CN107833002B - 基于协同多目标算法的多级低碳物流配送网络规划方法 - Google Patents

基于协同多目标算法的多级低碳物流配送网络规划方法 Download PDF

Info

Publication number
CN107833002B
CN107833002B CN201711211228.5A CN201711211228A CN107833002B CN 107833002 B CN107833002 B CN 107833002B CN 201711211228 A CN201711211228 A CN 201711211228A CN 107833002 B CN107833002 B CN 107833002B
Authority
CN
China
Prior art keywords
distribution center
algorithm
optimization
stage
logistics
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
CN201711211228.5A
Other languages
English (en)
Other versions
CN107833002A (zh
Inventor
伍大清
李锋
张伟华
管红波
邵明
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.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean 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 Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN201711211228.5A priority Critical patent/CN107833002B/zh
Publication of CN107833002A publication Critical patent/CN107833002A/zh
Application granted granted Critical
Publication of CN107833002B publication Critical patent/CN107833002B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于协同多目标算法的多级低碳物流配送网络规划方法，包括步骤S10建立符合物流运营实际并且考虑碳排放约束的多层级物流配送网络优化模型；步骤S20针对S10建立的优化模型设计多目标的优化算法，本发明基于资源、经济和环境三个层面，先根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；然后根据动态信息的产生进行实时阶段优化，该阶段采用ECMPSO多目标算法求解模型获取配送中心从集散中心的最优订货方案以及最优车辆路径调度方案，该方法先将配送网络优化多目标问题分解成一些低维的、简单的子优化问题，并在子问题求解伴随协同合作过程，从而最终达到求解复杂多目标优化问题的目的。

Description

基于协同多目标算法的多级低碳物流配送网络规划方法
技术领域
本发明涉及物流配送技术领域，具体为基于协同多目标算法的多级低碳物流配送网络规划方法。
背景技术
近年来，我国电子商务物流迅猛发展，政府不断强化对电子商务物流的管理，尽管物流配送网络基础设施己初具规模，且在不断建设，但随着电子商务飞速发展，大大小小的专业化物流公司快速涌现，物流配送网络呈现混乱与不经济状态，加剧了＂现代城市病＂。如物流基础设施重复建设现象多、设施不配套；有的企业有多余的运输/仓储能力，有的企业却缺少相应的运输/合仓储能力；有的企业单向运输满载，回程则空载：有些企业在一段时仓储爆仓，一段时期则空仓；由于电子商务交易量的波动，电商企业时常面临着库满、车满、库空、车空的现象，直接影响着物流成本与客户服务水平。物流配送对城市环境的负面影响也呈现加剧状态，主要体现为加剧城市交通拥堵、使环境污染雪上加霜、能源消耗压力増大、碳排放强度増加，土地资源的占用，物流设施能力得不到有效利用等不可持续要素。
目前关于低碳环境下物流的研究主要还是集中在理论探讨如何平衡冷链物流与低碳物流之间的矛盾，从定性的角度给予了一些物流在低碳环境下发展的建议，但涉及到将碳排放量化为模型的研究却并不多，目前虽有学者在易腐品库存模型和冷链物流配送中、选址模型中考虑了碳排放因素，但关于物流配送路径优化研究问题，却较少有学者考虑碳排放因素。有关于低碳配送路径优化问题的研究现状也可看出，一般采用的是传统的线性规划方法，而采用多目标智能算法进行求解的很少。
为了有效地推动城市低碳可持续发展模式在我国顺利实施，实现物流配送资源的有效配置，提升我国物流产业整体竞争力水平，有必要加强对低碳物流配送网络运营优化关键问题的研究，并给出相应的解决思路和对策，这对推动我国物流配送的低碳化发展无疑具有重要的理论价值和现实意义。考虑碳排放物流成本的情况下，建立低碳物流配送网络优化模型，以成本最节约为目标，考虑碳排放和物流成本的约束，最终找到最佳的网络结构配置，并考察网络结构和成本随着碳排放的变化情况，科学地估算物流配送企业的碳排放，并提出进一步减排的关键业务流程和手段有着重要的导向和促进作用，为企业评估自己的物流网络低碳水平提供决策依据。
发明内容
针对背景技术中存在的问题，本发明提供了基于协同多目标算法的多级低碳物流配送网络规划方法。
为实现上述目的，本发明提供如下技术方案：基于协同多目标算法的多级低碳物流配送网络规划方法，包括以下步骤：
S10：建立符合物流运营实际并且考虑碳排放约束的多层级物流配送网络优化模型：
Figure GDA0001551832230000031
Figure GDA0001551832230000032
s.t.
Zij≤PiYj (3)
Figure GDA0001551832230000033
Figure GDA0001551832230000034
Figure GDA0001551832230000035
Figure GDA0001551832230000036
Figure GDA0001551832230000037
Figure GDA0001551832230000038
Figure GDA0001551832230000039
Figure GDA00015518322300000310
Xjl≤Yj (12)
Zij≥0 (13)
Ujle∈Z+ (14)
上式中M:集散基地的数量；
N：备选配送中心的数量；
K：客户需求节点的数量；
V：配送中车辆的数量；
I表示M个集散基地的下标号集合，|I|＝M；
J表示N个备选配送中也的下标号集合，|J|＝N
L表示个K个客户需求节点的下标号集合，|L|＝K；
E表示V个车辆的下标号集合，|E|＝V；
i表示第i个集散基地，i∈I；
j表示第j个配送中心，j∈J；
l表示第l个客户需求节点，l∈L
e表示第e个车辆，e∈E
Pi，是第i个集散基地可供应的货物总量，单位吨；
Cj是第j个备选配送中心的货物处理能力，单位吨；
Dl是第l个客户需求节点的需求量，单位吨；
dij表示第i个集散基地到第j个备选配送中心的距离，单位公里；
djl表示第j个备选中心到第l个客户需求节点的距离，单位公里；
Fj是第j个备选配送中心的租金，包括配送中心内部栋选、组配、再加
工及装卸等变动费用，单位元；
Ti是第i个集散基地到备选配送中心的单位运输费用，元/吨.公里；
Tje是第j个备选配送中心到客户需求节点的单位距离车辆e的运输费用，元/吨.公里；
ue为车辆e的容量；
Qje为配送中心j可用的车辆e的最大数量
ti表示第i个集散基地向备选配送中心的运输环节单位碳排放，kgCO2eq/吨.公里；
tje表示第j个备选配送中也向客户需求节点的运输环节车辆e的单位碳排化，kgCO2eq/吨.公里。
本模型的决策变量包括：
Ujle为配送中也j指派到客户需求节点l的车辆e的数量；
Zij表示第i个集散基地向第j个备选配送中心的发运量；
Figure GDA0001551832230000051
Figure GDA0001551832230000052
另外假设1：每个需求节点可由不止一个以上的配送中心来提供服务；
假设2：集散基地的位置和可供应能力己知，每个客户需求节点的需求独立且己知；
假设3：配送中心到需求节点只考虑使用能源(汽油)相同、运输方式(公路)相同；
假设4：每个配送中心能够提供的车辆的种类和数量都是有限的，不同类型车辆的运输成本和碳排放均不同；由于集散基地位于郊区，因此假设模型中集散基地提供的到配送中心的运输车辆是容量最大的同一种车辆且可以满足配送中心的需求。
S20：针对S10建立的优化模型设计多目标的优化算法；
作为本发明一种优选的技术方案，步骤S20中的多目标优化算法包括2个阶段，第1阶段根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；第2阶段根据动态信息的产生进行实时阶段的优化。
作为本发明一种优选的技术方案，根据动态信息的产生进行实时优化阶段采用的是ECMPOS算法模型，所述ECMPOS算法模型包括以下步骤：
Step1：初始化种群，根据种群个体的维数、搜索点以及速率等约束，随机初始化种群个体，这些个体必须是可行的候选解，满足操作约束，根据多目标问题的目标个数，将种群划分成多个子种群，并将每个目标的D维搜索空间自适应划分成多个网格，为每个个体分配pbest(x)、Achive(x)以及Nbest(x)，设置最大迭代次数以及最低贡献要求次数；
Step2：迭代更新，对于每个种群的每个粒子进行如下操作：判断粒子对应的状态观测器值是否大于最低贡献要求次数。若是，则重新为粒子分配pbest(x)、Achive(x)以及Nbest(x)；
Step3：更新粒子的速度和位置；
Step4：对速度、位置越界粒子进行处理；
Step5：判断粒子对外部存档是否做贡献，若没有，状态观测器累加1；
Step6：对外部存档执行精英学习策略并更新外部存档；
Step7：使用拥挤距离更新外部存档；
Step8：迭代计数器累增1，判断是否满足算法终止条件。若满足，则执行Step；否则，转Step2；
Step9：输出帕累托最优前沿面，算法结束。
与现有技术相比，本发明的有益效果是：本发明采用的方法是基于资源、经济和环境三个层面，运用现代管理学、经济学、系统科学、运筹学和信息技术等多学科知识和理论，系统地研究低碳环境下共同配送模式多级冷链物流配送网络设计多目标优化方法，即“初始优化阶段+实时优化阶段”的两阶段求解策略，该方法包括2个阶段，第1阶段根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；第2阶段根据动态信息的产生进行实时阶段的优化，该阶段采用ECMPSO多目标算法求解模型获取配送中心从集散中心的最优订货方案以及最优车辆路径调度方案，先将配送网络优化问题分解成一些低维的、简单的、更易于求解的子优化问题，再对这些低维、简单的子优化问题求解，并在子问题求解中伴随着协同合作过程，从而最终达到求解原复杂优化问题的目的，以期为低碳冷链物流配送网络的优化配置提供现实指导意义，为评估企业物流配送网络低碳水平提供决策依据。
附图说明
图1为本发明优化步骤流程图；
图2为本发明中ECMPSO算法流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
请参阅图1与图2，本发明提供基于协同多目标算法的多级低碳物流配送网络规划方法，包括以下步骤：
S10：建立符合物流运营实际并且考虑碳排放约束的多层级物流配送网络优化模型：
Figure GDA0001551832230000081
Figure GDA0001551832230000082
s.t.
Zij≤PiYj (3)
Figure GDA0001551832230000083
Figure GDA0001551832230000084
Figure GDA0001551832230000085
Figure GDA0001551832230000086
Figure GDA0001551832230000087
Figure GDA0001551832230000088
Figure GDA0001551832230000089
Figure GDA00015518322300000810
Xjl≤Yj (12)
Zij≥0 (13)
Ujle∈Z+ (14)
上式中M:集散基地的数量；
N：备选配送中心的数量；
K：客户需求节点的数量；
V：配送中车辆的数量；
I表示M个集散基地的下标号集合，|I|＝M；
J表示N个备选配送中也的下标号集合，|J|＝N
L表示个K个客户需求节点的下标号集合，|L|＝K；
E表示V个车辆的下标号集合，|E|＝V；
i表示第i个集散基地，i∈I；
j表示第j个配送中心，j∈J；
l表示第l个客户需求节点，l∈L
e表示第e个车辆，e∈E
Pi，是第i个集散基地可供应的货物总量，单位吨；
Cj是第j个备选配送中心的货物处理能力，单位吨；
Dl是第l个客户需求节点的需求量，单位吨；
dij表示第i个集散基地到第j个备选配送中心的距离，单位公里；
djl表示第j个备选中心到第l个客户需求节点的距离，单位公里；
Fj是第j个备选配送中心的租金，包括配送中心内部栋选、组配、再加工及装卸等变动费用，单位元；
Ti是第i个集散基地到备选配送中心的单位运输费用，元/吨.公里；
Tje是第j个备选配送中心到客户需求节点的单位距离车辆e的运输费用，元/吨.公里；
ue为车辆e的容量；
Qje为配送中心j可用的车辆e的最大数量
ti表示第i个集散基地向备选配送中心的运输环节单位碳排放，kgCO2eq/吨.公里；
tje表示第j个备选配送中也向客户需求节点的运输环节车辆e的单位碳排化，kgCO2eq/吨.公里。
本模型的决策变量包括：
Ujle为配送中也j指派到客户需求节点l的车辆e的数量；
Zij表示第i个集散基地向第j个备选配送中心的发运量；
Figure GDA0001551832230000101
Figure GDA0001551832230000102
另外假设1：每个需求节点可由不止一个以上的配送中心来提供服务；
假设2：集散基地的位置和可供应能力己知，每个客户需求节点的需求独立且己知；
假设3：配送中心到需求节点只考虑使用能源(汽油)相同、运输方式(公路)相同；
假设4：每个配送中心能够提供的车辆的种类和数量都是有限的，不同类型车辆的运输成本和碳排放均不同；由于集散基地位于郊区，因此假设模型中集散基地提供的到配送中心的运输车辆是容量最大的同一种车辆且可以满足配送中心的需求。
S20：针对S10建立的优化模型设计多目标的优化算法；
在上述考虑碳排放约束的多层级物流配送网络设计优化模型中，目标函数总共有两个，其中式(1)是该物流企业三级物流配送网络运营成本最低化的要求，由集散基地向备选配送中心的运费，备选配送中心以租金形式体现的固定运营费用以及备选配送中也向客户需求节点的运费组成；
式(2)是作为物流配送体系需要满足的环境约束，即碳排放最低，包括运输环节碳排放和仓库内部加工处理等环节的碳排放；
式(3)是集散基地向每个备选配送中心、供货的能力约束；
式(4)其实包含了式(3)，前者存在的目的是使约束更加紧凑，表示每个集散基地整体的可供应能力约束；
式(5)是备选配送中心的能力约束；
式(6)是集散基地整体发运量要大于超市总体需求的约束；
式(7)是两个网络层次之间的物流平衡约束；
式(8)是备选配送中心总储存加工能力要大于客户需求节点要求的约束；
式(9)表示为客户需求节点j分配的车辆的容量不小于该客户区域的需求量；
式(10)表示从配送中心j发出的车辆e的总数量不超过该中心可用的车辆e的最大数量；
式(11)保证了所有客户需求节点的需求必须刚好得到满足；
式(12)说明了配送中心只有在被选中的情况下，才能对客户需求节点形成有效供应；
式(13)给出了集散基地向备选配送中心的发运量只能为非负的；
式(14)表示Ujle为非负整数。
进一步的步骤S20中的多目标优化算法包括2个阶段，第1阶段根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；第2阶段根据动态信息的产生进行实时阶段的优化。
根据已知信息指定优化信息阶段采用二进制离散PSO算法实现选址决策，确定备用的配送中心是否被选中，本模型主要通过概率确定潜在配送中心j是否建立，顾客k是否选择配送中心j配送，具体公式为：
p(xid(t)＝1)＝f(xid(t-1),vid(t-1),pid,pgd)
Figure GDA0001551832230000121
Figure GDA0001551832230000122
Figure GDA0001551832230000123
其中p(xid(t)＝1)是个体取1的概率，xid(t)是个体i在t时刻的状态，xid(t-1)是个体i的前一个时刻的状态，t是当前迭代次数，ρid是当前粒子获得的局部最优，pgd当前种群中全局最优，分别都在{0,1}中取值，
Figure GDA0001551832230000124
ρid分别是服从[0，1]均匀分布的随机数。
根据动态信息的产生进行实时优化阶段采用的是ECMPOS算法模型，所述ECMPOS算法模型包括以下步骤：
Step1：初始化种群，根据种群个体的维数、搜索点以及速率等约束，随机初始化种群个体，这些个体必须是可行的候选解，满足操作约束，根据多目标问题的目标个数，将种群划分成多个子种群，并将每个目标的D维搜索空间自适应划分成多个网格，为每个个体分配pbest(x)、Achive(x)以及Nbest(x)，设置最大迭代次数以及最低贡献要求次数；
Step2：迭代更新，对于每个种群的每个粒子进行如下操作：判断粒子对应的状态观测器值是否大于最低贡献要求次数。若是，则重新为粒子分配pbest(x)、Achive(x)以及Nbest(x)；
Step3：更新粒子的速度和位置；
Step4：对速度、位置越界粒子进行处理；
Step5：判断粒子对外部存档是否做贡献，若没有，状态观测器累加1；
Step6：对外部存档执行精英学习策略并更新外部存档；
Step7：使用拥挤距离更新外部存档；
Step8：迭代计数器累增1，判断是否满足算法终止条件。若满足，则执行Step；否则，转Step2；
Step9：输出帕累托最优前沿面，算法结束。
该模型并没有像其他多目标算法使用一个种群处理多目标中的所有问题，而是基于多目标技术，根据多目标优化问题个数将种群划分成多个子种群，相互协同合作寻找到分布尽可能好的逼近性、宽广性和均匀性帕累托最优解集合。
基于上述，本发明具有的优点在于：本发明采用的方法是基于资源、经济和环境三个层面，运用现代管理学、经济学、系统科学、运筹学和信息技术等多学科知识和理论，系统地研究低碳环境下共同配送模式多级冷链物流配送网络设计多目标优化方法，即“初始优化阶段+实时优化阶段”的两阶段求解策略，该方法包括2个阶段，第1阶段根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；第2阶段根据动态信息的产生进行实时阶段的优化，该阶段采用ECMPSO多目标算法求解模型获取配送中心从集散中心的最优订货方案以及最优车辆路径调度方案，先将配送网络优化问题分解成一些低维的、简单的、更易于求解的子优化问题，再对这些低维、简单的子优化问题求解，并在子问题求解中伴随着协同合作过程，从而最终达到求解原复杂优化问题的目的，以期为低碳冷链物流配送网络的优化配置提供现实指导意义，为评估企业物流配送网络低碳水平提供决策依据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于协同多目标算法的多级低碳物流配送网络规划方法，其特征在于包括以下步骤：
S10：建立符合物流运营实际并且考虑碳排放约束的多层级物流配送网络优化模型：
Figure FDA0003258223130000011
Figure FDA0003258223130000012
s.t.
Zij≤PiYj (3)
Figure FDA0003258223130000013
Figure FDA0003258223130000014
Figure FDA0003258223130000015
Figure FDA0003258223130000016
Figure FDA0003258223130000017
Figure FDA0003258223130000018
Figure FDA0003258223130000019
Figure FDA00032582231300000110
Xjl≤Yj (12)
Zij≥0 (13)
Ujle∈Z+ (14)
上式中M:集散基地的数量；
N：备选配送中心的数量；
K：客户需求节点的数量：
V：配送中车辆的数量；
I表示M个集散基地的下标号集合，|I|＝M；
J表示N个备选配送中心的下标号集合，|J|＝N
L表示个K个客户需求节点的下标号集合，|L|＝K；
E表示V个车辆的下标号集合，|E|＝V；
i表示第i个集散基地，i∈I；
j表示第j个配送中心，j∈J；
l表示第l个客户需求节点，l∈L；
e表示第e个车辆，e∈E；
Pi是第i个集散基地可供应的货物总量，单位吨；
Cj是第j个备选配送中心的货物处理能力，单位吨；
Dl是第l个客户需求节点的需求量，单位吨；
dij表示第i个集散基地到第j个备选配送中心的距离，单位公里；
djl表示第j个备选中心到第l个客户需求节点的距离，单位公里；
Fj是第j个备选配送中心的租金，包括配送中心内部栋选、组配、再加工及装卸变动费用，单位元；
Ti是第i个集散基地到备选配送中心的单位运输费用，元/吨.公里；
Tje是第j个备选配送中心到客户需求节点的单位距离车辆e的运输费用，元/吨.公里；
ue为车辆e的容量；
Qje为配送中心j可用的车辆e的最大数量；
ti表示第i个集散基地向备选配送中心的运输环节单位碳排放，kgCO2eq/吨.公里；
tje表示第j个备选配送中心向客户需求节点的运输环节车辆e的单位碳排化，kgCO2eq/吨.公里，
本模型的决策变量包括：
Ujle为配送中心j指派到客户需求节点l的车辆e的数量；
Zij表示第i个集散基地向第j个备选配送中心的发运量；
Figure FDA0003258223130000031
Figure FDA0003258223130000032
另外假设1：每个需求节点由不止一个的配送中心来提供服务；
假设2：集散基地的位置和可供应能力己知，每个客户需求节点的需求独立且己知；
假设3：配送中心到需求节点只考虑使用能源相同、运输方式相同；
假设4：每个配送中心能够提供的车辆的种类和数量都是有限的，不同类型车辆的运输成本和碳排放均不同；由于集散基地位于郊区，因此假设模型中集散基地提供的到配送中心的运输车辆是容量最大的同一种车辆且可以满足配送中心的需求；
S20：针对S10建立的优化模型设计多目标优化算法。
2.根据权利要求1所述的基于协同多目标算法的多级低碳物流配送网络规划方法，其特征在于：步骤S20中的多目标优化算法包括2个阶段，第1阶段根据已知信息制定初始优化阶段的决策计划，确定备用的配送中心是否被选中；第2阶段根据动态信息的产生进行实时阶段的优化。
3.根据权利要求2所述的基于协同多目标算法的多级低碳物流配送网络规划方法，其特征在于：根据动态信息的产生进行实时优化阶段采用的是ECMPOS算法模型，所述ECMPOS算法模型包括以下步骤：
Step1：初始化种群，根据种群个体的维数、搜索点以及速率约束，随机初始化种群个体，这些个体必须是可行的候选解，满足操作约束，根据多目标问题的目标个数，将种群划分成多个子种群，并将每个目标的D维搜索空间自适应划分成多个网格，为每个个体分配pbest(x)、Achive(x)以及Nbest(x)，设置最大迭代次数以及最低贡献要求次数；
Step2：迭代更新，对于每个种群的每个粒子进行如下操作：判断粒子对应的状态观测器值是否大于最低贡献要求次数，若是，则重新为粒子分配pbest(x)、Achive(x)以及Nbest(x)；
Step3：更新粒子的速度和位置；
Step4：对速度、位置越界粒子进行处理；
Step5：判断粒子对外部存档是否做贡献，若没有，状态观测器累加1；
Step6：对外部存档执行精英学习策略并更新外部存档；
Step7：使用拥挤距离更新外部存档；
Step8：迭代计数器累增1，判断是否满足算法终止条件，若满足，则执行Step9；否则，转Step2；
Step9：输出帕累托最优前沿面，算法结束。
CN201711211228.5A 2017-11-28 2017-11-28 基于协同多目标算法的多级低碳物流配送网络规划方法 Active CN107833002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711211228.5A CN107833002B (zh) 2017-11-28 2017-11-28 基于协同多目标算法的多级低碳物流配送网络规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711211228.5A CN107833002B (zh) 2017-11-28 2017-11-28 基于协同多目标算法的多级低碳物流配送网络规划方法

Publications (2)

Publication Number Publication Date
CN107833002A CN107833002A (zh) 2018-03-23
CN107833002B true CN107833002B (zh) 2021-10-22

Family

ID=61646023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711211228.5A Active CN107833002B (zh) 2017-11-28 2017-11-28 基于协同多目标算法的多级低碳物流配送网络规划方法

Country Status (1)

Country Link
CN (1) CN107833002B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064252B (zh) * 2018-07-05 2022-02-25 上海大学 一种用于确定容量可变环境下的选址与服务关系模型的方法及系统
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
CN111507497B (zh) * 2019-01-31 2023-06-23 顺丰科技有限公司 一种集散点与中转点选址系统、方法
CN109902866B (zh) * 2019-02-21 2021-03-12 北京交通大学 铁路快运班列开行方案与车底运用的协同优化方法
CN109886490B (zh) * 2019-02-22 2022-11-04 广西大学 一种组合车辆联合运输的匹配优化方法
CN111612199A (zh) * 2019-02-26 2020-09-01 北京京东尚科信息技术有限公司 一种物流网络优化方法、装置、计算机设备及存储介质
CN109919541B (zh) * 2019-02-27 2023-06-20 华南理工大学 一种多级定位库存路径问题的建模求解方法
CN110378506A (zh) * 2019-05-08 2019-10-25 上海大学 车辆碳排放量规划方法、装置、电子设备和存储介质
CN110599097B (zh) * 2019-09-17 2023-04-18 九江学院 一种基于萤火虫算法的双梯队库存路径优化设计方法
CN110909952B (zh) * 2019-11-30 2022-12-16 华南理工大学 一种带移动配送站的城市两级配送及调度方法
CN111815048A (zh) * 2020-07-07 2020-10-23 江南大学 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统
CN113469505B (zh) * 2021-06-10 2022-09-27 哈尔滨工业大学 一种面向快件非标准服务的多主体协同运输资源调度方法
CN114493466A (zh) * 2022-02-21 2022-05-13 深圳佳利达供应链管理有限公司 一种实时需求驱动的物流服务设施选址方法
CN117113608B (zh) * 2023-10-23 2024-02-13 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备
CN117808524B (zh) * 2024-02-29 2024-05-14 济南大学 一种考虑碳排放的回收设施选址与网络运行优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138832A (zh) * 2015-08-18 2015-12-09 浙江工商大学 一种核算车辆路径规划中碳排放量的方法和系统
CN105303338A (zh) * 2014-06-04 2016-02-03 新立迅软件服务（青岛）有限公司 基于物联网技术的集装箱物流跟踪全球网络交换服务平台
CN106339770A (zh) * 2016-05-25 2017-01-18 天津商业大学 基于自适应Levy分布混合变异改进人工鱼群算法的配送中心选址优化方法
CN107038543A (zh) * 2017-03-22 2017-08-11 无锡中科富农物联科技有限公司 一种农资连锁经营配送中车辆调度模型优化方法
CN107092979A (zh) * 2017-04-07 2017-08-25 东南大学 考虑碳排放的转运网络选址方法
CN107194513A (zh) * 2017-05-26 2017-09-22 中南大学 一种解决全渠道物流配送问题的优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410209B1 (ko) * 2011-12-19 2014-06-23 주식회사 한국무역정보통신 화주중심의 물류거점 최적화시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303338A (zh) * 2014-06-04 2016-02-03 新立迅软件服务（青岛）有限公司 基于物联网技术的集装箱物流跟踪全球网络交换服务平台
CN105138832A (zh) * 2015-08-18 2015-12-09 浙江工商大学 一种核算车辆路径规划中碳排放量的方法和系统
CN106339770A (zh) * 2016-05-25 2017-01-18 天津商业大学 基于自适应Levy分布混合变异改进人工鱼群算法的配送中心选址优化方法
CN107038543A (zh) * 2017-03-22 2017-08-11 无锡中科富农物联科技有限公司 一种农资连锁经营配送中车辆调度模型优化方法
CN107092979A (zh) * 2017-04-07 2017-08-25 东南大学 考虑碳排放的转运网络选址方法
CN107194513A (zh) * 2017-05-26 2017-09-22 中南大学 一种解决全渠道物流配送问题的优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An efficient co-evolutionary particle swarm optimizer for solving multi-objective optimization problems;Daqing Wu 等;《2015 CCDC》;20150720;第1975-1979页 *
Eco-Efficient Based Logistics Network Design in Hybrid Manufacturing Remanufacturing System Under Low-Carbon Restriction;Yacan Wang 等;《LTLGB 2012》;20130503;第681-689页 *
低碳经济下的多运输方式物流网络规划;杨涛;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20110715;第2011年卷(第7期);第J145-277页 *
基于粒子群算法的多目标配送网络优化问题研究;刘依;《万方数据学位论文》;20150701;第1-65页 *

Also Published As

Publication number Publication date
CN107833002A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107833002B (zh) 基于协同多目标算法的多级低碳物流配送网络规划方法
CN105389975B (zh) 专车调度方法和装置
Li-ying et al. Multiple charging station location-routing problem with time window of electric vehicle.
CN112686458A (zh) 一种多车型车队配送货过程的优化调度方法
Wang et al. Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows
Wang et al. A two-stage heuristic method for vehicle routing problem with split deliveries and pickups
Wang et al. Heuristic method for automakers' technological strategy making towards fuel economy regulations based on genetic algorithm: A China's case under corporate average fuel consumption regulation
Ghatreh Samani et al. A hybrid algorithm for a two-echelon location-routing problem with simultaneous pickup and delivery under fuzzy demand
Ji et al. Location optimization model of regional express distribution center
Naumov et al. Model of the Delivery Routes Forming Process as a Service Provided by Forwarding Companies
Hani et al. Simulation based optimization of a train maintenance facility
CN114529241A (zh) 一种基于运筹学理论的公路零担货运物流路径规划算法
Wang et al. Research of oil product secondary distribution optimization based on collaborative distribution
Chen et al. The linehaul-feeder vehicle routing problem with virtual depots and time windows
Chung et al. A strategic alliance model with a regional monopoly of service centres in express courier services
CN116882883A (zh) 一种利用大数据的电网物资配送路径规划方法
Li et al. Route Optimization of Electric Vehicles Based on Re-insertion Genetic Algorithm
Ge et al. Proactive two-level dynamic distribution routing optimization based on historical data
XueJing et al. Application of Genetic Algorithm in Logistics Path Optimization
CN115358455A (zh) 考虑电池更换和混合时间窗约束的电动车路径优化方法
CN115099617A (zh) 烟草工业品物流调度方法
CN110428089B (zh) 一种单车场物流运输调度的方法、系统及设备
Li et al. Brief algorithm review on vehicle routing problems with different backhaul constraints
Chen et al. Vehicle Routing Optimization Problem with Time-windows and its Solution by Genetic Algorithm.
Li et al. Optimization of vehicle routing problem with fatigue driving based on genetic algorithm

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