CN106096881A - 仓储集货模式车辆路径逆选择操作方法 - Google Patents
仓储集货模式车辆路径逆选择操作方法 Download PDFInfo
- Publication number
- CN106096881A CN106096881A CN201610400495.6A CN201610400495A CN106096881A CN 106096881 A CN106096881 A CN 106096881A CN 201610400495 A CN201610400495 A CN 201610400495A CN 106096881 A CN106096881 A CN 106096881A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- decision
- consolidating
- algorithm
- 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
Links
- 230000002411 adverse Effects 0.000 title claims abstract description 27
- 238000010187 selection method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000003016 pheromone Substances 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000005553 drilling Methods 0.000 abstract 1
- 230000032258 transport Effects 0.000 description 32
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000035899 viability Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
仓储集货模式车辆路径逆选择操作方法，涉及一种信息通讯集货车辆路径选择操作方法，本发明针对不可行路径以及仓储集货运输两种运输模式提出了ACO‑nso算法，进行了仿真计算求解并分别与不考虑不可行路径以及不考虑仓储集货的情况进行了比较，ACO‑nso算法计算时间短，且算法的稳定性较高，可以得到满意的优化解。在实际生活中针对逆向物流网络中客户需求量整体偏低且需求点位置高度不集中的情况下，应用本发明所提出的方法进行处理可以有效地降低运输总成本，对指导实际应用具有一定的意义，使得VRPRL问题能够更加贴近于实际应用的要求。
Description
技术领域
本发明涉及集货车辆操作方法，特别是涉及仓储集货模式车辆路径逆选择操作方法。
背景技术
逆向物流回收车辆路径问题(Vehicle Routing Problem in ReverseLogistics, VRPRL)是逆向物流网络设计问题中的重要组成部分。Hong K. Lo等研究了成本回收条件下的连续时间维度的物流网络设计问题，并采用广义的既约梯度算法进行求解。逆向物流网络设计过程中，选址-路径问题(Location-Routing Problem,LRP)作为物流网络运作过程中的基础与核心，国内外的学者进行了广泛的研究。Emrah Demir等提出了运输时间不确定下的绿色多式联运服务网络设计问题，将所提出的算法应用到实际物流网络中并进行鲁棒性分析。周根贵等改进了遗传算法并用于解决需求随机、与正向物流结合的逆向物流网络设计问题；熊中楷等对以旧换新收购模式下逆向物流网络优化问题进行了研究，并采用粒子群算法进行求解。随着第三方物流产业的发展，企业在回收过程中只需考虑各个需求点的位置和需求量信息，车辆完成回收任务后不需返回原出发点。产品的运输任务外包给第三方物流商来进行，各条回收路径形成开放式的哈密顿路。A.D. López-Sánchez等研究了单客户最长配送时间最小化的OVRP问题，并通过多点下降算法进行求解。Yannis Marinakis等采用了改进的蜂群算法对OVRP问题进行了求解，并对算法性能进行了分析。张江华对同时集散货物的OVRP利用随机变频邻域搜索方法和重启策略进行了求解。
在许多现实生活的情形中，逆向物流网络自身具有高度的不确定性，网络设计过程中各个客户需求点的位置和需求量不能事先确定，且需求量较小。因此在实际回收过程中，往往将几个回收站的货物集中到一个回收站后统一向处理中心运输，即产生了仓储集货运输模式。同时由于地理环境、运载条件等外界因素限制，往往不能保证物流网络中任意两点间均存在可行路径，则需要回收站之间通过中转运输完成回收任务，即产生了不可行路径情况。从整个物流回收环节的角度，考虑这两种运输模式对降低物流成本，提升与客户的市场竞争力有很大的益处。因此，回收车辆路径问题的研究对指导实际问题有着重要的意义。
目前国内外大量的研究主要针对LRP和OVRP，要求物流网络结构满足任意两个物流节点之间存在可行的直线路径，且当存在货物运输中转情况时，每个中转站只能接收一个中转站的发货，其研究成果与结论对于回收车辆路径问题的研究无法直接应用。
蚁群算法(Ant Colony Optimization, ACO)是由意大利学者Dorigo等人根据蚂蚁的群体觅食行为所抽象出的启发式算法，并被广泛的应用于组合优化问题中。蚁群算法的运行原理如下：蚂蚁种群觅食的过程中在搜索的路径上留下信息素，信息素浓度较大的路径被选择的概率较大。随着时间的推移信息素开始进行挥发，较短路径上的蚂蚁能完成更多次数的循环，则信息素浓度较高，促使更多的蚂蚁选择这条路径，这种正反馈机制是蚁群算法进行寻优操作的核心。蚁群算法本身具有较强的鲁棒性，并且算法中的概率选择操作在处理回收车辆路径选择问题时具有很大的优势，传统蚁群算法的概率选择操作是通过禁忌表的方式确定已访问节点和未访问节点，根据当前节点到所有未访问节点的转移概率进行下一访问节点的选择，每一次概率选择操作后将新选择的节点置于上一被选择节点后面，直到所有的物流节点都被访问。根据节点访问顺序将所有物流节点两两相连，即为逆向物流回收网络中的回收路径构成。由于这种选择方式都是一对一的，所得的解无法对仓储集货运输情况进行表达。
传统蚁群算法采用表中节点的顺序来记录回收路径，表中的元素取值于未访问节点集合，则构成的路径即为个物流节点的一个不重复排列，无法表现出仓储集货运输所产生的分支路径情况。
因此本发明对传统蚁群算法编码方式与概率选择操作进行了改进提出逆选择操作蚁群算法(ACO-nso)进行求解分析。
发明内容
本发明的目的在于提供一种仓储集货模式车辆路径逆选择操作方法，该方法针对逆向物流网络中回收车辆的路径设计问题，对物流节点之间不可行路径以及仓储集货模式的考虑，并提出一种改进的蚁群算法进行仿真与求解，在实际生活中针对逆向物流网络中，客户需求量整体偏低且需求点位置高度不集中的情况下，应用本发明算法可以有效地降低运输成本，对指导实际应用具有重要意义。
本发明的目的是通过以下技术方案实现的：
仓储集货模式车辆路径逆选择操作方法，所述方法基于逆选择操作蚁群算法的编码方式、对下一节点的概率选择操作方式、蚁群算法流程及算法收敛性分析方法；基于逆选择操作蚁群算法的编码方式采用路径串的形式进行编码；对下一节点的概率选择操作方式对于蚂蚁，设中第一个点为待访问节点，之后计算待访问节点到已访问节点集合中每个元素的转移概率，假设为被选择节点，则将加入到的末端，并将从中删除加入到中；通过上述对编码方式以及概率选择操作，得VRPRL问题的蚁群算法流程如下：
Step 1. 输入节点参数、初始化距离矩阵，以处理中心为原点计算其它各个物流节点的极坐标并按照极径升幂排列，根据不可行路径信息更新距离矩阵，并构造节约矩阵；
Step 2. 初始化集，根据集确定已访问集合与未访问集合，将处理中心加入到已访问集合中；
Step 3. 若未访问节点集合，转入Step 5，否则以未访问节点集合中第一个节点为待决策点，计算与中各个节点的距离以及选择后回收站的货物量，再判断节点是否可被决策，即和之间存在可行路径且运输后不超过回收站的最大负载能力；
Step 4. 根据式(10)计算各点转移概率，根据转移概率确定出节点的决策节点，在中添加节点，中添加节点，并更新节点的废弃物数量信息；
Step 5. 若集中存在负决策点，转入Step 6；否则，若,则转入Step 2，否则转入Step 8；
Step 6. 对集中的负决策点进行二次决策操作，若二次决策后不存在不可决策点，转入Step 7；若二次决策后仍存在不可决策点，记这些节点为不可派送点,令,转Step 7；
Step 7. ,若,则转入Step 2，否则转入Step 8；
Step 8. 若，根据第次循环蚁群的行进路径更新信息素，则转入Step 2；若，则输出上一次循环的最优结果；
所述算法收敛性分析方法，解空间中存在一个最优解，这最优解必在ACO-nso算法的搜索空间中；设和分别为蚂蚁在和中能够找到一个最优解的概率，则：
(12)；
由式(12)，以及极限的保不等式性可知：
(18)
当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即ACO-nso算法是收敛的。
所述的仓储集货模式车辆路径逆选择操作方法，所述基于逆选择操作蚁群算法的编码方式，路径串由两个结构体构成，结构体中的每个元素为一个物流节点的编号，解的形式可表示为：，其中表示对回收站服务的回收站编号，且对于，和相同。
所述的仓储集货模式车辆路径逆选择操作方法，所述对下一节点的概率选择操作方式，待访问节点到已访问节点集合中每个节点的转移概率均为0，则定义待访问节点为不可决策点。
