CN109032789A - 一种物流网络的部署方法、装置和服务器 - Google Patents

一种物流网络的部署方法、装置和服务器 Download PDF

Info

Publication number
CN109032789A
CN109032789A CN201810708209.1A CN201810708209A CN109032789A CN 109032789 A CN109032789 A CN 109032789A CN 201810708209 A CN201810708209 A CN 201810708209A CN 109032789 A CN109032789 A CN 109032789A
Authority
CN
China
Prior art keywords
logistics network
solution
route
target value
iterations
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
Application number
CN201810708209.1A
Other languages
English (en)
Other versions
CN109032789B (zh
Inventor
镇璐
夏俊
黄琳
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810708209.1A priority Critical patent/CN109032789B/zh
Publication of CN109032789A publication Critical patent/CN109032789A/zh
Application granted granted Critical
Publication of CN109032789B publication Critical patent/CN109032789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及物流技术领域，公开了一种物流网络的部署方法、装置和服务器。本发明中的物流网络的部署方法，包括：根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，根据该目标值，确定最优物流网络部署方案；其中，数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识路线行驶时间的第一决策变量、标识路线上部署的运输车数量的第二决策变量和标识所述用户基地是否在所述路线上的第三决策变量之间关系的第一目标函数。本实施方式使得可以快速、准确地确定最小化所有用户基地内待运输物品的平均等待时间，从而确定合理的物流网络部署方案。

Description

一种物流网络的部署方法、装置和服务器
技术领域
本发明实施例涉及物流技术领域，特别涉及一种物流网络的部署方法、装置和服务器。
背景技术
通过物流公司能够实现物品从供应地向接收地的流动，随着人们需求的不断增加，出现不同规模的物流公司。而物品的运输速度通常与物流网络相关，物流网络是指由执行物流运动使命的线路、执行物流停顿使命的用户基地、以及部署在每条线路上的运输车所组成的网络结构。目前，用户对物流的满意度通常可以通过用户基地内待运输物品的平均等待时间来衡量。
发明人发现现有技术中至少存在如下问题：由于物流网络是由线路、用户基地和每条线路上部署的运输车组成，通常设定运输车以固定频率访问用户基地，以此求解最小化用户基地内待运输物品的平均等待时间。虽然，待运输物品的等待时间主要取决于结点在当前线路上运输车的访问频率，但是，在实际应用中，用户基地接收待运输物品的时间随机，且该访问频率受到该线路的行驶时间和该线路中部署的车辆数目的影响，导致无法快速且准确地确定最小化所有用户基地内待运输物品的平均等待时间。
发明内容
本发明实施方式的目的在于提供一种物流网络的部署方法、装置和服务器，使得可以快速、准确地确定最小化所有用户基地内待运输物品的平均等待时间，从而确定合理的物流网络部署方案。
为解决上述技术问题，本发明的实施方式提供了一种物流网络的部署方法，包括：根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，目标值为最小化所有用户基地内待运输物品等待时间，其中，物流网络部署方案包括：转运基地的数量、用户基地的数量、用户基地之间或者用户基地与转运基地之间形成的路线以及部署的总运输车数量，转运基地用于转存用户基地运输来的物品；根据该目标值，确定最优物流网络部署方案；其中，数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识路线行驶时间的第一决策变量、标识路线上部署的运输车数量的第二决策变量和标识所述用户基地是否在所述路线上的第三决策变量之间关系的第一目标函数，第一决策变量和第二决策变量均根据转运基地的数量、用户基地的数量和所述路线和部署的总运输车数量确定。
本发明的实施方式还提供了一种物流网络的部署装置，包括：目标值计算模块、确定模块；目标值计算模块，用于根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，目标值为最小化所有用户基地内待运输物品等待时间，其中，物流网络部署方案包括：转运基地的数量、用户基地的数量、所述用户基地之间或者用户基地与转运基地之间形成的路线以及部署的总运输车数量，转运基地用于转存用户基地运输来的物品；确定模块，用于根据目标值，确定最优物流网络部署方案；其中，数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识路线行驶时间的第一决策变量、标识路线上部署的运输车数量的第二决策变量和标识用户基地是否在路线上的第三决策变量之间关系的第一目标函数，第一决策变量和第二决策变量均根据转运基地的数量、用户基地的数量、路线和部署的总运输车数量确定。
本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的物流网络的部署方法。
本发明实施方式相对于现有技术而言，建立物流网络部署方案中的参数与最小化所有用户基地内待运输物品的等待时间之间关系的数学模型，从而通过对数学模型的求解，就可以计算出每种物流网络部署方案的最小化所有用户基地内待运输物品的等待时间，由于最小化所有用户基地内待运输物品的等待时间是用户对物流的满意度的评价标准，因而通过最小化所有用户基地内待运输物品的等待时间，即可从多种物流网络部署方案中选取出最优的物流网络部署方案，合理且有效的实现对物流网络的部署。
另外，数学模型还包括：第一目标函数的约束条件。本实施方式通过增加第一目标函数的约束条件，从而简化对第一函数求解的难度。
另外，根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，具体包括：对数学模型进行线性化处理，获得线性化数学模型；根据至少一种物流网络部署方案，求解线性化数学模型并获得每种物流网络部署方案的目标值；其中，线性化数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识用户基地所在路线上部署的运输车的行驶距离的第一变量之间关系的第二目标函数，第一变量根据标识在路线上部署了预设运输车数量的第二变量、第一决策变量和第三决策变量确定。本实施方式中通过对数据模型进行线性化处理，且经过线性化处理之后，减少了决策变量的数目，从而减小了求解最小化所有用户基地内待运输物品的等待时间的复杂度，缩短了求解时间，提高求解的效率。
另外，线性化数学模型还包括：第二目标函数的约束条件。本实施方式通过增加第二目标函数的约束条件，从而进一步简化对第二函数求解的难度。
另外，采用局部分支算法或者粒子群算法求解线性化数学模型。在处理线性化方案时通过局部分支算法和粒子群算法，可以加快求解的速度。
另外，若采用局部分支算法，则根据至少一种物流网络部署方案，求解线性化数学模型并获得每种物流网络部署方案的目标值，具体包括：
S1：在确定了可迭代的第一最大迭代次数以及允许连续未提高当前解质量的第二最大迭代次数之后，获取初始迭代次数对应的初始解和适应度值，将目标值更新为初始迭代次数对应的适应度值，初始解是满足预设条件后求解线性化数学模型获得的第三决策变量的值；
S2：根据初始解确定分支以及下一次迭代的求解范围，分支为初始解与该初始解的邻域值之间的不等式关系；
S3：在确定的下一次迭代的求解范围内对线性化数学模型进行求解，获取新的解和对应的新的适应度值；
S4：更新迭代次数，并判断获取得到的新的适应度值是否大于或等于目标值；
S5：若是，将连续未提高当前解质量的迭代次数加1，并根据第一新增约束关系重新确
下一次迭代的求解范围，并执行S7；
S6：否则，将目标值更新为新的适应度值以及将连续未提高解的迭代次数置为0，并根据第二新增约束关系重新构建下一次迭代的求解范围，并执行S7；
S7：判断当前已迭代次数是否小于第一最大迭代次数且当前为提高解的迭代次数是否小于第二最大迭代次数，若是，则返回执行S3，否则，获取目标值作为线性化数学模型的目标值。本实施方式细化了通过局部算法求解的过程。
另外，第一新增约束关系的表达式为：第二新增约束关系的表达式为：|γ-γ[n]|≤g；其中，γ表示所有属于第三决策变量的二进制值，γ[n]表示第n次迭代中得到的第三决策变量的解，n为非负整数，g表示邻域空间的大小。本实施方式中通过第一新增约束关系扩大了求解范围，从而在下一次进行迭代计算时增加找到更优解的概率；当前解在第n次被提高了解的质量，那么通过第二新增约束关系求出下一次迭代的求解范围，通过第一新增约束关系和第二新增约束关系，减小了求解的时间。
另外，若采用粒子群算法，则根据至少一种物流网络部署方案，求解线性化数学模型并获得每种物流网络部署方案的目标值，具体包括：
S1：初始化n个粒子，获取用户基地在线路中的初始分配，初始的迭代次数置为1，连续未提高当前解质量的迭代次数置为0，n为大于0的整数，其中，每一个粒子表示一个第三决策变量的解值；
S2：随机生成一个数值范围在0至1之间的浮点数，若该浮点数的数值小于预设概率值，则重新生成n个粒子并执行步骤S3，否则，直接执行步骤S3；
S3：当路线满足预设约束条件，则为路线分配一个所述转运基地，预设约束条件为：∑i∈Iγir＞0，其中，γir表示用户基地i是否在路线r上的值，i表示用户基地的索引，I表示用户基地集合；
S4：根据转运基地和路线求解线性化数学模型，将求解得到的线性化数学模型的目标值作为当前迭代次数对应的每一粒子的适应度值；
S5：更新每个粒子的个体最优和根据所有粒子确定的全局最优，并判断更新后获得的解是否被提高质量，若是，则将连续未提高当前解质量的迭代次数置为0，否则，将连续未提高当前解质量的迭代次数加1；
S6：根据粒子群的速度公式和位置公式，更新每个粒子的速度和位置；
S7：若存在越界的粒子，则重新生成越界粒子的速度和位置，并返回执行S3；
S8：更新迭代次数，判断更新后的迭代次数是否等于最大迭代次数或者连续未提高当前解质量的迭代次数是否等于最大次数，若是，则终止粒子群算法，否则返回执行S3。
本实施方式限定了使用粒子群算法求解的具体过程。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明第一实施方式提供的一种物流网络的部署方法的具体流程示意图；
图2a是根据本发明第一实施方式提供的一种物流网络的部署方法中的一种物流网络部署方案；
图2b是根据本发明第一实施方式提供的一种物流网络的部署方法中的另一种物流网络部署方案；
图3是根据本发明第二实施方式提供的一种物流网络的部署方法中使用局部分支算法的求解线性化模型的具体流程示意图；
图4是根据本发明第三实施方式提供的一种物流网络的部署方法中使用粒子群算法的求解线性化模型的具体流程示意图；
图5是根据本发明第三实施方式提供的一种物流网络的部署方法中不同规模下的物流网络部署方案中运输车数量对目标值的影响趋势；
图6是根据本发明第四实施方式提供的一种物流网络的部署装置的具体结构示意图；
图7是根据本发明第五实施方式提供的一种服务器具体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种物流网络的部署方法，该方法的具体流程如图1所示。
步骤101：根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，目标值为最小化所有用户基地内待运输物品等待时间。
具体的说，物流网络部署方案包括：转运基地的数量、用户基地的数量、用户基地之间或者用户基地与转运基地之间形成的路线以及部署的总运输车数量，转运基地用于转存用户基地运输来的物品。例如，假设有3个用户基地，1个转运基地、总共5运输车，物流网络可以如图2a中所示，也可以如图2b中所示。
为了从多种物流网络部署方案中选出最优的部署方案，首先需要构建关于最小化所有用户基地内待运输物品等待时间的数学模型，该数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识路线行驶时间的第一决策变量、标识路线上部署的运输车数量的第二决策变量和标识用户基地是否在所述路线上的第三决策变量之间关系的第一目标函数，第一决策变量和第二决策变量均根据转运基地的数量、用户基地的数量、路线和部署的总运输车数量确定。同时，该数学模型还包括，第一目标函数的约束条件。需要说明的是，第二决策变量标识每条路线上部署的运输车数量，且每条路线上部署的运输车数量之和等于部署的总运输车数量，而每条路线的确定需要根据转运基地数量、用户基地数量以及规划出的路线确定。
具体实现中，第一目标函数用公式(1)表示：
其中，i表示用户基地的索引，r表示路线的索引，R表示所有路线的集合，N表示所有用户基地的集合，bi表示用户基地i随机分配的待运输物品的数量，τr为第一决策变量，表示路线r的行驶时间；βr为第二决策变量，表示路线r上部署的运输车数量，第二决策变量为整型变量；γir为第三决策变量，表示用户基地i是否在路线r上的变量，本实施方式中该γir值为二进制变量，若用户基地i在路线r上，那么γir为1，否则，γir为0。S为接近于0的非负参数。当然，γir还可以为其他进制的变量，本实施方式不对此做限制。
需要说明的是，由于到达每个用户基地内的待运输物品的时间不确定，因而，任意用户基地内的待运输物品的平均等待时间通过计算该用户基地所在路线的循环时间的一半来获得，其中，循环时间等于当前路线的行驶时间除以部署在当前路线上的运输车数量，即路线r上的每一个用户基地内的待运输物品的平均等待时间的计算公式为：当然，在实际生活中，存在路线r上没有用户基地的情况，若路线r上没有用户基地，则不会部署运输车，即βr的值为0，为了符合运算规则，引入S参量，用于处理路线上没有用户基地的情况。
一个具体的实现中，该数学模型还包括：第一目标函数的约束条件，具体的约束条件如公式(2)至公式(17)：
其中，公式(2)保证了每个用户基地必须且只能被包含在一条路线中；K表示部署的总运输车数量，即公式(3)要求所有的运输车都要被部署；公式(4)为每条路线行驶时间的计算公式，其中，H表示转运基地的集合，i，j，h均表示用户基地或转运基地的索引，tij表示从用户基地i到用户基地j之间的行驶距离，或者表示从转运基地i到转运基地j之间的行驶距离，或者表示从用户基地i到转运基地j之间的行驶距离，或者表示转运基地i到用户基地j之间的行驶距离；αijr表示路线r中，用户基地(转运基地)i与用户基地(转运基地)j是否相连的二进制变量，若相连，则αijr的值为1，否则，αijr值为0。公式(5)保证了每条路线最多连接一个转运基地，其中，δhr表示转运基地h是否与路线r相连的二进制变量，若相连，则δhr的值为1，否则，δhr的值为0。公式(6)保证了每个转运基地能连接最多E条路线，其中，E为每个转运基地能连接的路线的最大数量值。公式(7)和公式(8)可以确保不包含用户基地的路线不会与任何一个转运基地连接，其中，αhjr表示路线r中，用户基地(转运基地)h与用户基地(转运基地)j是否相连的二进制变量，若相连，则αhjr的值为1，否则，αhjr值为0；δhr表示转运基地h是否与路线r相连的二进制变量，若相连，则δhr值为1，否则，δhr值为0。公式(9)约束了αijr、αiir和γir之间的关系。公式(10)用于消除子环，其中，μir表示在路线r上对用户基地i的访问顺序的整型变量。公式(11)是反对称约束，用于缩小求解范围。公式(12)至公式(17)定义了各个变量的类型和取值范围。
根据数学模型中的第一目标函数以及约束关系，将物流网络部署方案中的已知量带入，即可求解出每种物流网络部署方法的最小化所有用户基地内待运输物品等待时间。例如，假设转运基地的数量为1个，用户基地的数量为3个，部署的运输车的数量为5，根据3个已知量进行如图2a的物流网络的部署，那么，可以根据部署方案，确定出第一决策变量、第二决策变量以及第三决策变量，从而求解出第一目标函数的目标值。
步骤102：根据该目标值，确定最优物流网络部署方案。
具体的说，每一中物流网络部署方案中的已知量带入数学模型中，即可求解出对应的目标值，从而可以根据目标值，选取出最优的物流网络部署方案。例如，假设转运基地的数量为1个，用户基地的数量为3个，部署的运输车的数量为5，若根据该参数，设计出对应的两种物流网络部署方案，如图2a以及图2b所示，若图2a中所示的物流网络部署方案对应的目标值为AA，图2b中所示的物流网络部署方案对应的目标值为BB，且AA＞BB，那么可以选取图2b中所示的物流部署方案。当然，该例子中，是根据转运基地的数量、用户基地的数量以及确定部署的运输车的数量确定出对应的物流部署方案，在实际生活中，转运基地的数量、用户基地的数量以及确定部署的运输车的数量也是物流网络部署方案中需要考虑。
本发明实施方式相对于现有技术而言，建立物流网络部署方案中的参数与最小化所有用户基地内待运输物品的等待时间之间关系的数学模型，从而通过对数学模型的求解，就可以计算出每种物流网络部署方案的最小化所有用户基地内待运输物品的等待时间，由于最小化所有用户基地内待运输物品的等待时间是用户对物流的满意度的评价标准，因而通过最小化所有用户基地内待运输物品的等待时间，即可从多种物流网络部署方案中选取出最优的物流网络部署方案，合理且有效的实现对物流网络的部署。
本发明的第二实施方式涉及一种物流网络的部署方法。第二实施方式是对第一实施方式的进一步改进，主要改进之处在于：在本发明第二实施方式中，对数学模型进行线性化处理，获得线性化数学模型，根据至少一种物流网络部署方案，求解线性化数学模型并获得每种物流网络部署方案的目标值。
由于第一目标函数中包含了三个决策变量，增加了求解的难度，为了简化求解的难度，对该数学模型进行线性化处理，得到线性化数学模型。该线性化数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识用户基地所在路线上部署的运输车的行驶距离的第一变量之间关系的第二目标函数，其中，第一变量根据标识在路线上部署了预设运输车数量、第一决策变量和第三决策变量确定。
具体的说，对公式(1)中的第一目标函数进行线性化处理，即可得到对应的第二目标函数，第二目标函数该第二目标函数如公式(18)；
其中，πirk为第一变量，表示用户基地i所在被部署了k辆运输车的路线r的行驶距离。
一个具体的实现中，该线性化数学模型还包括：第二目标函数的约束条件，约束条件如公式(19)至公式(23)；
其中，公式(19)是由公式(3)转化得到，εrk为第二变量，在本实施方式中第二变量的类型为二进制变量，表示在路线r上是否部署了k辆运输车，若是，则εrk的值为1，否则，εrk的值为0。公式(20)确保了每条路线都被部署有一定数量的运输车；公式(21)用于表示第一变量与公式(1)中变量以及第二变量之间的关系，其中，M为一个足够大的正实数。可以理解的是，如果第二变量εrk和第三决策变量γir的值都为1，那么第一变量πirk的值等于第一决策变量τr的值，如果第一变量πirk和第三决策变量γir的值中至少一个不等于1，那么第一变量πirk的值则等于0。公式(22)和公式(23)定义了第一变量和第二变量的类型和取值范围。
将数学模型转化为线性化数学模型，即将原始的非线性模型转化为混合整数线性规划模型。转化为混合整数线性规划模型之后，可以使用混合整数线性规划求解器(如，CPLEX)对线性化数学模型进行求解。
而随着用户基地和转运基地的增多，用户基地之间或者转运基地之间以及转运基地与用户基地之间形成的路线条数也会随之增加，同时每条路线上需要部署的运输车数量也会改变，这都将大大的增加运算的难度和运算的时间，影响选出最优的物流网络部署方案。为了加快求解的速度，本实施方式中采用局部分支算法，下面将详细说明使用局部分支算法的求解过程，具体的流程如图3所示。
步骤301：在确定了可迭代的第一最大迭代次数以及允许连续未提高当前解质量的第二最大迭代次数之后，获取初始迭代次数对应的初始解和适应度值，将目标值更新为初始迭代次数对应的适应度值，初始解是满足预设条件后求解线性化数学模型获得的第三决策变量的值的解值。
具体的说，在局部分支算法中，通过多次迭代，可以快速的提高当前解的质量。可以根据实际的需要进行设置第一最大迭代次数和允许连续未提高当前解质量的第二最大迭代次数，本实施方式中以N表示第一最大迭代次数，M表示第二最大迭代次数，例如，确定N为100，M为4。可以理解的是，初始解是满足预设条件后通过直接求解线性化数学模型获得的第三决策变量和适应度值，预设条件可以是求解时间，或者可行解与最优解达到的偏差(GAP)值。之后将目标值更新为该适应度值，本实施方式中，以OBJ表示目标值，Fintness(γ[0])表示初始的适应度值，γ[0]表示初始解。需要说明的是，本实施方式中适应度值即为本领域技术人员所熟知的适应值，本实施方式将不再赘述适应度值的计算。
可以理解的是，在求解线性化数学模型之前，该OBJ的值接近于无穷大；同理，在求解线性化数学模型之前，适应度值也接近于无穷大。
步骤302：根据初始解确定分支以及下一次迭代的求解范围，分支为初始解与该初始解的邻域值之间的不等式关系。
具体的说，分支为初始解与该初始解的邻域值之间的不等式关系，那么确定的分支可以为|γ-γ[0]|≤g，γ表示的是所有i∈N，r∈R的第三决策变量γir的二进制值。从而可以构建出下一次迭代的求解范围R(γ[0]，g)，可以理解的是，该求解范围也可以用解的邻域空间来表述，其中，|γ-γ[0]|表示初始解γ[0]的邻域半径，而|γ-γ[0]|通过公式(24)得到，
其中，表示的是在第0次迭代时，顾客基地i是否在路线r上的二进制值。
步骤303：在确定的下一次迭代的求解范围内对线性化数学模型进行求解，获取新的解和对应的新的适应度值。
具体的说，本实施方式中以下标n表示迭代次数，下标m表示允许连续未提高当前解质量的迭代次数。若确定的下一次迭代的求解范围为R(γ[n]，g)，那么在该求解范围R(γ[n]，g)内得到的新的解为γ[n]，新的适应度值为Fintness(γ[n])，例如，假设确定的下一次迭代的求解范围为R(γ[0]，g)，那么在R(γ[0]，g)范围内对线性化数学模型进行求解，在该求解范围R(γ[0]，g)得到γ[1]和Fintness(γ[1])。
步骤304：更新已迭代次数，并判断获取得到的新的适应度值是否大于或等于目标值，若是，则执行305，否则，执行306；
具体的说，更新迭代次数，即更新n的值，例如，将n的值加1。判断迭代次数更新后得到的新的适应度值是否大于或者等于目标值，例如，n在更新前的值为0，假设，更新后的n为1，那么，获取得到的新的适应度值为Fintness(γ[1])，判断Fintness(γ[1])是否大于或者等于OBJ的值，此时，OBJ的值为Fintness(γ[0])，即判断Fintness(γ[1])是否大于或者等于Fintness(γ[0])。
步骤305：将连续未提高当前解质量的迭代次数加1，并根据第一新增约束关系重新确定下一次迭代的求解范围，并执行步骤307。
具体的说，若出现新的适应度值大于目标值，则将连续未提高当前解质量的迭代次数加1，重新构建求解范围，第一新增约束关系为：
其中，γ表示所有属于第三决策变量的二进制值，γ[n]表示第n次迭代中得到的第三决策变量的解，g表示邻域空间的大小。
例如，若在n次迭代中，Fintness(γ[n+1])大于或者等于Fintness(γ[n])，那么，需要扩大搜索范围，那么可以通过计算下一次迭代的求解范围。
步骤306：将目标值更新为新的适应度值以及将连续未提高解的迭代次数置为0，并根据第二新增约束关系重新构建下一次迭代的求解范围，并执行步骤307；
具体的说，若新的适应度值小于目标值，表明更新迭代次数得到的适应度值得到了提高，将根系迭代次数得到的适应度值作为当前的目标值，完成对目标值的更新。第二新增关系为：
|γ-γ[n]|≤g；
其中，γ表示所有属于第三决策变量的二进制值，γ[n]表示第n次迭代中得到的第三决策变量的解，g表示邻域空间的大小。
步骤307：判断当前的已迭代次数是否小于第一最大迭代次数且当前为提高解的迭代次数是否小于第二最大迭代次数，若是，则返回执行步骤303，否则，执行步骤308。
具体的说，该步骤用于判断是否结束迭代，当迭代次数小于最大迭代次数且当前为提高解的迭代次数是否小于第二最大迭代次数，则返回执行步骤303，以步骤306中更新后的目标值作为该线性化数学模型的目标值。
步骤308：获取目标值作为线性化数学模型的目标值，并终止该局部分支算法。
需要说明的是，为了防止在特定分支下求解该线性化数学模型耗时太长的问题，本实施方式中加入了求解时间的限制，即在求解时判断求解的时间是否超过预设的求解时间阈值，当求解的时间超过了预设的求解时间阈值，则根据当前解的质量，设置下一次迭代的分支求解该线性化数学模型。具体的说，当求解时间超过预设的求解时间阈值，将会有以下两种情况发生：
(1)当前解在第n次迭代中被提高。在这种情况下，设置在下次迭代中，在新的分支|γ-γ[0]|≥g+1，…，|γ-γ[n-2]|≥g+1，|γ-γ[n]|≤g下求解该线性化数学模型(即M2)。
(2)当前解没有在第n次迭代中被提高。这种情况的应对方法是缩小求解的邻域空间，如通过新的分支来构造邻域空间，其中α是一个整数。
本实施方式中，通过对求解时间的限制，可以够保证解的提高和求解效率。
本实施方式提供的物流网络的部署方法，通过对数学化模型进行线性化处理，加快求解的速度，同时，采用局部分支算法对该线性化数学模型进行求解，进一步的加快了对线性化数学模型的求解。
本发明的第三实施方式涉及一种物流网络的部署方法。第三实施方式与第二实施方式大致相同，主要区别之处在于：在本发明第三实施方式中，采用粒子群算法求解线性化数学模型。下面将详细介绍使用粒子群算法的过程，具体流程如图4所示。
步骤401：初始化n个粒子，获取用户基地在线路中的初始分配，初始的迭代次数置为1，连续未提高当前解质量的迭代次数置为0，n为大于0的整数，其中，每一个粒子表示一个第三决策变量。
具体的说，本实施方式中用N维数组γ来对γir编码出每一个粒子。N为大于0的整数，表示的是用户基地数量，数组中每一维都被随机赋予一个0到|R|之间的实数值，|R|指的是路线数量，每一维中的数值的整数部分表示的是用户基地i所属的路线索引，用表示。通过读取N维数组每一个位置所对应的值，可以获取用户基地在该路线上的分配，如果用户基地i分配在路线上，那么
需要说明的是，粒子群算法也需要设置迭代跳出的参数，即最大迭代次数和最大连续未提高当前解质量的迭代次数，当然，初始时设置迭代次数置为1，而连续未提高当前解质量的迭代次数置为0。
步骤402：随机生成一个数值范围在0至1之间的浮点数，判断浮点数的数值是否小于预设概率值，若是，则执行步骤403，否则，直接执行步骤404；
具体的说，为了避免出现粒子陷入局部最优的情况，设置一个预设概率值θ，用于判断是否需要重新生成粒子。在进行粒子群算法的过程中，随机产生一个0到1之间的浮点数，判断随机产生的浮点数的数值是否小于预设概率值θ，若是，则执行步骤403，重新生成n个粒子，否则，不重新生成粒子。
步骤403：重新生成n个粒子。之后执行步骤404。
步骤404：当路线满足预设约束条件，则为路线分配一个转运基地，预设约束条件为：∑i∈Iγir＞0，其中，γir表示用户基地i是否在路线r上的值，i表示用户基地的索引，I表示用户基地集合。
具体的说，由于N维数组是随机生成的，可能存在没有用户基地的路线，当满足预设约束条件∑i∈Iγir＞0，即说明在路线r中有用户基地存在，此时，需要给该路线分配一个转运基地，即在第三决策变量γir的值确定后，通过公式为路线r随机分配一个转运基地。当获取到了第一决策变量γir的值和变量δhr的值后，能够加快每次迭代求解线性化数学模型的速度。
步骤405：根据转运基地和路线求解线性化数学模型，将求解得到的线性化数学模型的目标值作为当前迭代次数对应的每一粒子的适应度值。
具体的说，在粒子群算法中，通过对第一决策变量γir编码，构成粒子，一个粒子对应一个解。每一个粒子都有自己的位置和速度。粒子的位置显示了它所代表的解的质量，而粒子的速度记录了粒子在下一次迭代时移动的方向。在确定了转运基地和路线后，即可得第三决策变量的值，而每一个粒子的位置等于每一个粒子对应的γ值，将得到的第三决策变量带入线性化数学模型，即可求解出每一个粒子的适应度值。
步骤406：更新每个粒子的个体最优和根据所有粒子确定的全局最优，并判断更新后获得的解是否被提高质量，若是，则将连续未提高当前解质量的迭代次数置为0，否则，将连续未提高当前解质量的迭代次数加1。
具体的说，通过更新粒子的位置和速度，找到新的全局最优。假设目前粒子群中有n个D维粒子，用和各自表示粒子i在第t次迭代时的位置和速度。粒子i在第t次迭代时找到的个体最优，用表示，而所有粒子找到的全局最优，用pg＝(pg1，Pg2，…，PgD)表示。每个粒子的速度和位置更新公式如下所示。
其中，wt表示惯性权重，它的计算公式为wt＝[(Tmax-Tt)/Tmax]·(wmax-wmin)+wmin，wmax和wmin各自表示惯性权重的最大和最小值。Tmax表示最大迭代次数。非负常数c1和c2表示加速权重，且c1＝c2＝2。此外，r1和r2都是随机数，取值在0到1之间。
判断当前得到的适应度值与更新粒子之前的适应度值进行比较，判断当前的适应度值是否提高，若提高，则将连续未提高当前解质量的迭代次数置为0，否则，将连续未提高当前解质量的迭代次数加1。
步骤407：根据粒子群的速度公式和位置公式，更新每个粒子的速度和位置。
具体的说，根据公式(25)和公式(26)，更新每一个粒子的速度和位置。
步骤408：判断粒子是否越界。若存在越界的粒子，则执行步骤409，否则，执行步骤410。
步骤409：若存在越界的粒子，则重新生成越界粒子的速度和位置，并返回执行步骤404。
具体的说，由于在更新粒子的速度时，存在粒子因速度过快，导致粒子越过可行解空间的边界，因而为了确保粒子的速度不超过可行解空间范围，本实施方式限制粒子的速度和位置，当粒子越界时，重新生成该粒子的速度和位置。
粒子被允许的最大速度表示为vmax，最大位置为xmax，其中，vmax＝f·xmax，0＜f＜1，且xmax＝e·|R|，e→1。如果粒子的速度超过了vmax或粒子的位置超过了xmax，那么该粒子的速度和位置会根据以下公式重新生成：
其中，q1和q2都是取值在0到1之间的任意实数。
步骤410：更新迭代次数，判断更新后的迭代次数是否等于最大迭代次数或者连续未提高当前解质量的迭代次数是否等于最大次数，若是，则终止粒子群算法，否则返回执行步骤404。
具体的说，该步骤用于判断是否结束该算法，即通过判断最大迭代次数是否达到预设的最大迭代次数，或者判断连续未提高当前解质量的迭代次数是否达到预设的连续未提高当前解质量的迭代次数，若是，则结束粒子群算法。
下面分别列出了在小规模物流网络部署方案、中规模网络部署方案和大规模物流网络方案中采用混合整数线性规划求解器(如，CPLEX)求解线性化模型、使用局部分支算法求解线性化模型以及采用粒子权算法求解线性算法的效果比较表。
表1为在小规模物流网络部署方案中，分别采用CPLEX、局部分支算法和粒子群算法的比较结果表。小规模物流网的部署方案中转运基地部署3到4个，用户基地部署8到12个，运输车部署10辆。
表1
需要说明的是，表1中，序即为整型变量μir，表示用户基地i在路线r上的访问顺序，CPLEX的目标值被定义为zC、中央处理器CPU计算耗费的时间被定义为TC，局部分支算法的目标值被定义为zL、CPU计算耗费的时间被定义为TL，且GAPL＝(ZL-Zc)/Zc，粒子群算法的目标值和CPU时间被定义为Zp和Tp，且GAPP＝(Zp-Zc)/Zc“Hubs”表示转运基地，“Vertices”表示用户基地，“Trucks”表示运输车。
从表1中可以看出，所有的小规模算例都能被CPLEX在两个小时左右求解出来。相比之下，局部分支算法可以求解得到大多数最优解，只有两个算例被求解得到的目标值接近最优解，偏差小于0.1％，但是局部分支算法的求解时间显著少于用CPLEX求解的时间。同时，也可以看到的是，粒子群算法得到的目标值与最优解的偏差在2％左右，但是它的求解时间只有局部分支算法求解时间的三分之一。
表2为在中等规模物流网络部署方案中，分别采用CPLEX、局部分支算法和粒子群算法的比较结果表。小规模物流网的部署方案中转运基地部署5到7个，用户基地部署20到40个，部署的总运输车数量为12到14辆。
表2
在中等规模的物流网络部署方案中，列GAPCL表示局部分支算法求解得到的目标值与CPLEX求解得到的目标值之间的偏差，列GAPCP表示粒子群算法求解得到的目标值与CPLE×求解得到的目标值之间的偏差。需要说明的是，若GAPCL或者GAPCP的值为负，那么则表明CPLEX求解得到的目标值比局部分支算法或者粒子群算法求解得到的目标值好。当然，GAPCL＝(ZC-ZL)/ZC；GAPCP＝(ZC-ZP)/ZC，上述参量与表1中的参量意思大致相同，此处将不再赘述。
从表2中可以看出，使用CPLEX可以得到所有中等规模的物流网络部署方案的可行解，但是，却不能保证获得的解是最优解。采用局部分支算法获得的解比通过采用CPLEX获得的解的质量更好，平均提高效率为6.4％到30.25％。同样，采用粒子群算法得到的解的质量高于采用CPLEX得到的解的质量，平均提高效率5.42％到26.09％。从表2中，可以看出，在中等规模的物流网络部署方案中，虽然，采用局部算法的求解时间是采用个粒子群算法的求解时间的两倍，但是采用局部算法的效果优于采用粒子群算法。
表3为在中等规模物流网络部署方案中，分别采用CPLEX、局部分支算法和粒子群算法的比较结果表。小规模物流网的部署方案中转运基地部署6到8个，用户基地部署50到70个，部署的总运输车数量为20辆。
表3
表3中，“n/a”表示没有找到可行解，列GAPLP表示的是局部分支算法求解结果与粒子群算法求解结果的偏差，GAPLP＝(ZL-ZP)/ZL。在大规模的物流网络部署方案的求解中，默认设置CPLEX和局部分支算法的求解时间为两小时。从表3中可以看出，CPLEX在两小时内很难找到可行解，即使获取到了可行解，但是，获取到的可行解的质量差。粒子群算法的求解结果比局部分支算法的获取的解的质量好，且求解时间短于局部分支算法的求解时间，局部分支算法的求解结果与粒子群算法的求解结果偏差在32.85％到46.29％范围内。这个偏差范围说明，对于CPLEX不能在短时间内输出足够好的解的情况下，局部分支算法可能输出的解质量较差。相比之下，粒子群方法在求解大规模算物流网络部署方案时，具有更稳定和高效的求解性能，能够在较短的时间内得到更好的解。
下面将不同规模的物流网络部署方案中运输车数量对目标值的影响，如表4所示，“Hubs”表示转运基地，“Vertices”表示用户基地，“K”表示部署的总运输车数量，表4中的ZP和Tp与表1中的ZP和Tp的含义一样，此处不再赘述。
表4
为了便于查看运输车数量对目标值的影响，绘制如图5中所示的不同规模下的物流网络部署方案中运输车数量对目标值的影响趋势。
结合表4和图5，可以看出，随着运输车数量的增多，每一种物流网络部署方案对应的目标值均持续减小，但是从图5中，可以看出，随着运输车数量的增加，目标值的较小的比率趋向平稳。由此可知，随着运输车数量的增多，有利于减小待运输物品的等待时间，但是，其影响效果在不断减少，因此，在确定最优的物流网络部署方案时，可以根据运输车的数量，以及运输成本确定出最优的物流网络部署方案。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第四实施方式涉及一种物流网络的部署装置60，包括：目标值计算模块601、确定模块602，具体结构如图6所示。
目标值计算模块601，用于根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，目标值为最小化所有用户基地内待运输物品等待时间，其中，物流网络部署方案包括：转运基地的数量、用户基地的数量、用户基地之间或者用户基地与转运基地之间形成的路线以及部署的总运输车数量，转运基地用于转存用户基地运输来的物品。
确定模块602，用于根据目标值，确定最优物流网络部署方案；其中，数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识路线行驶时间的第一决策变量、标识路线上部署的运输车数量的第二决策变量和标识用户基地是否在路线上的第三决策变量之间关系的第一目标函数，第一决策变量和第二决策变量均根据转运基地的数量、用户基地的数量、路线和部署的总运输车数量确定。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本发明第五实施方式涉及一种服务器70，包括至少一个处理器701；以及，与至少一个处理器701通信连接的存储器702；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够第一实施例至第三实施例中任一实施例中使得物流网络的部署方法，具体结构如图7所示。
其中，存储器702和处理器701采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器701和存储器702的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器701处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器701。
处理器701负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器702可以被用于存储处理器在执行操作时所使用的数据。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种物流网络的部署方法，其特征在于，包括：
根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，所述目标值为最小化所有用户基地内待运输物品等待时间，其中，物流网络部署方案包括：转运基地的数量、用户基地的数量、所述用户基地之间或者所述用户基地与所述转运基地之间形成的路线以及部署的总运输车数量，所述转运基地用于转存用户基地运输来的物品；
根据所述目标值，确定最优物流网络部署方案；
其中，所述数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识所述路线行驶时间的第一决策变量、标识所述路线上部署的运输车数量的第二决策变量和标识所述用户基地是否在所述路线上的第三决策变量之间关系的第一目标函数，所述第一决策变量和所述第二决策变量均根据转运基地的数量、用户基地的数量、路线和所述部署的总运输车数量确定。
2.根据权利要求1所述的物流网络的部署方法，其特征在于，所述数学模型还包括：第一目标函数的约束条件。
3.根据权利要求2所述的物流网络的部署方法，其特征在于，所述根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，具体包括：
对所述数学模型进行线性化处理，获得线性化数学模型；
根据所述至少一种物流网络部署方案，求解所述线性化数学模型并获得每种物流网络部署方案的目标值；
其中，所述线性化数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识用户基地所在路线上部署的运输车的行驶距离的第一变量、所述标识在所述路线上部署了预设运输车数量的第二变量之间关系的第二目标函数，所述第一变量根据所述第二变量、第一决策变量和第三决策变量确定。
4.根据权利要求3所述的物流网络的部署方法，其特征在于，所述线性化数学模型还包括：
第二目标函数的约束条件。
5.根据权利要求3或4所述的物流网络的部署方法，其特征在于，采用局部分支算法或者粒子群算法求解所述线性化数学模型。
6.根据权利要求5所述的物流网络的部署方法，其特征在于，若采用局部分支算法，则根据所述至少一种物流网络部署方案，求解所述线性化数学模型并获得每种物流网络部署方案的目标值，具体包括：
S1：在确定了可迭代的第一最大迭代次数以及允许连续未提高当前解质量的第二最大迭代次数之后，获取初始迭代次数对应的初始解和适应度值，将目标值更新为初始迭代次数对应的适应度值，所述初始解是满足预设条件后求解所述线性化数学模型获得的所述第三决策变量的值；
S2：根据初始解确定分支以及下一次迭代的求解范围，所述分支为初始解与所述初始解的邻域值之间的不等式关系；
S3：在确定的下一次迭代的求解范围内对所述线性化数学模型进行求解，获取新的解和对应的新的适应度值；
S4：更新已迭代次数，并判断获取得到的新的适应度值是否大于或等于所述目标值；
S5：若是，将连续未提高当前解质量的迭代次数加1，并根据第一新增约束关系重新确定下一次迭代的所述求解范围，并执行S7；
S6：否则，将所述目标值更新为所述新的适应度值以及将所述连续未提高解的迭代次数置为0，并根据第二新增约束关系重新构建下一次迭代的所述求解范围，并执行S7；
S7：判断当前的已迭代次数是否小于第一最大迭代次数且所述当前为提高解的迭代次数是否小于第二最大迭代次数，若是，则返回执行S3，否则，将当前获取到的目标值作为所述局部分支算法获得的目标值，并终止所述局部分支算法。
7.根据权利要求6所述的物流网络的部署方法，其特征在于，第一新增约束关系的表达式为：
所述第二新增约束关系的表达式为：|γ-γ[n]|≤g；
其中，所述γ表示所有属于第三决策变量的二进制值，所述γ[n]表示第n次迭代中得到的所述第三决策变量的解，n为非负整数，g表示邻域空间的大小。
8.根据权利要求5所述的物流网络的部署方法，其特征在于，若采用粒子群算法，则根据所述至少一种物流网络部署方案，求解所述线性化数学模型并获得每种物流网络部署方案的目标值，具体包括：
S1：初始化n个粒子，获取用户基地在路线中的初始分配，初始的迭代次数置为1，连续未提高当前解质量的迭代次数置为0，n为大于0的整数，其中，每一个粒子表示一个第三决策变量的解值；
S2：随机生成一个数值范围在0至1之间的浮点数，判断所述浮点数的数值是否小于预设概率值，若是，则重新生成n个粒子并执行步骤S3，否则，直接执行步骤S3；
S3：当路线满足预设约束条件，则为所述路线分配一个所述转运基地，所述预设约束条件为：∑i∈Iγir>0，其中，γir表示用户基地i是否在路线r上的值，i表示用户基地的索引，I表示用户基地集合；
S4：根据所述转运基地和所述路线求解所述线性化数学模型，将求解得到的所述线性化数学模型的目标值作为当前迭代次数对应的每一粒子的适应度值；
S5：更新每个粒子的个体最优和根据所有粒子确定的全局最优，并判断更新后获得的解是否被提高质量，若是，则将连续未提高当前解质量的迭代次数置为0，否则，将连续未提高当前解质量的迭代次数加1；
S6：根据粒子群的速度公式和位置公式，更新每个粒子的速度和位置；
S7：若存在越界的粒子，则重新生成所述越界粒子的速度和位置，并返回执行S3；
S8：更新迭代次数，判断更新后的迭代次数是否等于最大迭代次数或者所述连续未提高当前解质量的迭代次数是否等于最大次数，若是，则终止所述粒子群算法，否则返回执行S3。
9.一种物流网络的部署装置，其特征在于，包括：目标值计算模块、确定模块；
所述目标值计算模块，用于根据至少一种物流网络部署方案，求解数学模型并获得每种物流网络部署方案的目标值，所述目标值为最小化所有用户基地内待运输物品等待时间，其中，物流网络部署方案包括：转运基地的数量、用户基地的数量、所述用户基地之间或者所述用户基地与所述转运基地之间形成的路线以及部署的总运输车数量，所述转运基地用于转存用户基地运输来的物品；
所述确定模块，用于根据所述目标值，确定最优物流网络部署方案；
其中，所述数学模型包括：表示最小化所有用户基地内待运输物品等待时间与所有用户基地内随机分配的待运输物品的数量、标识所述路线行驶时间的第一决策变量、标识所述路线上部署的运输车数量的第二决策变量和标识所述用户基地是否在所述路线上的第三决策变量之间关系的第一目标函数，所述第一决策变量和所述第二决策变量均根据转运基地的数量、用户基地的数量、所述路线和所述部署的总运输车数量确定。
10.一种服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8任一所述的物流网络的部署方法。
CN201810708209.1A 2018-07-02 2018-07-02 一种物流网络的部署方法、装置和服务器 Active CN109032789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810708209.1A CN109032789B (zh) 2018-07-02 2018-07-02 一种物流网络的部署方法、装置和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810708209.1A CN109032789B (zh) 2018-07-02 2018-07-02 一种物流网络的部署方法、装置和服务器

Publications (2)

Publication Number Publication Date
CN109032789A true CN109032789A (zh) 2018-12-18
CN109032789B CN109032789B (zh) 2021-10-08

Family

ID=65521221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810708209.1A Active CN109032789B (zh) 2018-07-02 2018-07-02 一种物流网络的部署方法、装置和服务器

Country Status (1)

Country Link
CN (1) CN109032789B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222826A (zh) * 2020-01-15 2020-06-02 中交上海航道局有限公司 一种垃圾回收航运物流网络构建方法
CN112749822A (zh) * 2019-10-30 2021-05-04 北京京东振世信息技术有限公司 一种生成路线的方法和装置
CN116342197A (zh) * 2023-01-05 2023-06-27 上海朗晖慧科技术有限公司 一种结合地理位置信息的实时价格方案生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080293427A1 (en) * 2007-05-22 2008-11-27 Colin Shong Chin Quon System and method for mobile originated optimal call routing
CN105787596A (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路径优化方法
CN106203911A (zh) * 2016-07-07 2016-12-07 成都镜杰科技有限责任公司 基于云计算的智能物流数据管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080293427A1 (en) * 2007-05-22 2008-11-27 Colin Shong Chin Quon System and method for mobile originated optimal call routing
CN105787596A (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路径优化方法
CN106203911A (zh) * 2016-07-07 2016-12-07 成都镜杰科技有限责任公司 基于云计算的智能物流数据管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
禹鑫燚: "基于线性时序逻辑的移动端快递派送路径规划", 《高技术通讯》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749822A (zh) * 2019-10-30 2021-05-04 北京京东振世信息技术有限公司 一种生成路线的方法和装置
CN112749822B (zh) * 2019-10-30 2024-05-17 北京京东振世信息技术有限公司 一种生成路线的方法和装置
CN111222826A (zh) * 2020-01-15 2020-06-02 中交上海航道局有限公司 一种垃圾回收航运物流网络构建方法
CN116342197A (zh) * 2023-01-05 2023-06-27 上海朗晖慧科技术有限公司 一种结合地理位置信息的实时价格方案生成方法
CN116342197B (zh) * 2023-01-05 2023-11-14 上海朗晖慧科技术有限公司 一种结合地理位置信息的实时价格方案生成方法

Also Published As

Publication number Publication date
CN109032789B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
Nekooghadirli et al. Solving a new bi-objective location-routing-inventory problem in a distribution network by meta-heuristics
Starkey et al. A multi-objective genetic type-2 fuzzy logic based system for mobile field workforce area optimization
Ho et al. Path relinking for the vehicle routing problem
Li et al. Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm
Seyedalizadeh Ganji et al. Analysis of the continuous berth allocation problem in container ports using a genetic algorithm
Li-ying et al. Multiple charging station location-routing problem with time window of electric vehicle.
CN108399464A (zh) 一种多式联运路径优化方法和系统
Gen et al. Recent network design techniques using evolutionary algorithms
CN109032789A (zh) 一种物流网络的部署方法、装置和服务器
CN111428991B (zh) 用于确定配送车辆的方法和装置
Patra et al. Improved genetic algorithm for channel allocation with channel borrowing in mobile computing
Ghaderi et al. An efficient hybrid particle swarm optimization algorithm for solving the uncapacitated continuous location-allocation problem
Özdamar et al. Hybrid heuristics for the multi-stage capacitated lot sizing and loading problem
Digalakis et al. A multipopulation cultural algorithm for the electrical generator scheduling problem
Nguyen et al. A hybrid differential evolution algorithm with column generation for resource constrained job scheduling
CN109919167A (zh) 分拣中心的货物分拣方法和装置、货物分拣系统
Gazani et al. The capacitated maximal covering location problem with heterogeneous facilities and vehicles and different setup costs: An effective heuristic approach
Luo et al. Cost-effective edge server network design in mobile edge computing environment
CN114676911A (zh) 一种运输车辆行车路线确定方法及装置
Yang et al. Joint optimization of space allocation and yard crane deployment in container terminal under uncertain demand
He et al. Particle Swarm Optimization Using Neighborhood‐Based Mutation Operator and Intermediate Disturbance Strategy for Outbound Container Storage Location Assignment Problem
Prakash et al. Optimal job sequence determination and operation machine allocation in flexible manufacturing systems: an approach using adaptive hierarchical ant colony algorithm
Kaveh et al. Chaotic vibrating particles system for resource-constrained project scheduling problem
CN110503234A (zh) 一种物流运输调度的方法、系统及设备

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
CB02 Change of applicant information

Address after: No. 99, Baoshan District Road, Shanghai, Shanghai

Applicant after: Shanghai University

Address before: 2004 School of Management, Building 1, East District, Shanghai University, 99 Shangda Road, Baoshan District, Shanghai

Applicant before: Shanghai University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant