流调度方法和系统
CN107067075A (zh) * 2016-10-11 2017-08-18 河南大学 一种基于人工蜂群算法的城市土地生态安全空间探测模型
CN107067075B (zh) * 2016-10-11 2021-09-28 河南大学 一种基于人工蜂群算法的城市土地生态安全空间探测模型
CN107194575A (zh) * 2017-05-19 2017-09-22 重庆大学 一种处理快递新增取件需求的车辆自治调度方法
CN107194575B (zh) * 2017-05-19 2020-07-31 重庆大学 一种处理快递新增取件需求的车辆自治调度方法
CN107862416A (zh) * 2017-11-29 2018-03-30 辽宁工程技术大学 一种基于盒子不确定集的应急物资储备库选址优化方法
CN107862416B (zh) * 2017-11-29 2022-04-12 辽宁工程技术大学 一种基于盒子不确定集的应急物资储备库选址优化方法
CN109669458A (zh) * 2018-12-28 2019-04-23 芜湖哈特机器人产业技术研究院有限公司 一种基于无向图的多台激光叉车调度方法

Similar Documents

Publication Publication Date Title
CN104463379A (zh) 一种带时变需求的关联物流运输优化调度方法
CN104598994A (zh) 一种带时变时间窗的关联物流运输优化调度方法
CN102542395B (zh) 一种应急物资调度系统及计算方法
CN104504459B (zh) 物流运输优化方法及系统
CN109726863A (zh) 一种多目标优化的物流方法和系统
CN109034481A (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
CN107833002A (zh) 基于协同多目标算法的多级低碳物流配送网络规划方法
CN109299810A (zh) 一种货运车辆配载方法
Zhao et al. Research on cooperative scheduling of automated quayside cranes and automatic guided vehicles in automated container terminal
CN106845857A (zh) 一种智能电表的配送任务排程优化方法
CN104331749A (zh) 基于模拟退火粒子群的agv优化调度方法
Royo et al. Solving a long-distance routing problem using ant colony optimization
Moutaoukil et al. Modeling a logistics pooling strategy for Agri-Food SMEs
El Bouzekri El Idrissi et al. Evolutionary algorithm for the bi-objective green vehicle routing problem
Andrii Mechanisms for increasing of transportation efficiency using joint service of logistics systems
Zeng et al. Optimization of electric bus scheduling for mixed passenger and freight flow in an urban-rural transit system
Xu et al. Research on open-pit mine vehicle scheduling problem with approximate dynamic programming
Zhang et al. SDVRP model for emergency logistics and evolutionary heuristic approach
Dai et al. Establishing a network planning model of urban-rural logistics based on hub-and-spoke network
Fazili Physical internet, conventional, and hybrid logistic systems: An optimization based comparison
Derrouiche et al. Integration of social concerns in collaborative logistics and transportation networks
Shulika et al. Developing an efficient road-based batch freight delivery technology for intercity connections with a focus on resource conservation
CN112801567B (zh) 快递派件模式选取方法、装置、计算机设备和存储介质
Ma et al. Milk-run vehicle routing optimization model and algorithm of automobile parts
CN118195456A (zh) 物流装载线路优化系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150325