所述的仓储集货模式车辆路径逆选择操作方法，所述待访问节点只与物流节点之间存在可行路径，而中节点的位置在节点的后面，则节点进行决策时不在中，所有节点都进行过决策之后对不可决策点进行二次决策操作，若二次决策时某一节点仍然无法进行决策，则该点不存在与处理中心的通路，定义该节点为不可派送点。
所述的仓储集货模式车辆路径逆选择操作方法，所述方法算法流程Step 3若不可被决策，则搜索中下一节点，若可被决策，将放入可行集中。
所述的仓储集货模式车辆路径逆选择操作方法，所述ACO-nso算法在进行迭代寻优过程前首先对节点进行了次序重排处理，即未访问节点集合中的所有点按照极径升幂重新排列。
所述的仓储集货模式车辆路径逆选择操作方法，所述算法收敛性分析方法的解空间内所有解的路径串编码可划分为如下三类：
(1)在路径串编码中，属于ACO-nso算法的搜索空间内的编码，这类编码用表示；
(2)在路径串编码中，至少产生了一条不可行路径的编码；即路径串编码中存在，被选择的回收站与之间不存在可行路径，这类编码用表示。
(3)在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自身的编码。
本发明的优点与效果是：
1.本发明集中处理后进行回收运输任务，即仓储集货运输模式，适宜于汽、电动等货运车，改变了物流网络的结构，使问题更加符合实际情况，同时很大程度的减少车辆调用费用与运输费用，降低了物流网络的运作成本。
2.本发明算法的编码能够准确的表达出仓储集货运输中分支路径的情况，并保证路径的可行性。本发明采用路径串的形式进行编码，路径串由两个结构体构成，这样就解决了仓储集货运输模式下的分支路径情况的表达。
3.本发明体现了ACO-nso算法在求解考虑路径可行性与仓储集货模式下的回收车辆路径的优势，本发明所提出的改进蚁群算法适用于求解中等及以下规模的逆向物流网络回收路径问题，并且计算时间短、全局搜索能力强。
4.本发明合理的选择回收站的选址与回收车辆的回收路径，使得完成回收任务的总运输成本最小。
附图说明
图1为LRP物流网络结构图；
图2为不可行路径情况下的运输示意图；
图3为OVRP的网络结构示意图；
图4为仓储集货运输模式示意图；
图5为VRPRL物流网络结构图；
图6为解的结构示意图；
图7为概率选择操作示意图；
图8为第三类路径串编码示意图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
基于逆选择操作蚁群算法的编码方式。针对VRPRL解的特点，需要加入不可行路径和仓储集货运输的要素，则需要智能算法的编码能够准确的表达出仓储集货运输中分支路径的情况，并保证路径的可行性。本发明采用路径串的形式进行编码，路径串由两个结构体构成，结构体中的每个元素为一个物流节点的编号，解的形式可表示为：，其中表示对回收站服务的回收站编号，且对于，和可以相同，这样就解决了仓储集货运输模式下的分支路径情况的表达。例如表示回收站1,3,7处的废弃物直接运送至处理中心，回收站2,5通过回收站1进行中转运输，回收站6,8通过回收站3进行中转运输，回收站4首先通过回收站2运输至回收站1最终运往处理中心，该编码对应解的结构示意图如图6所示。
对下一节点的概率选择操作：
本发明对于蚂蚁，设中第一个点为待访问节点，之后计算待访问节点到已访问节点集合中每个元素的转移概率，假设为被选择节点，则将加入到的末端，并将从中删除加入到中，概率选择操作示意图如图7所示。在进行概率选择操作时，若待访问节点到已访问节点集合中每个节点的转移概率均为0，则定义待访问节点为不可决策点，不可决策点的产生是由于考虑道路可行性导致的。假设待访问节点只与物流节点之间存在可行路径，而中节点的位置在节点的后面，则节点进行决策时不在中，故节点无法进行决策。在所有节点都进行过决策之后对不可决策点进行二次决策操作，若二次决策时某一节点仍然无法进行决策，则该点不存在与处理中心的通路，定义该节点为不可派送点。
综上所述，对于蚂蚁的未访问节点集合中第一个节点，表示所有可访问节点的集合，若，则该节点为不可决策点，定义该点的决策为，并将加入到已访问节点集合中；若，则节点对下一节点的转移概率为：
(10)；
(11)。
式(10)为蚂蚁从节点到的转移概率；为路径的轨迹强度，由对应的信息素浓度表示，初始值为1，经过蚂蚁完成若干次循环后，轨迹强度发生改变,表示信息素挥发系数，表示在第次循环中增加的信息素；为路径的能见度，由其距离的倒数表示；表示的权重；表示的权重；式(11)中表示从到的距离节约比例。其中表示第只蚂蚁从节点直接运送到处理中心的距离，表示节点到节点的距离。
算法描述：
通过对编码方式以及概率选择操作的改进，可得VRPRL问题的蚁群算法流程如下：
Step 1. 输入节点参数，初始化距离矩阵，以处理中心为原点计算其它各个物流节点的极坐标并按照极径升幂排列，设置算法最大迭代次数和种群规模以及决策次数，令，。根据不可行路径信息更新距离矩阵，并构造节约矩阵。
Step 2. 初始化集，根据集确定已访问集合与未访问集合，将处理中心加入到已访问集合中。
Step 3. 若未访问节点集合，转入Step 5，否则以未访问节点集合中第一个节点为待决策点，计算与中各个节点的距离以及选择后回收站的货物量，再判断节点是否可被决策，即和之间存在可行路径且运输后不超过回收站的最大负载能力。若不可被决策，则搜索中下一节点，若可被决策，将放入可行集中。遍历搜索结束后，得到节点的可决策点集合。若，则定义节点为不可决策点，在中添加节点，中删除，中加入，转入Step 3；若，
则转入Step 4。
Step 4. 根据式(10)计算各点转移概率，根据转移概率确定出节点的决策节点，在中添加节点，中添加节点，并更新节点的废弃物数量信息。中删除，，转入Step 3。
Step 5. 若集中存在负决策点，转入Step 6；否则，若,则转入Step 2，否则转入Step 8。
Step 6. 对集中的负决策点进行二次决策操作，若二次决策后不存在不可决策点，转入Step 7；若二次决策后仍存在不可决策点，记这些节点为不可派送点,令,转Step 7。
Step 7. ,若,则转入Step 2，否则转入Step 8。
Step 8. 若，根据第次循环蚁群的行进路径更新信息素，则转入Step 2；若，则输出上一次循环的最优结果。
ACO-nso算法收敛性分析：
在算法流程中，ACO-nso算法在进行迭代寻优过程前首先对节点进行了次序重排处理，即未访问节点集合中的所有点按照极径升幂重新排列，这个操作保证了进行概率选择操作时所产生的解均为可行解，同时缩小了ACO-nso算法解的搜索空间。因此我们需要证明考虑路径可行性与仓储集货模式下的回收车辆路径问题的最优解处于ACO-nso算法的搜索空间内，并且当算法迭代次数趋于无穷时ACO-nso算法在此空间内能够找到一个最优解的概率为1。
首先设考虑路径可行性与仓储集货模式下的回收车辆路径问题的解空间为,则解空间内所有解的路径串编码可划分为如下三类：
(1)在路径串编码中，属于ACO-nso算法的搜索空间内的编码，这类编码用表示。
(2)在路径串编码中，至少产生了一条不可行路径的编码。即路径串编码中存在，被选择的回收站与之间不存在可行路径，这类编码用表示。
(3)在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自身的编码。如图8所示，OA之间存在可行路径，但A进行编码选择时选择极径大于自身的回收站B对其进行服务，这类编码用进行表示。
分析解空间关系可知，且。对于中的解，由于存在不可行路径，因此中的解均为不可行解，则最优解不在中；对于中的解，总存在中的一个解与其对应，且路径选择为中未选择的可行路径。
以图8为例，显然 (当A,B两点的极径相等时取等号)，则对于中的任意一个解总存在中一个解的值优于这个解，因此最优解不在。综上分析，若解空间中存在一个最优解，则这个最优解必在ACO-nso算法的搜索空间中。设和分别为蚂蚁在和中能够找到一个最优解的概率，则：
(12)
假设蚂蚁在进行路径寻优搜索过程中一共进行了T次迭代，每次迭代蚂蚁需要进行n次概率选择操作，完成n个节点的对应服务节点选择。不妨设蚂蚁在第r次迭代过程中找到了最优解，则最优解的路径串编码为：
(13)
故蚂蚁在第r次迭代时找到最优解的概率为：
(14)
其中，均为状态转移概率。对于蚁群算法在进行寻优过程中，只要有一个节点编码的不正确，则不能搜索到最优解，因此蚂蚁在寻优过程中未找到最优解的概率为：
(15)
因此，在T个迭代周期内，蚂蚁仍没搜索到最优解的概率为。故在T个迭代周期内，蚂蚁能够在中找到最优解的概率是：
(16)
其中为状态转移概率，，则可得：
(17)
由式(12)，以及极限的保不等式性可知：
(18)
当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即ACO-nso算法是收敛的。
实际生活的许多情况中，通常无法确保任意两个物流节点间的路径都可以通行，则需要通过中转运输的方式寻找可行路径进行运输。如图2所示，回收站A与处理中心O之间没有可行路径，则回收站A的废弃物在回收过程中首先要通过路径AB运往回收站B，之后通过路径BO运往处理中心O完成回收任务。综上所言，不可行路径情况的考虑相对于LRP模型更贴近实际情况。选址-路径问题在模型建立时需假设物流网络中任意两个物流节点间存在可行的直线路径，LRP物流网络结构如图1所示，不可行路径情况下的运输示意图如图2所示。
开放式车辆路径问题的主要特点是运输车辆在服务完最后一个需求点后，不要求其返回出发车场，车辆路径是一个哈密顿路（Hamiltonian path）。OVRP的网络结构如图3所示，仓储集货运输模式示意图如图4所示。
