CN107358325A - 一种物流配送中心选址方法、装置及计算机可读存储介质 - Google Patents
一种物流配送中心选址方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107358325A CN107358325A CN201710595484.2A CN201710595484A CN107358325A CN 107358325 A CN107358325 A CN 107358325A CN 201710595484 A CN201710595484 A CN 201710595484A CN 107358325 A CN107358325 A CN 107358325A
- Authority
- CN
- China
- Prior art keywords
- route
- point
- feasible
- distribution
- home
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 188
- 239000012141 concentrate Substances 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 53
- 238000005457 optimization Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims 1
- 210000000170 cell membrane Anatomy 0.000 description 79
- 239000002245 particle Substances 0.000 description 30
- 210000004027 cell Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 239000012528 membrane Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000000452 restraining effect Effects 0.000 description 4
- 230000032258 transport Effects 0.000 description 4
- 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 description 3
- 210000000270 basal cell Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06Q10/04—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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流配送中心选址方法、装置及计算机可读存储介质，所述方法包括：获取待选址交通网络中的物流配送点，根据所述物流配送点中的预设配送中心点，获取各预设配送中心点对应的无向图，根据所述无向图获取各预设配送中心点对应的可行路线集，并对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址，由于通过获取每个预设配送中心点对应的可行路线集，进而获取可行路线集中满足预设条件的可行配送路线对应的配送中心点的地址，从而解决了难以对大规模物流网络中选取配送中心地址的问题进行求解的问题，提高了物流配送中心选址的效率。
Description
技术领域
本发明涉及物流技术领域，尤其涉及一种物流配送中心选址方法、装置及计算机可读存储介质。
背景技术
物流业被人们看作在本世纪经济发展的新领域，是最重要的新经济增长点之一，也被称之为货物运输企业在经营方式发展上的高级阶段。
物流配送中心是处于枢纽或重要位置、具有完整的物流环节，并能将物流集散、信息和控制等功能实现一体化运作的物流节点。物流配送中心规模庞大，地处要道，其建设和经营不仅会影响到周边地区，甚至影响到整个城市的经济发展，并且对所处区域的生态环境等都会带来重大影响。如何综合考虑地理位置、道路状况、运输距离、运输环节、运输工具、运输时间、运输费用等因素，科学选择规划物流配送中心数量与位置，选择路径的策略将直接影响物流成本与货物运送服务质量。
目前关于配送中心的选址方法普遍是采用偏微分方程法、重心法和微分法进行选址，上述方法对物流网络的规模的限制要求较高，难以对较大规模的物流网络配送中心选址问题进行求解。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种物流配送中心选址方法、装置及计算机可读存储介质，旨在解决现有技术中，难以对大规模物流网络配送中心选址问题进行求解的问题。
为实现上述目的，本发明提供一种物流配送中心选址方法，所述方法包括以下步骤：
获取待选址交通网络中的物流配送点，所述物流配送点包括N个预设配送中心点，所述N为大于等于1，且小于所述物流配送点个数的整数；
获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括若干条可行配送路线；
对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址。
优选地，所述获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集的步骤，具体包括：
获取各预设配送中心点对应的无向图，根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集。
优选地，所述膜粒子群算法为基于膜计算的粒子群算法；
相应地，所述根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集的步骤，具体包括：
对各预设配送中心点进行遍历，获取包含遍历到的目标配送中心点的目标无向图；
根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线，所述S为不小于1的整数；
从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线；
根据所述环状路线，获取所述环状路线中可删除路线的集合；
从所述集合中选取一条可删除路线，并将其在所述环状路线中对应的路线删除，获得被选取的配送路线的可行路线；
从剩余放射状配送路线中选取配送路线并获取对应的可行路线，直至获取到S条放射状配送路线对应的可行路线；
根据获取到的S条放射状配送路线对应的可行路线，得到所述配送中心点对应的可行路线集；
选取剩余的配送中心点，并获取对应的可行路线集，直至获取各预设配送中心点对应的可行路线集。
优选地，所述根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线的步骤，具体包括：
根据所述目标无向图，利用所述膜粒子群算法，以物流配送中心选址为研究对象，建立对应的数学模型；
根据所述数学模型，获取满足预设约束条件的S条放射状配送路线。
优选地，所述根据所述数学模型，获取满足预设约束条件的S条放射状配送路线的步骤，具体包括：
根据所述数学模型，以所述目标无向图对应的预设配送中心点为起点，搜索满足预设约束条件的待配送客户点，并将所述待配送客户点加入到集合T中；
从所述集合T中选取一个待配送客户点加入到集合Q中，将选取到的待配送客户点从所述集合T中删除；
以所述选取到的待配送客户点为起点，搜索满足预设约束条件的相邻待配送客户点，并将所述相邻待配送客户点加入到所述集合T中；
返回从所述集合T中选取一个待配送客户点加入到集合Q中的步骤，直至所述目标无向图中所有满足预设约束条件的待配送客户点均加入到所述集合Q中，所述集合T为空集；
根据最终获得的集合Q，获取满足预设约束条件的S条放射状配送路线。
优选地，所述从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线的步骤，具体包括：
从所述S条放射状配送路线中选取一条配送路线，并获取被选取的配送路线对应的待加入路线集，从所述待加入路线集中选取一条路线加入所述被选取的配送路线，获取包含所述被选取的配送路线的环状路线。
优选地，所述根据所述环状路线，获取所述环状路线中可删除路线的集合的步骤，具体包括：
根据所述环状路线，从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息；
根据所述位置信息，采用回溯法获取所述环状路线中可删除路线的集合。
优选地，所述对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线的步骤，具体包括：
根据预设条件对各预设配送中心点对应的可行路线集进行初次筛选，获取每个可行路线集中满足所述预设条件的可行路线；
获取所述初次筛选后的可行路径，从所述可行路径中再次筛选出满足预设条件的可行配送路线，并将所述可行配送路线作为目标路线。
此外，为实现上述目的，本发明还提出一种物流配送中心选址装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物流配送中心选址程序，所述物流配送中心选址程序配置为实现如上文所述的物流配送中心选址方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有物流配送中心选址程序，所述物流配送中心选址程序被处理器执行时实现如上文所述的物流配送中心选址方法的步骤。
本发明通过获取待选址交通网络中大量的物流配送点，根据所述物流配送点中的预设配送中心点，获取各预设配送中心点对应的无向图，根据所述无向图获取各预设配送中心点对应的可行路线集，并对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址，由于通过获取每个预设配送中心点对应的可行路线集，进而获取可行路线集中满足预设条件的可行配送路线对应的配送中心点的地址，从而解决了难以对大规模物流网络中选取配送中心地址的问题进行求解的问题，提高了物流配送中心选址的效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的物流配送中心选址装置结构示意图；
图2为本发明物流配送中心选址方法第一实施例的流程示意图；
图3为本发明物流配送中心选址方法第二实施例的流程示意图；
图4为本发明物流配送中心选址方法第二实施例中膜结构的结构框图；
图5为本发明物流配送中心选址方法第二实施例实际应用流程图；
图6为本发明物流配送中心选址方法第二实施例实际应用中放射状配送路线示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的物流配送中心选址装置结构示意图。
如图1所示，该物流配送中心选址装置可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的物流配送中心选址装置结构并不构成对物流配送中心选址装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及物流配送中心选址程序。
所述物流配送中心选址装置可以是能够进行物流配送中心选址计算及程序运行的装置，例如，电脑等，本实施例对此不加以限制。
在图1所示的物流配送中心选址装置中，网络接口1004主要用于与后台服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明物流配送中心选址装置中的处理器1001、存储器1005可以设置在物流配送中心选址装置中，所述物流配送中心选址通过处理器1001调用存储器1005中存储的物流配送中心选址程序，并执行以下操作：
获取待选址交通网络中的物流配送点，所述物流配送点包括N个预设配送中心点，所述N为大于等于1，且小于所述物流配送点个数的整数；
获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括若干条可行配送路线；
对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
获取各预设配送中心点对应的无向图，根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
对各预设配送中心点进行遍历，获取包含遍历到的目标配送中心点的目标无向图；
根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线，所述S为不小于1的整数；
从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线；
根据所述环状路线，获取所述环状路线中可删除路线的集合；
从所述集合中选取一条可删除路线，并将其在所述环状路线中对应的路线删除，获得被选取的配送路线的可行路线；
从剩余放射状配送路线中选取配送路线并获取对应的可行路线，直至获取到S条放射状配送路线对应的可行路线；
根据获取到的S条放射状配送路线对应的可行路线，得到所述配送中心点对应的可行路线集；
选取剩余的配送中心点，并获取对应的可行路线集，直至获取各预设配送中心点对应的可行路线集。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
根据所述目标无向图，利用所述膜粒子群算法，以物流配送中心选址为研究对象，建立对应的数学模型；
根据所述数学模型，获取满足预设约束条件的S条放射状配送路线。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
根据所述数学模型，以所述目标无向图对应的预设配送中心点为起点，搜索满足预设约束条件的待配送客户点，并将所述待配送客户点加入到集合T中；
从所述集合T中选取一个待配送客户点加入到集合Q中，将选取到的待配送客户点从所述集合T中删除；
以所述选取到的待配送客户点为起点，搜索满足预设约束条件的相邻待配送客户点，并将所述相邻待配送客户点加入到所述集合T中；
返回从所述集合T中选取一个待配送客户点加入到集合Q中的步骤，直至所述目标无向图中所有满足预设约束条件的待配送客户点均加入到所述集合Q中，所述集合T为空集；
根据最终获得的集合Q，获取满足预设约束条件的S条放射状配送路线。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
从所述S条放射状配送路线中选取一条配送路线，并获取被选取的配送路线对应的待加入路线集，从所述待加入路线集中选取一条路线加入所述被选取的配送路线，获取包含所述被选取的配送路线的环状路线。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
根据所述环状路线，从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息；
根据所述位置信息，采用回溯法获取所述环状路线中可删除路线的集合。
进一步地，处理器1001可以调用存储器1005中存储的物流配送中心选址程序，还执行以下操作：
根据预设条件对各预设配送中心点对应的可行路线集进行初次筛选，获取每个可行路线集中满足所述预设条件的可行路线；
获取所述初次筛选后的可行路径，从所述可行路径中再次筛选出满足预设条件的可行配送路线，并将所述可行配送路线作为目标路线。
本实施例的有益效果是：通过获取待选址交通网络中大量的物流配送点，根据所述物流配送点中的预设配送中心点，获取各预设配送中心点对应的无向图，根据所述无向图获取各预设配送中心点对应的可行路线集，并对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址，由于通过获取每个预设配送中心点对应的可行路线集，进而获取可行路线集中满足预设条件的可行配送路线对应的配送中心点的地址，从而解决了难以从大规模物流网络中选取配送中心地址的问题，提高了物流配送中心选址的效率。
基于上述硬件结构，提出本发明物流配送中心选址方法实施例。
参照图2，图2为本发明一种物流配送中心选址方法第一实施例的流程示意图。
本实施例中，所述方法包括以下步骤：
步骤S10：获取待选址交通网络中的物流配送点，所述物流配送点包括N个预设配送中心点，所述N为大于等于1，且小于所述物流配送点个数的整数；
需要说明的是，在进行选址计算前，需要获取到大量的物流配送点信息，然后根据实际情况预先设定多个配送中心点，这些预设配送中心点在选取过程中，可根据物流配送点所在的地理位置、道路状况、运输距离、运输环节、运输工具、运输时间、运输费用等因素来确定，具体确定因素及方式可根据实际情况而定，本实施例对此不加以限制。
步骤S20：获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括若干条可行配送路线；
需要说明的是，所述物流配送点除预先设定的配送中心点外，还包括众多的待配送客户点，在获取到预设配送中心点后，可从预设配送中心点中选取一个配送中心点，然后将该被选取的配送中心点与待配送客户点连接，获取包含该被选取的配送中心点对应的无向图，按照同样的方法分别获取各个预设中心点对应的无向图，然后根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括有若干条可行配送路线，所述可行配送路线可以是满足一定配送条件的物流配送线路。
步骤S30：对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址。
在具体实现中，可根据预设条件对各预设配送中心点对应的可行路线集进行初次筛选，获取每个可行路线集中满足所述预设条件的可行路线；获取所述初次筛选后的可行路径，并从所述可行路径中再次筛选出满足预设条件的可行配送路线，将所述可行配送路线作为目标路线，此处，所述预设条件可以是路线距离最短，也可以是运输成本最小，本实施例对此不加以限制，当筛选出满足预设条件的可行配送路线后，所述可行配送路线就是我们寻求的目标路线，即最佳配送路线，然后再根据最佳配送路线对应的配送中心点所在的位置，就可以确定出物流配送中的最佳地址。
本实施例通过获取待选址交通网络中大量的物流配送点，根据所述物流配送点中的预设配送中心点，获取各预设配送中心点对应的无向图，根据所述无向图获取各预设配送中心点对应的可行路线集，并对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址，从而解决了难以对大规模物流网络中选取配送中心地址的问题进行求解的问题，提高了物流配送中心选址的效率。
参照图3，图3为本发明物流配送中心选址方法第二实施例的流程示意图。
基于上述第一实施例，为进一步提高物流配送中心选址问题的求解效率与精度，在获取各预设配送中心点对应的无向图之后，可根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集。
需要说明的是，膜粒子群算法是采用膜计算和粒子群算法相结合的一种算法，所述膜计算是从细胞的结构和功能中抽象出来的一种新的计算模型，它的运行机理是运用细胞膜的特性将整个环境划分为多个不同的区室，每个小的区域(类似细胞)根据细胞的功能进行不同的生化反应，细胞之间通过转运规则可以快速的交换区域内的物质，当所有细胞的操作都被执行之后，则完成系统的一个格局，随之膜系统进入下一格局的转换，反复重复上述操作，最后输出膜系统计算的最终的格局。
所述粒子群算法(Particle Swarm Optimization,PSO)是一种模拟鸟群捕食行为的进化算法，位置和方向是个体的重要指标，依据全局最优和局部最优指引个体飞行，算法具有简单易行、操作方便和精度较高的特点。粒子的进化主要分为以下几个步骤：
(1)产生初始的粒子；(2)根据当前的速度，计算公式获取粒子在下一时刻的速度；(3)获取接收下一时刻粒子的速度，根据公式计算出粒子新飞行的位置；不断的执行上述步骤，直至所有粒子都更新完，结束。在传统的计算装置中，大量粒子的飞行位置的更新是以单个个体为单位的串行的方式更新粒子在下一时刻的位置，这使得粒子的进化速度较慢；因此，受到膜计算的高效性以及飞鸟集群活动的规律性启发，进而利用两种技术的结合建立一个新的算法-膜粒子群算法(又称膜算法)。它是一种基于膜结构的粒子群算法，即利用不同的细胞去指导粒子的进化。在对粒子活动行为观察的基础上，利用细胞膜中粒子对信息的共享使整个群体的运动在问题求解空间中产生以不断优化的次序进行演化，从而获得最优解。具体执行过程如下：
将不同的进化动作放在不同的细胞中进行，如一个细胞用于一次性产生所有的粒子(对象)，一个细胞用于更新当前所有粒子的速度，一个细胞用于更新下一时刻粒子飞行的位置，在更新时，用另一个细胞用于获取粒子飞行的可能位置的集合，这样每次执行以整体作为研究对象，从而证所有的粒子在同一时刻同时飞向新的位置。不断更新系统的格局，直至达到终止状态，结束。输出最优的粒子位置。
本实施例中，基于上述第一实施例，通过利用膜粒子群算法，并根据所述无向图获取各预设配送中心点对应的可行路线集的步骤S20具体包括：
步骤S201：对各预设配送中心点进行遍历，获取包含遍历到的目标配送中心点的目标无向图；
需要说明的是，为获取每个预设配送中心点对应的可行路线集，需要对各预设配送中心点进行遍历，并将每次遍历到的配送中心点作为目标配送中心点，获取该目标配送中心点对应的目标无向图，例如当第一次遍历到的配送中心点为V1，则将所述配送中心点为V1作为本次求解的目标配送中心点，获取目标配送中心点V1对应的目标无向图。
步骤S202：根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线，所述S为不小于1的整数；
需要说明的是，在获取到包含遍历到的目标配送中心点的目标无向图之后，需根据所述目标无向图，利用所述膜粒子群算法，以物流配送中心选址为研究对象，建立对应的数学模型：
∏＝(O,σ1,σ2,σ3,σ4,syn,i0)
其中，O＝{xkj}是一个由0和1组成的输入字母表，0<k<S，0<j<N；表示第i个细胞的状态；syn＝{(1,3),(3,1),(1,4),(4,1),(2,4),(4,2),(3,4)}表示细胞之间的连接；膜i0＝0表示环境区域，用Mi(i＝0,1,...,4)表示细胞中的第i个膜，即细胞膜的标签。
根据所述数学模型，获取满足预设约束条件的S条放射状配送路线。
参考图4，图4为本发明物流配送中心选址方法第二实施例中膜结构的结构框图。其中，细胞膜M1用于根据所述目标无向图，通过普利姆随机搜索规则，获取满足预设约束条件的S条放射状配送路线。
本实施例将所述预设约束条件定义为具有放射状以及长度限制的约束表达式：
其中，F(x)是目标函数，xij表示节点vi和vj之间是否连通，wij表示节点vi和vj的权值。
为使获得预设约束条件的放射状配送路线，对于表达式(1)获取的函数值还需要满足公式(2)和(3)：
上述公式(2)中，Z表示目标无向图中所有物流配送点的个数，V表示初始时获取的交通网络中所有的物流配送点个数，T(xij)＝{xij|xij＝1}是满足放射状和长度约束的网络图中的边集。
上述公式(3)中，wij表示节点vi和vj的权值，p0表示辐射状分支上的最大路经值，存储从节点v1开始的一条路径中的所有节点。
本实施例中，根据所述数学模型，以所述目标无向图中预先选取的配送中心点V1为起点，搜索满足预设约束条件的待配送客户点，并将所述待配送客户点加入到集合T中；从所述集合T中选取一个待配送客户点加入到集合Q中，将选取到的待配送客户点从所述集合T中删除；以所述选取到的待配送客户点为起点，搜索满足预设约束条件的相邻待配送客户点，并将所述相邻待配送客户点加入到所述集合T中；返回从所述集合T中选取一个待配送客户点加入到集合Q中的步骤，直至所述无向图中所有满足预设约束条件的待配送客户点均加入到所述集合Q中，所述集合T为空集；根据最终获得的集合Q，获取满足预设约束条件的S条放射状配送路线。
步骤S203：从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线；
在确定被选取的配送路线后，需根据当前配送路线包含的各物流配送点位置信息，获取该配送路线对应的待加入路线集。
结合图4，在具体实现中，细胞膜M2用于从所述S条放射状配送路线中选取一条配送路线,获取被选取路线对应的待加入路线集。根据当前优化路径的特点和分析，细胞膜M2用于获取待加入路线集。膜中的规则的进化机制r1如公式(4)所示：其中，Vi(t)是第i个粒子在第t时刻的速度分量。
r1≡[Vi(t)]2→[Vi(t+1)]2 (4)
需要说明的是，所述公式(4)表示：在细胞膜M2中，第t时刻的所有粒子的速度分量Vi(t)根据公式(11)中第一个速度更新公式计算出粒子在第t+1时刻的所有粒子的速度分量Vi(t+1),其中下标2的含义表示对象的更新是在细胞膜M2的区间内。
进一步地，图4中的细胞膜M4用于从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，并根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息，采用回溯法获取所述环状路线中可删除路线的集合。
在具体实现中，可以从所述S条放射状配送路线中随机选取一条配送路线，从被选取的配送路线对应的待加入路线集中随机选取一条路线加入所述被选取的配送路线，获取包含所述被选取的配送路线的环状路线。
步骤S204：根据所述环状路线，获取所述环状路线中可删除路线的集合；
本实施例根据所述环状路线，从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息；根据所述位置信息，采用回溯法获取所述环状路线中可删除路线的集合；
步骤S205：从所述集合中选取一条可删除路线，并将其在所述环状路线中对应的路线删除，获得被选取的配送路线的可行路线；
结合图4，在具体实现中，细胞膜M3用于接收从细胞膜M1和细胞膜M2传递过来的信息并更新当前的路径，根据从细胞膜M2传过来的待加入路线集，细胞膜M3中的规则开始执行相应的进化操作，其具体的实施方法如下：
首先，细胞膜M3随机选取从细胞膜M2传递进来的待加入路线集中的边加入到当前放射状网络中，此时形成环状线路，然后细胞膜M3中的转运规则此线路发送到细胞膜M4中，通过细胞膜M4中规则的执行再反馈到细胞膜M3，最后细胞膜M3依次执行切割操作，最终得到可行的线路，即所求得的最佳线路，当前线路中的配送中心点就是最佳中心位置。根据上述叙述，细胞膜M3的进化规则机制r2如公式(5)所示：其中Xi表示当前线路，集合U表示边eik的可删除路线集。
需要说明的是，所述公式(5)表示：对象Xi在接收细胞膜M4传递过来的可删除边集U和xik(xik＝1)之后，将边eij加入到当前放射状网络中，即xij从xij＝1变为xij’＝0；然后细胞膜M3从集合U中随机选取一条边eij(xij＝0)删除，此时xij＝0变为xij’＝1(xij’∈U)表示此边eij从放射状配送线路中删除，其中，在图论中，xij＝0表示此边eij在放射状配送路线中,xij＝1表示边eij不在当前线路中，Xi’表示新产生的对象。
此外，细胞膜M0，用于储存函数值最小的配送线路，且细胞膜M0与细胞膜M1之间存在一定的膜信息交换，细胞膜M0接收细胞膜M1转运过来的局部因子，并更新细胞膜M0中的对象。
步骤S206：从剩余放射状配送路线中选取配送路线并获取对应的可行路线，直至获取到S条放射状配送路线对应的可行路线；
步骤S207：根据获取到的S条放射状配送路线对应的可行路线，得到所述配送中心点对应的可行路线集；
步骤S208：选取剩余的配送中心点，并获取对应的可行路线集，直至获取各预设配送中心点对应的可行路线集。
需要说明的是，本实施例从所述可删除路线集合中，选择可删除路线时，可通过轮盘赌的方式选取一条边进行删除，从而到一条新的配送路线，依照此种方式，直至获取被选取的配送路线的所有可行路线。在获取到获取被选取的配送路线的所有可行路线后，将所有的可行路线加入集合，即获得了先前被选取到的配送中心点对应的可行路线集。为了获取所有预设配送中心点对应的可行路线集，需要对预设配送中心点进行遍历，获取所有预设配送中心点对应的可行路线集。
参考图5，图5为本发明物流配送中心选址方法第二实施例实际应用流程图。基于上述各实施例，本实施例结合实际情况，对上述各实施例的物流配送中心选址过程进行详细描述。
根据实际的物流交通网络布局的特点，本实施例对该网络布局中所采用到的待配送客户点(以下简称客户点)的信息以及对网络布局问题的约束进行了设置与分析；
步骤S400：获取实际问题的参数集；
获取包括所有客户点在内的无向连通图(并非任意的客户点之间都存在连通)，并对所述无向连通图中任意相连的客户点之间都赋予相应的权值，所述权值代表相连客户点之间的距离、行驶时间或者运输成本等因素。
对于无向图的构建，在求解放射状的配送路径过程中，应该保证任意两节点之间的距离、行驶时间或者运输成本等都限制在[0,p0]范围之内，p0表示辐射状分支上的最大路经值，这样才能够保证优化得到的配送路线可行，得到的配送中心位置可佳。
参照图6，图6为本发明物流配送中心选址方法第二实施例实际应用中放射状配送路线示意图；
其中，v1表示配送中心点，v2～v9表示待配送客户点，e0(ek)表示节点之间的边的编号，如e58；w0(wk)表示节点之间的距离，如w27、行驶时间或运输成本等因素。
在以下步骤的执行过程中，物流配送的中心选址都是基于以参数集作为研究对象，建立相应的优化机理模型，从而为后面的优化提供强大的数据和理论支持。
步骤S401：以参数集作为研究对象，获取带辐射状编码成位串。
获取配送中心点的配送路线的表示的形式，并将其配送线路的表达形式构造简述为：
基于配送中心的交通网络布局问题应用二进制编码表达，对于实际问题中的多重设计方案，其群体的表达形式为：P＝{X0,X1,...,XS-1}，其中每个个体Xi的表示形式为：Xi＝{xi0,xi1,...,xi(N-1)}(xij∈{0,1}且|Xi|＝|N-M+1|)，若xij＝1，则表示顶点为vi和vj构成的边eij在当前子树中。
满足约束条件的个体X2＝{1,0,1,0,1,1,1,0,1,1,0,0,0,0,1,1,0,1,1,1}，其中，在放射状配送路线中的边eij(xij＝0)，未在放射状配送路线中的边eij(xij＝1)。对于xij＝0而言，e(2,1)(v1,v4),e(2,3)(v1,v5),e(2,7)(v2,v7),e(2,10)(v3,v4),e(2,11)(v3,v6),e(2,12)(v4,v9),e(2,14)(v5,v8)以及e(2,16)(v8,v7)构成的线路与所有客户点构成的网络即为一个带约束的放射状网络图，其中，e(2,14)(v5,v8)表示第二个对象的第14个分量的边的两个顶点分别为v5和v8。
在对问题的编码方式的分析和对于经验总结，为了突出主要问题的简化模型，提出了一些基本假设：客户点可以看作图论中的一个立体圆点。对于讨论的带约束的问题，区别在于车辆旅行的时间不同；在车辆行驶的过程中，外界对于车辆的影响，比如雨天，山路，耗油量以及交通拥堵情况等大量随机的作用都可能导致车辆不能在有限的时间内返回配送中心；车辆在服务客户点的过程中，客户点必须满足加入当前网络中的条件要求，若不满足，则不予以加入，重新分配新的车辆；除此之外，所有实验的其他可控因素视为相同。
需要说明的是，本实施例中的其他形式的编码与其编码方式在约束条件下的构造类似。
步骤S402：基于并行机制的膜结构获取在第i次迭代后的网络布局的形状的实际值。
参照图4，根据对膜结构的设计与分析可知，膜系统一共包含5个执行不同操作的膜(细胞膜M0、细胞膜M2、细胞膜M2、细胞膜M3和细胞膜M4)，其中每个膜都包含对象和规则，对象代表一个可行解，规则用于制约对象的进化范围。用于接收从其它膜传递过来的信息。对于进化膜中的对象，计算出所有对应的配送线路以及配送中心的编号；然后对获取对象，记录对用的函数实际值F。根据优化领域的先验知识，基于配送中心的配送路线的优劣变化随其函数值的变化呈正先关趋势，若F越小，则对应的配送线路就越优以及配送中心位置的选取就越佳，且这种变化趋势开始大后来小，在数学上表示为下降的曲线。
根据对膜的执行操作与分析可知，基于生物细胞机制原理的设计的膜与膜之间存在一定的通信，如图4中的箭头指向部分。对于膜规则的转运过程，基于上述模型假设，其转运机制设计如下：
在本实施例中，基于膜计算装置系统的设置，细胞膜M1和细胞膜M4之间存在双向通信机制，即细胞膜M1首先向细胞膜M4发送多重对象集ω(t)，细胞膜M4开始进化通过接收细胞膜M3和细胞膜M2传过来的信息，其规则r3的进化过程如公式(6)所示：
公式(4)中，“≡”表示隶属关系，细胞膜M1中存储的物质为对象集ω(t)，“go”表示细胞膜M1中的对象集发送到的指定的细胞中，基底细胞膜M4表示细胞膜M4接收细胞膜M1传递过来的对象集。
在本实施例中，基于粒子机制的进化机理，细胞膜M4中对象集的更新需要接收从细胞膜M3传递过来的粒子的速度集Vi’(t)，基于此，其转运规则r4的设计如公式(7)所示：
其中，细胞膜M3括号中的对象为速度集Vi’(t)，“go”表示将细胞膜M3中的Vi’(t)发送到的指定的膜中，基底细胞膜M4表示细胞膜M4接收细胞膜M3传递过来的Vi’(t)。
在本实施例中，基于优化领域求得的是最优解，细胞膜M0中存储的是至当代函数值最小的配送线路，基于此，细胞膜M0与细胞膜M1之间存在一定的膜信息交换，细胞膜M0接收细胞膜M1转运过来的局部因子Pbest，然后并更新细胞膜M0中的对象Pg，其相应的转运规则r5如公式(8)所示：
公式(8)中，Pbest(t)表示第t代的全局最优路径，基底细胞膜M0表示接收细胞膜M1转运的对象膜。
在本实施例中，基于粒子速度集进化的数学模型，细胞膜M3的进化需要接收细胞膜M0中的对象，基于此，细胞膜M0和细胞膜M3之间存在通信机制，其转运规则r6如公式(9)所示：
公式(9)为所述带通信机制的计算规则，此规则不断向细胞膜M3中传输全局因子从而保证这个系统的顺利执行。
在本实施例中，基于换树机制的模型机理，细胞膜M3中对象的更新需要细胞膜M2中传递过来的边集才能保证细胞膜M3中的对象既满足放射状约束的要求又满足分支长度约束的要求，细胞膜M2规则的机理是用于获取配送路线中出现的环的可删除路线集，根据上述分析，其细胞膜M2和细胞膜M4的转运规则r7如公式(10)：
公式(10)中，U(Xi)表示环路中的可去线路的集合，基底(Xi,xij＝1)表示将细胞膜M4中的可行对象和一条余边发送到细胞膜M2中，细胞膜M2通过执行换树算子，计算出集合U，然后返回细胞膜M4，则细胞膜M4即可得到满足约束条件的物流配送线路集从而也获取配送中心的最佳位置。
所述公式(10)具体实现过程中，细胞膜M4接收从细胞膜M3传递过来的一个放射状配送路线Xi和一个不在Xi中的边eij(xij＝1)，然后将边eij加入到放射状路线中，此时xij从1变为0，则配送路线Xi产生一条环路，然后通过执行换树机制，产生可删除边集U，然后通过细胞膜M2和细胞膜M4的通信机制将细胞膜M2的信息发送到细胞膜M4中，从而保证细胞膜M4能够产生新的对象。
步骤S403：利用膜粒子群算法迭代计算使得所述函数值最小，获得最佳位置。
基于步骤S200-步骤S220，利用膜粒子群算法迭代计算：
获得带约束的多重对象集；
其中，Vi(t+1)为下一格局的函数实际值，Wt(t)为影响下一格局变化的惯性权系数，C1和C2为对象向全局因子和局部因子学习的程度，R1和R2为干扰程度，△Pbest和△Pg为对象之间的偏差程度，带参数的函数S用于计算对象的变化分量。
基于数据库中的实验数据，结合图论中二叉树的思想，通过建立速度模型与位移模型之间的函数关系，由于对象编码是离散的，无法直接构建模型之间的函数关系，采用S函数将两模型关联建立带树状(放射状)的配送线路，其中二叉树要带有长度约束的条件：树中每个分支的权值之和不能大于p0，然后不断的迭代，计算出最优线路的函数值。
具体地，首先将公式(11)中的第二个公式带入第一个公式计算出粒子在下一时刻的速度分量集Vi(t+1)，然后将Vi(t+1)带入第公式(11)的第三个公式中计算出待改变的粒子位置的分量集：若S(vij(t+1))≤rij，则xij从1改为0，所有的分量计算方式依此。上述操作都是利用基于膜粒子群算法，通过速度和粒子位置的更新公式，迭代求解上式的最优解。解出的最优解，就确定了最佳的配送中心的位置。
但是，此时的数据很少，得到的配送次序的变化和函数实际值的变化很少。为了进一步得到精确解，可以多做几次实验，补充实验数据，从而得到相对精确的最优解。
例如，第一次实验产生一组数据(P(1)g,F1),第二到三十次实验产生29组实验(P(2)g,F2)，(P(3)g,F3)...(P(30)g,F30)。F1，F2...F30是有实际的数据，P(1)g,P(2)g...P(30)g只表示配送路线的形状的二进制编码没有具体的数值。此时，通过公式(11)不断的更新配送路线的编码。基于以上的方法，再次计算最优解，不断修改参数以及更新编码，得到最优解。
在本实施例中，从微观建模，基于配送中心的交通网络布局问题的数学模型，以基于配送中心的配送路线优化为研究对象，建立评估对象优劣的函数表达式；设计实验方案，通过带约束的放射状网络的布局配送模型参数，从而为选取较优的配送中心位置提高强大的数据和理论支持。
步骤S404：基于参数函数及函数的实际值评价对象的优劣。
获取最优配送线路中的配送中心的位置。
对于配送中心的选址过程，基于上述模型假设，根据步骤S200-步骤S230求得的最佳配送路线集，选取评价函数计算出路线集中的最佳配送方案，通过放射状结构的“中序遍历”方式计算出配送方案中的配送中心的结点编号，记为v1，则v1就作为系统最终格局的输出。
本实施例通过引入具有分布性和并行性计算模式的膜结构获取最佳带辐射状和长度约束要求的路径，从而能够在处理大规模算例时，高效地计算出使物流运输的总成本达到最小的最佳的配送中心位置。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有物流配送中心选址程序，所述物流配送中心选址程序被处理器执行时实现如下操作：
获取待选址交通网络中的物流配送点，所述物流配送点包括N个预设配送中心点，所述N为大于等于1，且小于所述物流配送点个数的整数；
获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括若干条可行配送路线；
对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
获取各预设配送中心点对应的无向图，根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
对各预设配送中心点进行遍历，获取包含遍历到的目标配送中心点的目标无向图；
根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线，所述S为不小于1的整数；
从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线；
根据所述环状路线，获取所述环状路线中可删除路线的集合；
从所述集合中选取一条可删除路线，并将其在所述环状路线中对应的路线删除，获得被选取的配送路线的可行路线；
从剩余放射状配送路线中选取配送路线并获取对应的可行路线，直至获取到S条放射状配送路线对应的可行路线；
根据获取到的S条放射状配送路线对应的可行路线，得到所述配送中心点对应的可行路线集；
选取剩余的配送中心点，并获取对应的可行路线集，直至获取各预设配送中心点对应的可行路线集。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
根据所述目标无向图，利用所述膜粒子群算法，以物流配送中心选址为研究对象，建立对应的数学模型；
根据所述数学模型，获取满足预设约束条件的S条放射状配送路线。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
根据所述数学模型，以所述目标无向图对应的预设配送中心点为起点，搜索满足预设约束条件的待配送客户点，并将所述待配送客户点加入到集合T中；
从所述集合T中选取一个待配送客户点加入到集合Q中，将选取到的待配送客户点从所述集合T中删除；
以所述选取到的待配送客户点为起点，搜索满足预设约束条件的相邻待配送客户点，并将所述相邻待配送客户点加入到所述集合T中；
返回从所述集合T中选取一个待配送客户点加入到集合Q中的步骤，直至所述目标无向图中所有满足预设约束条件的待配送客户点均加入到所述集合Q中，所述集合T为空集；
根据最终获得的集合Q，获取满足预设约束条件的S条放射状配送路线。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
从所述S条放射状配送路线中选取一条配送路线，并获取被选取的配送路线对应的待加入路线集，从所述待加入路线集中选取一条路线加入所述被选取的配送路线，获取包含所述被选取的配送路线的环状路线。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
根据所述环状路线，从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息；
根据所述位置信息，采用回溯法获取所述环状路线中可删除路线的集合。
进一步地，所述物流配送中心选址程序被处理器执行时还实现如下操作：
根据预设条件对各预设配送中心点对应的可行路线集进行初次筛选，获取每个可行路线集中满足所述预设条件的可行路线；
获取所述初次筛选后的可行路径，从所述可行路径中再次筛选出满足预设条件的可行配送路线，并将所述可行配送路线作为目标路线。
本实施例的有益效果是：通过获取待选址交通网络中大量的物流配送点，根据所述物流配送点中的预设配送中心点，获取各预设配送中心点对应的无向图，根据所述无向图获取各预设配送中心点对应的可行路线集，并对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址，从而解决了难以对大规模物流网络中选取配送中心地址的问题进行求解的问题，提高了物流配送中心选址的效率
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种物流配送中心选址方法，其特征在于，所述方法包括以下步骤：
获取待选址交通网络中的物流配送点，所述物流配送点包括N个预设配送中心点，所述N为大于等于1，且小于所述物流配送点个数的整数；
获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集，所述可行路线集包括若干条可行配送路线；
对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线，并根据所述目标路线获取对应的物流配送中心点地址。
2.如权利要求1所述的方法，其特征在于，所述获取各预设配送中心点对应的无向图，并根据所述无向图获取各预设配送中心点对应的可行路线集的步骤，具体包括：
获取各预设配送中心点对应的无向图，根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集。
3.如权利要求2所述的方法，其特征在于，所述膜粒子群算法为基于膜计算的粒子群算法；
相应地，所述根据所述无向图利用膜粒子群算法获取各预设配送中心点对应的可行路线集的步骤，具体包括：
对各预设配送中心点进行遍历，获取包含遍历到的目标配送中心点的目标无向图；
根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线，所述S为不小于1的整数；
从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线；
根据所述环状路线，获取所述环状路线中可删除路线的集合；
从所述集合中选取一条可删除路线，并将其在所述环状路线中对应的路线删除，获得被选取的配送路线的可行路线；
从剩余放射状配送路线中选取配送路线并获取对应的可行路线，直至获取到S条放射状配送路线对应的可行路线；
根据获取到的S条放射状配送路线对应的可行路线，得到所述配送中心点对应的可行路线集；
选取剩余的配送中心点，并获取对应的可行路线集，直至获取各预设配送中心点对应的可行路线集。
4.如权利要求3所述的方法，其特征在于，所述根据所述目标无向图，利用所述膜粒子群算法获取满足预设约束条件的S条放射状配送路线的步骤，具体包括：
根据所述目标无向图，利用所述膜粒子群算法，以物流配送中心选址为研究对象，建立对应的数学模型；
根据所述数学模型，获取满足预设约束条件的S条放射状配送路线。
5.如权利要求4所述的方法，其特征在于，所述根据所述数学模型，获取满足预设约束条件的S条放射状配送路线的步骤，具体包括：
根据所述数学模型，以所述目标无向图对应的预设配送中心点为起点，搜索满足预设约束条件的待配送客户点，并将所述待配送客户点加入到集合T中；
从所述集合T中选取一个待配送客户点加入到集合Q中，将选取到的待配送客户点从所述集合T中删除；
以所述选取到的待配送客户点为起点，搜索满足预设约束条件的相邻待配送客户点，并将所述相邻待配送客户点加入到所述集合T中；
返回从所述集合T中选取一个待配送客户点加入到集合Q中的步骤，直至所述目标无向图中所有满足预设约束条件的待配送客户点均加入到所述集合Q中，所述集合T为空集；
根据最终获得的集合Q，获取满足预设约束条件的S条放射状配送路线。
6.如权利要求4所述的方法，其特征在于，所述从所述S条放射状配送路线中选取一条配送路线，获取包含被选取的配送路线的环状路线的步骤，具体包括：
从所述S条放射状配送路线中选取一条配送路线，并获取被选取的配送路线对应的待加入路线集，从所述待加入路线集中选取一条路线加入所述被选取的配送路线，获取包含所述被选取的配送路线的环状路线。
7.如权利要求6所述的方法，其特征在于，所述根据所述环状路线，获取所述环状路线中可删除路线的集合的步骤，具体包括：
根据所述环状路线，从所述环状路线中预设配送中心点所在位置出发，使用深度优先搜索获取所述环状路线所在的位置，根据所述位置获取从所述待加入路线集中选取的路线的节点；并获取所述节点在所述S条放射状配送路线中对应的位置信息；
根据所述位置信息，采用回溯法获取所述环状路线中可删除路线的集合。
8.如权利要求7所述的方法，其特征在于，所述对各预设配送中心点对应的可行路线集进行筛选，将满足预设条件的可行配送路线作为目标路线的步骤，具体包括：
根据预设条件对各预设配送中心点对应的可行路线集进行初次筛选，获取每个可行路线集中满足所述预设条件的可行路线；
获取所述初次筛选后的可行路径，从所述可行路径中再次筛选出满足预设条件的可行配送路线，并将所述可行配送路线作为目标路线。
9.一种物流配送中心选址装置，其特征在于，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的物流配送中心选址程序，所述物流配送中心选址程序配置为实现如权利要求1至8中任一项所述的物流配送中心选址方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有物流配送中心选址程序，所述物流配送中心选址程序被处理器执行时实现如权利要求1至8任一项所述的物流配送中心选址方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595484.2A CN107358325B (zh) | 2017-07-19 | 2017-07-19 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595484.2A CN107358325B (zh) | 2017-07-19 | 2017-07-19 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358325A true CN107358325A (zh) | 2017-11-17 |
| CN107358325B CN107358325B (zh) | 2021-01-22 |
Family
ID=60284575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710595484.2A Expired - Fee Related CN107358325B (zh) | 2017-07-19 | 2017-07-19 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358325B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108253972A (zh) * | 2018-01-11 | 2018-07-06 | 深圳市晟达机械设计有限公司 | 一种导航精度高的车载导航系统 |
| CN109711596A (zh) * | 2018-09-20 | 2019-05-03 | 湘潭大学 | 一种多目标进化的物流配送中心选址优化方法及系统 |
| CN109961233A (zh) * | 2019-03-28 | 2019-07-02 | 上海中通吉网络技术有限公司 | 一种物流调度方法及装置 |
| CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
| CN111461383A (zh) * | 2019-03-14 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 规划配送路径的方法和装置 |
| CN113486223A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航线显示方法、系统和电子设备 |
| CN113570176A (zh) * | 2020-04-28 | 2021-10-29 | 顺丰科技有限公司 | 货物装箱方案输出方法、装置、计算机设备和存储介质 |
| CN114547954A (zh) * | 2020-11-24 | 2022-05-27 | 中国移动通信集团浙江有限公司 | 物流配送中心选址方法、装置、计算机设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777255A (zh) * | 2010-01-28 | 2010-07-14 | 东南大学 | 基于城市路网可靠度的紧急救援设施配置方法 |
| CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
| CN104050390A (zh) * | 2014-06-30 | 2014-09-17 | 西南交通大学 | 一种基于可变维粒子群膜算法的移动机器人路径规划方法 |
| CN105719016A (zh) * | 2016-01-19 | 2016-06-29 | 国家电网公司 | 一种基于免疫算法的电力通信网接入点的选址规划方法 |
| CN105719015A (zh) * | 2016-01-19 | 2016-06-29 | 国网河北省电力公司电力科学研究院 | 一种基于pepso的分布式电源优化选址定容方法 |
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
-
2017
- 2017-07-19 CN CN201710595484.2A patent/CN107358325B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777255A (zh) * | 2010-01-28 | 2010-07-14 | 东南大学 | 基于城市路网可靠度的紧急救援设施配置方法 |
| CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
| CN104050390A (zh) * | 2014-06-30 | 2014-09-17 | 西南交通大学 | 一种基于可变维粒子群膜算法的移动机器人路径规划方法 |
| CN105719016A (zh) * | 2016-01-19 | 2016-06-29 | 国家电网公司 | 一种基于免疫算法的电力通信网接入点的选址规划方法 |
| CN105719015A (zh) * | 2016-01-19 | 2016-06-29 | 国网河北省电力公司电力科学研究院 | 一种基于pepso的分布式电源优化选址定容方法 |
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| YINGYING DUAN: "Membrane Algorithm with Genetic Operation and VRPTW-Based Public Optimization System", 《INTERNATIONAL CONFERENCE ON BIO-INSPIRED COMPUTING: THEORIES AND APPLICATIONS》 * |
| 刘伟等: "基于细胞膜机制改进粒子群算法的分布式电源规划", 《电气自动化》 * |
| 强浓: "基于GIS的冷链物流网络构建研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 李新运等: "基于GIS和粒子群算法的两级物流配送中心选址优化方法及应用", 《物流技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108253972A (zh) * | 2018-01-11 | 2018-07-06 | 深圳市晟达机械设计有限公司 | 一种导航精度高的车载导航系统 |
| CN109711596A (zh) * | 2018-09-20 | 2019-05-03 | 湘潭大学 | 一种多目标进化的物流配送中心选址优化方法及系统 |
| CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
| CN111461383A (zh) * | 2019-03-14 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 规划配送路径的方法和装置 |
| CN109961233A (zh) * | 2019-03-28 | 2019-07-02 | 上海中通吉网络技术有限公司 | 一种物流调度方法及装置 |
| CN113570176A (zh) * | 2020-04-28 | 2021-10-29 | 顺丰科技有限公司 | 货物装箱方案输出方法、装置、计算机设备和存储介质 |
| CN113570176B (zh) * | 2020-04-28 | 2024-03-26 | 顺丰科技有限公司 | 货物装箱方案输出方法、装置、计算机设备和存储介质 |
| CN114547954A (zh) * | 2020-11-24 | 2022-05-27 | 中国移动通信集团浙江有限公司 | 物流配送中心选址方法、装置、计算机设备 |
| CN113486223A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航线显示方法、系统和电子设备 |
| CN113486223B (zh) * | 2021-06-07 | 2022-09-09 | 海南太美航空股份有限公司 | 一种航线显示方法、系统和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358325B (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358325A (zh) | 一种物流配送中心选址方法、装置及计算机可读存储介质 | |
| Liang et al. | An integrated reinforcement learning and centralized programming approach for online taxi dispatching | |
| James et al. | Online vehicle routing with neural combinatorial optimization and deep reinforcement learning | |
| Wang et al. | Cooperative route planning for the drone and truck in delivery services: A bi-objective optimisation approach | |
| Han et al. | Multi-AGV path planning with double-path constraints by using an improved genetic algorithm | |
| Sourirajan et al. | A genetic algorithm for a single product network design model with lead time and safety stock considerations | |
| Qin et al. | Reinforcement learning for ridesharing: An extended survey | |
| Gong et al. | Transfer-based customized modular bus system design with passenger-route assignment optimization | |
| CN109117993B (zh) | 一种车辆路径优化的处理方法 | |
| Luo et al. | Hybrid multi-objective optimization approach with pareto local search for collaborative truck-drone routing problems considering flexible time windows | |
| Garrido et al. | DVRP: a hard dynamic combinatorial optimisation problem tackled by an evolutionary hyper-heuristic | |
| Jin et al. | A stochastic optimization framework for road traffic controls based on evolutionary algorithms and traffic simulation | |
| Wang et al. | Ant colony optimization with an improved pheromone model for solving MTSP with capacity and time window constraint | |
| Yao et al. | A two-stage heuristic algorithm for the school bus routing problem with mixed load plan | |
| CN105701273B (zh) | 一种基于主体的组件化物流系统仿真计算方法 | |
| Liu et al. | Simulation-based optimisation approach for the stochastic two-echelon logistics problem | |
| CN104700160A (zh) | 一种车辆路径优化方法 | |
| Zhang et al. | A novel multi-objective optimization model for the vehicle routing problem with drone delivery and dynamic flight endurance | |
| CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
| CN106203912A (zh) | 物流信息智能处理方法 | |
| Wu et al. | Autonomous Last‐Mile Delivery Based on the Cooperation of Multiple Heterogeneous Unmanned Ground Vehicles | |
| CN113962464A (zh) | 一种应急车辆调度方法、装置、设备及存储介质 | |
| Zhou et al. | GMIX: Graph-based spatial–temporal multi-agent reinforcement learning for dynamic electric vehicle dispatching system | |
| Osaba et al. | Multi-objective optimization of bike routes for last-mile package delivery with drop-offs | |
| Canoy et al. | Probability estimation and structured output prediction for learning preferences in last mile delivery |
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: 20220628 Address after: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor. Patentee after: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd. Address before: 430023 No. 68, Xuefu Road, Changqing Garden, Dongxihu District, Wuhan, Hubei Patentee before: WUHAN POLYTECHNIC University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221103 Address after: 310000 Room 217, Building 1, No. 505, No. 23 Avenue, Baiyang Street, Qiantang New District, Hangzhou, Zhejiang Patentee after: Zhonghe Bairong (Hangzhou) Technology Co.,Ltd. Address before: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor. Patentee before: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210122 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |