CN106203911A - 基于云计算的智能物流数据管理方法 - Google Patents
基于云计算的智能物流数据管理方法 Download PDFInfo
- Publication number
- CN106203911A CN106203911A CN201610532060.7A CN201610532060A CN106203911A CN 106203911 A CN106203911 A CN 106203911A CN 201610532060 A CN201610532060 A CN 201610532060A CN 106203911 A CN106203911 A CN 106203911A
- Authority
- CN
- China
- Prior art keywords
- particle
- user
- vehicle
- dimension
- population
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 94
- 238000012937 correction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000012384 transportation and delivery Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 239000012141 concentrate Substances 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于云计算的智能物流数据管理方法,该方法包括:云平台电商接受用户的订单信息,根据用户服务成本最小化目标Z选择发货商进行运输服务;获取物流中心车辆类型、数量和容量信息,以及所有的用户节点信息;以车辆油耗最低为目标函数U规划每个车辆的运输路径;将两个目标函数Z和U的加权和为总目标,采用粒子群算法求解全局最优解。本发明提出了一种基于云计算的智能物流数据管理方法,基于用户大数据分析,在保证满足用户主观需求的同时,又能优化了物流资源,最大程度的提高了用户的满意度,取得了经济和环保的双重效益。
Description
技术领域
本发明涉及智能物流,特别涉及一种基于云计算的智能物流数据管理方法。
背景技术
大数据的普及与飞速发展,给物流运输业带来重大机遇的同时也带来了前所未有的挑战,用户的个性化服务和环保概念被推到前所未有的高度。在企业的订单任务分配的规划时间内,用户的个性化需求以及各个发货商的能力、资源、满意度等,还有车辆运输过程中的油耗和排放都是物流服务重要的决策因素。因此,分析挖掘用户的潜在兴趣爱好、用户的行为规律和环保决策因素等,并根据分析数据结果去改善物流企业的服务能力,有利于以企业长久稳定的发展和经济社会效益的提升。现有的物流运输方案仅着重考虑运输路线如何规划才能缩短时间、车辆如何尽可能达到最大负荷,而对环保需求以及用户的运输需求包括期望时间、满意度等因素考虑不足,进而无法针对性的分配物流任务。
发明内容
为解决上述现有技术所存在的问题,本发明提出了一种基于云计算的智能物流数据管理方法,包括:
云平台电商接受用户的订单信息,根据用户服务成本最小化目标Z选择发货商进行运输服务;
获取物流中心车辆类型、数量和容量信息,以及所有的用户节点信息;以车辆油耗最低为目标函数U规划每个车辆的运输路径;
将两个目标函数Z和U的加权和为总目标,采用粒子群算法求解全局最优解。
优选地,所述粒子群采用基于粒子位置取整的三维粒子编码方法,若用户节点有n个,第一维用户节点编号用来对用户进行编号;第二维粒子位置Xi用来对第一维用户节点编号进行排序,以确定用户配送的先后顺序;第三维粒子位置(Yi)在(0,n)范围内随机生成后采用进位取整方法来确定K个车辆的路径;解码时,首先按照第二维粒子位置的大小对用户进行重新排序,然后对第三维粒子位置进行进位取整操作;第三维粒子位置(Yi)是在(0,n)范围内随机生成后采用进位取整方法来确定车辆路径,如果在粒子迭代更新的过程中Yi超出了(0,n)范围,则对其进行粒子校正,以保证更新后的粒子仍然为可行解;校正的方法是:若粒子更新后第三维粒子位置(Yi)超出了(0,n)范围,则对其进行在(0,n)范围重新随机生成,以此进行校正;
基于用户服务成本Z和车辆油耗U的双目标调度优化的粒子群算法的求解流程为:
(1).对基本参数进行设置,包括种群大小、初始和迭代结束时的惯性权重、学习因子、速度约束以及最大迭代次数,确定两个目标更新的权值;
(2).将用户节点数据、车辆数据以及相关系数作为输入;在种群初始化时根据设定的种群大小随机生成初始化的粒子种群,初始化每个粒子第二维和第三维的粒子位置以及粒子速度,初始化个体最优粒子和全局最优粒子;
(3).计算种群中每个粒子对应的用户服务成本,初始化所有粒子的个体最优,并从所有的个体最优中找出车辆油耗最低的路径来初始化全局最优;
(4).依次求解每个更新后粒子的适应值,如果更新后用户服务成本与油耗的加权和优于先前值,那么就更新当前的个体最优值;然后,从更新后的所有个体最优粒子中找出最优值,与当前全局最优进行对比,如果新的最优值加权和更优,则将其更新为当前的全局最优;
(5).更新每个粒子的速度:
Vij=c1×random1×(Bij-Xij)+c2×random2×(Gj-Xij)
其中random1和random2均为0-1之间的随机数,Vij,Xij分别为第i个粒子在第j维空间中的速度和位置;Bij为该粒子当前最优位置,Gj为种群当前最优位置;
更新每个粒子的位置:
Xij=Xij+Vij
同时对粒子位置进行判断,对超出范围约束的粒子进行校正,保证更新后的粒子依然是可行解;
6.每次更新后,将迭代次数增加1,用来进行算法终止条件的判断;如果达到最大迭代次数,则算法终止,输入当前全局最优,就可以得到最优方案,否则,继续进行迭代,重复步骤4和5。
本发明相比现有技术,具有以下优点:
本发明提出了一种基于云计算的智能物流数据管理方法,基于用户大数据分析,在保证满足用户主观需求的同时,又能优化了物流资源,最大程度的提高了用户的满意度,取得了经济和环保的双重效益。
附图说明
图1是根据本发明实施例的基于云计算的智能物流数据管理方法的流程图。
具体实施方式
下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明,但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定,并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节,并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。
本发明的一方面提供了一种基于云计算的智能物流数据管理方法。图1是根据本发明实施例的基于云计算的智能物流数据管理方法流程图。
为了更精准的分析用户的行为规律及用户的兴趣意向,本发明结合的大数据的知识发现去挖掘用户历史数据,预测用户的最优发货时间,从而降低企业成本并为用户提供更好的服务。本发明同时考虑浏览率、关注时间与销量之间的关联关系来预测销量。设销量为m,浏览率和关注时间分别为A和B,选取大量用户浏览数据,用a表示浏览和关注时间大于预设阈值同时发生与销量之间的关联度,根据先验算法,挖掘产生满足支持度C最小的候选集,得到关联度amin。则由公式m=aminT(A∩B)计算用户需求量m。T(A∩B)|表示事件A与事件B同时发生的事件数。其中支持度C为T(A∩B)|/T|(A)|,T|(A)|表示事件A出现的总数。
用户的位置坐标表示为(xn,yn,tn),(xn,yn)表示用户位置的横纵坐标,tn表示用户的相应位置的时间数据。首先,根据用户的位置数据将用户一天的时间进行分段,分段后将所有位置距离不大于设定最小距离的位置进行聚类,并将其位置改和聚类中心一致的位置坐标,然后再利用关联规则分析用户的行为。通过数据挖掘后,得用户时间段的关联性比较,选出关联性最高的时间段来发货。如得出多个时间段,则根据用户订单的发货地址选择离用户收货地址最近的时间段进行发货。
本发明的物流服务是由用户终端、云平台电商、发货商三级供应链构成。云平台电商接受到用户的订单及信息,根据用户的要求及预测信息,选择最符合用户要求的发货商进行服务。用n表示发货商数量;Aij表示用户j对发货商i的评价值;qi表示第i个发货商的发货量;cij表示发货商i对j的服务成本;pij表示发货商i对用户j的价格;Qij表示发货商i对j的服务质量;pj表示用户j可接受的最高价格;Qj表示用户j预期的服务质量;γj表示用户j对价格变化的关注度;θj表示用户j对服务质量的关注度;Hi表示发货商的利润;Si表示发货商所能参与服务的最小利润;xi表示发货商i最大服务能力;ci表示提供产品的价格;
引入了用户对发货商的评价值,表达式为:
以优化云平台电商服务成本最小为目标,在保证用户满意度和服务质量高的情况下,用户服务成本能相应的减少,用户服务成本由各个发货商的价格和惩罚函数构成。其目标函数为:
并且有
当存在k使Aij大于Akj时,yij=1,其中i≠k,
否则yij=0
当t大于Tj时c’ij=-π(t-Tj)pij,
否则c’ij=0
m=aminT(A∩B)
qi≤xi
pij≤pj
γj,θj∈[0,1]
t表示实际送达的时间,Tj表示基于大数据预测得出的用户期望的最优发货时间。π表示超时惩罚系数。
对于上述模型的求解算法,将时间分段数据挖掘、聚类和时序关联挖掘结合起来预测用户的最优发货时间。算法流程如下
步骤1:预测用户最优发货时间,输入时间序列,得到分段矩阵Qij。计算每个Qij的数量,并且利用关联度公式计算所有相邻Qij之间的关联性。并找出满足条件的Qij。
步骤2:随机生成初始解Ω(0)。确定初始种群的规模为R,交叉概率为Pj,变异概率为Pb和终止进化准则,设置进化代数计数器t为0。
步骤3:计算个体的适应度,将目标函数值minZ的倒数作为个体的适应度值。
步骤4:从Ω(t)中运用选择算子选择出N/2对母体,其中N>R,依概率Pj执行交叉形成N个中间个体。对N个中间个体进行分别独立,依概率Pb执行变异,形成N个候选个体。从候选个体中根据个体适应度选择出R个个体组成新一代种群Ω(t+1)。
步骤5:如已满足预先设定的终止条件,则输出Ω(t+1)个体作为最优解,终止计算,否则置t增1,并转步骤4继续执行。
进一步地,在对车辆调度方面中,为达到经济环保的目标,本发明对具有同时收发货需求量的用户进行发货,以车辆油耗最低为目标的问题进行建模规划车辆路径。然后设计求解该问题的染色体算法。
设车辆总数为K,拥有L个车辆类型,nl为车辆类型l的数量,满足车辆类型l的车载容量为Ql,油耗系数为al、bl,对n个初始用户进行收发货,用户i的收货需求量为pi,发货需求量为di,Dij为用户节点i到用户节点j的距离。模型的优化目标是使得车辆油耗最小,在建模之前,采用以下油耗的计算方法。
Fij l=Dij(al·(pij+qij)+bl)
其中:Fij为l类型的车辆从节点i到节点j的油耗;pij为节点i前往节点j的车辆已访问的用户的货物总量;qij为节点i前往节点j的车辆装载的货物总量;(pij+qij)为节点i前往节点j的车辆的总装载量。
车辆路径问题的模型如下:
目标函数并且有如下约束:
pij+qij≤Qlxijk
xijk=1或0 i,j,k∈V
∑r∈Vpjr-∑i∈Vpij=pj i,j∈V
∑r∈Vqjr-∑i∈Vqij=dj i,j∈V
pij≥pixijk i,j∈V
qij≥djxijk i,j∈V
其中V表示所有用户节点的集合。
问题的求解策略如下:
(1)随机产生包含多个量子染色体的种群,针对用户数量为L的问题,对于每个量子染色体,采用L×L×2的三维量子位矩阵来表示,随机初始化量子位,产生0和1随机数,然后分别赋值给对应的量子位为0和1的概率αij和βij。
(2)首先产生[0,1]之间的随机数,产生L×L的二维观测矩阵,并调整矩阵保证每行每列都只有1个1,1所在的横坐标代表服务的顺序,纵坐标代表所对应的用户。在形成车辆路径时,首先随机选择一个车辆类型,当该车辆无法满足下一个用户需求时,再随机选用下一种车辆类型,当所选类型的车辆数超过已有车辆数时,重复选取车辆类型,直到所选的车辆类型不超过该类型车辆数。
(3)当用户收发货顺序和车辆路径分配好之后,采用最相邻插入法优化局部路线的序列,流程如下:
3.1取物流中心0作为路径的起点;
3.2找到第一个用户节点i,使得物流中心到用户节点i再返回物流中心的车辆油耗最小,构成局部路径0-i-0;
3.3对于已经形成的局部路径,在不属于该路径的用户节点中,寻找预选用户节点集Q,集合Q中的点满足离路径上的点的距离最近,且收发货重量相对最轻;
3.4循环取Q集中的用户节点,在路径上分别插入Q集中用户节点,使得新形成的路径产生的车辆油耗最低;即,当发行Q集中的用户节点k插入路径中的弧(i,j)位置时车辆油耗最低,就把用户节点k插入弧(i,j)位置的路径作为新路径;
3.5.重复步骤3.1-3.4,直到所有的用户被访问。在得到的路径中,对于任意两节点i,j,判断是否满足以(i,j)、(i+1,j+1)代替(i,i+1)、(j,j+1)后总油耗更低,若是,则执行上述替换。
(4)对种群的各个染色体解码后,分别根据以上目标函数最小值minU;令染色体的适应度函数为U,求解对应染色体的适应度,就是要求解每条染色体的油耗,每条染色体又是由多条路径的收发货组成,车辆分配好路径后,对于路径上每两个点,将每两点的载重量求出各两点间的油耗,从而求出每条路径的油耗,最后每条染色体的油耗。
综合以上两个实施例,以下将以两个目标函数Z和U为总目标,采用粒子群算法代替以上的求解过程,求解全局最优解。
采用基于粒子位置取整的三维粒子编码方法,若用户节点有n个,第一维用户节点编号用来对用户进行编号;第二维粒子位置Xi用来对第一维用户节点编号进行排序,以确定用户配送的先后顺序;第三维粒子位置(Yi)在(0,n)范围内随机生成后采用进位取整方法来确定K个车辆的路径;解码时,首先按照第二维粒子位置的大小对用户进行重新排序,然后对第三维粒子位置进行进位取整操作。
第三维粒子位置(Yi)是在(0,n)范围内随机生成后采用进位取整方法来确定车辆路径,如果在粒子迭代更新的过程中Yi超出了(0,n)范围,则对其进行粒子校正,以保证更新后的粒子仍然为可行解。校正的方法是:若粒子更新后第三维粒子位置(Yi)超出了(0,n)范围,则对其进行在(0,n)范围重新随机生成,以此进行校正。
基于用户服务成本Z和车辆油耗U的双目标调度优化的粒子群算法的求解流程为:
1.对基本参数进行设置,包括种群大小、初始和迭代结束时的惯性权重、学习因子、速度约束以及最大迭代次数,确定两个目标更新的权值;
2.将用户节点数据、车辆数据以及相关系数作为输入;在种群初始化时根据设定的种群大小随机生成初始化的粒子种群,初始化每个粒子第二维和第三维的粒子位置以及粒子速度,初始化个体最优粒子和全局最优粒子;
3.计算种群中每个粒子对应的用户服务成本,初始化所有粒子的个体最优,并从所有的个体最优中找出车辆油耗最低的路径来初始化全局最优;
4.依次求解每个更新后粒子的适应值,如果更新后用户服务成本与油耗的加权和优于先前值,那么就更新当前的个体最优值。然后,从更新后的所有个体最优粒子中找出最优值,与当前全局最优进行对比,如果新的最优值加权和更优,则将其更新为当前的全局最优。
5.更新每个粒子的速度:
Vij=c1×random1×(Bij-Xij)+c2×random2×(Gj-Xij)
其中random1和random2均为0-1之间的随机数,Vij,Xij分别为第i个粒子在第j维空间中的速度和位置;Bij为该粒子当前最优位置,Gj为种群当前最优位置;
更新每个粒子的位置:
Xij=Xij+Vij
同时对粒子位置进行判断,对超出范围约束的粒子进行校正,保证更新后的粒子依然是可行解;
6.每次更新后,将迭代次数增加1,用来进行算法终止条件的判断;如果达到最大迭代次数,则算法终止,输入当前全局最优,就可以得到最优方案,否则,继续进行迭代,重复步骤4和5。
此外,双目标权值给两个优化目标赋予不同的权重,进行加权求和。假设某个粒子搜索到的第i个结果的用户服务成本和油耗依次为Zi和Ui,第j个结果的用户服务成本和油耗依次为Zj和Uj,该粒子当前的个体最优依次为:最优成本差值PG,最优油耗PT,作业量差值的权值为w1,作业完工时间的权值为w2,则粒子个体更新的双目标更新规则可以表述为:
w1*PG+w2*TG>w1**abs(Zi-Zj)+w2*max{Ui,Uj}
其中,abs()表示取绝对值函数。若满足上式,则将个体当前最优依次更新为:
PG=abs(Zi-Zj)
TG=max{Ui,Uj};
若不满足上式,则将保留个体当前最优;
从所有粒子的当前个体最优中找出全局最优。
综上所述,本发明提出了一种基于云计算的智能物流数据管理方法,基于用户大数据分析,在保证满足用户主观需求的同时,又能优化了物流资源,最大程度的提高了用户的满意度,取得了经济和环保的双重效益。
显然,本领域的技术人员应该理解,上述的本发明的各模块或各步骤可以用通用的计算系统来实现,它们可以集中在单个的计算系统上,或者分布在多个计算系统所组成的网络上,可选地,它们可以用计算系统可执行的程序代码来实现,从而,可以将它们存储在存储系统中由计算系统来执行。这样,本发明不限制于任何特定的硬件和软件结合。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (2)
1.一种基于云计算的智能物流数据管理方法,其特征在于,包括:
云平台电商接受用户的订单信息,根据用户服务成本最小化目标Z选择发货商进行运输服务;
获取物流中心车辆类型、数量和容量信息,以及所有的用户节点信息;以车辆油耗最低为目标函数U规划每个车辆的运输路径;
将两个目标函数Z和U的加权和为总目标,采用粒子群算法求解全局最优解。
2.根据权利要求1所述的方法,其特征在于,所述粒子群采用基于粒子位置取整的三维粒子编码方法,若用户节点有n个,第一维用户节点编号用来对用户进行编号;第二维粒子位置Xi用来对第一维用户节点编号进行排序,以确定用户配送的先后顺序;第三维粒子位置(Yi)在(0,n)范围内随机生成后采用进位取整方法来确定K个车辆的路径;解码时,首先按照第二维粒子位置的大小对用户进行重新排序,然后对第三维粒子位置进行进位取整操作;第三维粒子位置(Yi)是在(0,n)范围内随机生成后采用进位取整方法来确定车辆路径,如果在粒子迭代更新的过程中Yi超出了(0,n)范围,则对其进行粒子校正,以保证更新后的粒子仍然为可行解;校正的方法是:若粒子更新后第三维粒子位置(Yi)超出了(0,n)范围,则对其进行在(0,n)范围重新随机生成,以此进行校正;
基于用户服务成本Z和车辆油耗U的双目标调度优化的粒子群算法的求解流程为:
(1).对基本参数进行设置,包括种群大小、初始和迭代结束时的惯性权重、学习因子、速度约束以及最大迭代次数,确定两个目标更新的权值;
(2).将用户节点数据、车辆数据以及相关系数作为输入;在种群初始化时根据设定的种群大小随机生成初始化的粒子种群,初始化每个粒子第二维和第三维的粒子位置以及粒子速度,初始化个体最优粒子和全局最优粒子;
(3).计算种群中每个粒子对应的用户服务成本,初始化所有粒子的个体最优,并从所有的个体最优中找出车辆油耗最低的路径来初始化全局最优;
(4).依次求解每个更新后粒子的适应值,如果更新后用户服务成本与油耗的加权和优于先前值,那么就更新当前的个体最优值;然后,从更新后的所有个体最优粒子中找出最优值,与当前全局最优进行对比,如果新的最优值加权和更优,则将其更新为当前的全局最优;
(5).更新每个粒子的速度:
Vij=c1×random1×(Bij-Xij)+c2×random2×(Gj-Xij)
其中random1和random2均为0-1之间的随机数,Vij,Xij分别为第i个粒子在第j维空间中的速度和位置;Bij为该粒子当前最优位置,Gj为种群当前最优位置;
更新每个粒子的位置:
Xij=Xij+Vij
同时对粒子位置进行判断,对超出范围约束的粒子进行校正,保证更新后的粒子依然是可行解;
(6).每次更新后,将迭代次数增加1,用来进行算法终止条件的判断;如果达到最大迭代次数,则算法终止,输入当前全局最优,就可以得到最优方案,否则,继续进行迭代,重复步骤4和5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610532060.7A CN106203911A (zh) | 2016-07-07 | 2016-07-07 | 基于云计算的智能物流数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610532060.7A CN106203911A (zh) | 2016-07-07 | 2016-07-07 | 基于云计算的智能物流数据管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203911A true CN106203911A (zh) | 2016-12-07 |
Family
ID=57473741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610532060.7A Pending CN106203911A (zh) | 2016-07-07 | 2016-07-07 | 基于云计算的智能物流数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203911A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578128A (zh) * | 2017-08-31 | 2018-01-12 | 南京理工大学 | 基于免疫粒子群算法的跨级配送网络规划方法 |
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度系统 |
CN107862403A (zh) * | 2017-10-19 | 2018-03-30 | 杭州王道控股有限公司 | 一种无人机待配送货物的出库序列调度方法及系统 |
CN108133290A (zh) * | 2017-12-21 | 2018-06-08 | 北京中交兴路信源科技有限公司 | 一种时效优先的调度方法及系统 |
CN109032789A (zh) * | 2018-07-02 | 2018-12-18 | 上海大学 | 一种物流网络的部署方法、装置和服务器 |
CN109118018A (zh) * | 2018-09-03 | 2019-01-01 | 中国联合网络通信集团有限公司 | 一种预测装机时间的方法及装置 |
CN109886490A (zh) * | 2019-02-22 | 2019-06-14 | 广西大学 | 一种组合车辆联合运输的匹配优化方法 |
CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 多目标物流调度方法及装置、物流系统以及计算机可读介质 |
CN111431961A (zh) * | 2020-02-20 | 2020-07-17 | 重庆邮电大学 | 一种云数据中心的节能任务分配方法 |
CN113159662A (zh) * | 2020-01-22 | 2021-07-23 | 四川物软网联科技有限公司 | 一种物流运输系统及物流运输方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN104240054A (zh) * | 2014-08-13 | 2014-12-24 | 福州大学 | 基于粒子群的物流车辆调度的实现方法 |
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 |
-
2016
- 2016-07-07 CN CN201610532060.7A patent/CN106203911A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN104240054A (zh) * | 2014-08-13 | 2014-12-24 | 福州大学 | 基于粒子群的物流车辆调度的实现方法 |
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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578128A (zh) * | 2017-08-31 | 2018-01-12 | 南京理工大学 | 基于免疫粒子群算法的跨级配送网络规划方法 |
CN107862403A (zh) * | 2017-10-19 | 2018-03-30 | 杭州王道控股有限公司 | 一种无人机待配送货物的出库序列调度方法及系统 |
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度系统 |
CN108133290B (zh) * | 2017-12-21 | 2021-06-25 | 北京优挂信息科技有限公司 | 一种时效优先的调度方法及系统 |
CN108133290A (zh) * | 2017-12-21 | 2018-06-08 | 北京中交兴路信源科技有限公司 | 一种时效优先的调度方法及系统 |
CN109032789A (zh) * | 2018-07-02 | 2018-12-18 | 上海大学 | 一种物流网络的部署方法、装置和服务器 |
CN109032789B (zh) * | 2018-07-02 | 2021-10-08 | 上海大学 | 一种物流网络的部署方法、装置和服务器 |
CN109118018A (zh) * | 2018-09-03 | 2019-01-01 | 中国联合网络通信集团有限公司 | 一种预测装机时间的方法及装置 |
CN109886490A (zh) * | 2019-02-22 | 2019-06-14 | 广西大学 | 一种组合车辆联合运输的匹配优化方法 |
CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 多目标物流调度方法及装置、物流系统以及计算机可读介质 |
CN113159662A (zh) * | 2020-01-22 | 2021-07-23 | 四川物软网联科技有限公司 | 一种物流运输系统及物流运输方法 |
CN111431961A (zh) * | 2020-02-20 | 2020-07-17 | 重庆邮电大学 | 一种云数据中心的节能任务分配方法 |
CN111431961B (zh) * | 2020-02-20 | 2022-05-03 | 重庆邮电大学 | 一种云数据中心的节能任务分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203911A (zh) | 基于云计算的智能物流数据管理方法 | |
CN106203912A (zh) | 物流信息智能处理方法 | |
CN106156981A (zh) | 基于云计算的物流协同处理方法 | |
US10474953B2 (en) | Systems and methods for multi-objective optimizations with decision variable perturbations | |
Azadeh et al. | A genetic algorithm-Taguchi based approach to inventory routing problem of a single perishable product with transshipment | |
Nekooghadirli et al. | Solving a new bi-objective location-routing-inventory problem in a distribution network by meta-heuristics | |
Ho et al. | A hybrid genetic algorithm for the multi-depot vehicle routing problem | |
Bertazzi et al. | A stochastic inventory routing problem with stock-out | |
Goodson et al. | Rollout policies for dynamic solutions to the multivehicle routing problem with stochastic demand and duration limits | |
Li-ying et al. | Multiple charging station location-routing problem with time window of electric vehicle. | |
Qu et al. | A contrastive study of the stochastic location-inventory problem with joint replenishment and independent replenishment | |
CN110443397A (zh) | 一种订单配送方法 | |
Lee et al. | A multi-objective hybrid genetic algorithm to minimize the total cost and delivery tardiness in a reverse logistics | |
Wang et al. | A revised ant algorithm for solving location–allocation problem with risky demand in a multi-echelon supply chain network | |
Lim et al. | A three-tier programming model for service composition and optimal selection in cloud manufacturing | |
CN116187896B (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
Karimi et al. | Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment | |
Karimi-Nasab et al. | A random search heuristic for a multi-objective production planning | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
Wang et al. | Modeling and optimization of stochastic joint replenishment and delivery scheduling problem with uncertain costs | |
Ouyang et al. | Community logistics and dynamic community partitioning: A new approach for solving e-commerce last mile delivery | |
Wang et al. | Optimization of an established multi-objective delivering problem by an improved hybrid algorithm | |
Zhang et al. | Individualized requirement-driven multi-task scheduling in cloud manufacturing using an extended multifactorial evolutionary algorithm | |
Tao et al. | A differential evolution with reinforcement learning for multi-objective assembly line feeding problem | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm |
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: 20161207 |