CN108022070A - 一种混合装卸车辆协同调度运输方法 - Google Patents
一种混合装卸车辆协同调度运输方法 Download PDFInfo
- Publication number
- CN108022070A CN108022070A CN201711119512.XA CN201711119512A CN108022070A CN 108022070 A CN108022070 A CN 108022070A CN 201711119512 A CN201711119512 A CN 201711119512A CN 108022070 A CN108022070 A CN 108022070A
- Authority
- CN
- China
- Prior art keywords
- picking
- vehicle
- node
- delivery
- party 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.)
- Granted
Links
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000002411 adverse Effects 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000032258 transport Effects 0.000 claims description 113
- 238000009826 distribution Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 238000013486 operation strategy Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000013068 supply chain management Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000005553 drilling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011021 bench scale process Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012795 verification 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (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)
- Traffic Control Systems (AREA)
Abstract
一种混合装卸车辆协同调度运输方法,涉及一种车辆运输方法,在回程取货的车辆路径问题和混合装卸车辆路径问题策略中所显示的,所有的运输任务都需要由自营物流车辆来完成;在部分联合运输策略下,送货需求点和取货需求点采用不同的运输方式;同时,取货需求点将采用基于取货量的两种不同的运输方式;变维数矩阵编码采用部分联合运输策略解决取送货车辆路径方案,需要准确地反映自营物流车辆的运输路线;该方法使用自营物流车辆,然后由第三方物流车辆分别运输,改进部分联合运输策略与逆选择操作,在取送货车辆路径问题,提出部分联合运输策略解决复杂调度问题,通过改进流程来解决同时取送货问题。
Description
技术领域
本发明涉及一种车辆运输方法,特别是涉及一种混合装卸车辆协同调度运输方法。
背景技术
运输系统作为供应链管理的关键部分,直接影响整个物流系统的运营成本。
为了适应竞争激烈的全球市场, 企业必须充分利用现有的资源, 充分利用核心竞争优势,努力开拓新领域。带回程车辆路径问题 (称为取送货车辆路径问题) 起源于20世纪80年代中期(DEIF,BODIN (1984)),取送货车辆路径问题是标准车辆路径问题演变来的(,Ramser (1959))。近几十年来,取送货车辆路径问题的研究通常分为两子类:一种是回程取货的车辆路径问题(首先要完成所有送货任务,然后是回程取货任务);另一种是混合装卸车辆路径问题(允许客户点无序取送货)。
对于取送货车辆路径问题的研究和优化, 大量的研究人员和实践者已经对这个问题进行了广泛的讨论,并提出了许多解决问题的方法 (Bortfeldt等(2015), Yalcn,Erginel (2015), Palhazieal. (2014), Garcanajera等(2015), Lu, Nurselzturk(2015) ) 。
然而,取送货车辆路径问题与传统带有车容限制的车辆路径问题完全不同,带有车容限制的车辆路径问题是单纯的送货作业,或者是单纯的取货作业,带有车容限制的车辆路径问题中在不改变相应车辆调度安排可行性的前提下,在相同序列中的客户点可以彼此交换位置。换句话说,用2-opt、插入操作、交换操作和其他局域搜索方法改进问题的解(Gajpal, Abad (2009a))。但是取送货车辆路径问题,同样交换操作可能出现新解不能满足车辆能力约束的情况。由于在取送货车辆路径问题中有两类客户,当送货任务完成后,剩余空间用于完成取货任务。交换操作可以改变在一个序列中的客户取送货的顺序。交换操作后,可能会出现超过车辆能力限制的情况,导致不能全部完成任务。因此,针对取送货车辆路径问题的最佳解决方案,由于车辆的容量限制,交叉路线可能仍然存在。与此同时,在实际的运输过程中,由于回程取货数量和位置的随机性,如果所有的运输任务都是由自营物流车辆完成,可能会导致运输距离增加和使用的车辆数量增加。因此迫切需要有效的调度策略来有效的降低物流成本。
带回程的车辆路径问题(取送货车辆路径问题)是同时取送货车辆路径问题(同时取送货问题)的一个特例。因为当送货需求或者取货需求为零的时候,就是同时取送货问题,同时取送货问题是个NP难问题 (Gajpal,Abad(2009a)),所以取送货车辆路径问题也是一个NP难问题。.针对取送货车辆路径问题的问题,以往的研究在不同模型和方法方面都有很大的贡献。主要集中在回程取货的车辆路径问题子类,模糊多目标 (Yalcn,Erginel(2015)),局域搜索 (Palhazi等 (2014), Zachariadis,Kiranoudis (2012)), 多蚁群系统 (Gajpal, Abad (2009b)),两阶段启发式方法 (Wang (2009)), 混合进化法 (Saremi,Ziaee (2006)) 和禁忌搜索法 (约瑟 (2006)等等已经被开发应用于解决传统的回程取货的车辆路径问题.Wassanetal(2017)提出多旅程取送货车辆路径问题,设计一种双层可变邻域收搜法,解决大规模问题。Lu ,NurselOzturk (2015) 考虑时间窗,提出一种先进的混合元启发式法,来解决问题。多明格斯等 (2016) 设计了一种基于选择进化的近似法解决取送货车辆路径问题问题。多明格斯等 (2016) 、Bortfeldt等 (2015) 应用混合法来研究带回程取货车辆路径问题的二维和三维装载问题。厄斯特勒,Bauernhansl(2016)重点研究子类混合装卸车辆路径问题,考虑不同车型、时间窗和生产能力。Wuetal(2016)考虑时间窗和不同车型,对多目标问题提出了基于蚁群系统的标签法。Karaoglan,Altiparmak(2015)检验了带混合取货的选址-路径问题并设法求解。Avci,Topaloglu(2015) 设计了自适应LS法,求解同时取送货问题和混合装卸车辆路径问题.Belmecheri等(2009) 提出了一种新的视觉交换法求解取送货车辆路径问题和混合装卸车辆路径问题。虽然许多学者对车辆路径问题和它拓展问题已经开展广泛研究,然而以往研究通常要求自营物流车辆完成全部运输任务。(Koc等 (2016), Ghalehkhondabiet等(2016), Yan等 (2012), Kim ,Joo(2012),Verbas等 (2016), 萨马等 (2016),罗伯蒂,Wen (2016), Liao等 (2016), Lai等(2016), Kuo等 (2016),Ardjm,等 (2016)) 或者将物流活动外包给第三方物流企业 (Cai等 (2013), Xu 等 (2017), 杰亚拉姆,坦(2010), 佳恩等 (2003), Krumwiede等(2002), Hjaila等 (2016), 克里斯托弗·林赛 (2016), B.C.吉里 (2017)). 这些策略可能会导致自营物流车辆资源浪费、大型固定车辆一次性启动成本过大和运量过大。这些策略可能会导致沉重的自营物流车辆资源浪费、大型固定车辆一次性启动成本过大和运量过大。在贸易全球化的背景下,物流系统的复杂性更高,客户需要多样化,传统的单一运输策略一般难以满足实际的运输需求。多模式联运战略已被公认为是应对日益严重的交通拥堵和可持续交通的主要手段 (Zhang 等 (2014)). 在过去的10年里,多模式联运策略吸引了越来越多的关注。(维尔马,Verter(2010), Hu (2011), 科罗纳多蒙德拉贡等 (2012),Wu等(2011), 加尔卡等 (2013), 诺萨克,佩施 (2013),雀,Sayarshad(2014), )施普伦格,蒙奇(2014),Mohammadieal.(2017)Xie等,SteadieSei等(2014) 提供了一个详尽的回顾,研究多模式系统分类。显然,以往研究对带回程的车辆运输问题有很大贡献,但是,很少有学者尝试自营物流车辆和第三方物流车辆的联合运输,这策略可称为部分联合运输策略,该策略首次由Xu等(2017)提出来,将第三方物流和供应链结合起来。
取送货车辆路径问题,解决传统运输策略下的装载率低和路线复杂的问题,相比于带第三方物流的供应链,取送货车辆路径问题中的车辆运载能力控制问题更复杂;因此根据取送货车辆路径问题的特点,部分联合运输策略需要进一步个性化优化。
Xu等(2017)首次提出逆选择操作蚁群法来求解部分联合运输策略的车辆路径问题。该系统具有独特的变维数矩阵编码。逆选择操作蚁群法能够同时表示两种车型的运输路线。同时,由于这种特殊的编码,可以很容易地获得每个自营物流车辆的负载,从而有效地减少时间。此外,其特殊的转换概率操作法和转换概率函数能够准确地确定两种不同运输方式的转换位置,从而有效地提高满载率并减少多余运输路径。由于取送货车辆路径问题所提出的复杂车辆容量控制问题,逆选择操作蚁群法的应用也有可能进一步定制和优化部分联合运输策略。
发明内容
本发明的目的在于提供一种混合装卸车辆协同调度的运输方法,该方法使用自营物流车辆,然后由第三方物流车辆分别运输,改进部分联合运输策略与逆选择操作,在取送货车辆路径问题,提出部分联合运输策略解决复杂调度问题,通过改进流程来解决同时取送货问题。
本发明的目的是通过以下技术方案实现的:
一种混合装卸车辆协同调度运输方法,所述方法包括以下三种运输模式:
1)派送点:自营物流车辆从配送中心开始,在派送点上多次停靠完成装货,最终返回配送中心;
2)取货点-I:有大需求量的取货点;这类的取货节点被要求直接将货物从取货点送到配送中心,以避免出现车辆运载量过大,从而可能影响其他运输任务;
3)取货点-II:剩余的取货点;这类取货点由第三方物流车辆完成取货,将货物送到相应的派送点,然后自营物流车辆返回配送中心;
在回程取货的车辆路径问题和混合装卸车辆路径问题策略中所显示的,所有的运输任务都需要由自营物流车辆来完成;送货需求点和取货需求点采用不同的运输方式;同时,取货需求点将采用基于取货量的两种不同的运输方式;变维数矩阵编码采用部分联合运输策略解决取送货车辆路径方案,需要准确地反映自营物流车辆的运输路线、第三方物流车辆的运输路线以及输送节点和第三方物流车辆的交换节点位置;在派送节点的交换概率操作的程序,将交换概率操作策略应用到派送节点,虑取货节点对送货节点的影响,当送货任务完成时,空出的空间用来完成取货任务;在取货节点应用交换概率操作,用第三方物流车辆取货后运输货物到相应的派送节点,然后跟随自助物流车辆返回配送中心。
所述的一种混合装卸车辆协同调度运输方法,同一列中的运输节点的编码已明确地被要求与第三方物流车辆的运输路线相匹配;一个第三方物流车辆从底部一个取货点离开,依次去访问其他取货点,最终运输货物到第一行派送点。
所述的一种混合装卸车辆协同调度运输方法,所述部分联合运输策略解决方案中包括7个派送节点和5个取货节点;由于该编码的特殊性,可以直接读取每个节点上自营物流车辆的装载量。
所述的一种混合装卸车辆协同调度运输方法,所述对部分联合运输策略以及逆选择操作的优势进一步分析,将具有4种不同类型自营物流车辆的物流服务企业,将取货任务部分或者完全的外包给其他第三方物流企业进行运输;小规模情景下,收到一个4个送货点、2个取货点的取送运输订单;在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量;同时,所有取货任务的总量小于自营车辆的最大车容量;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回配送中心。
所述的一种混合装卸车辆协同调度运输方法,所述小规模情景下,收到一个4个送货点、2个取货点的取送运输订单。在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量;同时,与实例情景1不同,如果这个取货点需要跟随自营物流车辆运输,则自营物流车辆所有取货任务需求量的总和将超过该自营车辆的最大车容量;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业直接运输到H公司的配送中心。
所述的一种混合装卸车辆协同调度运输方法,所述小规模情景下,收到一个4个送货点、2个取货点的取送运输订单;在两个取货点中,有1个取货点具有较为偏远的地理位置,由于自营物流运输车辆的最大里程数限制因素,这种取货节点可能无法获得运输服务;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回配送中心。
所述的一种混合装卸车辆协同调度运输方法,所述小规模实例情景下,收到一个4个送货点、2个取货点的取送运输订单;而对于物流网络中的部分运输路径中,第三方物流的运输成本要远远高于自营物流车辆的运输成本;在这种节点分布情景下,将不采用部分联合运输运输策略,对应的取货节点的运输任务直接采用自营物流车辆完成。
所述的一种混合装卸车辆协同调度运输方法,所述小规模实例情景下,收到一个4个送货点、2个取货点的取送运输订单;当自营物流车辆完成了某个送货节点的送货任务后,当前车容无法完成这个送货节点对应的取货任务;在这种节点分布情景下,取货点将被运输到下一个送货节点处。
本发明的优点与效果是:
本发明提出了一种新的运输策略(即使用联合运输策略:在初始阶段使用自营物流车辆,然后由第三方物流车辆分别运输)解决取送货车辆路径问题,提出了一种整合多模式运输的形式。同时改进了逆选择操作蚁群法,寻找问题的最优解。随机生成了一系列的实例,以检验部分联合运输策略的效果,并评估了所提出方法的性能。分析了部分联合运输策略有效性。针对分布小规模试验实例的配送不同特点,部分联合运输策略的总成本明显低于回程取货的车辆路径问题和混合装卸车辆路径问题策略,修正后的逆选择操作可以在短时间内获得最优解。对于大规模随机分布的实例,提出的逆选择操作总能比和逆选择操作更好地得到解决方案。相比回程取货的车辆路径问题和混合装卸车辆路径问题,部分联合运输策略在有取送货配送作业中,至少可以降低总成本18.70%和8.92%、在随机集中配送中则是31.61%和 10.74%,在带回程取货中32.68%和16.19%。因此,当送货和取货任务有回程取货时,新的运输策略的效果就会更加显著。
附图说明
图1为配送中心的送货点和取货点的分布图;
图2为混合装卸车辆路径中,允许客户送货和取货序列方案的原理图;
图3为部分联合运输策略下,送货需求点和取货需求点不同运输方式原理图;
图4为带取送货的运输模式图;
图5为带取送货的运输模式解决方案原理图;
图6为三个解决方案的比较图;
图7为部分联合运输策略解决取送货车辆路径包括7个派送节点和5个取货节点方案图;
图8为部分联合运输策略解决取送货车辆路径方案的原理图;
图9为派送节点的交换概率操作的应用程序的送货节点交换概率计算传统方法图;
图10为说明修改后的逆选择操作交换概率图;
图11与PCT相对应场景的车辆路由图之一;
图12与PCT相对应场景的车辆路由图之二;
图13与PCT相对应场景的车辆路由图之三;
图14部分联合运输策略优势图。
具体实施方式
下面结合附图所示实施例进行详细说明。
取送货车辆路径问题是标准车辆路径问题的一种变形,客户被分为两类,配送(送货)和回程(回程取货)。取送货车辆路径问题通常表示为无向图,这里是顶点集,是边集.集合一个派送点用表示,是有送货需求的客户,有回程取货需求的客户。
图1展示了配送中心的送货点和取货点的分布.设物流运输网络包括1个配送中心,9个有送货需求的送货点和5个有回程取货需求的取货点。在回程取货的车辆路径问题策略下,每条线路的送货客户必须在任何回程取货客户之前完成。在回程取货的车辆路径问题策略下的一个运输计划是:
,
图2给出了这个解决方案的原理图。在混合装卸车辆路径问题中,允许客户送货和取货的任何序列。混合装卸车辆路径问题运输计划是:
,
.
图3给出了这个解决方案的原理图。
正如在回程取货的车辆路径问题和混合装卸车辆路径问题策略中所显示的,所有的运输任务都需要由自营物流车辆来完成。由于车辆的容量限制和访问序列使运输距离过长,可能导致运输成本高。在部分联合运输策略下,送货需求点和取货需求点采用不同的运输方式。同时,取货需求点将采用基于取货量的两种不同的运输方式。给出了以下三种模式:
i)派送点:自营物流车辆从配送中心开始,在派送点上多次停靠完成装货,最终返回配送中心。
ii) 取货点-I: 有大需求量的取货点。这类的取货节点被要求直接将货物从取货点送到配送中心,以避免出现车辆运载量过大,从而可能影响其他运输任务。
iii) 取货点-II: 剩余的取货点。这类取货点由第三方物流车辆完成取货,将货物送到相应的派送点,然后自营物流车辆返回配送中心。
图4给出了带取送货的运输模式。在部分联合运输策略下的运输计划是:自营物流车辆:
第三方物流车辆是:
;
图5给出了这个解决方案的原理图。如图5所示,在这个示意图中有分支结构。给出了“分支结构”的如下:对于无向图G=(V,E)中的1个节点,一个节点与两个以上的节点连接(如图5中的派送节点D2,它与派送节点D1、D3和取货节点P1连接)。为了进一步论证部分联合运输策略与传统运输策略之间的运输模式差异,以第一个子运输路线为例。在图6中给出了三个解决方案的比较,部分联合运输策略可以减少运输距离因此,在部分联合运输策略下,企业管理者可以有效地提高服务能力,降低物流运营成本。
对部分联合运输与回程取货的车辆路径问题和混合装卸车辆路径问题进行仔细的计算分析和比较。为取送货车辆路径问题建立集成的多模式模型。
在对取送货车辆路径问题的研究中引入部分联合运输策略可以有效地降低车辆的运输成本,提高服务范围,为此,物流网络的结构变得复杂得多。因此,为了将这个复杂的实际问题转化为数学模型,需要对这两类物流车辆分别进行一些假设和约束。
I.每个派送点仅由一辆自营物流车辆提供服务。
II. 每个取货点仅有1个第三方物流车辆提供服务。
III.自营物流车辆初始点必须是物流中心,最终也要回到配送中心
IV. 自营物流车辆每种车型的运载能力是相同的,运载能力要大于任意一个单独的派送任务。
V.在每个派送点,自营物流车辆必须完成派送任务,才能去执行取货任务。
VI. 任意两个运输节点间有且仅有1个有效路径,
表1中给出了使用部分联合运输的取送货车辆路径问题的设置、索引和参数四个决策变量如下:
目标函数是运输任务的总成本最低,由方程式1计算,的总成本由以下三个部分组成:自营物流车辆车型固定一次性启动成本、自营物流车辆总运输成本、第三方物流运载总成本。在运输任务的总成本中,自营物流车辆的固定车辆一次性启动成本占很大比例。如果能够有效控制车辆的容量,那么车辆调度的数量就会减少,从而减少这部分的运输成本。
针对部分联合运输策略处理取送货车辆路径问题的元启发式法。该方法的灵感来自于一个逆选择操作蚁群法,最初是为第三方物流企业供应链管理的运输车辆调度问题而开发的(Xu等 (2017)).选择逆选择操作蚁群法的原因是两方面的: 1) 蚁群优化(蚁群)具有多种解决方案和转换概率操作方法,既有效又适合于运输问题。 2)与其他启发式和商业方法相比,由取送货车辆路径问题引起,部分联合运输策略的的分支结构,类似于带有第三方物流的SCM,和逆选择操作蚁群法对这类问题求解效果很好 (Xu等(2017)).
逆选择操作元启发法,首次由多里戈,迪卡龙(1959)提出,受蚁群觅食行为的启发。 Xu等 (2017)指出了这种分支结构不能用传统的逆选择操作方式来表示。因此,他们开发了一种新的元启发式法,称为逆选择操作蚁群法,它提供了唯一的变维数矩阵编码和一种可修改的交换概率方法。该系统具有独特的变维数矩阵编码,能够同时表示两种车辆的运输路线。此外,其特殊的交换概率操作方法和交换概率函数能够准确确定两种不同运输方式的交换位置,有效地提高了装载率,减少了冗余的运输路线。由于取送货车辆路径问题所带来的复杂车辆容量控制问题,逆选择操作蚁群法的应用也有可能进一步定制和优化部分联合运输策略。现在描述了为取送货车辆路径问题开发的修改后的逆选择操作蚁群法,它与逆选择操作蚁群算法的文献有明显的不同。初始逆选择操作蚁群法限制每第三方物流车辆仅服务一个运输节点。
单节点的取货量通常较少,在取送货车辆路径问题约束中,用第三方物流车辆来服务多个取货点;这样能降低运输成本。因此,有必要重新设计变维数矩阵编码以适应这种变化。同时,对自营物流车辆运载能力的控制也明显不同于供应链管理的第三方物流。原来的方法集中在有第三方物流的供应链管理上,其只需要考虑派送操作。然而,对于研究中的取送货车辆路径问题,同时考虑派送和取货操作。因此,由于车辆运载量的变化越来越复杂,需要进一步定制和优化交换概率方法和功能,为满足部分联合运输策略变化而变化。
逆选择操作蚁群法的两个主要改进被进一步解释如下:
变维数矩阵编码采用部分联合运输策略解决取送货车辆路径问题,方案需要准确地反映自营物流车辆的运输路线、第三方物流车辆的运输路线以及输送节点和第三方物流车辆的交换节点位置。因此,这个取送货车辆路径问题的解决方案被编码为一个矩阵,它的数字表示派送节点号和取货接节点号。他的行索引代表了一个第三方物流车辆能完成的的,取货节点最大数量。列有的值,其中是派送节点的数量,R表示实际使用的自营物流车辆的数量。此外,该矩阵的第一行显示了个用于自营物流车辆调度的派送节点。第2行到行由第三方物流服务调度的取货节点。需要注意的是,在初始变维数矩阵编码和当前例子之间有明显的数量上的不同。
同一列中的运输节点的编码已明确地被要求与第三方物流车辆的运输路线相匹配。一个第三方物流车辆从底部一个取货点离开,依次去访问其他取货点,最终运输货物到第一行派送点。
图7为部分联合运输策略解决取送货车辆路径问题的解决方案,包括7个派送节点和5个取货节点。
图8中提供了这个解决方案的原理图。
由于该编码的特殊性,可以很容易地获得每个节点上自营物流车辆的装载量,从而有效地减少了计算量和时间。
交换概率决策规则,由于上面描述的解决方案编码,在派送节点上分配给他的第三方物流车辆,被要求回收货物并运输到相应的派送点,紧接着自营物流车辆返回到配送中心。第三方物流车辆在拾取节点上分配运输任务,被要求回收和运输货物到相应的交付节点,然后跟踪自支持的物流车辆返回配送中心。因此,在逆选择操作蚁群法交换概率操作阶段中,派送节点和取货节点之间相互关联彼此影响。因此,在修正后的逆选择操作蚁群法中,需要改进交换概率决策规则。虽然分支结构在传统的逆选择操作蚁群法中表述,但它主要关注于只考虑派送操作的带有第三方物流的SCM。使用部分联合运输策略对取送货车辆路径问题进行的研究,车辆容量控制问题必须同时考虑派送和取货操作。对部分联合运输策略的修改增加了车辆运载能力变化的复杂性,并要求对交换概率方法和功能进行进一步的自定义和优化。
本发明提出了两种类型的交换概率操作。在派送节点的交换概率操作的应用程序。将交换概率操作策略应用到派送节点,除了信息素水平和的能见度,还需要考虑取货节点对送货节点的影响。因为当送货任务完成时,空出的空间可以用来完成取货任务。
图9所示的传统方法为送货节点的交换概率方法。
为了交换概率函数,有必要添加一个运输节点相关参数,这个参数考虑到在送货节点上取货的内因。运输节点相关系数是用方程14来算的。
当在送货点的自营物流车辆运载量是,取货点的取货需求量是
用公式15计算交换概率函数。在公式15中是边的信息素水平。是边的能见度。这里是三个参数,分别控制参数记录的相对权重,吸引力和运输节点相关度
在取货节点应用交换概率操作。为了将交换概率操作策略应用到取货节点,需要用第三方物流车辆取货后运输货物到相应的派送节点,然后跟随自助物流车辆返回配送中心。另外,每个派送点为多个取货节点服务,但是仅提供一辆第三方物流车辆就行。很明显,在运输物流网络中也存在着分支结构。然而,这种分支结构与带第三方物流的SCM中现有的分支结构有区别。在每个分支中,可能有两个或更多的运输节点。因此,我们开发了一种改进的逆选择操作交换概率方法来解决这个问题:对于蚂蚁,假设是在未访问节点集合中的第一个节点,集合由取货节点组成。然后计算从i到访问节点集合中的每个元素的转换概率,包含送货节点。假设点是在中被选择的点,把点放到巡回路列的末端,然后从集合中删除点,同时,把点放入到在访问点集中作为被选点。
图10中说明了修改后的逆选择操作交换概率计算方法。
由于取货点的选择取决于当前自营物流车辆的装载能力和选定的配送需求,为了正确地表达交换概率函数,有必要添加一个车辆容量相关参数,考虑到在取货点上的自营物流车辆的能力。车辆的容量相关性是由公式16计算。
符号被定义为一个特殊的数学函数,如公式17所示。是一个控制参数。当取货点的取货需求大于或等于,车辆容量相关= 0.在这种情况下,取
货点需求由第三方物流车辆直接运送到配送中心。当取货点的取货需求小于同时取货点的取货需求总和,在派送点的相应车辆能力越大,被选择的机会越大。交换概率函数是由方程18计算
公式18中,是边的信息素,是边的能见度。这里是三个参数,分别控制参数记录的相对权重,吸引力和车辆能力相关度
试验研究了部分协同运输(部分联合运输)策略的优越性,并对所提出的逆选择操作蚁群法的性能进行了评估。所罗门(1987)首先,提出了基于基准实例的5个不同特征场景和大型实例的小规模实例。其次,得到并分析了计算结果。
此外,本发明还进行了一些扩展实验,以评估运输节点相关参数和车辆容量相关参数的影响。所有的程序都是用数字图像处理编写的,所有的实验都是在2.50千兆赫中央处理器和 8.0 GB 内存的电脑上运行的。
基于取送货车辆路径问题的特性,生成了小规模和大规模的实例。小实例主要用于检验不同配送的部分联合运输策略的效果。用大规模算例对所提出的性能进行了评价。
针对取送货车辆路径问题的小规模实例:
一个配送中心有4种类型自营物流车辆。与此同时,主要企业已经将一些临时任务外包给了一个第三方物流企业。表2显示了每种类型的自营物流车辆的车辆容量、一次性启动成本和最大里程信息
配送中心有4个配送任务和5个取货任务。5个情景包括这些任务中的一些。运输成本包括配送中心、派送点和取货点不同类型自营物流车辆,第三方物流车辆显示在表A.1-A.9.“-”代表了车辆无法完成运输任务。我们将用以下五个不同的场景来测试运输策略:
场景 I.
一个配送中心包括4个派送点和2个取货点。2个取货点中的1个有高需求量。取货任务总量小于车辆运载能力约束。在这个例子中,这个特殊取货点的任务将随自营物流车辆返回到配送中心。
场景 II.
1个配送中心包括3个派送点和2个取货点,2个取货点中的1个有较高需求量。与场景 I不同,取货任务总量高于车辆运载能力约束。在这个例子中,这个特殊的取货点需要直接运输到配送中心有第三方物流车辆。
场景 III.
一个配送中心包括4个派送点和2个取货点。2个取货点中的1个取货点距离较远。由于燃料消耗和最大的传输距离限制,这个节点可能无法获得服务。在这种情况下,这个取货节点需要第三方物流车辆进行回收,将货物运输到相应的配送节点,然后自营物流车辆返回配送中心。
场景 IV.
一个配送中心包括4个派送点和2个取货点。在物流网络的某些部分,第三方物流物流运输成本远远高于自有运输成本。考虑 (,这里s(a; b) 和3(a; b) 分别代表从点a到点的自营物流车辆运输成本和第三方物流运输成本。在这个例子中,取货点将由自营物流车辆运输
场景 V
一个配送中心包括4个派送点和2个取货点。当自营物流车辆完成派送点的送货任务,车辆的运载能力不能完成下一个取货点的取货任务。这个例子中,取货点将运输到下一个派送点,这个派送点距离附近派送点也有较远的距离。这些场景具有不同的送货和取货需求,在表3中给出。同时,也分别研究了回程取货的车辆路径问题和混合装卸车辆路径问题策略的结果。
大规模实例取送货车辆路径问题。用于运输节点坐标和需求的大型测试数据基于来自所罗门 (1987)基准实例测试的数据. 派送节点、取货节点-I和取货节点-II是根据它们各自的特征随机生成的。在此基础上,我们通过随机的均匀分布来生成15个大规模的实例(PR1- PR5) ,(PC1 - PC5)分别显示在表15中。第二列,P/D,表示取货/送货客户的数量。
计算结果和分析:
计算实验是在小规模和大规模的随机分布的实例上进行的。将逆选择操作蚁群算法与商业求解程序IBM ILOG 求解器(版本12.4)和算法的求解方法进行了比较,分别从目标函数值、相应的拖拉机数量和计算时间等方面进行了比较。
小规模实施例:
对部分联合运输策略以及逆选择操作的优势和性能进一步的评估分析。将分为小规模实例和大规模实例两部分。其中小规模实例将采取五个具有不同节点分布特征的实例进行验证。
H公司是一家具有4种不同类型自营物流车辆的物流服务企业。同时,为了了增加核心竞争力,充分利用企业现有的物流资源,并提高自身资源的利用率。将取货任务部分或者完全的外包给其他第三方物流企业进行运输。表2显示了每种规格的自营物流车辆的规格型号、容量、单次调用成本以及最大里程数等信息。
实施例1
H公司在此情景下,收到一个4个送货点、2个取货点的取送运输订单。在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量。同时,所有取货任务的总量小于自营车辆的最大车容量。在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回H公司的配送中心。
实施例2
H公司在此情景下,收到一个4个送货点、2个取货点的取送运输订单。在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量。同时,与实例情景1不同,如果这个取货点需要跟随自营物流车辆运输,则自营物流车辆所有取货任务需求量的总和将超过该自营车辆的最大车容量。在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业直接运输到H公司的配送中心。
实施例3
H公司在此情景下,收到一个4个送货点、2个取货点的取送运输订单。在两个取货点中,有1个取货点具有较为偏远的地理位置,由于自营物流运输车辆的最大里程数限制因素,这种取货节点可能无法获得运输服务。在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回H公司的配送中心。
实施例4
H公司在此情景下,收到一个4个送货点、2个取货点的取送运输订单。而对于物流网络中的部分运输路径中,第三方物流的运输成本要远远高于自营物流车辆的运输成本。在这种节点分布情景下,将不采用部分联合运输运输策略,对应的取货节点的运输任务直接采用自营物流车辆完成。
实施例5
H公司在此情景下,收到一个4个送货点、2个取货点的取送运输订单。当自营物流车辆完成了某个送货节点的送货任务后,当前车容无法完成这个送货节点对应的取货任务。在这种节点分布情景下,取货点将被运输到下一个送货节点处。
小规模实施例结果分析
对于表4中的小规模实例分析中,部分联合运输运输策略相对于传统的回程取货的车辆路径问题和混合装卸车辆路径问题运输策略在总运输成本方面,Gap指数分别降低了-23.13%和-4.76%。仿真结果表明,在五种不同的情况下,部分联合运输策略相比回程取货的车辆路径问题 和 混合装卸车辆路径问题 策略,成本降低的更多。特别是对于在场景 III中,具有远程位置的派送节点,部分联合运输 策略可能完成那些不能由自有车辆完成的任务。部分联合运输策略相对于另外两种策略相比,运输成本的降低来自于两个方面:首先,是车辆的单次调用成本方面。由于部分联合运输策略引入到第三方物流企业完成部分的运输任务,使得自营物流车辆在运输过程中,始终保持着一个较高的车辆装载率,因此相对于传统运输策略,可以调用较少数量的自营物流车辆完成这些运输任务。其次,把部分取货运输任务外包给第三方物流企业,减少了许多原有的冗余运输路程,因此对车辆运输成本也有很大的降低。
部分联合运输策略与传统运输策略的优势对比如图14所示。
大规模实例中的物流运输节点坐标和需求量数据是基于1987年所罗门为带时间窗的车辆路径问题所提出的标准测试算例生成。送货节点、第一类取货节点、第二类取货节点根据各自的节点特征随机生成为15个大规模实例。其中,15个大规模测试实例分为密集型 (PC1 - PC5)、离散型(PR1 - PR5)、半密集型(PRC1 - PRC5)。实例的规模如表5所示,表5的第二列:P/D表示取货/送货客户数量比例关系。
对于表5中给出的大规模实例,我们设定求解器算法的最大运算时间为4小时,并且记录出当前最优解的及其下边界。经过实例测试分析表明,逆选择操作蚁群算法相对于商业算法求解器和蚁群算法相比,能够更快的得到最优解。对于求解器进行问题求解时,由于取货点和送货点在进行节点选择时相互影响和相互作用,很难确定算法的搜索方向。因此,计算的复杂度呈指数性增长,进而很大找到问题的最优解。而对于蚁群算法的求解,虽然该算法能够搜索到问题的最优解,但需要耗费较长的运算时间,并且算法的稳定性较差。与本文所提出的逆选择操作蚁群算法相比,传统的蚁群算法没有考虑取货点和送货点在进行节点选择时相互影响和相互作用,因此传统蚁群在进行算法求解时不能够保证求解过程中算法始终在可行解范围内进行求解。另一方面,传统蚁群算法采用随机生成初始解的方式进行求解,导致求解空间中存在着大量的不可行解,进而降低了算法的运算效率。
小规模的测试实例
对于表4中的小规模随机分布的实例,求解器可以在合理的时间内获得500个最优解。
图11-图13也显示了与PCT(部分联合运输策略)相对应的每个场景的车辆路由。
与回程取货的车辆路径问题和混合装卸车辆路径问题策略的总成本相比,平均增幅2和增幅3是-23.13%和-4.76%,仿真结果表明,在五种不同的情况下,部分联合运输策略相比回程取货的车辆路径问题和混合装卸车辆路径问题策略,成本降低的更多。特别是对于在场景III中,具有远程位置的派送节点,部分联合运输策略可能完成那些不能由自营物流车辆完成的任务。
图14显示了部分联合运输策略的优越性。
逆选择操作蚁群算法可以在短时间内获得接近最佳的解决方案。
大规模的测试实例,对于表5中大规模随机分布的实例,将最大的估计运行时间设置为4个小时,并记录当前最优解及其下界。它表明,逆选择操作蚁群算法总是能够比求解器和逆选择操作更好地得到解决方案。为了解决求解器的问题,由于取货点和送点之间相互关联和相互作用,搜索方向是难以确定的。计算复杂度呈指数级增长,而最优解则无法找到。对于逆选择操作求解求解器,虽然它也能找到最优解,但它需要更长的计算时间,而且解缺乏稳定性。与提到的逆选择操作蚁群算法不同,传统的逆选择操作解决方案不考虑送货任务和取货任务之间的相互关联和相互作用。
因此,这种方法不能保证它总是在找到可行解中起作用。逆选择操作随机生成的解,为解空间带来了大量不可行解,从而减少了解的准确性。
部分联合运输策略的有效性分析:在什么条件下应该引入部分联合运输策略。就像场景IV的情况一样,放弃了部分联合运输策略的引入,转而使用混合装卸车辆路径问题策略。结果表明,当第三方物流运输成本明显高于自有运输成本时,部分联合运输策略可能不适用。此外,如表5所示,可以看到在实例(PRC1 -PRC5)中,提出的部分联合运输策略比逆选择操作蚁群算法的性能相对较好.半集群分布实例(PC1-PC5)并没有很好地应用部分联合运输策略,这是因为在这类问题中的运输任务都是集群的,更适合于自营物流车辆进行送货和取货任务。因此,部分联合运输策略可以在半集群分布的送货和取货任务中发挥最大的优势。
附表
。
Claims (8)
1.一种混合装卸车辆协同调度运输方法,其特征在于,所述方法包括以下三种运输模式:
1)派送点:自营物流车辆从配送中心开始,在派送点上多次停靠完成装货,最终返回配送中心;
2)取货点-I:有大需求量的取货点;这类的取货节点被要求直接将货物从取货点送到配送中心,以避免出现车辆运载量过大,从而可能影响其他运输任务;
3)取货点-II:剩余的取货点;这类取货点由第三方物流车辆完成取货,将货物送到相应的派送点,然后自营物流车辆返回配送中心;
在回程取货的车辆路径问题和混合装卸车辆路径问题策略中所显示的,所有的运输任务都需要由自营物流车辆来完成;送货需求点和取货需求点采用不同的运输方式;同时,取货需求点将采用基于取货量的两种不同的运输方式;变维数矩阵编码采用部分联合运输策略解决取送货车辆路径方案,需要准确地反映自营物流车辆的运输路线、第三方物流车辆的运输路线以及输送节点和第三方物流车辆的交换节点位置;在派送节点的交换概率操作的程序,将交换概率操作策略应用到派送节点,虑取货节点对送货节点的影响,当送货任务完成时,空出的空间用来完成取货任务;在取货节点应用交换概率操作,用第三方物流车辆取货后运输货物到相应的派送节点,然后跟随自助物流车辆返回配送中心。
2.根据权利要求1所述的一种混合装卸车辆协同调度运输方法,其特征在于,同一列中的运输节点的编码已明确地被要求与第三方物流车辆的运输路线相匹配;一个第三方物流车辆从底部一个取货点离开,依次去访问其他取货点,最终运输货物到第一行派送点。
3.根据权利要求1所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述部分联合运输策略解决方案中包括7个派送节点和5个取货节点;由于该编码的特殊性,可以直接读取每个节点上自营物流车辆的装载量。
4.根据权利要求1所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述对部分联合运输策略以及逆选择操作的优势进一步分析,将具有4种不同类型自营物流车辆的物流服务企业,将取货任务部分或者完全的外包给其他第三方物流企业进行运输;小规模情景下,收到一个4个送货点、2个取货点的取送运输订单;在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量;同时,所有取货任务的总量小于自营车辆的最大车容量;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回公司的配送中心。
5.根据权利要求4所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述小规模情景下,收到一个4个送货点、2个取货点的取送运输订单;在两个取货点中,有1个取货点需求量较高,并会占用较大的车容量;同时,与实例情景1不同,如果这个取货点需要跟随自营物流车辆运输,则自营物流车辆所有取货任务需求量的总和将超过该自营车辆的最大车容量;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业直接运输到公司的配送中心。
6.根据权利要求4所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述小规模情景下,收到一个4个送货点、2个取货点的取送运输订单;在两个取货点中,有1个取货点具有较为偏远的地理位置,由于自营物流运输车辆的最大里程数限制因素,这种取货节点可能无法获得运输服务;在这种节点分布情景下,这个特殊的取货节点的运输将采用第三方物流企业运输到对应的送货点后,跟随自营物流车辆返回公司的配送中心。
7.根据权利要求4所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述小规模实例情景下,收到一个4个送货点、2个取货点的取送运输订单;而对于物流网络中的部分运输路径中,第三方物流的运输成本要远远高于自营物流车辆的运输成本;在这种节点分布情景下,将不采用部分联合运输运输策略,对应的取货节点的运输任务直接采用自营物流车辆完成。
8.根据权利要求4所述的一种混合装卸车辆协同调度运输方法,其特征在于,所述小规模实例情景下,收到一个4个送货点、2个取货点的取送运输订单;当自营物流车辆完成了某个送货节点的送货任务后,当前车容无法完成这个送货节点对应的取货任务;在这种节点分布情景下,取货点将被运输到下一个送货节点处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711119512.XA CN108022070B (zh) | 2017-11-14 | 2017-11-14 | 一种混合装卸车辆协同调度运输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711119512.XA CN108022070B (zh) | 2017-11-14 | 2017-11-14 | 一种混合装卸车辆协同调度运输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022070A true CN108022070A (zh) | 2018-05-11 |
CN108022070B CN108022070B (zh) | 2021-10-29 |
Family
ID=62079867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711119512.XA Expired - Fee Related CN108022070B (zh) | 2017-11-14 | 2017-11-14 | 一种混合装卸车辆协同调度运输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022070B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507545A (zh) * | 2020-12-04 | 2021-03-16 | 北京邮电大学 | 一种基于系统仿真的室内无人配送模式设计方法 |
CN113780711A (zh) * | 2021-03-02 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 集合单处理方法及装置、电子设备、计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10130279A1 (de) * | 2001-06-26 | 2003-01-23 | Btt Bahn Tank Transp Gmbh Deut | Rechnergesteuertes Transportmanagementsystem mit Vorausberechnung des Zeitverhaltens von Produktwerten |
CN101593298A (zh) * | 2008-05-26 | 2009-12-02 | 北京中食新华科技有限公司 | 一种汽车物流供应链管理方法 |
DE102013204279A1 (de) * | 2013-03-12 | 2014-09-18 | Heinz Buse | Ladungsträger für kombinierten Warenverkehr |
CN104182860A (zh) * | 2014-09-01 | 2014-12-03 | 东南大学 | 一种具备物流运输功能的公交车辆及其物流运输系统 |
CN105913213A (zh) * | 2016-06-08 | 2016-08-31 | 沈阳工业大学 | 仓储集货模式下逆向物流回收车辆调度方法 |
CN106096881A (zh) * | 2016-06-08 | 2016-11-09 | 沈阳工业大学 | 仓储集货模式车辆路径逆选择操作方法 |
-
2017
- 2017-11-14 CN CN201711119512.XA patent/CN108022070B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10130279A1 (de) * | 2001-06-26 | 2003-01-23 | Btt Bahn Tank Transp Gmbh Deut | Rechnergesteuertes Transportmanagementsystem mit Vorausberechnung des Zeitverhaltens von Produktwerten |
CN101593298A (zh) * | 2008-05-26 | 2009-12-02 | 北京中食新华科技有限公司 | 一种汽车物流供应链管理方法 |
DE102013204279A1 (de) * | 2013-03-12 | 2014-09-18 | Heinz Buse | Ladungsträger für kombinierten Warenverkehr |
CN104182860A (zh) * | 2014-09-01 | 2014-12-03 | 东南大学 | 一种具备物流运输功能的公交车辆及其物流运输系统 |
CN105913213A (zh) * | 2016-06-08 | 2016-08-31 | 沈阳工业大学 | 仓储集货模式下逆向物流回收车辆调度方法 |
CN106096881A (zh) * | 2016-06-08 | 2016-11-09 | 沈阳工业大学 | 仓储集货模式车辆路径逆选择操作方法 |
Non-Patent Citations (3)
Title |
---|
刘建国: "多经销商竞争的整车物流联合运输策略", 《中国管理科学》 * |
刘艳秋等: "考虑路径可行性与仓储集货模式下的回收车辆路径问题研究", 《中国管理科学》 * |
翁克瑞等: "协同运输的路线整合问题研究", 《中国管理科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507545A (zh) * | 2020-12-04 | 2021-03-16 | 北京邮电大学 | 一种基于系统仿真的室内无人配送模式设计方法 |
CN112507545B (zh) * | 2020-12-04 | 2022-07-15 | 北京邮电大学 | 一种基于系统仿真的室内无人配送模式设计方法 |
CN113780711A (zh) * | 2021-03-02 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 集合单处理方法及装置、电子设备、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108022070B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mangina et al. | Data analytics for sustainable global supply chains | |
Cruijssen | Cross-chain collaboration in logistics | |
CN105930928A (zh) | 基于acp的平行物流信息系统及其构建方法 | |
Scherbakov et al. | Logistics of smart supply chains | |
Zou et al. | Online food ordering delivery strategies based on deep reinforcement learning | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
Wang et al. | A methodology to exploit profit allocation in logistics joint distribution network optimization | |
Yang et al. | Models and Methods for Two‐Echelon Location Routing Problem with Time Constraints in City Logistics | |
CN108022070A (zh) | 一种混合装卸车辆协同调度运输方法 | |
Chu et al. | An efficient auction mechanism for regional logistics synchronization | |
Essghaier et al. | Fuzzy multi-objective truck scheduling in multi-modal rail–road Physical Internet hubs | |
Miao et al. | A hybrid genetic algorithm for the multiple crossdocks problem | |
Dulia et al. | How to Negotiate with Private Investors for Advanced Air Mobility Infrastructure? An Analysis of Public Private Partnerships Using Game Theory | |
Veeke et al. | Conceptual design of industrial systems: an approach to support collaboration | |
Weng et al. | An intelligent offloading system based on multiagent reinforcement learning | |
Tasche et al. | Digital Supply Chain Twins in Urban Logistics System–Conception of an Integrative Platform | |
Kazemi et al. | Locomotive fuel management with inline refueling | |
Wang | A Business Management Resource‐Scheduling Method based on Deep Learning Algorithm | |
CN111062666A (zh) | 基于区块链的双向可持续竟单及转单方法、介质及终端 | |
Gallardo Ocampo | Essential elements of the energy transition for freight movements: data mining, modelling tools and policy scenarios-with case study in New Zealand | |
Zhang et al. | CPEL redesigns its land express network | |
Feng et al. | Research on digital logistics parks' horizontal cooperation with Cloud platform: from the perspective of tripartite evolutionary game | |
Ji et al. | [Retracted] Research on Emergency Logistics Vehicle Route Scheduling and Optimization Method Based on Multi‐Intelligent Decision System | |
Khodemaniyazdi | An Adaptive Large Neighborhood Search Algorithm for Tactical Planning of a Single-Segment Corridor Network in a Many-to-one-to-many Transportation System | |
Ngui | Port Expansion Strategy as Catalyst to Achieving Critical Mass for Sabah’s Economic Growth |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211029 |