在OVRP中，配送车辆依次对多个需求点进行服务，但不可以同时对两个需求点进行服务，在网络图中的体现为运输路径图不可出现分支结构。然而对于实际情况尤其是在逆向物流网络设计中，大多数回收站的废弃物数量较少，因此在回收过程中通常先将多个废弃物量较少的回收站的废弃物统一运输到某一个回收站，集中处理后进行回收运输任务，即仓储集货运输模式。将运输模式这样处理改变了物流网络的结构，使问题更加符合实际情况，同时很大程度的减少车辆调用费用与运输费用，降低了物流网络的运作成本。其运输示意图如图4所示。
图5为一个逆向物流回收网络结构图，该物流网络主要由需求点、回收站、处理中心三部分构成。图中节点为处理中心，节点1至28为物流网络中设立的回收站。回收物流网络在运作过程中，需求点的用户首先将废弃物送往最近的回收站，回收站在收到需求点客户的废弃物之后，对当前回收站和临近物流节点的废弃物数量以及路径可行性信息进行分析，采用中转运输或仓储集货运输模式将废弃物运往其它回收站，或者直接运送至处理中心。
VRPRL物流网络结构图如图5所示，在VRP模型的基础上，根据VRPRL问题的特点，考虑不可行路径和仓储集货运输两种因素，建立以逆向物流回收网络总运输费用最低为目标函数的数学模型，首先给出决策变量：
则可建立数学模型如下：
。
式中：表示从点到的可行路径长度（对于，若存在可行路径，则定义，其中表示点到点的欧氏距离；若不存在可行路径，则定义，其中为一个充分大的正数）；为回收路径的行驶成本；为回收站的最大负载能力；为回收站的建设成本；表示回收站的废弃物数量；分别代表回收站接收其它回收站废弃物总量与该回收站的废弃物发出量。表示回收站的废弃物回收至处理中心的过程中节点是否承担转运。
表示回收站的废弃物回收至处理中心的过程中路径是否承担转运。模型的目标函数由两部分组成，第一部分表示废弃物回收运输费用，第二部分表示物流设施建设费用，表示各个部分费用的权重。约束条件中，式(2)表示回收站负载约束，表示每座回收站从需求点客户直接回收到的废弃物与接收其它回收站废弃物的总和不可超过运往回收站的最大负载能力；式(3),(4),(5)为访问约束，其中式(3)表示每个回收站可以接收多个回收站的发货但只能向一个回收站进行发货，式(4)表示每个回收站须将从客户需求点和其它回收站得到的废弃物全部发出，即所有废弃物都能得到处理，式(5)确保被选择接收废弃物的回收站已经建立；式(6),(7)为路径回路消除约束，表示在废弃物回收过程中不允许存在回路；式(8),(9)为变量约束。
实施例一：
随机产生1个处理中心，30个回收站，120个需求点的逆向物流回收网络，处理中心的坐标O(37km,25km)，30个回收站的信息见表1。要求合理的选择回收站的选址与回收车辆的回收路径，使得完成回收任务的总运输成本最小。
表1 回收站信息
在此，利用ACO-nso算法以回收任务总运输成本最低为优化目标对逆向物流回收网络进行优化求解，并与不考虑不可行路径以及仓储集货运输模式下的计算结果进行对比，优化结果如表2。
表2总运输成本最低为优化目标的车辆调度
通过表2中计算结果可以发现，对于逆向物流回收车辆路径，不可行路径以及仓储集货运输两种模式所建立的数学模型更加符合实际情况，并且很大程度上减少了回收任务中的运输费用与物流设施建设费用，使得物流系统总运作成本降低。
实施例二：
为了讨论本发明所提出的ACO-nso算法对回收车辆路径问题的适用性，在此对多种问题规模的实例采用该算法进行求解分析，仿真计算结果对比如表3。
表3仿真计算结果对比分析
通过表3可以看出，当问题规模小于70时，算法的稳定性较高，能够得出较好的优化结果；当问题规模继续增大时，算法的稳定性开始下降，主要表现为对最优解的搜索成功率下降、并且迭代次数和计算时间较长。这是由于本发明考虑了不可行路径和仓储集货模式导致解空间的规模从增大为，当问题规模增大时解的搜索空间规模呈指数性增长。因此本发明所提出的改进蚁群算法适用于求解中等及以下规模的逆向物流网络回收路径问题，并且计算时间短、全局搜索能力强。
实施例三：
由表2的结果可知，ACO-nso算法的能够搜索得到问题的满意解。为了更好的体现ACO-nso算法在求解考虑路径可行性与仓储集货模式下的回收车辆路径问题的优势，将其与枚举法(EM)和遗传算法(GA)的算法性能进行对比分析，如表4所示。
表4算法与枚举法和遗传算法的算法性能对比
通过表4.可以看出ACO-nso算法计算时间短且算法的稳定性较高，可以得到满意的优化解。对于枚举法求解，虽然可以准确的找到最优解，但算法的计算时间较长。由例二对于解空间规模的分析可知，以例三问题规模为30的算例，求解空间规模从2.65e+32增加到了2.05e+44，因此计算量呈指数性增长，导致枚举法的计算时间较长；对于遗传算法的求解，虽然同样可以搜索到最优解，但计算时间和搜索成功率同ACO-nso相比结果较差。产生上述结果是由于ACO-nso算法在进行概率选择操作时保证了初始解的可行性，而遗传算法在进行路径串编码时随机产生初始解，导致初始解空间内存在大量的不可行解，降低了遗传算法的运行效率与准确度。
Claims (7)
1.仓储集货模式车辆路径逆选择操作方法，其特征在于，仓储集货模式车辆路径逆选择操作方法，所述方法基于逆选择操作蚁群算法的编码方式、对下一节点的概率选择操作方式、蚁群算法流程及算法收敛性分析方法；基于逆选择操作蚁群算法的编码方式采用路径串的形式进行编码；对下一节点的概率选择操作方式对于蚂蚁，设中第一个点为待访问节点，之后计算待访问节点到已访问节点集合中每个元素的转移概率，假设为被选择节点，则将加入到的末端，并将从中删除加入到中；通过上述对编码方式以及概率选择操作，得VRPRL问题的蚁群算法流程如下：
Step 1. 输入节点参数、初始化距离矩阵，以处理中心为原点计算其它各个物流节点的极坐标并按照极径升幂排列，根据不可行路径信息更新距离矩阵，并构造节约矩阵；
Step 2. 初始化集，根据集确定已访问集合与未访问集合，将处理中心加入到已访问集合中；
Step 3. 若未访问节点集合，转入Step 5，否则以未访问节点集合中第一个节点为待决策点，计算与中各个节点的距离以及选择后回收站的货物量，再判断节点是否可被决策，即和之间存在可行路径且运输后不超过回收站的最大负载能力；
Step 4. 根据式(10)计算各点转移概率，根据转移概率确定出节点的决策节点，在中添加节点，中添加节点，并更新节点的废弃物数量信息；
Step 5. 若集中存在负决策点，转入Step 6；否则，若,则转入Step 2，否则转入Step 8；
Step 6. 对集中的负决策点进行二次决策操作，若二次决策后不存在不可决策点，转入Step 7；若二次决策后仍存在不可决策点，记这些节点为不可派送点,令,转Step 7；
Step 7. ,若,则转入Step 2，否则转入Step 8；
Step 8. 若，根据第次循环蚁群的行进路径更新信息素，则转入Step 2；若，则输出上一次循环的最优结果；
所述算法收敛性分析方法，解空间中存在一个最优解，这最优解必在ACO-nso算法的搜索空间中；设和分别为蚂蚁在和中能够找到一个最优解的概率，则：
(12)；
由式(12)，以及极限的保不等式性可知：
(18)
当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即ACO-nso算法是收敛的。
2.根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述基于逆选择操作蚁群算法的编码方式，路径串由两个结构体构成，结构体中的每个元素为一个物流节点的编号，解的形式可表示为：，其中表示对回收站服务的回收站编号，且对于，和相同。
3.根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述对下一节点的概率选择操作方式，待访问节点到已访问节点集合中每个节点的转移概率均为0，则定义待访问节点为不可决策点。
4.根据权利要求3所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述待访问节点只与物流节点之间存在可行路径，而中节点的位置在节点的后面，则节点进行决策时不在中，所有节点都进行过决策之后对不可决策点进行二次决策操作，若二次决策时某一节点仍然无法进行决策，则该点不存在与处理中心的通路，定义该节点为不可派送点。
5.根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述方法算法流程Step 3若不可被决策，则搜索中下一节点，若可被决策，将放入可行集中。
6.根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述ACO-nso算法在进行迭代寻优过程前首先对节点进行了次序重排处理，即未访问节点集合中的所有点按照极径升幂重新排列。
7.根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述算法收敛性分析方法的解空间内所有解的路径串编码可划分为如下三类：
(1)在路径串编码中，属于ACO-nso算法的搜索空间内的编码，这类编码用表示；
(2)在路径串编码中，至少产生了一条不可行路径的编码；即路径串编码中存在，被选择的回收站与之间不存在可行路径，这类编码用表示；
(3)在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自身的编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610400495.6A CN106096881A (zh) | 2016-06-08 | 2016-06-08 | 仓储集货模式车辆路径逆选择操作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610400495.6A CN106096881A (zh) | 2016-06-08 | 2016-06-08 | 仓储集货模式车辆路径逆选择操作方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106096881A true CN106096881A (zh) | 2016-11-09 |
Family
ID=57228505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610400495.6A Pending CN106096881A (zh) | 2016-06-08 | 2016-06-08 | 仓储集货模式车辆路径逆选择操作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106096881A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022070A (zh) * | 2017-11-14 | 2018-05-11 | 沈阳工业大学 | 一种混合装卸车辆协同调度运输方法 |
| CN109919532A (zh) * | 2017-12-13 | 2019-06-21 | 菜鸟智能物流控股有限公司 | 一种物流节点确定方法及装置 |
| CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
| US20210150475A1 (en) * | 2019-01-30 | 2021-05-20 | Walmart Apollo, Llc | Flexible dock-out time |
| US11829688B2 (en) | 2019-01-30 | 2023-11-28 | Walmart Apollo, Llc | Automatic generation of incremental load design with stacks of pallets |
| US11893319B2 (en) | 2019-01-30 | 2024-02-06 | Walmart Apollo, Llc | Automatic generation of load design |
| US11960800B2 (en) | 2019-01-30 | 2024-04-16 | Walmart Apollo, Llc | Automatic generation of flexible load design |
-
2016
- 2016-06-08 CN CN201610400495.6A patent/CN106096881A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 刘艳秋 等: "考虑不可行路径的逆向物流回收路径问题", 《沈阳工业大学学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022070A (zh) * | 2017-11-14 | 2018-05-11 | 沈阳工业大学 | 一种混合装卸车辆协同调度运输方法 |
| CN108022070B (zh) * | 2017-11-14 | 2021-10-29 | 沈阳工业大学 | 一种混合装卸车辆协同调度运输方法 |
| CN109919532A (zh) * | 2017-12-13 | 2019-06-21 | 菜鸟智能物流控股有限公司 | 一种物流节点确定方法及装置 |
| CN109919532B (zh) * | 2017-12-13 | 2023-06-27 | 菜鸟智能物流控股有限公司 | 一种物流节点确定方法及装置 |
| US20210150475A1 (en) * | 2019-01-30 | 2021-05-20 | Walmart Apollo, Llc | Flexible dock-out time |
| US11829688B2 (en) | 2019-01-30 | 2023-11-28 | Walmart Apollo, Llc | Automatic generation of incremental load design with stacks of pallets |
| US11893319B2 (en) | 2019-01-30 | 2024-02-06 | Walmart Apollo, Llc | Automatic generation of load design |
| US11960800B2 (en) | 2019-01-30 | 2024-04-16 | Walmart Apollo, Llc | Automatic generation of flexible load design |
| CN112308280A (zh) * | 2019-08-02 | 2021-02-02 | 菜鸟智能物流控股有限公司 | 物流调度管理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106096881A (zh) | 仓储集货模式车辆路径逆选择操作方法 | |
| Schneider et al. | A survey of the standard location-routing problem | |
| CN105913213A (zh) | 仓储集货模式下逆向物流回收车辆调度方法 | |
| CN107220731A (zh) | 一种物流配送路径规划方法 | |
| CN111597209B (zh) | 一种数据库物化视图构建系统、方法以及系统创建方法 | |
| CN109800904A (zh) | 带时间窗的装配式建筑预制件配送路径优化方法及系统 | |
| CN107463702A (zh) | 一种基于进化算法的数据库多连接查询优化方法 | |
| CN101421729A (zh) | 有效表示和搜索数据库中的有向无环图结构的系统和方法 | |
| CN103955814B (zh) | 计算机中基于数据立方体的物流智能交易数据处理方法 | |
| Gong et al. | A bee evolutionary algorithm for multiobjective vehicle routing problem with simultaneous pickup and delivery | |
| CN115032997B (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
| CN103745319B (zh) | 一种基于多状态科学工作流的数据世系追溯系统和方法 | |
| Mancini | Multi-echelon distribution systems in city logistics | |
| Wang et al. | Design of an improved quantum-inspired evolutionary algorithm for a transportation problem in logistics systems | |
| Bin et al. | A heuristic algorithm based on leaf photosynthate transport | |
| Crawford et al. | A hybrid soft computing approach for subset problems | |
| CN110598946B (zh) | 一种基于非支配人工蜂群的防汛物资救援分配方法 | |
| Zheng et al. | A two-stage algorithm for fuzzy online order dispatching problem | |
| El Bouzekri El Idrissi et al. | Evolutionary algorithm for the bi-objective green vehicle routing problem | |
| CN117541026A (zh) | 一种智能物流运输车辆调度方法及系统 | |
| Akdaş et al. | Vehicle route optimization for solid waste management: a case study of maltepe, Istanbul | |
| Zhu et al. | Green Logistics Location‐Routing Optimization Solution Based on Improved GA A1gorithm considering Low‐Carbon and Environmental Protection | |
| Barletta et al. | Hybrid fleet capacitated vehicle routing problem with flexible Monte–Carlo Tree search | |
| Santa Chávez et al. | A metaheuristic ACO to solve the multi-depot vehicle routing problem with backhauls | |
| Li et al. | A Hybrid Algorithm Based on Ant Colony Optimization and Differential Evolution for Vehicle Routing Problem. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |