CN109886490B - 一种组合车辆联合运输的匹配优化方法 - Google Patents
一种组合车辆联合运输的匹配优化方法 Download PDFInfo
- Publication number
- CN109886490B CN109886490B CN201910132313.5A CN201910132313A CN109886490B CN 109886490 B CN109886490 B CN 109886490B CN 201910132313 A CN201910132313 A CN 201910132313A CN 109886490 B CN109886490 B CN 109886490B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- combined
- weight
- vehicles
- load
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种组合车辆联合运输的匹配优化方法,属于物流信息技术和物流运营领域,以资源利用率最大化和车辆组合对环境的影响最小化作为优化目标进行组合车辆,资源利用率以车辆组合的运力重量与货物重量的关系来计算,车辆组合对环境的影响以车辆运输货物产生的碳排放量来计算;根据车辆组合运力的重量、容积与货物重量、体积的关系建立约束条件,并与资源利用率最大化和车辆组合对环境的影响最小化组成规划模型;使用遗传算法对规划模型求解得到的最优解为组合结果。定量实现了车辆联合运输的优化,便于实现自动化匹配,相比传统的车辆联合运输,不仅考虑资源利用率指标,还适应环保要求,考虑了车辆组合运输过程的碳排放情况,使其能符合未来应用趋势。
Description
技术领域
本发明涉及物流信息技术和物流运营领域,尤其涉及一种组合车辆联合运输的匹配优化方法。
背景技术
运输是物流的最主要业务和关键环节,涉及货源和车源,为了提高物流及时性和降低物流成本,我国开发了大量的物流信息平台,进行车货匹配,但在进行货物运输和车货匹配过程中,如果完全按照车货的体积、载重等属性进行匹配,在货物较多或者所在地车辆载重等不合适时,会存在没有车辆可以满足货运运输要求的情况,为了满足货运运输的时限要求,经常需要采取多个车辆联合运输的方式进行,但如何选取车辆进行联合是首先需要解决的问题。为此,本发明建立了一种车辆组合匹配优化方法,通过定量求解,找到满足货物运输要求,成本最低和环保的最优联合的车辆方案。
发明内容
本发明的目的在于提供一种组合车辆联合运输的匹配优化方法,以解决现有车辆匹配方法没能定量求解,找到满足货物运输要求,降低成本和环保的技术问题。
一种组合车辆联合运输的匹配优化方法,包括如下步骤:
以资源利用率最大化和车辆组合对环境的影响最小化作为优化目标进行组合车辆;资源利用率以车辆组合的运力重量与货物重量的关系来计算,车辆组合对环境的影响以车辆运输货物产生的碳排放量来计算;根据车辆组合运力的重量、容积与货物重量、体积的关系建立约束条件,并与资源利用率最大化和车辆组合对环境影响最小化来;将两个目标整合到一起使用遗传算法对规划模型求解得到的最优解为组合结果。
进一步地,所述组合车辆的车辆运力在重量上大于等于货物,同时重量的差值以及组合车辆的碳排放量最小并且满足约束条件,则车辆组合满足货物的运输需求。
进一步地,所述载重量的分配具体过程为:
假设在运力相等的情型下,优先用最少数量的车辆进行组合,车辆的类型不固定,从降低空载率的角度来分析,不考虑车辆到达货物始发地的时间先后顺序,仅对组合中的车辆进行载重量的分配,优先保证载重量最大的车辆满载。
进一步地,所述目标函数和约束条件为:
目标函数和约束条件如公式(1)~(4)所示:
其中:Zq表示车辆组合后的载重与货物重量的差值;
x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;
vWj、vVj分别表示第j辆车的载重和容积;
CW、CV分别表示货物的重量和体积;
Zd表示车辆组合的总碳排放量;
公式(1)表示组合后的车辆的载重与货物的重量的差值最小,公式(2)表示车辆组合后的总碳排放量最小,公式(3)表示约束条件车辆的组合载重大于等于货物的重量,公式(4)表示约束条件车辆的组合容积大于等于货物的体积。
进一步地,所述碳排放量计算的具体过程:
碳排放量估算按如下公式进行:
其中,ε表示空载车辆在零度角的道路上的排放率(g/km),LW为负载修正系数,M1表示车货的流向匹配度;
将车辆按载重划分为3.5-7.5、7.5-16、16-32和32-40四个吨级按如下来计算:
其中:K表示一个常数,a-f表示根据吨级的不同所取的不同相关系数,v表示车辆的道路运行速度(km/h);
根据车辆的吨级不同和装载率,负载修正系数LW下所示:
其中:k表示一个常数,n-u表示不同的相关系数。
进一步地,所述流向匹配度算式为:
M1为流向匹配度按如下公式计算:
进一步地,所述中遗传算法对规划模型求解的过程为:
编码:使用自然数字序列“1,2,...,N”进行编码,按照规则进行排列的N辆车,对应的数字表示备选车辆的编号,每一辆车都是独立的,表示遗传算法中每一条染色体对应一个可行解,每一条染色体的基因数代表组合的车辆数;
适应度函数:在遗传算法中,适应度函数值规定为非负并且越大越好且为单值,公式(1)、(2)两个目标的理想点为(0,0),因此将公式(1)、(2)基于求解多目标规划的理想点法转换为单目标模型然后再转化为最大化模型作为适应度函数,如下公式所示:
Zq表示车辆组合后的载重与货物重量的差值,Zd表示车辆组合的总碳排放量;
选择算子:生成交配池,防止杂交和变异操作对群体最佳个体的破坏,使用精英选择形式,如果下一代群体中,其最佳个体的适应值小于上一代中的最佳个体,则在下一代中对其进行替换,或者替换掉下一代中最差的个体;
杂交算子:采用单点杂交的方式,从交配池中随机选择要进行交配的个体,每一个个体随机选择一个杂交位,并且产生一个0-1之间的随机数,根据随机数与设定杂交概率的对比,进行杂交操作,杂交概率为0.1-0.5,在杂交位,两个进行杂交的个体相互交换部分基因,形成新的一对个体;
变异算子:通过按照变异概率pm随机改变基因位来实现,给定均匀随机变量x∈[0,1],如果x≤pm,则对该个体进行变异,否则不发生变异,对于初始化群体,需要进行索引重复性约束修正和约束条件的修正,保证个体的可行性,变异概率为0.001-0.1;
终止循环条件:设定最大的迭代代数为50-100代,并且根据群体的收敛程度相结合的方式来终止循环,求解得到的最优解。
本发明采用了上述技术方案,本发明具有以下技术效果:
本发明定量实现车辆联合运输的优化方法,便于实现自动化匹配,相比传统的车辆联合运输,本发明不仅考虑资源利用率指标,还适应环保要求,考虑了车辆组合运输过程的碳排放情况,使其能符合未来应用趋势,通过确定载货量和碳排放作为一个优化目标,从而更好在货物运输过程中找到满足货物运输要求,降低成本和达到环保要求,并通过使用遗传算法进行求解最优解,从而更好的实现车与货物的匹配结果。
附图说明
图1为本发明货物和车辆的运输流向关系图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
对于以满足货物的业务运输需求,组合车辆进行联合运输的问题可以描述为:在某一匹配度限值要求下,所有能够匹配到的每一辆车所对应的载重和容积均大于货物的重量和体积,车辆资源中单一车辆在流向、时间、类型上均满足匹配度要求,在地理位置上随机散落,车辆的运输流向与货物的运输流向之间的关系如图1所示,需要对车辆进行组合来满足货物的业务运输需求。
请参阅图1,本发明提供一种组合车辆联合运输的匹配优化方法,包括如下步骤:
以资源利用率最大化和车辆组合对环境的影响最小化作为优化目标进行组合车辆。即当组合后的车辆运力在重量上大于等于货物,同时重量的差值以及组合车辆的碳排放量最小并且满足一定的约束条件时,认为该车辆组合最满足货物的运输需求。其中:ci表示第i批有运输需求的货物;vj表示第j辆与货物具有一定地理位置关系的车辆。
根据车辆组合运力的重量、容积与货物重量、体积的关系和车辆碳排放量建立目标函数和约束条件。假设在运力相等的情型下,优先用最少数量的车辆进行组合,车辆的类型不固定。而且,从降低空载率的角度来分析,不考虑车辆到达货物始发地的时间先后顺序,仅对组合中的车辆进行载重量的分配,优先保证载重量最大的车辆满载。
目标函数和约束条件为:
目标函数和约束条件如公式(1)~(4)所示:
其中:Zq表示车辆组合后的载重与货物重量的差值;
x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;
vWj、vVj分别表示第j辆车的载重和容积;
CW、CV分别表示货物的重量和体积;
Zd表示车辆组合的总碳排放量;
公式(1)表示组合后的车辆的载重与货物的重量的差值最小,公式(2)表示车辆组合后的总碳排放量最小,公式(3)表示约束条件车辆的组合载重大于等于货物的重量,公式(4)表示约束条件车辆的组合容积大于等于货物的体积。
步骤3:计算车辆运货的碳排放量。碳排放量估算按如下公式进行:
其中,ε表示空载车辆在零度角的道路上的排放率(g/km),LW为负载修正系数,M1表示车货的流向匹配度;
将车辆按载重划分为3.5-7.5、7.5-16、16-32和32-40四个吨级按如下来计算:
其中:K表示一个常数,a-f表示根据吨级的不同所取的不同相关系数,v表示车辆的道路运行速度(km/h);
根据车辆的吨级不同和装载率,负载修正系数LW下所示:
其中:k表示一个常数,n-u表示不同的相关系数。
步骤4:建立流向匹配度算式,并与源利用率最大化和车辆组合对环境的影响最小化组成规划模型,使用遗传算法对规划模型求解得到的最优解为组合结果。
流向匹配度算式为:
M1为流向匹配度按如下公式计算:
遗传算法对规划模型求解的过程为:按以下方式确定的遗传算法的关键参数,并按遗传算法流程进行计算。
编码:使用自然数字序列“1,2,...,N”进行编码,按照规则进行排列的N辆车,对应的数字表示备选车辆的编号,每一辆车都是独立的,表示遗传算法中每一条染色体对应一个可行解,每一条染色体的基因数代表组合的车辆数。如编码{1,3}代表第1辆车和第3辆车进行组合,编码{2,7,9}代表第2、7和9辆三辆车进行组合。
适应度函数:在遗传算法中,适应度函数值规定为非负并且越大越好且为单值,提出的两个优化目标一个是在满足约束条件下重量之间的差值最小,其最优解为0,即车辆组合恰好能满载。另一个是碳排量最小,其最优解也可以为0,但是实际上是不可能为0,只能越接近0,碳排放量越小,车辆组合越优。因此本文引入求解多目标规划的理想点法将两个目标优化转化为单目标优化。即将公式(1)、(2)基于理想点(0,0)转化为,然后再将其转化为最大化模型作为适应度函数,如下公式所示:
Zq表示车辆组合后的载重与货物重量的差值,Zd表示车辆组合的总碳排放量;
选择算子:为了生成交配池,且为了防止杂交和变异等操作对群体最佳个体的破坏。本发明使用精英选择形式,相比较排序选择、联赛选择等形式,精英选择能够保证群体收敛到优化问题的最优解,即如果下一代群体中,其最佳个体的适应值小于上一代中的最佳个体,则在下一代中对其进行替换,或者替换掉下一代中最差的个体。
杂交算子:对于杂交算子,采用单点杂交的方式,从交配池中随机选择要进行交配的个体,每一个个体随机选择一个杂交位,并且产生一个0-1之间的随机数,根据随机数与设定杂交概率的对比,进行杂交操作,杂交概率为0.1-0.5,在杂交位,两个进行杂交的个体相互交换部分基因,形成新的一对个体。
比如第一代群体的适应度为{z1,z2,z3,z4,z5},其中适应度最大的为z3,第二代群体的适应度为{z6,z7,z8,z9,z10},其中适应度最大的为z7,最小的为z10,如果第二代群体中适应度最大的个体z7小于第一代群体中适应度最大的z3,那么将第二代群体中适应度最小的z10替换成第一代群体中适应度最大的z3,保留z3所对应的编码组合,进而保证下一代群体中始终存在适应度最大的个体。
变异算子:通过按照变异概率pm随机改变基因位来实现,给定均匀随机变量x∈[0,1],如果x≤pm,则对该个体进行变异,否则不发生变异,对于初始化群体,由于车辆的编码表示是独一无二的,需要进行索引重复性约束修正和约束条件的修正,保证个体的可行性,变异概率为0.001-0.1。比如一个编码经过解码后的组合重量不满足模型所要求的约束条件,那么就重新生成一个新的编码取代该个体。
终止循环条件:设定最大的迭代代数为50-100代,并且根据群体的收敛程度相结合的方式来终止循环,求解得到的最优解。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种组合车辆联合运输的匹配优化方法,其特征在于:
以资源利用率最大化和车辆组合对环境的影响最小化作为优化目标进行组合车辆;资源利用率以车辆组合的运力重量与货物重量的关系来计算,车辆组合对环境的影响以车辆运输货物产生的碳排放量来计算;根据车辆组合运力的重量、容积与货物重量、体积的关系建立约束条件,并与资源利用率最大化和车辆组合对环境影响最小化来组成规划模型;将两个目标整合到一起使用遗传算法对规划模型求解得到的最优解为组合结果;
目标函数和约束条件为:
目标函数和约束条件如公式(1)~(4)所示:
其中:Zq表示车辆组合后的载重与货物重量的差值;
x1为二进制变量,车辆采用独立的编号,如果车辆j被选中,则x1=1,否则x1=0;
vWj、vVj分别表示第j辆车的载重和容积;
CW、CV分别表示货物的重量和体积;
Zd表示车辆组合的总碳排放量;
公式(1)表示组合后的车辆的载重与货物的重量的差值最小,公式(2)表示车辆组合后的总碳排放量最小,公式(3)表示约束条件车辆的组合载重大于等于货物的重量,公式(4)表示约束条件车辆的组合容积大于等于货物的体积;
碳排放量计算的具体过程:
碳排放量估算按如下公式进行:
其中,ε表示空载车辆在零度角的道路上的排放率,LW为负载修正系数,M1表示车货的流向匹配度;
将车辆按载重划分为3.5-7.5、7.5-16、16-32和32-40四个吨级按如下来计算ε:
其中:K表示一个常数,a-f表示根据吨级的不同所取的不同相关系数,v表示车辆的道路运行速度;
根据车辆的吨级不同和装载率,负载修正系数LW如下所示:
其中:k表示一个常数,n-u表示不同的相关系数;
流向匹配度算式为:
M1为流向匹配度按如下公式计算:
所述遗传算法对规划模型求解的具体过程为:
编码:使用自然数字序列“1,2,...,N”进行编码,按照规则进行排列的N辆车,对应的数字表示备选车辆的编号,每一辆车都是独立的,表示遗传算法中每一条染色体对应一个可行解,每一条染色体的基因数代表组合的车辆数;
适应度函数:在遗传算法中,适应度函数值规定为非负并且越大越好且为单值,公式(1)、(2)两个目标的理想点为(0,0),因此将公式(1)、(2)基于求解多目标规划的理想点法转换为单目标模型然后再转化为最大化模型作为适应度函数,如下公式所示:
Zq表示车辆组合后的载重与货物重量的差值,Zd表示车辆组合的总碳排放量;
选择算子:生成交配池,防止杂交和变异操作对群体最佳个体的破坏,使用精英选择形式,如果下一代群体中,其最佳个体的适应值小于上一代中的最佳个体,则在下一代中对其进行替换,或者替换掉下一代中最差的个体;
杂交算子:采用单点杂交的方式,从交配池中随机选择要进行交配的个体,每一个个体随机选择一个杂交位,并且产生一个0-1之间的随机数,根据随机数与设定杂交概率的对比,进行杂交操作,杂交概率为0.1-0.5,在杂交位,两个进行杂交的个体相互交换部分基因,形成新的一对个体;
变异算子:通过按照变异概率pm随机改变基因位来实现,给定均匀随机变量x∈[0,1],如果x≤pm,则对该个体进行变异,否则不发生变异,对于初始化群体,需要进行索引重复性约束修正和约束条件的修正,保证个体的可行性,变异概率为0.001-0.1;
终止循环条件:设定最大的迭代代数为50-100代,并且根据群体的收敛程度相结合的方式来终止循环,求解得到最优解。
2.根据权利要求1所述的一种组合车辆联合运输的匹配优化方法,其特征在于:所述组合车辆的车辆运力在重量上大于等于货物,同时重量的差值以及组合车辆的碳排放量最小并且满足约束条件,则车辆组合满足货物的运输需求。
3.根据权利要求1所述的一种组合车辆联合运输的匹配优化方法,其特征在于:载重量的分配具体过程为:假设在运力相等的情形下,优先用最少数量的车辆进行组合,车辆的类型不固定,从降低空载率的角度来分析,不考虑车辆到达货物始发地的时间先后顺序,仅对组合中的车辆进行载重量的分配,优先保证载重量最大的车辆满载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132313.5A CN109886490B (zh) | 2019-02-22 | 2019-02-22 | 一种组合车辆联合运输的匹配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132313.5A CN109886490B (zh) | 2019-02-22 | 2019-02-22 | 一种组合车辆联合运输的匹配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886490A CN109886490A (zh) | 2019-06-14 |
CN109886490B true CN109886490B (zh) | 2022-11-04 |
Family
ID=66928929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132313.5A Active CN109886490B (zh) | 2019-02-22 | 2019-02-22 | 一种组合车辆联合运输的匹配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886490B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400107B (zh) * | 2019-07-03 | 2023-10-27 | 广西大学 | 一种闲散运输业务的智能敏捷发现系统 |
CN111160726A (zh) * | 2019-12-13 | 2020-05-15 | 拉货宝网络科技有限责任公司 | 一种运输订单的智能配载方法 |
CN111523843A (zh) * | 2020-04-26 | 2020-08-11 | 众能联合数字技术有限公司 | 一种移动端租赁设备智能物流系统及方法 |
CN111639854B (zh) * | 2020-05-28 | 2023-10-10 | 百度在线网络技术(北京)有限公司 | 车辆分配方法、装置、电子设备和存储介质 |
CN111652438B (zh) * | 2020-06-04 | 2024-04-19 | 上海燕汐软件信息科技有限公司 | 物流线路的动态优化方法和装置 |
CN112037552B (zh) * | 2020-08-10 | 2021-06-25 | 北京航空航天大学 | 一种基于5g的矿区无人运输系统的编组协同作业方法 |
CN115345550B (zh) * | 2022-08-11 | 2023-10-24 | 上海维祥信息技术有限公司 | 车辆路径规划方法及系统 |
CN115271616B (zh) * | 2022-09-26 | 2022-12-30 | 济宁港航内河经济研究院有限公司 | 一种基于大数据的内河港航智慧物流派单系统及方法 |
CN116307573A (zh) * | 2023-03-09 | 2023-06-23 | 中天建设集团有限公司 | 建筑场地材料绿色节能处理方法、设备与介质 |
CN117474429B (zh) * | 2023-12-27 | 2024-03-08 | 国网浙江省电力有限公司金华供电公司 | 具备碳排测算功能的电力物资智慧可视运输方法及平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865476A (zh) * | 2016-06-21 | 2016-08-17 | 北京航空航天大学 | 一种动态交通环境下的汽车最低碳路径搜索方法 |
CN106022864A (zh) * | 2016-05-09 | 2016-10-12 | 广西大学 | 一种车货供需智能匹配计算方法 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
CN107844935A (zh) * | 2017-09-30 | 2018-03-27 | 中国汽车技术研究中心 | 一种基于环保和成本节约的车辆调度和路径规划方法 |
CN107862493A (zh) * | 2017-10-20 | 2018-03-30 | 广西大学 | 一种货运车辆匹配行驶沿途附近货物的数值判断方法 |
CN109284852A (zh) * | 2018-07-17 | 2019-01-29 | 昆明理工大学 | 一种应用于物流配送中心的车辆分配过程的优化调度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106845665A (zh) * | 2016-11-17 | 2017-06-13 | 北京京东尚科信息技术有限公司 | 用于利用遗传算法对配送路线进行优化的方法和系统 |
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 |
CN107833002B (zh) * | 2017-11-28 | 2021-10-22 | 上海海洋大学 | 基于协同多目标算法的多级低碳物流配送网络规划方法 |
-
2019
- 2019-02-22 CN CN201910132313.5A patent/CN109886490B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022864A (zh) * | 2016-05-09 | 2016-10-12 | 广西大学 | 一种车货供需智能匹配计算方法 |
CN105865476A (zh) * | 2016-06-21 | 2016-08-17 | 北京航空航天大学 | 一种动态交通环境下的汽车最低碳路径搜索方法 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
CN107844935A (zh) * | 2017-09-30 | 2018-03-27 | 中国汽车技术研究中心 | 一种基于环保和成本节约的车辆调度和路径规划方法 |
CN107862493A (zh) * | 2017-10-20 | 2018-03-30 | 广西大学 | 一种货运车辆匹配行驶沿途附近货物的数值判断方法 |
CN109284852A (zh) * | 2018-07-17 | 2019-01-29 | 昆明理工大学 | 一种应用于物流配送中心的车辆分配过程的优化调度方法 |
Non-Patent Citations (2)
Title |
---|
路段通行时间不确定下取送货车辆路径优化研究;郭敏等;《西部交通科技》;20171230(第12期);第100-105+113页 * |
随机型协同配送的成本效益定量评估模型;邓建新等;《计算机集成制造系统》;20180615;第24卷(第6期);第1554-1567页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886490A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886490B (zh) | 一种组合车辆联合运输的匹配优化方法 | |
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 | |
CN109919541A (zh) | 一种多级定位库存路径问题的建模求解方法 | |
CN110472792B (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
CN111199375B (zh) | 一种智能化物流运输系统 | |
CN113052537B (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
CN112001506B (zh) | 一种装备自主保障的供应链成本优化方法 | |
CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和系统 | |
CN113780676A (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
CN115345549A (zh) | 结合装载方案的车辆路径调整方法及系统 | |
Wang et al. | Two‐Stage Solution for Meal Delivery Routing Optimization on Time‐Sensitive Customer Satisfaction | |
Liao et al. | An evolutionary approach for the selective pickup and delivery problem | |
CN110991665B (zh) | 一种利润最大化的集配一体化车辆路径规划方法 | |
CN115330051B (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
CN116070814A (zh) | 基于大数据处理的多式联运路径多冲突目标动态优化方法 | |
XueJing et al. | Application of Genetic Algorithm in Logistics Path Optimization | |
CN116187889A (zh) | 全链条铁水联运方案系统及评价方法 | |
CN116050752A (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
Cheng et al. | Solve the IRP problem with an improved discrete differential evolution algorithm | |
Tao et al. | A differential evolution with reinforcement learning for multi-objective assembly line feeding problem | |
CN115759914A (zh) | 计及物资装载率优化的电表配送车辆路径规划方法及系统 | |
CN113065274A (zh) | 车辆路径的规划方法、装置、终端及可读存储介质 | |
Cao et al. | [Retracted] A New Intelligent Rebalancing Management Method for Multiperiod and Multiobjective Bike‐Sharing System Based on Machine Learning‐Enabled Signal Processing Techniques | |
Lu et al. | Dynamic berth allocation problem for a novel hybrid berth system in container terminal | |
CN113780949B (zh) | 一种基于订单信息的货车钢板钢卷混装方法 |
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 |