CN107341628B - 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法 - Google Patents

一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法 Download PDF

Info

Publication number
CN107341628B
CN107341628B CN201611256963.3A CN201611256963A CN107341628B CN 107341628 B CN107341628 B CN 107341628B CN 201611256963 A CN201611256963 A CN 201611256963A CN 107341628 B CN107341628 B CN 107341628B
Authority
CN
China
Prior art keywords
hub
station
hub station
scheme
stations
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.)
Active
Application number
CN201611256963.3A
Other languages
English (en)
Other versions
CN107341628A (zh
Inventor
关健
林耿
冯慧斌
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.)
Digital Technology Fujian Co ltd
Original Assignee
Minjiang University
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 Minjiang University filed Critical Minjiang University
Priority to CN201611256963.3A priority Critical patent/CN107341628B/zh
Publication of CN107341628A publication Critical patent/CN107341628A/zh
Application granted granted Critical
Publication of CN107341628B publication Critical patent/CN107341628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，首先采用随机贪心策略构造一个初始的枢纽站选址及分配方案；然后从这一初始方案出发，对基于枢纽站和非枢纽站交换的邻域进行搜索，确定最优的枢纽站选址；在交换邻域搜索过程中，为了避免重复搜索，采用了概率禁忌搜索的策略，对传统的禁忌对象和解禁机制进行了有效的改进。在枢纽站选址确定的基础上，对基于非枢纽站移动的邻域进行深度搜索，确定最优的枢纽站分配。本发明实现了在可接受的时间内确定大规模轴辐式物流网络中最优的枢纽站选址及分配方案，获得良好的经济效益。

Description

一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配 方法
技术领域
本发明涉及轴辐式物流网络优化领域，特别是一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法。
背景技术
随着社会经济的快速发展，物流与人们的生活密不可分，物流网络规模不断扩大。传统的物流网络采用完全连通、站至站的连接方式，不仅浪费资源而且增加运输成本。相比之下，轴辐式物流网络将源站点的货物流先汇集到枢纽站，然后由枢纽站之间集中运输，最后分发到目的站点，依靠规模经济，降低运输成本，同时整合资源，提高资源的利用率，产生集聚效益，带动枢纽站所在区域的经济发展。轴辐式物流网络作为一种特殊结构的物流网络，具有自身的优点，已成为企业增强竞争力必须考虑的因素，同时也受到众多学者的关注和研究。在轴辐式物流网络中，枢纽站选址及分配的优化是非常重要的一环，对成本的控制起着至关重要的作用。然而，轴辐式物流网络的优化属于NP难度的组合优化问题，随着物流网络规模的增大，求解难度变大，耗费的时间剧增，给经济成本的控制带来了挑战。因此，针对大规模的轴辐式物流网络，研究如何在可接受时间内获取最优枢纽站选址及分配方案的方法，具有重要的现实意义。
启发式算法具有收敛速度快的优点，成为学者们对轴辐式物流网络进行优化的有效工具和方法。傅少川等改进轴辐式物流网络的多重分配多枢纽中位问题模型，得到无容量限制单分配多枢纽中位的混合整数线性规划模型，并采用改进的禁忌搜索算法求解。Maric等提出了一种基于文化基因算法的启发式算法来求解轴辐式物流网络的无容量限制单分配多枢纽中位模型。Brimberg等提出了变邻域算法求解轴辐式物流网络的无容量限制多分配固定枢纽中位模型。Ting和Wang改进模拟退火算法，提出了门限算法求解。杨平乐等将受容量限制的单分配轴辐式物流网络抽象为一个三次变量的混合整数线性规划模型方程，并提出了一种改进的蚁群算法求解。Abyazi-Sani和Ghanbari克服了固定禁忌策略和随机禁忌策略的缺点，提出一种自适应的禁忌策略搜索算法求解。
在轴辐式物流网络优化中，现有的方法都有具有一定的局限性。文化基因算法和蚁群算法具有全局搜索的优点，但缺乏有效的局部搜索机制，收敛速度慢。变邻域算法和禁忌算法具有较强的深度搜索能力，但是容易陷入局部最优。
发明内容
有鉴于此，本发明的目的是提出一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，能够减少轴辐式物流网络中所需搜索的邻域候选方案，从而提高算法的速度。
本发明采用以下方案实现：一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，具体包括以下步骤：
步骤S1：提取轴辐式物流网络模型的要素；其中，所述轴辐式物流网络模型的要素包括物流网络的规模n，货运量矩阵W＝[Wij]，单位货运量的运输成本矩阵C＝[Cij]，枢纽站建设成本向量F＝[Fi]，非枢纽站到枢纽站的运输成本折扣系数χ，枢纽站到枢纽站的运输成本折扣系数α，枢纽站到非枢纽站的运输成本折扣系数δ；
步骤S2：初始化参数设置，包括设置：最大迭代次数Gmax，当前迭代次数Gnow，禁忌列表T，禁忌迭代次数Tnow，控制因子β；其中，所述禁忌列表是记录非枢纽站进行非优交换次数的统计表；
步骤S3：对枢纽站选址及分配方案S进行编码，利用随机贪心策略构造一个初始的枢纽站选址及分配方案S0，计算该方案的目标函数值f(S0)，并将该方案设为全局最优方案Sgbest；
步骤S4：通过交换枢纽站和非枢纽站构造交换邻域，在交换邻域的候选方案中搜索更优的枢纽站选址方案；
步骤S5：通过移动非枢纽站所分配的枢纽站构造移动邻域，逐个搜索移动邻域中的候选方案，一旦搜索到更优的枢纽站分配方案，将其作为当前方案继续新的移动邻域搜索，直到当前方案的移动邻域中所有方案都不优于当前方案，更新全局最优方案Sgbest；
步骤S6：判断当前迭代次数Gnow是否达到最大迭代次数Gmax，若是，则停止搜索，输出全局最优方案Sgbest；否则，返回步骤S3。
进一步地，步骤S4具体包括以下步骤：
步骤S41：令枢纽站的候选集合U*等于枢纽站的集合U；
步骤S42：判断枢纽站的候选集合U*是否为空，若是，转步骤S5，否则，从U*中选择一个枢纽站i，令非枢纽站的候选集合V*等于非枢纽站的集合V，Tnow＝Tnow+1；
步骤S43：判断非枢纽站的候选集合V*是否为空，若是，从枢纽站的候选集合中移除枢纽站i，即U*＝U*-{i}，并返回步骤S42；否则，从V*中选择一个非枢纽站j；
步骤S44：产生一个在[0,1]之间的随机数r，若r小于非枢纽站j允许交换的概率P(j),则非枢纽站j处于解禁忌状态，进入步骤S45；否则，非枢纽站j处于禁忌状态，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，并返回步骤S43；
步骤S45：交换枢纽站i和非枢纽站j，将所有站点重新分配给距离最近的枢纽站，得到新的方案Snew，计算其目标函数值f(Snew)。若f(Snew)＜f(Sgbest)，则说明新方案Snew优于全局最优方案Sgbest，令Sgbest＝Snew，并返回步骤步骤S41，将更优的方案作为新的起点进行下一轮的搜索；否则，将非枢纽站j作为禁忌对象，记录其非优交换的次数T(j)＝T(j)+1，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，并返回步骤S43。
进一步地，步骤S3中所述的枢纽站选址及分配方案S＝{U,V,h}，其中U为枢纽站的集合，V为非枢纽站的集合，向量h＝(h1,h2,…,hn)为对应站点分配的枢纽站。
进一步地，步骤S3中所述随机贪心策略为：首先从所有站点中随机选取一个站点作为枢纽站，将非枢纽站重新分配给距离最近的枢纽站，计算目标函数值，然后不断地从剩余站点中选取使得目标函数值减少最明显的站点作为枢纽站，直到目标函数值无法再减少，每添加一个枢纽站都将非枢纽站重新分配给距离最近的枢纽站。
进一步地，方案的所述目标函数值采用下式计算：
Figure BDA0001199093740000051
其中，
Figure BDA0001199093740000052
为站点i总的出货量，
Figure BDA0001199093740000053
为站点i总的入货量，U为枢纽站的集合。
进一步地，步骤S44中所述非枢纽站j允许交换的概率P(j)采用下式计算：
Figure BDA0001199093740000054
其中，β为控制因子。
与现有技术相比，本发明有以下有益效果：
1、由于本发明改进了禁忌对象，在禁忌搜索过程中对非优交换的非枢纽站点进行禁忌，避免重复搜索非优方案，减少了候选方案，缩短了获取最优方案的时间。
2、由于本发明改进了解禁机制，禁忌对象以一定的自适应概率被解禁，引导算法向新的空间搜索，增强了算法的搜索能力。
3、实验表明与现有方法相比，本发明可以获得更低成本的枢纽站选址及分配方案，同时花费的时间更少，提高了效率。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例中轴辐式物流网络枢纽站最优的选址及分配图。
图3为本发明实施例中与基于文化基因算法的方法关于运行时间的比较图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本实施例提供了一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，具体实现步骤如下；
(1)提取轴辐式物流网络模型的要素，包括：物流网络的规模n，货运量矩阵W＝[Wij]，单位货运量的运输成本矩阵C＝[Cij]，枢纽站建设成本向量F＝[Fi]，非枢纽站到枢纽站的运输成本折扣系数χ，枢纽站到枢纽站的运输成本折扣系数α，枢纽站到非枢纽站的运输成本折扣系数δ；
本发明实施例为一个具有10个站点的澳大利亚邮政物流网络，10个站点被分别编号为：0,1,…,9，如图2所示。
物流网络的规模n＝10,货运量矩阵
Figure BDA0001199093740000071
单位货运量的运输成本矩阵
Figure BDA0001199093740000072
Figure BDA0001199093740000081
枢纽站建设成本向量F＝[F0,F1,F2,F3,F4,F5,F6,F7,F8,F9]＝[28766.74，28376.76，29774.24，24301.33，25853.46，20762.87，34166.36，33859.21，24717.89，33686.43]。非枢纽站到枢纽站的运输成本折扣系数χ＝3，枢纽站到枢纽站的运输成本折扣系数α＝0.75，枢纽站到非枢纽站的运输成本折扣系数δ＝2。
(2)初始化参数设置，包括：最大迭代次数Gmax，当前迭代次数Gnow，禁忌列表T，禁忌迭代次数Tnow，控制因子β。在本发明实施例中，禁忌列表T初始为空，当前迭代次数Gnow和禁忌迭代次数Tnow初始化为1，经前期大量的实验发现最大迭代次数Gmax和控制因子β分别设置为40和0.5效果最佳。
(3)对枢纽站选址及分配方案S进行编码，利用随机贪心策略构造一个初始的枢纽站选址及分配方案S0，计算该方案的目标函数值f(S0)，并将该方案设为全局最优方案Sgbest。在本发明实施例中，首先，从0至9的10个站点中随机选择一个作为枢纽站，比如5。剩余9个站点均分配给枢纽站5，计算目标函数值为：327553.608。然后，逐个尝试这9个站点选择作为枢纽站，并计算相应的目标函数值，选出目标函数值最小的一个站点为6，其目标函数值为250715.189，优于327553.608，继续从剩下的8个站点选出目标函数值最小的一个站点为2，其目标函数值为232644.854，优于250715.189，继续从剩下的7个站点选出目标函数值最小的一个站点为1，其目标函数值为238551.687，差于232644.854，停止尝试，完成初始的枢纽站选址及分配方案的构造，为S0＝{{5,6,2}，{0,1,4,3,7,8,9}，(2,5,2,5,2,5,6,5,6,6)}，目标函数值f(S0)＝232644.854。
(4)通过交换枢纽站和非枢纽站构造交换邻域，在交换邻域的候选方案中搜索更优的枢纽站选址方案；具体包括以下步骤：
(4.1)令枢纽站的候选集合U*等于枢纽站的集合U；
(4.2)判断枢纽站的候选集合U*是否为空，若是，转步骤(5)，否则，从U*中选择一个枢纽站i，令非枢纽站的候选集合V*等于非枢纽站的集合V，Tnow＝Tnow+1；
(4.3)判断非枢纽站的候选集合V*是否为空，若是，从枢纽站的候选集合中移除枢纽站i，即U*＝U*-{i}，转步骤(4.2)，否则，从V*中选择一个非枢纽站j；
(4.4)产生一个在[0,1]之间的随机数r，若r小于非枢纽站j允许交换的概率P(j),非枢纽站j处于解禁忌状态，转步骤(4.5)，否则，非枢纽站j处于禁忌状态，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，转步骤(4.3)；
(4.5)交换枢纽站i和非枢纽站j，将所有站点重新分配给距离最近的枢纽站，得到新的方案Snew，计算其目标函数值f(Snew)。若f(Snew)<f(Sgbest)，新方案Snew优于全局最优方案Sgbest，令Sgbest＝Snew，转步骤(4.1)，将更优的方案作为新的起点进行下一轮的搜索，否则，将非枢纽站j作为禁忌对象，记录其非优交换的次数T(j)＝T(j)+1，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，转步骤(4.3)；
在本发明实施例中，在步骤(3)构造的方案基础上，通过交换枢纽站5和非枢纽站3，得到更优的枢纽站选址方案Sgbest＝{{3,6,2}，{0,1,4,5,7,8,9}，(2,3,2,3,2,3,6,6,6,6)}，目标函数值f(Sgbest)＝224913.042。
(5)通过移动非枢纽站所分配的枢纽站构造移动邻域，逐个搜索移动邻域中的候选方案，一旦搜索到更优的枢纽站分配方案，将其作为当前方案继续新的移动邻域搜索，直到当前方案的移动邻域中所有方案都不优于当前方案，更新全局最优方案Sgbest；
在本发明实施例中，在步骤(4)产生的方案基础上，将站点4的枢纽站由2移动6得到更优的枢纽站分配方案Sgbest＝{{3,6,2}，{0,1,4,5,7,8,9}，(2,3,2,3,6,3,6,6,6,6)}，目标函数值f(Sgbest)＝224250.055。
(6)判断当前迭代次数Gnow是否达到最大迭代次数Gmax，若是停止搜索，输出全局最优方案Sgbest，否则Gnow＝Gnow+1，转步骤(3)。
在本发明实施例中，最优方案为Sgbest＝{{3,6,2}，{0,1,4,5,7,8,9}，(2,3,2,3,6,3,6,6,6,6)}，目标函数值f(Sgbest)＝224250.055，如图2所示。
本实施例的效果可通过仿真进一步说明：
1、仿真条件：
在CPU为Intel Core i3-2350M 2.30G，内存为4GB，Windows 7的系统上使用VC++6.0进行仿真。
2、仿真内容与结果：
选取10个规模最大的澳大利亚邮政物流网络作为实验对象。
仿真1，对本发明方法和基于文化基因算法的枢纽站选址及分配方法得到的最优目标函数值进行仿真，得到的计算结果如表1所示。由表1可以看出在5个实验对象中，本方法和基于文化基因算法的方法可以得到相同的最优目标函数值，在另外的5个实验对象中，本方法比基于文化基因算法的方法得到更小的最优目标函数值，表明本方法可以得到更优的方案，降低成本花费。
表1本发明方法和基于文化基因算法的方法关于10个算例最优目标函数值的比较。
Figure BDA0001199093740000111
仿真2，对本实施例方法和基于文化基因算法的枢纽站选址及分配方法的运行时间进行仿真，得到的仿真图3。由图3可以看出本方法比基于文化基因算法的方法求解速度更快。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，其特征在于：包括以下步骤：
步骤S1：提取轴辐式物流网络模型的要素；其中，所述轴辐式物流网络模型的要素包括物流网络的规模n，货运量矩阵W＝[Wij]，单位货运量的运输成本矩阵C＝[Cij]，枢纽站建设成本向量F＝[Fi]，非枢纽站到枢纽站的运输成本折扣系数χ，枢纽站到枢纽站的运输成本折扣系数α，枢纽站到非枢纽站的运输成本折扣系数δ；
步骤S2：初始化参数设置，包括设置：最大迭代次数Gmax，当前迭代次数Gnow，禁忌列表T，禁忌迭代次数Tnow，控制因子β；其中，所述禁忌列表是记录非枢纽站进行非优交换次数的统计表；
步骤S3：对枢纽站选址及分配方案S进行编码，利用随机贪心策略构造一个初始的枢纽站选址及分配方案S0，计算该方案的目标函数值f(S0)，并将该方案设为全局最优方案Sgbest；
步骤S4：通过交换枢纽站和非枢纽站构造交换邻域，在交换邻域的候选方案中搜索更优的枢纽站选址方案；
步骤S5：通过移动非枢纽站所分配的枢纽站构造移动邻域，逐个搜索移动邻域中的候选方案，一旦搜索到更优的枢纽站分配方案，将其作为当前方案继续新的移动邻域搜索，直到当前方案的移动邻域中所有方案都不优于当前方案，更新全局最优方案Sgbest；
步骤S6：判断当前迭代次数Gnow是否达到最大迭代次数Gmax，若是，则停止搜索，输出全局最优方案Sgbest；否则，返回步骤S3；
其中，步骤S4具体包括以下步骤：
步骤S41：令枢纽站的候选集合U*等于枢纽站的集合U；
步骤S42：判断枢纽站的候选集合U*是否为空，若是，转步骤S5，否则，从U*中选择一个枢纽站i，令非枢纽站的候选集合V*等于非枢纽站的集合V，Tnow＝Tnow+1；
步骤S43：判断非枢纽站的候选集合V*是否为空，若是，从枢纽站的候选集合中移除枢纽站i，即U*＝U*-{i}，并返回步骤S42；否则，从V*中选择一个非枢纽站j；
步骤S44：产生一个在[0,1]之间的随机数r，若r小于非枢纽站j允许交换的概率P(j),则非枢纽站j处于解禁忌状态，进入步骤S45；否则，非枢纽站j处于禁忌状态，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，并返回步骤S43；
步骤S45：交换枢纽站i和非枢纽站j，将所有站点重新分配给距离最近的枢纽站，得到新的方案Snew，计算其目标函数值f(Snew)；若f(Snew)＜f(Sgbest)，则说明新方案Snew优于全局最优方案Sgbest，令Sgbest＝Snew，并返回步骤S41，将更优的方案作为新的起点进行下一轮的搜索；否则，将非枢纽站j作为禁忌对象，记录其非优交换的次数T(j)＝T(j)+1，从非枢纽站的候选集合中移除非枢纽站j，即V*＝V*-{j}，并返回步骤S43。
2.根据权利要求1所述的一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，其特征在于：步骤S3中所述的枢纽站选址及分配方案S＝{U,V,h}，其中U为枢纽站的集合，V为非枢纽站的集合，向量h＝(h1,h2,…,hn)为对应站点分配的枢纽站。
3.根据权利要求1所述的一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，其特征在于：步骤S3中所述随机贪心策略为：首先从所有站点中随机选取一个站点作为枢纽站，将非枢纽站重新分配给距离最近的枢纽站，计算目标函数值，然后不断地从剩余站点中选取使得目标函数值减少最明显的站点作为枢纽站，直到目标函数值无法再减少，每添加一个枢纽站都将非枢纽站重新分配给距离最近的枢纽站。
4.根据权利要求3所述的一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，其特征在于：方案的所述目标函数值采用下式计算：
Figure FDA0002938211310000031
其中，
Figure FDA0002938211310000032
为站点i总的出货量，
Figure FDA0002938211310000033
为站点i总的入货量，U为枢纽站的集合。
5.根据权利要求1所述的一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，其特征在于：步骤S44中所述非枢纽站j允许交换的概率P(j)采用下式计算：
Figure FDA0002938211310000034
其中，β为控制因子。
CN201611256963.3A 2016-12-30 2016-12-30 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法 Active CN107341628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611256963.3A CN107341628B (zh) 2016-12-30 2016-12-30 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611256963.3A CN107341628B (zh) 2016-12-30 2016-12-30 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法

Publications (2)

Publication Number Publication Date
CN107341628A CN107341628A (zh) 2017-11-10
CN107341628B true CN107341628B (zh) 2021-04-27

Family

ID=60222351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611256963.3A Active CN107341628B (zh) 2016-12-30 2016-12-30 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法

Country Status (1)

Country Link
CN (1) CN107341628B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833151B (zh) * 2018-06-05 2021-06-22 南京邮电大学 一种基于禁忌搜索的2.5阶零模型生成算法
CN109034695B (zh) * 2018-07-19 2021-08-24 中电九天智能科技有限公司 智能化仓储物流状态检测方法
CN111144675B (zh) * 2018-11-05 2023-11-28 顺丰科技有限公司 一种片区规划方法、装置、设备及存储介质
CN110245818A (zh) * 2019-01-21 2019-09-17 北京航空航天大学 枢纽选址方法及设备
CN110674997B (zh) * 2019-09-30 2023-05-16 迈创企业管理服务股份有限公司 一种基于Hub仓储的混合选址系统
CN117934096A (zh) * 2024-01-02 2024-04-26 上海洺建物资有限公司 基于智能管理的物流优化处理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7085690B2 (en) * 2000-06-10 2006-08-01 Mark Edward Sale Unsupervised machine learning-based mathematical model selection
CN102880798A (zh) * 2012-09-20 2013-01-16 浪潮电子信息产业股份有限公司 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法
CN103246969A (zh) * 2013-05-07 2013-08-14 北京邮电大学 一种物流调配的实现方法和装置
CN105787595A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流中转站选址方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7085690B2 (en) * 2000-06-10 2006-08-01 Mark Edward Sale Unsupervised machine learning-based mathematical model selection
CN102880798A (zh) * 2012-09-20 2013-01-16 浪潮电子信息产业股份有限公司 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法
CN103246969A (zh) * 2013-05-07 2013-08-14 北京邮电大学 一种物流调配的实现方法和装置
CN105787595A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流中转站选址方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An efficient tabu search for solving the uncapacitated single allocation hub location problem;Roya Abyazi-Sani;《Computers & Industrial Engineering》;20160102;第93卷;正文第2-5节 *
基于改进禁忌算法的无线传感网络覆盖优化研究;关健等;《长江大学学报（自科版》;20150105;第12卷(第1期);全文 *
基于节约算法和移动方向的禁忌搜索算法;郭娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20100715(第7期);正文第三章 *
轴辐式物流网络的枢纽选址及路径分配研究;庞继军;《中国优秀硕士学位论文全文数据库工程科技II辑》;20151015(第10期);正文第二-第四章 *

Also Published As

Publication number Publication date
CN107341628A (zh) 2017-11-10

Similar Documents

Publication Publication Date Title
CN107341628B (zh) 一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法
Wu et al. A green scheduling algorithm for flexible job shop with energy-saving measures
CN105787595B (zh) 一种基于改进蚁群算法的应急物流中转站选址方法
Xiang et al. Demand coverage diversity based ant colony optimization for dynamic vehicle routing problems
CN109800904B (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
CN106527381B (zh) 一种面向并行批处理机动态调度的快速评估方法
CN103942419B (zh) 一种混合智能优化方法
CN109886509A (zh) 一种移动多汇聚节点路径规划方法、系统及电子设备
CN114565239B (zh) 用于产业园区的综合低碳能源调度方法及系统
CN113052537A (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
CN115755954B (zh) 巡检路径规划方法、系统、计算机设备及存储介质
CN116720642A (zh) 车辆与无人机协同配送的路径优化方法和系统
CN108106624A (zh) 一种多人预约调度路径规划方法及相关装置
CN114444843A (zh) 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统
CN114358414A (zh) 一种自适应并行的社区养老服务点选址优化方法及系统
CN107370191B (zh) 一种基于改进蚁群算法的火电机组发电计划制作方法
CN110932297B (zh) 基于无中心粒子群算法的分布式储能装置调度方法及装置
CN116321189A (zh) 一种面向边缘计算中基于深度强化学习的服务器部署方法
Wang et al. Order dispatching optimization in ride-sourcing market by considering cross service modes
Huong et al. A bi-level optimized charging algorithm for energy depletion avoidance in wireless rechargeable sensor networks
CN114723360A (zh) 一种基于改进粒子群算法的物流车辆调度管理模型
Wang Planning and layout of intelligent logistics park based on improved genetic algorithm
Tan Research on sustainable carrying capacity of urban tourism environment based on multi objective optimization algorithm
Zheng et al. Application of a Parallel Adaptive Cuckoo Search Algorithm in the Rectangle Layout Problem.
Liu et al. Towards Efficient Task Offloading with Dependency Guarantees in Vehicular Edge Networks through Distributed Deep Reinforcement Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220708

Address after: 350003 base 863, zone B, software park, Gulou District, Fuzhou City, Fujian Province 302

Patentee after: Lin Shuqing

Address before: 200 xiyuangong Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province

Patentee before: MINJIANG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240531

Address after: Room 1209-12, 12th Floor, Building B, Network Communication Center Building, Block A, Houting Village, Shangjie Town, Minhou County, Fuzhou City, Fujian Province, 350100

Patentee after: Digital technology (Fujian) Co.,Ltd.

Country or region after: China

Address before: 350003 base 863, zone B, software park, Gulou District, Fuzhou City, Fujian Province 302

Patentee before: Lin Shuqing

Country or region before: China

TR01 Transfer of patent right