CN110909952B - 一种带移动配送站的城市两级配送及调度方法 - Google Patents

一种带移动配送站的城市两级配送及调度方法 Download PDF

Info

Publication number
CN110909952B
CN110909952B CN201911208961.0A CN201911208961A CN110909952B CN 110909952 B CN110909952 B CN 110909952B CN 201911208961 A CN201911208961 A CN 201911208961A CN 110909952 B CN110909952 B CN 110909952B
Authority
CN
China
Prior art keywords
distribution
mobile
customer
stage
path
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
CN201911208961.0A
Other languages
English (en)
Other versions
CN110909952A (zh
Inventor
刘发贵
兰宇琳
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911208961.0A priority Critical patent/CN110909952B/zh
Publication of CN110909952A publication Critical patent/CN110909952A/zh
Application granted granted Critical
Publication of CN110909952B publication Critical patent/CN110909952B/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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种带移动配送站的城市两级配送及调度方法。本发明的目的在于提高城市配送效率。两级配送模式采用货车将货物从位于郊区的配送中心转运到位于市区的配送站，再由配送站利用轻量型的交通工具完成末端配送。已有的配送站位置都是固定的，而城市顾客的需求每天都在变化，并且城市中心租金昂贵，导致配送路线不是每天最优且成本昂贵。带移动配送站的城市两级配送模式，将货车作为移动配送站，移动配送站的位置根据每天顾客的需求动态变化，使得每天的配送路径都是最优。针对该配送模式，设计了基于聚类的变邻域搜索调度算法，聚类算法用来确定移动配送站的位置，变邻域搜索优化配送路径，采用非支配排序遗传算法III中的选择策略来选择多目标精英解。同时在算法中还设计了货车直接配送策略进一步提高效率降低成本。

Description

一种带移动配送站的城市两级配送及调度方法
技术领域
本发明属于物流调度领域，尤其涉及一种带移动配送站的城市两级配送及调度方法。
背景技术
城市配送的主要目的是在考虑交通拥挤、安全及环境因素的前提下，以高效的方式在城市里运送货物。随着城市人口的急剧增加、城市化进程的加快以及顾客对配送时效的要求不断提高，城市配送面临着巨大的挑战。(Savelsbergh M,Woensel T V.CityLogistics:Challenges and Opportunities[J].Transportation Science,Vol.50,No.2,May 2016,pp.579–590)目前，两级配送模式是城市配送最常用的配送方式，比如，京东、菜鸟等。两级配送在不同级采用不同类型的运输车辆，包裹从位于郊区的配送中心由货车运送到城市里的配送站，在配送站由三轮车运送到末端顾客。
两级配送的优势是可以在不同的级使用不同类型的车辆来协同完成配送，这样可以有效解决城市交通限制和环境污染的问题。其次，两级配送模式有很强的扩展性，可以和很多创新的概念结合，比如，无人机、无人驾驶车辆及智能柜等。但是，现有的两级配送存在以下不足：
第一，一般都是固定配送站模式，也就是配送站的位置是固定的。而每一天顾客的需求是变化的，这就导致了由固定配送站所产生的配送路线不是最优的。同时，大都市租金昂贵，固定的配送站会产生租金成本，也增加了城市配送的整体成本(Cuda R,GuastarobaG,Speranza M G.A survey on two-echelon routing problems[J].Computers&Operations Research,2015,55:185-199.)。
第二，虽然移动仓库的概念在2014年已提出(S.Verlinde,C.Macharis,L.Milan,and B.Kin,“Does a mobile depot make urban deliveries faster,more sustainableand more economically viable:results of a pilot test in Brussels,”Transp.Res.Procedia,vol.4,pp.361–373,2014.)，为解决城市道路狭窄以及复杂的城市交通状况，采用了一种专门的运输设施配备了仓库、移动平台及小型办公室作为移动仓库，该设施早上从配送中心出发开往城市中心，晚上开回配送中心。TNT公司在布鲁塞尔进行了三个月的项目试点，结果显示对减少城市交通拥挤和污染排放有明显的效果，但是成本的投入相对来说比较高，也需要一定的空间来放置该运输设备(D.Merchan and E.E.Blanco,“The Near Future of Megacity Logistics,”Megacity Logistics Lab,MIT Center forTransportation&Logistics,September 2015)。
因此，受移动仓库概念的启发，同时结合目前许多城市出现了街边转运的现象(LiH,Liu Y,Chen K,et al.The two-echelon city logistics system with on-streetsatellites[J].Computers&Industrial Engineering,2018.)，提出带移动配送站的两级城市配送模式。将货车作为移动配送站，移动配送站的位置根据每天顾客需求动态确定，确保每天的配送路径都是最优的。针对此模式构建多目标数学模型并设计了基于聚类的变邻域搜索算法优化调度路径，同时设计了货车直接配送策略进一步的提高效率降低成本。
发明内容
本发明的目的在于提高城市配送效率。已有的配送站位置都是固定的，而城市顾客的需求每天都在变化，并且城市中心租金昂贵，导致配送路线不是每天最优且成本昂贵。带移动配送站的城市两级配送模式，将货车作为移动配送站，移动配送站的位置根据每天顾客的需求动态变化，使得每天的配送路径都是最优。针对该配送模式，构建了多目标的数学模型并设计了基于聚类的变邻域搜索调度算法，聚类算法用来确定移动配送站的位置，变邻域搜索优化配送路径，采用非支配排序遗传算法III中的选择策略来选择多目标精英解。同时在算法中还设计了货车直接配送策略进一步提高效率降低成本。
本发明的目的至少通过如下技术方案之一实现。
一种带移动配送站的城市两级配送模式及调度方法，包括以下步骤：
S1、构建多目标带移动配送站两级城市配送数学模型；
S2、设计基于聚类的变邻域搜索调度算法来求解多目标带移动配送站两级城市配送数学模型，聚类算法用来确定移动配送站的位置，变邻域搜索优化配送路径；采用非支配排序遗传算法III中的选择策略来选择多目标精英解。
进一步地，步骤S1中，带移动配送站两级城市配送数学模型(2ECD-MS)考虑一个配送中心(DC)V0，若干移动配送站Vs，和若干的顾客Vc的配送问题；所述顾客分为两类：货车直接配送的顾客Vc 0和移动配送站配送的顾客Vc m，m∈Vs；在两级路径分别采用两种运输车辆K1和K2，K1和K2的装载量分别是Q1和Q2；数学模型基于以下假设建立：
1)货车额外的充当移动仓库，临时存储货物，可以直接服务顾客；顾客分为两类：货车直接配送顾客和移动配送站配送顾客；
2)主要考虑的配送货物是小型快递包裹；路径优化包括第一级路径和第二级路径。规划的周期是一天；
3)由于智能柜的广泛使用，不考虑顾客时间窗约束；每个顾客只能被分配到一个移动配送站且分包配送是不允许的；
4)配送中心的位置、顾客的需求和位置是提前已知的；移动配送站没有存储空间，也没有开放成本；每个移动配送站有一定的服务范围和分配好的服务顾客；
5)配送中心有若干相同类型的货车，移动配送站有若干相同类型的三轮车；在第一级路径中，一个移动配送站可以被多个货车访问多次；一个顾客只能被一辆车访问一次；车辆不是瓶颈资源，每条路径都是闭环。
进一步地，带移动配送站两级城市配送数学模型定义为一个有向完全图G＝(C,A)，其中，第一级路径定义为G1＝(V1,A1)，C1＝V0∪Vc 0∪Vs，A1＝{(0,i)|i∈Vs∪Vc 0}∪{(i,j)|i,j∈Vs∪Vc 0}∪{(i,0)|i∈Vs∪Vc 0}；第二级路径定义为G2＝(V2,A2)且A2＝{(i,j)|i∈VS,j∈Vc m}∪{(i,j)|i,j∈Vc m}∪{(i,j)|i∈Vc m,j∈VS}，对任意边(i,j)∈A＝A1∪A2都有一个行驶代价dij；带移动配送站两级城市配送数学模型的决策变量如下：
Figure BDA0002297616490000031
Figure BDA0002297616490000032
Figure BDA0002297616490000033
Figure BDA0002297616490000034
Figure BDA0002297616490000035
Figure BDA0002297616490000036
其中，K1表示第一级可用货车集合，
Figure BDA0002297616490000037
表示移动配送站m可用三轮车集合；V0表示配送中心(DC)，Vs表示移动配送站集合，Vc表示顾客集合，Vc m表示移动配送站m配送顾客集合，m∈Vs；Vc 0表示货车直接配送顾客集合；A1表示第一级路径集合，
Figure BDA0002297616490000038
表示移动配送站m相关边集合，Q1表示第一级货车载重量，Q2表示第二级三轮车载重量；qi表示顾客i的需求，i∈Vc；dij表示货车行驶从i到j的距离，(i,j)∈A1；
Figure BDA0002297616490000039
表示三轮车行驶从i到j的距离，
Figure BDA00022976164900000310
进一步地，以影响成本的5个因素为优化目标，多目标带移动配送站两级城市配送数学模型的优化目标及其相应的约束如下：
最小化第一级货车行驶距离：
Figure BDA0002297616490000041
最小化第二级三轮车行驶距离：
Figure BDA0002297616490000042
最小化移动配送站数量：minf3＝|Vs|；
最小化第二级三轮车使用数量：
Figure BDA0002297616490000043
最小化第一级货车使用数量：
Figure BDA00022976164900000414
Figure BDA0002297616490000044
Figure BDA0002297616490000045
Figure BDA0002297616490000046
Figure BDA0002297616490000047
Figure BDA0002297616490000048
Figure BDA0002297616490000049
Figure BDA00022976164900000410
Figure BDA00022976164900000411
Figure BDA00022976164900000413
Figure BDA00022976164900000412
其中，约束条件(1)确保第一层顾客只被一辆货车服务。约束条件(2)确保顾客需求被可用的货车装载。约束条件(3)是对货车载重量的约束。约束条件(4)、(5)和(6)用来确保第一层路径中各节点度的平衡。约束条件(7)确保每个移动配送站服务的顾客只被一辆三轮车访问一次。约束条件(8)是对三轮车载重量的约束。约束条件(9)确保第二层路径中移动配送站的度的平衡。约束条件(10)是对第二层配送顾客点度平衡的约束。
进一步地，步骤S2中，求解多目标带移动配送站两级城市配送数学模型，主要包括确定移动配送站的位置及给配送站分配待服务顾客，规划配送路径以及选择有代表性的精英解；因此，所述基于聚类的变邻域搜索调度算法包括三个部分：顾客聚类、路径优化及精英解选择；具体步骤如下：
S2.1、设置聚类数目l＝1；
S2.2、采用k-means聚类算法对每天的顾客需求进行聚类，得到聚类核心和每一类的索引，分别表示移动配送站的位置以及为配送站分配的待服务顾客；
S2.3、采用改进的变邻域搜索算法对带移动配送站两级城市配送模型进行路径优化；
S2.4、聚类数目l+1，判断聚类数目是否超过阈值，若是，则跳至步骤S2.5，否则跳至步骤S2.2；
S2.5、利用基于非支配排序遗传算法III中的选择策略选择精英解。
进一步地，步骤S2.2中，顾客聚类的目的是对顾客进行分组，使得组间的相似性低而组内的相似性高；顾客间的相似性采用欧式距离来度量，相似性高指距离近，相似性低则距离远；具体步骤如下：
S2.2.1、在地理范围内随机选择移动配送站的位置；
S2.2.2、计算每个顾客与移动配送站之间的相似性即欧式距离，将顾客分配给距离最近的移动配送站；
S2.2.3、更新移动配送站的位置，将顾客到移动配送站的平均距离点作为新的位置；
S2.2.4、重复S2.2.1～S2.2.3，直到移动配送站的位置不再改变，最终确定移动配送站的位置及分配给该移动配送站的顾客。
进一步地，步骤S2.3中，变邻域搜索算法包括扰动和局部搜索两部分，都是通过不同的邻域算子来完成；设计5种邻域算子，分别是：relocate、2-opt、CrossExchange、ShortestRemoval和WorstRemoval；各邻域算子的具体描述如下：
N1(relocate):从一条路径中随机选择一个顾客删除，将其插入到其他路径的最优位置；
N2(2-opt):从一条路径中随机选择两条边，将两边之间的顾客访问顺序反转；
N3(CrossExchange):从两条路径中各选一段路径进行交换；
N4(ShortestRemoval):选择顾客数量最少的路径进行删除，将该路径上的顾客点重新插入其他路径；
N5(WorstRemoval):删除评价最差的路径，最差的定义为行驶距离与总需求的比值，再将这条路径上的顾客点分别重新插入其他路径中的最优位置；
所述扰动过程是从上述5种算子中随机选择一种，作用于初始解；然后对扰动后的初始解进行局部搜索，局部搜索过程依次遍历上述5种邻域算子，首先在第一个邻域搜索，当前邻域解无法改进时，切换到下一个邻域，如果解得到改进则回到第一个邻域，如果解没有得到改进则切换到另一个邻域；使得每个邻域的局部最优解更接近全局最优解，以提高解的质量。
进一步地，步骤S2.5包括以下步骤：
S2.5.1、对多目标解进行帕里托分层，根据帕里托等级由低到高将整层解加入最终解集，直到某一层解超出解集的大小；
S2.5.2、根据目标的个数生成结构化的参考点及参考向量，将解与参考向量进行关联，选择参考向量关联解数量最少的解依次加入解集直到精英解集的数量达到设定的上限。
进一步地，步骤S2.5.2中，结构化的参考点的生成是在数轴上取单位长度，按照预先设定的数目将其均分为几等分，等分点就是参考点，由原点与参考点的连线就是参考向量，关联与选择的过程如下：
S2.5.2.1、计算解与每个参考向量的垂直距离，距离最短的解则与该参考向量相关联；
S2.5.2.2、统计每个参考向量关联的解的个数并进行排序；
S2.5.2.3、按关联的解的个数从小到大的顺序，依次选择参考向量所关联的解，直到精英解达到上限。
进一步地，步骤S2中，设计货车直接配送策略(TDD)：第一级的货车行驶路径与一部分顾客相距很近，直接用货车来对部分顾客进行配送，在不显著增加货车行驶距离的前提下，选择直接服务顾客，进一步提高效率降低成本；直接配送顾客的选择策略如下：
设置一个选择范围参数，计算顾客到第一级配送路径的垂直距离，距离小于设定的范围内的顾客采用货车直接配送，并调整第一级配送路径。
与现有技术相比，本发明具有如下的优点与技术效果：
1、本发明提出了带移动配送站的两级城市配送新模式。该模式将货车作为移动配送站，移动配送站的位置根据每天顾客的需求动态变化，使得每天的配送路径都是最优。相比现有配送模式，提高了配送效率同时降低成本。
2、本发明设计了一种基于聚类的变邻域搜索调度算法，聚类算法用来确定移动配送站的位置，变邻域搜索优化配送路径。在变邻域搜索中使用了5中邻域算子系统性的优化路径，并采用了基于非支配排序遗传算法III中的选择机制选择多目标精英解。同时，采用货车直接配送策略进一步节省成本提高效率。
附图说明
图1为本发明实施例中固定配送站与移动配送站对比示意图。
图2为本发明实施例中基于聚类的变邻域搜索算法整体流程图。
图3为本发明实施例中货车直接配送策略示意图。
图4为本发明实施例中货车直接配送顾客选择方法示意图。
图5为本发明实施例中三目标问题结构化参考点示意图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明的具体实施进行进一步的详细说明，但本发明的实施和保护不限于此。
一种带移动配送站的城市两级配送模式及调度方法，包括以下步骤：
S1、构建多目标带移动配送站两级城市配送数学模型；
图1展示了固定配送站与移动配送站在两天的不同配送路线对比的例子，从图可知，移动配送站根据每天顾客分布调整移动配送站的位置，显然比固定配送站模式效率更高。带移动配送站两级城市配送数学模型(2ECD-MS)考虑一个配送中心(DC)V0，若干移动配送站Vs，和若干的顾客Vc的配送问题；所述顾客分为两类：货车直接配送的顾客Vc 0和移动配送站配送的顾客Vc m，m∈Vs；在两级路径分别采用两种运输车辆K1和K2，K1和K2的装载量分别是Q1和Q2；数学模型基于以下假设建立：
1)货车额外的充当移动仓库，临时存储货物，可以直接服务顾客；顾客分为两类：货车直接配送顾客和移动配送站配送顾客；
2)主要考虑的配送货物是小型快递包裹；路径优化包括第一级路径和第二级路径。规划的周期是一天；
3)由于智能柜的广泛使用，不考虑顾客时间窗约束；每个顾客只能被分配到一个移动配送站且分包配送是不允许的；
4)配送中心的位置、顾客的需求和位置是提前已知的；移动配送站没有存储空间，也没有开放成本；每个移动配送站有一定的服务范围和分配好的服务顾客；
5)配送中心有若干相同类型的货车，移动配送站有若干相同类型的三轮车；在第一级路径中，一个移动配送站可以被多个货车访问多次；一个顾客只能被一辆车访问一次；车辆不是瓶颈资源，每条路径都是闭环。
带移动配送站两级城市配送数学模型定义为一个有向完全图G＝(C,A)，其中，第一级路径定义为G1＝(V1,A1)，V1＝V0∪Vc 0∪Vs，A1＝{(0,i)|i∈Vs∪Vc 0}∪{(i,j)|i,j∈Vs∪Vc 0}∪{(i,0)|i∈Vs∪Vc 0}；第二级路径定义为G2＝(V2,A2)且A2＝{(i,j)|i∈VS,j∈Vc m}∪{(i,j)|i,j∈Vc m}∪{(i,j)|i∈Vc m,j∈VS}，对任意边(i,j)∈A＝A1∪A2都有一个行驶代价dij；带移动配送站两级城市配送数学模型的决策变量如下：
Figure BDA0002297616490000071
Figure BDA0002297616490000081
Figure BDA0002297616490000082
Figure BDA0002297616490000083
Figure BDA0002297616490000084
Figure BDA0002297616490000085
其中，K1表示第一级可用货车集合，
Figure BDA0002297616490000086
表示移动配送站m可用三轮车集合；V0表示配送中心(DC)，Vs表示移动配送站集合，Vc表示顾客集合，Vc m表示移动配送站m配送顾客集合，m∈Vs；Vc 0表示货车直接配送顾客集合；A1表示第一级路径集合，
Figure BDA0002297616490000087
表示移动配送站m相关边集合，Q1表示第一级货车载重量，Q2表示第二级三轮车载重量；qi表示顾客i的需求，i∈Vc；dij表示货车行驶从i到j的距离，(i,j)∈A1；
Figure BDA0002297616490000088
表示三轮车行驶从i到j的距离，
Figure BDA0002297616490000089
以影响成本的5个因素为优化目标，多目标带移动配送站两级城市配送数学模型的优化目标及其相应的约束如下：
最小化第一级货车行驶距离：
Figure BDA00022976164900000810
最小化第二级三轮车行驶距离：
Figure BDA00022976164900000811
最小化移动配送站数量：minf3＝|Vs|；
最小化第二级三轮车使用数量：
Figure BDA00022976164900000812
最小化第一级货车使用数量：
Figure BDA00022976164900000822
Figure BDA00022976164900000813
Figure BDA00022976164900000814
Figure BDA00022976164900000815
Figure BDA00022976164900000816
Figure BDA00022976164900000817
Figure BDA00022976164900000818
Figure BDA00022976164900000819
Figure BDA00022976164900000821
Figure BDA00022976164900000820
Figure BDA0002297616490000091
其中，约束条件(1)确保第一层顾客只被一辆货车服务。约束条件(2)确保顾客需求被可用的货车装载。约束条件(3)是对货车载重量的约束。约束条件(4)、(5)和(6)用来确保第一层路径中各节点度的平衡。约束条件(7)确保每个移动配送站服务的顾客只被一辆三轮车访问一次。约束条件(8)是对三轮车载重量的约束。约束条件(9)确保第二层路径中移动配送站的度的平衡。约束条件(10)是对第二层配送顾客点度平衡的约束。
S2、设计基于聚类的变邻域搜索调度算法来求解多目标带移动配送站两级城市配送数学模型；求解多目标带移动配送站两级城市配送数学模型，主要包括确定移动配送站的位置及给配送站分配待服务顾客，规划配送路径以及选择有代表性的精英解；因此，所述基于聚类的变邻域搜索调度算法包括三个部分：顾客聚类、路径优化及精英解选择；如图2所示，调度算法具体步骤如下：
S2.1、设置聚类数目l＝1；
S2.2、采用k-means聚类算法对每天的顾客需求进行聚类，得到聚类核心和每一类的索引，分别表示移动配送站的位置以及为配送站分配的待服务顾客；
顾客聚类的目的是对顾客进行分组，使得组间的相似性低而组内的相似性高；顾客间的相似性采用欧式距离来度量，相似性高指距离近，相似性低则距离远；具体步骤如下：
S2.2.1、在地理范围内随机选择移动配送站的位置；
S2.2.2、计算每个顾客与移动配送站之间的相似性即欧式距离，将顾客分配给距离最近的移动配送站；
S2.2.3、更新移动配送站的位置，将顾客到移动配送站的平均距离点作为新的位置；
S2.2.4、重复S2.2.1～S2.2.3，直到移动配送站的位置不再改变，最终确定移动配送站的位置及分配给该移动配送站的顾客。
S2.3、采用改进的变邻域搜索算法对带移动配送站两级城市配送模型进行路径优化；
变邻域搜索算法包括扰动和局部搜索两部分，都是通过不同的邻域算子来完成；设计5种邻域算子，分别是：relocate、2-opt、CrossExchange、ShortestRemoval和WorstRemoval；各邻域算子的具体描述如下：
N1(relocate):从一条路径中随机选择一个顾客删除，将其插入到其他路径的最优位置；
N2(2-opt):从一条路径中随机选择两条边，将两边之间的顾客访问顺序反转；
N3(CrossExchange):从两条路径中各选一段路径进行交换；
N4(ShortestRemoval):选择顾客数量最少的路径进行删除，将该路径上的顾客点重新插入其他路径；
N5(WorstRemoval):删除评价最差的路径，最差的定义为行驶距离与总需求的比值，再将这条路径上的顾客点分别重新插入其他路径中的最优位置；
所述扰动过程是从上述5种算子中随机选择一种，作用于初始解；然后对扰动后的初始解进行局部搜索，局部搜索过程依次遍历上述5种邻域算子，首先在第一个邻域搜索，当前邻域解无法改进时，切换到下一个邻域，如果解得到改进则回到第一个邻域，如果解没有得到改进则切换到另一个邻域；使得每个邻域的局部最优解更接近全局最优解，以提高解的质量。
S2.4、聚类数目l+1，判断聚类数目是否超过阈值，若是，则跳至步骤S2.5，否则跳至步骤S2.2；
S2.5、利用基于非支配排序遗传算法III中的选择策略选择精英解；包括以下步骤：
S2.5.1、对多目标解进行帕里托分层，根据帕里托等级由低到高将整层解加入最终解集，直到某一层超出解集的大小；
S2.5.2、根据目标的个数生成结构化的参考点及参考向量，将解与参考向量进行关联，选择参考向量关联解数量最少的解依次加入解集直到精英解集的数量达到设定的上限。
以三目标为例，图5是一个三目标问题的结构化参考点的示例图，所有参考点构成的面称为超平面，结构化的参考点的生成是在数轴上取单位长度，按照预先设定的数目将其均分为几等分，等分点就是参考点，参考点与原点的连线称为参考向量，，关联与选择的过程如下：
S2.5.2.1、计算解与每个参考向量的垂直距离，距离最短的解则与该参考向量相关联；
S2.5.2.2、统计每个参考向量关联的解的个数并进行排序；
S2.5.2.3、按关联的解的个数从小到大的顺序，依次选择参考向量所关联的解，直到精英解达到上限。
步骤S2中，设计货车直接配送策略(TDD)：第一级的货车行驶路径与一部分顾客相距很近，直接用货车来对部分顾客进行配送，在不显著增加货车行驶距离的前提下，选择直接服务顾客，进一步提高效率降低成本；
图3展示了原始模型与采用TDD策略后的配送路径举例，图3a是原始配送路线，图3b是采用了TDD策略后的配送路线，黑色实心圆表示TDD直接配送的顾客。从图3可知，第一层货车的行驶距离稍有增加，但是第二层车辆的行驶距离显著减少。TDD顾客的选择方法是通过计算垂直距离，选择小于设定阈值的顾客，如图4所示，直接配送顾客的选择策略如下：
设置一个选择范围参数，计算顾客到第一级配送路径的垂直距离，距离小于设定的范围内的顾客采用货车直接配送，并调整第一级配送路径。

Claims (6)

1.一种带移动配送站的城市两级配送及调度方法，其特征在于，包括以下步骤：
S1、构建多目标带移动配送站两级城市配送数学模型；带移动配送站两级城市配送数学模型(2ECD-MS)考虑一个配送中心(DC)V0，若干移动配送站Vs，和若干的顾客Vs的配送问题；所述顾客分为两类：货车直接配送的顾客
Figure FDA0003847967710000011
和移动配送站配送的顾客
Figure FDA0003847967710000012
在两级路径分别采用两种运输车辆K1和K2，K1和K2的装载量分别是Q1和Q2；数学模型基于以下假设建立：
1)货车额外的充当移动仓库，临时存储货物，可以直接服务顾客；顾客分为两类：货车直接配送顾客和移动配送站配送顾客；
2)主要考虑的配送货物是小型快递包裹；路径优化包括第一级路径和第二级路径；规划的周期是一天；
3)由于智能柜的广泛使用，不考虑顾客时间窗约束；每个顾客只能被分配到一个移动配送站且分包配送是不允许的；
4)配送中心的位置、顾客的需求和位置是提前已知的；移动配送站没有存储空间，也没有开放成本；每个移动配送站有一定的服务范围和分配好的服务顾客；
配送中心有若干相同类型的货车，移动配送站有若干相同类型的三轮车；在第一级路径中，一个移动配送站可以被多个货车访问多次；一个顾客只能被一辆车访问一次；车辆不是瓶颈资源，每条路径都是闭环；带移动配送站两级城市配送数学模型定义为一个有向完全图G＝(C,A)，其中，第一级路径定义为G1＝(V1,A1)，
Figure FDA0003847967710000013
Figure FDA0003847967710000014
第二级路径定义为G2＝(V2,A2)且
Figure FDA0003847967710000015
对任意边(i,j)∈A＝A1∪A2都有一个行驶代价dij；带移动配送站两级城市配送数学模型的决策变量如下：
Figure FDA0003847967710000021
Figure FDA0003847967710000022
Figure FDA0003847967710000023
Figure FDA0003847967710000024
Figure FDA0003847967710000025
Figure FDA0003847967710000026
其中，K1表示第一级可用货车集合，
Figure FDA0003847967710000027
表示移动配送站m可用三轮车集合；V0表示配送中心(DC)，Vs表示移动配送站集合，Vc表示顾客集合，
Figure FDA0003847967710000028
表示移动配送站m配送顾客集合，m∈Vs；
Figure FDA0003847967710000029
表示货车直接配送顾客集合；A1表示第一级路径集合，
Figure FDA00038479677100000210
表示移动配送站m相关边集合，Q1表示第一级货车载重量，Q2表示第二级三轮车载重量；qi表示顾客i的需求，i∈Vc；dij表示货车行驶从i到j的距离，(i,j)∈A1；
Figure FDA00038479677100000211
表示三轮车行驶从i到j的距离，
Figure FDA00038479677100000212
S2、设计基于聚类的变邻域搜索调度算法来求解多目标带移动配送站两级城市配送数学模型，聚类算法用来确定移动配送站的位置，变邻域搜索优化配送路径；采用非支配排序遗传算法III中的选择策略来选择多目标精英解；求解多目标带移动配送站两级城市配送数学模型，主要包括确定移动配送站的位置及给配送站分配待服务顾客，规划配送路径以及选择有代表性的精英解；因此，所述基于聚类的变邻域搜索调度算法包括三个部分：顾客聚类、路径优化及精英解选择；具体步骤如下：
S2.1、设置聚类数目l＝1；
S2.2、采用k-means聚类算法对每天的顾客需求进行聚类，得到聚类核心和每一类的索引，分别表示移动配送站的位置以及为配送站分配的待服务顾客；
S2.3、采用改进的变邻域搜索算法对带移动配送站两级城市配送模型进行路径优化；
S2.4、聚类数目l+1，判断聚类数目是否超过阈值，若是，则跳至步骤S2.5，否则跳至步骤S2.2；
S2.5、利用基于非支配排序遗传算法III中的选择策略选择精英解；
顾客聚类的目的是对顾客进行分组，使得组间的相似性低而组内的相似性高；顾客间的相似性采用欧式距离来度量，相似性高指距离近，相似性低则距离远；具体步骤如下：
S2.2.1、在地理范围内随机选择移动配送站的位置；
S2.2.2、计算每个顾客与移动配送站之间的相似性即欧式距离，将顾客分配给距离最近的移动配送站；
S2.2.3、更新移动配送站的位置，将顾客到移动配送站的平均距离点作为新的位置；
S2.2.4、重复S2.2.1～S2.2.3，直到移动配送站的位置不再改变，最终确定移动配送站的位置及分配给该移动配送站的顾客。
2.根据权利要求1所述的一种带移动配送站的城市两级配送及调度方法，其特征在于，
以影响成本的5个因素为优化目标，多目标带移动配送站两级城市配送数学模型的优化目标及其相应的约束如下：
最小化第一级货车行驶距离：
Figure FDA0003847967710000031
最小化第二级三轮车行驶距离：
Figure FDA0003847967710000032
最小化移动配送站数量：minf3＝|Vs|；
最小化第二级三轮车使用数量：
Figure FDA0003847967710000033
最小化第一级货车使用数量：
Figure FDA0003847967710000034
Figure FDA0003847967710000035
Figure FDA0003847967710000036
Figure FDA0003847967710000037
Figure FDA0003847967710000038
Figure FDA0003847967710000041
Figure FDA0003847967710000042
Figure FDA0003847967710000043
Figure FDA0003847967710000044
Figure FDA0003847967710000045
Figure FDA0003847967710000046
其中，约束条件(1)确保第一层顾客只被一辆货车服务；约束条件(2)确保顾客需求被可用的货车装载；约束条件(3)是对货车载重量的约束；约束条件(4)、(5)和(6)用来确保第一层路径中各节点度的平衡；约束条件(7)确保每个移动配送站服务的顾客只被一辆三轮车访问一次；约束条件(8)是对三轮车载重量的约束；约束条件(9)确保第二层路径中移动配送站的度的平衡；约束条件(10)是对第二层配送顾客点度平衡的约束。
3.根据权利要求2所述的一种带移动配送站的城市两级配送及调度方法，其特征在于，步骤S2.3中，变邻域搜索算法包括扰动和局部搜索两部分，都是通过不同的邻域算子来完成；设计5种邻域算子，分别是：relocate、2-opt、CrossExchange、ShortestRemoval和WorstRemoval；各邻域算子的具体描述如下：
N1(relocate):从一条路径中随机选择一个顾客删除，将其插入到其他路径的最优位置；
N2(2-opt):从一条路径中随机选择两条边，将两边之间的顾客访问顺序反转；
N3(CrossExchange):从两条路径中各选一段路径进行交换；
N4(ShortestRemoval):选择顾客数量最少的路径进行删除，将该路径上的顾客点重新插入其他路径；
N5(WorstRemoval):删除评价最差的路径，最差的定义为行驶距离与总需求的比值，再将这条路径上的顾客点分别重新插入其他路径中的最优位置；
所述扰动过程是从5种邻域算子中随机选择一种，作用于初始解；然后对扰动后的初始解进行局部搜索，局部搜索过程依次遍历5种邻域算子，首先在第一个邻域搜索，当前邻域解无法改进时，切换到下一个邻域，如果解得到改进则回到第一个邻域，如果解没有得到改进则切换到另一个邻域；使得每个邻域的局部最优解更接近全局最优解，以提高解的质量。
4.根据权利要求1所述的一种带移动配送站的城市两级配送及调度方法，其特征在于，步骤S2.5包括以下步骤：
S2.5.1、对多目标解进行帕里托分层，根据帕里托等级由低到高将整层解加入最终解集，直到某一层解超出解集的大小；
S2.5.2、根据目标的个数生成结构化的参考点及参考向量，将解与参考向量进行关联，选择参考向量关联解数量最少的解依次加入解集直到精英解集的数量达到设定的上限。
5.根据权利要求4所述的一种带移动配送站的城市两级配送及调度方法，其特征在于，步骤S2.5.2中，结构化的参考点的生成是在数轴上取单位长度，按照预先设定的数目将其均分为几等分，等分点就是参考点，由原点与参考点的连线就是参考向量，关联与选择的过程如下：
S2.5.2.1、计算解与每个参考向量的垂直距离，距离最短的解则与该参考向量相关联；
S2.5.2.2、统计每个参考向量关联的解的个数并进行排序；
S2.5.2.3、按关联的解的个数从小到大的顺序，依次选择参考向量所关联的解，直到精英解达到上限。
6.根据权利要求1所述的一种带移动配送站的城市两级配送及调度方法，其特征在于：步骤S2中，设计货车直接配送策略(TDD)：第一级的货车行驶路径与一部分顾客相距很近，直接用货车来对部分顾客进行配送，在不显著增加货车行驶距离的前提下，选择直接服务顾客，进一步提高效率降低成本；直接配送顾客的选择策略如下：
设置一个选择范围参数，计算顾客到第一级配送路径的垂直距离，距离小于设定的范围内的顾客采用货车直接配送，并调整第一级配送路径。
CN201911208961.0A 2019-11-30 2019-11-30 一种带移动配送站的城市两级配送及调度方法 Active CN110909952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911208961.0A CN110909952B (zh) 2019-11-30 2019-11-30 一种带移动配送站的城市两级配送及调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911208961.0A CN110909952B (zh) 2019-11-30 2019-11-30 一种带移动配送站的城市两级配送及调度方法

Publications (2)

Publication Number Publication Date
CN110909952A CN110909952A (zh) 2020-03-24
CN110909952B true CN110909952B (zh) 2022-12-16

Family

ID=69821704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911208961.0A Active CN110909952B (zh) 2019-11-30 2019-11-30 一种带移动配送站的城市两级配送及调度方法

Country Status (1)

Country Link
CN (1) CN110909952B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445084B (zh) * 2020-04-07 2022-05-10 西南交通大学 兼顾交通状况和双重时间窗的物流配送路径优化方法
CN112200367B (zh) * 2020-10-09 2021-05-28 河北工业大学 一种支持充放电策略的电动汽车配送路径优化方法
CN112149921B (zh) * 2020-10-20 2024-04-19 国网重庆市电力公司营销服务中心 大规模电动物流车路径规划方法及系统、充电规划方法
CN112801347B (zh) * 2021-01-11 2022-10-21 华南理工大学 基于移动中转站及众包的多目标城市两级配送规划方法
CN113516339A (zh) * 2021-04-01 2021-10-19 邝文辉 基于混凝土的运营方法
CN117455199B (zh) * 2023-12-21 2024-03-22 聊城大学 基于变邻域搜索算法求解矩阵制造车间agv调度的方法
CN117910782B (zh) * 2024-03-19 2024-05-14 华侨大学 基于完全子图和插入式遗传算法的城际拼车静态调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833002A (zh) * 2017-11-28 2018-03-23 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
CN109596132A (zh) * 2017-09-30 2019-04-09 北京京东尚科信息技术有限公司 车辆调度方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596132A (zh) * 2017-09-30 2019-04-09 北京京东尚科信息技术有限公司 车辆调度方法和装置
CN107833002A (zh) * 2017-11-28 2018-03-23 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

Also Published As

Publication number Publication date
CN110909952A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110909952B (zh) 一种带移动配送站的城市两级配送及调度方法
Jie et al. The two-echelon capacitated electric vehicle routing problem with battery swapping stations: Formulation and efficient methodology
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
CN111428931B (zh) 物流配送线路规划方法、装置、设备及存储介质
Goli et al. RETRACTED ARTICLE: Two-echelon electric vehicle routing problem with a developed moth-flame meta-heuristic algorithm
Eitzen et al. A multi-objective two-echelon vehicle routing problem. An urban goods movement approach for smart city logistics
Ma et al. Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
Wang et al. A scheduling strategy of mobile parcel lockers for the last mile delivery problem
Koyuncu et al. Duplicating nodes or arcs in green vehicle routing: A computational comparison of two formulations
Kancharla et al. An adaptive large neighborhood search approach for electric vehicle routing with load-dependent energy consumption
CN115576343B (zh) 一种结合无人机配送的多目标车辆路径优化方法
CN112907188A (zh) 一种基于自适应邻域搜索算法的共享单车搬运优化方法
Sedehzadeh et al. Optimization of a multi-modal tree hub location network with transportation energy consumption: A fuzzy approach
Lin et al. An autonomous modular mobility paradigm
Fan Routing optimization method of waste transportation vehicle using biological evolutionary algorithm under the perspective of low carbon and environmental protection
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
Zhu et al. Battery Electric Vehicle Traveling Salesman Problem with Drone
Taran et al. Structural optimization of multimodal routes for cargo delivery
CN116703291B (zh) 一种混合能源车队配送路径优化方法
CN112613701A (zh) 一种成品卷烟物流调度方法
Li et al. Heterogeneous fleet electric vehicle routing optimization for logistic distribution with time windows and simultaneous pick-up and delivery service
Ma et al. Delivery routing for a mixed fleet of conventional and electric vehicles with road restrictions
Feng et al. Optimization of Drop-and-Pull Transport Network Based on Shared Freight Station and Hub-and-Spoke Network.
CN111507662B (zh) 一种规划物流车辆路径的方法

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