CN110334853A - 一种物流配送中心仓库选址的仿自然体优化方法 - Google Patents
一种物流配送中心仓库选址的仿自然体优化方法 Download PDFInfo
- Publication number
- CN110334853A CN110334853A CN201910495177.6A CN201910495177A CN110334853A CN 110334853 A CN110334853 A CN 110334853A CN 201910495177 A CN201910495177 A CN 201910495177A CN 110334853 A CN110334853 A CN 110334853A
- Authority
- CN
- China
- Prior art keywords
- solution
- candidate solution
- value
- coordinate
- location
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流配送中心仓库选址的仿自然体优化方法,本发明对于不同配送中心规模的需求空间首先通过确定物体中心的方法进行目标函数的构建,其中目标函数考虑到需求量、运输距离、运输费用等影响因素,再采用仿自然体优化算法对于目标函数进行求解;通过候选解的位置、位置更新的搜索路径、步长来实现下一次位置的更新,最后输出需要得到的最优解。本发明发展一套仿自然体优化算法,求解一具需求考量的单配送中心选址优化问题,并可将本发明提出的仿自然体优化算法写入软件程序内,透过计算机进行科学计算与系统模拟,高效率地求解物流配送中心选址问题。
Description
技术领域
本发明属于物流技术领域,涉及一种物流配送中心仓库选址的仿自然体优化方法,尤其涉及一种具需求考量的单配送仓库选址优化计算方法。
背景技术
2018年全国社会物流总费用接近12万亿元,同比增长13.3%,显著高于GDP增速,显示了经济对物流的需求依旧强劲。相对应的,物流设施选址问题开始进入了人们的眼中,配送中心选址决定了整个物流系统自身的成本已经是否能够长久且高效率的发展,一个好的配送中心,在优化配送路径、减少物流成本的同时,也保持了当前物流系统的高效率运作。
现有技术方案隐藏着许多的问题:物流规划和布局不合理。出现地区性集中的问题,大家都在本地建设物流中心,都想把本地建成国内一流的物流基地。从而出现了“物流热”的问题。也因此导致了部门分割的问题,使物流的管理效率地下,物流系统运转不畅通等问题。这样不仅不能物流行业得到更快的发展,反而有可能延误物流发展的进程,造成物流资源的巨大浪费,产生负面的影响。
现有技术方案中的基础设施应用水平低,在管理手段和信息共享上都相对滞后,导致整体物流成本高企、质量和效率相对低下。成本上升是所有物流从业人员都面临的一个难题,在成本升高的背景下,运价却依然保持不变,在货源方面,散户和小型物流公司,由于价格等方面的原因,货源总体在不断缩小,大中型物流公司开始承接更多的运输量。物流总成本是企业管理物流运作的主要指标,但物流总成本本身并不能反映企业的物流运作好坏。通过物流总成本的统计分析,使企业可以从全局的角度了解自身的物流运作现状,明确目前关键的瓶颈问题以及突破口,提出解决的方法,以提高企业整体的运作绩效。若想在竞争压力下寻得发展,必须要有创新的眼光,用一种高效的方法解决当今物流成本的问题。
发明内容
为了解决如何选择物流配送仓库的最优位置,使得仓库和众多终端顾客之间总距离最小的问题,本发明提供了一种物流配送中心仓库选址的仿自然体优化方法。
本发明所采用的技术方案是:一种物流配送中心仓库选址的仿自然体优化方法,其特征在于,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为wi;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
其中,ai为需求点到最优解之间每单位距离的运输费用;
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L, (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
作为优选,步骤3中所述以一定的概率P选出被搜寻发现的候选解,在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
本发明还提供了另一技术方案:一种物流配送中心仓库选址的仿自然体优化方法,其特征在于,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为w i;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
作为优选,步骤3中所述以一定的概率P选出被搜寻发现的候选解,在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
相对于现有技术,本发明的有益效果是:
1.本发明所提出的仿自然体优化算法是以物体中心的方法建构物流配送中心选址的目标函数,其中目标函数考虑到需求量、运输距离、运输费用等影响因素,再采用仿自然体优化算法对于目标函数进行求解,通过候选解的位置、位置更新的搜索路径、步长来实现下一次位置的更新,最后输出需要得到的最优解。
2.本发明提出的仿自然体优化算法能够有效率地求解一般模式无法计算之物流配送中心选址优化问题,并且得以透过计算机科学实验来分析影响物流配送中心选址目标函数绩效的重要因素。
3.本发明发展一套仿自然体优化算法,求解一具需求考量的单配送中心选址优化问题,并可将本发明提出的仿自然体优化算法写入软件程序内,透过计算机进行科学计算与系统模拟,高效率地求解物流配送中心选址问题。
附图说明
附图1:本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明技术方案对于不同配送中心规模的需求空间首先通过确定物体中心的方法进行目标函数的构建,其中目标函数考虑到需求量、运输距离、运输费用等影响因素,再采用仿自然体优化算法对于目标函数进行求解。
实施例1:
请见图1,本发明提供的一种物流配送中心仓库选址的仿自然体优化方法,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为wi;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
其中,ai为需求点到最优解之间每单位距离的运输费用;
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
本实施例中,以一定的概率P选出被搜寻发现的候选解(需要再进行下一次迭代进行更新的(目前迭代运算中的)候选解),在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L, (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
实施例2:
本发明还提供了一种物流配送中心仓库选址的仿自然体优化方法,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为wi;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
本实施例中,以一定的概率P选出被搜寻发现的候选解,在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
本发明的创新点包括:
1.本发明技术方案对于不同配送中心规模的需求空间首先通过确定物体中心的方法进行目标函数的构建,其中目标函数考虑到需求量、运输距离、运输费用等影响因素,再采用仿自然体优化算法对于目标函数进行求解。
2.本发明所提出的仿自然体优化算法,通过候选解的位置、位置更新的搜索路径、步长来实现下一次位置的更新,所以寻优精度高,收敛速度也很高。
3.本发明所提出的算法是透过随机生成坐标点,在得出各个候选解坐标的目标函数值前提下,每个候选解坐标将自己的目标函数值同相邻候选解坐标的目标函数值进行比较,从而往较优候选解移动。经过多次迭代计算,全局从一开始的随机候选解坐标点会收敛到某个稳定的最优点,这个稳定的最优点就是算法最后输出需要得到的最优解。
4.本发明技术在每一次迭代(Iteration)过程中,针对某一特定解,从其邻近区域中产生新的候选解。主要包括三个步骤,一是抽样:从优化问题之可行解中,利用某种抽样策略进行抽样;二是计算绩效:从抽出之样本中计算目标函数值;三是更新抽样策略:利用现有样本观察值,更新抽样策略,以新的抽样方式进入下一次迭代运算。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种物流配送中心仓库选址的仿自然体优化方法,其特征在于,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为wi;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
其中,ai为需求点到最优解之间每单位距离的运输费用;
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L, (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
2.根据权利要求1所述的物流配送中心仓库选址的仿自然体优化方法,其特征在于:步骤3中所述以一定的概率P选出被搜寻发现的候选解,在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
3.一种物流配送中心仓库选址的仿自然体优化方法,其特征在于,包括以下步骤:
步骤1:初始化算法的参数,包括迭代次数T、候选解个数N、搜索空间维度D、候选解的发现概率P、步长控制量α、下一个候选解位置更新的搜索路径L;其中候选解为需求点;
假设在一区域范围内有N个需求点,需求点的坐标为(Xi,Yi),其中下标i的取值范围为1≦i≦N,各个需求点的需求量预设值为wi;存在一个坐标为(X0,Y0)的最优解为各需求点提供服务;
步骤2:假设目标需求为成本函数H最低,则构建目标函数为:
步骤3:随机生成N个坐标;将生成N个候选解的坐标代入目标函数(1)和(2)中计算出目标函数的数值,同时将当前迭代的最优解保留下来,再以一定的概率P选出被搜寻发现的候选解,其中概率取值范围为0≦P≦1;
步骤4:对于候选解,通过随机的方式更换坐标;对于其他的解按照公式(4)对于位置进行更新;
Xi(t+1)=Xi(t)+α*L (4)
其中t为迭代次数,α为步长控制量,L为搜索路径;
步骤5:判断是否达到迭代条件;
若否,则回转执行步骤3,继续进行评价以及记录最优解;
若是,则获得最优解及物流配送仓库的最优位置。
4.根据权利要求1所述的物流配送中心仓库选址的仿自然体优化方法,其特征在于:步骤3中所述以一定的概率P选出被搜寻发现的候选解,在某次迭代运算中,生成一个介于0与1之间的随机实数K,如果此K值大于一开始设置的概率P之值,就令K=P;否则,仍为原K值;然后,计算步长,之后通过步长及K值进行下一次迭代运算中候选解的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495177.6A CN110334853A (zh) | 2019-06-10 | 2019-06-10 | 一种物流配送中心仓库选址的仿自然体优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495177.6A CN110334853A (zh) | 2019-06-10 | 2019-06-10 | 一种物流配送中心仓库选址的仿自然体优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334853A true CN110334853A (zh) | 2019-10-15 |
Family
ID=68140865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495177.6A Pending CN110334853A (zh) | 2019-06-10 | 2019-06-10 | 一种物流配送中心仓库选址的仿自然体优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334853A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN112116135A (zh) * | 2020-09-04 | 2020-12-22 | 上海汽车集团股份有限公司 | 一种仓储资源的规划方法及相关装置 |
CN113537828A (zh) * | 2021-08-04 | 2021-10-22 | 拉扎斯网络科技(上海)有限公司 | 虚拟站点挖掘方法和装置 |
CN114742593A (zh) * | 2022-04-22 | 2022-07-12 | 北京信息科技大学 | 一种物流仓储中心优化选址方法及系统 |
CN116205559A (zh) * | 2023-05-05 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 基于最优前沿的多式联运货运设施布点优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312885A1 (en) * | 2007-06-12 | 2008-12-18 | Justsystems Evans Research, Inc. | Hybrid method for simulation optimization |
CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
CN108921338A (zh) * | 2018-06-20 | 2018-11-30 | 广东工业大学 | 一种多车辆车间物流运输调度方法 |
CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
-
2019
- 2019-06-10 CN CN201910495177.6A patent/CN110334853A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312885A1 (en) * | 2007-06-12 | 2008-12-18 | Justsystems Evans Research, Inc. | Hybrid method for simulation optimization |
CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
CN108921338A (zh) * | 2018-06-20 | 2018-11-30 | 广东工业大学 | 一种多车辆车间物流运输调度方法 |
CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
Non-Patent Citations (3)
Title |
---|
孙小军: "求解带时间窗车辆路径问题的混合智能算法", 《大连理工大学学报》, vol. 55, no. 2, 31 March 2015 (2015-03-31), pages 209 - 213 * |
李艳 等: "物流配送中心多目标优化选址的仿真设计", 《计算机仿真》, vol. 29, no. 7, 15 July 2012 (2012-07-15), pages 234 - 237 * |
赵世安 等: "改进的布谷鸟算法求解物流配送中心选址问题", 《数学的实践与认识》, vol. 47, no. 3, 8 February 2017 (2017-02-08), pages 206 - 212 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN111461395B (zh) * | 2020-02-24 | 2022-08-02 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN112116135A (zh) * | 2020-09-04 | 2020-12-22 | 上海汽车集团股份有限公司 | 一种仓储资源的规划方法及相关装置 |
CN113537828A (zh) * | 2021-08-04 | 2021-10-22 | 拉扎斯网络科技(上海)有限公司 | 虚拟站点挖掘方法和装置 |
CN114742593A (zh) * | 2022-04-22 | 2022-07-12 | 北京信息科技大学 | 一种物流仓储中心优化选址方法及系统 |
CN116205559A (zh) * | 2023-05-05 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 基于最优前沿的多式联运货运设施布点优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334853A (zh) | 一种物流配送中心仓库选址的仿自然体优化方法 | |
Xu et al. | Dynamic vehicle routing problems with enhanced ant colony optimization | |
CN110555640B (zh) | 路由规划的方法和装置 | |
Goli et al. | Two-echelon electric vehicle routing problem with a developed moth-flame meta-heuristic algorithm | |
Cheung et al. | Dynamic routing model and solution methods for fleet management with mobile technologies | |
Bychkov et al. | An intelligent management system for the development of a regional transport logistics infrastructure | |
Zhang et al. | A multimodal logistics service network design with time windows and environmental concerns | |
Yan et al. | Integrating prediction with optimization: Models and applications in transportation management | |
Ren et al. | Rebalancing bike sharing systems for minimizing depot inventory and traveling costs | |
Chargui et al. | Berth and quay crane allocation and scheduling with worker performance variability and yard truck deployment in container terminals | |
CN110782123A (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
Ji et al. | Routing optimization for multi-type containerships in a hub-and-spoke network | |
Wang et al. | Multi-objective location-routing problem with simultaneous pickup and delivery for urban distribution | |
Qiao et al. | A hybridized parallel bats algorithm for combinatorial problem of traveling salesman | |
Qiu et al. | A deep reinforcement learning-based approach for the home delivery and installation routing problem | |
Fan et al. | Distributed forecasting and ant colony optimization for the bike-sharing rebalancing problem with unserved demands | |
Zhou et al. | Hub-and-spoke network design for container shipping in inland waterways | |
Sawik et al. | A simulation-optimization model for automated parcel lockers network design in urban scenarios in Pamplona (Spain), Zakopane, and Krakow (Poland) | |
Huang et al. | A bi-level model and hybrid heuristic algorithm for the optimal location of prefabricated building industrial park | |
de Morais et al. | A solution methodology for a smart waste collection routing problem with workload concerns: computational and managerial insights from a real case study | |
Meesuptaweekoon et al. | Dynamic vehicle routing problem with multiple depots | |
Alanjari et al. | Hybrid genetic algorithm-simulation optimization method for proactively planning layout of material yard laydown | |
Zheng et al. | Dynamic multi-objective balancing for online food delivery via fuzzy logic system-based supply–demand relationship identification | |
Kopec et al. | Analysis of the big data concept and its use for logistics processes | |
Shi et al. | Optimization of transport network in the Basin of Yangtze River with minimization of environmental emission and transport/investment costs |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |