CN110930091A - 基于邻域搜索模拟退火算法的快递末端网点优化整合方法 - Google Patents

Abstract

本发明提供了一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，包括如下步骤：获取区域内客户群集合和网点集合的基本信息；设定区域内所有网点的运营状态，对区域内的所有客户群和网点建立业务量分配模型，设定总分配成本计算公式；建立快递末端网点优化整合模型；配置用于求解上述模型的邻域搜索模拟退火算法；对网点整合结果进行可视化展示。本发明提出了一种基于成本优化的客户群业务量可拆分的网点优化整合模型，即一个客户群的业务量可以分配给多个网点，网点与客户群之间是多对多的关系。通过撤销与合并的方式，对网点的布局进行重构，以及对网点与客户群之间的业务量进行重新分配，从而提高物流资源的利用率，降低物流运营成本。

Description

基于邻域搜索模拟退火算法的快递末端网点优化整合方法

技术领域

本发明属于智能物流技术领域，具体涉及一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法。

背景技术

随着电子商务的飞速发展，快递行业进入了高速发展阶段。电子商务的快速发展在给快递行业带来前所未有机遇的同时，也带来了许多新的问题和挑战，如何将日益增多的快件以较低的成本及时准确地送到客户手中已成为目前困扰整个快递行业“最后一公里”配送的难题。通过在快递末端网络中实施共同配送，可以提高物流资源利用率，实现规模效益，是解决目前快递“最后一公里”配送难题的一种行之有效的途径。在实施共同配送时，首先需要对同一区域内多家快递企业的末端网点进行优化整合以实现物流资源的共享。共同配送模式下快递末端网点优化整合可以理解为当同一区域内多家快递企业的供给能力大于客户需求能力时，通过撤销与合并的方式，对网点的布局进行重构，以及对网点与客户群之间的业务量进行重新分配，来提高物流资源的利用率，降低物流运营成本。

现有研究中，对于该问题的研究工作非常少。在已有相关工作中，只考虑了客户群业务量整体分配的方式，即每个客户群的所有业务都由一个共享网点来完成，这样的分配方式会导致网点的资源利用率低、网点整合不合理的情况出现。针对该问题，现有的求解算法有遗传算法和免疫遗传算法等近似算法。然而遗传算法在求解时，易陷入局部最优解；免疫遗传算法将在遗传算法的基础上进行了改进，提高了遗传算法的全局搜索能力，但是其解结构通常为一维数组，不适用于本文建立的客户群与网点之间的业务量分配模型。快递末端网点优化整合问题与有能力约束的固定费用设施选址问题比较相似，针对有能力约束的固定费用设施选址问题，目前没有有效的多项式算法可以求出其精确解，因此，通常采用各种近似求解方法求得近似最优解，例如分支限界法、拉格朗日松弛法、启发式算法等。但是CFCFLP没有考虑网点的覆盖范围。因此现有的算法一般很难直接用于快递末端网点优化整合问题的求解。

综上，现有的研究存在以下不足：1)现有的研究只考虑了客户群业务量整体分配的方式，即每个客户群的所有业务都由一个共享网点来完成；2)现有的求解算法存在着不足，利用遗传算法求解该问题容易陷入局部最优解，免疫遗传算法的解结构通常为一维数组，不适用于本文建立的客户群与网点之间的业务量分配模型；3)与该问题非常相似的CFCFLP，没有考虑网点的覆盖范围。

发明内容

针对上述现有技术中存在的不足，本发明的目的在于，提供一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，建立快递末端网点优化整合模型，利用邻域搜索模拟退火算法求解，通过撤销与合并的方式，对网点的布局进行重构，以及对网点与客户群之间的业务量进行重新分配，来提高物流资源的利用率，降低物流运营成本。

为了实现上述任务，本发明采用如下技术方案予以实现：

一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，包括如下步骤：

步骤1：获取区域内客户群集合和网点集合的基本信息；

步骤2：设定区域内所有网点的运营状态，对区域内的所有客户群和网点建立业务量分配模型，设定总分配成本计算公式；

步骤3：建立快递末端网点优化整合模型；

步骤4：配置用于求解上述模型的邻域搜索模拟退火算法；

步骤5：对网点整合结果进行可视化展示。

优选地，所述步骤1的具体步骤如下：

步骤1.1：获取客户群集合的基本信息：客户群集合

其中m为区域内客户群的数量，i为客户群的编号，customer_i表示第i个客户群；区域内客户群集合的基本信息还包括：客户群customer_i的业务需求量g_c(i)；

步骤1.2：获取网点集合的基本信息：网点集合

其中n为区域内网点的数量，j为网点的编号，node_j表示第j个网点；区域内网点集合的基本信息还包括：网点node_j的运营成本c_n(j)，网点node_j的业务辐射范围d_n(j)，网点node_j的业务量上限f_n(j)；

步骤1.3：获取客户群集合和网点集合的基本信息还包括：从客户群customer_i到网点node_j的距离d_cn(i,j)，以及从客户群customer_i到网点node_j的单位距离单位业务量的运输成本u_cn(i,j)。

优选地，所述步骤2的具体步骤如下：

步骤2.1：区域内网点node_j的运营状态有两种：保留和撤销，设定一个二元决策变量来表示网点的运营状态；令y_n(j)∈{0,1}表示网点node_j的运营状态，如果y_n(j)＝0，表示保留网点node_j，否则，表示撤销网点node_j；

步骤2.2：对区域内的所有客户群和网点建立业务量分配模型，一个客户群上的业务量可以分配到多个网点，即客户群与网点之间是多对多的关系；设定一个二维的非负整数决策变量表示客户群分配给网点的业务量；其中，x_cn(i,j)∈{0,1,…,min{f_n(j),g_c(i)}}表示客户群customer_i分配给网点node_j的业务量，如果x_cn(i,j)＝0，表明网点node_j没有覆盖客户群customer_i，否则，表示网点node_j覆盖客户群customer_i；

步骤2.3：总分配成本是由两部分构成，一个是网点的运营成本，运营成本计算公式如下：

其中，若网点node_j的运营状态为撤销，即y_n(j)＝0，则网点的运营成本为0，若网点node_j的运营状态为保留，即y_n(j)＝1，则网点的运营成本为c_n(j)；

另一个是网点到客户群的运输成本，运输成本与客户群与网点之间的距离、客户群分配给网点的业务量和单位运输成本相关计算公式如下：

优选地，所述步骤3具体步骤如下：

建立快递末端网点优化整合模型，目标函数为min F(x_cn,y_n)，其中：

约束条件：

d_n(j)x_cn(i,j)≥d_cn(i,j)x_cn(i,j)，i＝1,2,...,m；j＝1,2,...,n (4)

y_n(j)∈{0,1}，j＝1,2,...,n (7)

x_cn(i,j)∈{0,1,...,min{f_j,g_i}}，i＝1,2,...,m；j＝1,2,...,n (8)

在上面的形式化描述中，公式(3)为模型的目标函数，使区域内网点和客户群之间的总分配成本最小，总分配成本为网点运营成本与网点到客户群的运输成本之和；

公式(4)表示每个网点只能向其业务辐射范围内的客户群提供服务，公式(5)表示网点承担的业务量不能超过其业务容量上限，公式(6)表示客户群的所有业务量都应分配给相应的网点。

优选地，所述步骤4具体步骤如下：

设定客户群集合

网点集合

客户群的业务需求量g_c，网点的运营成本c_n，网点的业务辐射范围d_n，网点node_j的业务量上限f_n，从客户群到网点的距离d_cn，以及从客户群到网点的单位距离单位业务量的运输成本u_cn，决策变量x_cn、y_n；

基于上述客户群集合信息和网点集合信息配置的邻域搜索模拟退火算法步骤包括：

步骤4.1：导入数据，包括g_c，c_n，d_n，f_n，d_cn，u_cn；初始化模拟退火算法参数，包括初始温度t₀、终止温度t_end、降温系数a、迭代次数N；

步骤4.2：令x_cn(i,j)＝0，y_n(j)＝0，

步骤4.3：生成初始解x_cn’，y_n’，令x_cn＝x_cn’，y_n＝y_n’，计算的目标函数值F(x_cn,y_n)；

步骤4.4：产生新解x_cn”，y_n”，计算目标函数值F(x_cn”,y_n”)；

步骤4.5：比较新解与当前解，判断是否接受新解为当前解；若新解优于当前解，即新解的目标函数值小于当前解的目标函数值，接受新解为当前解，令x_cn＝x_cn”，y_n＝y_n”；否则，根据概率选择性接受新解为当前解；

步骤4.6：判断是否达到热平衡，即内循环次数是否达到迭代次数N，若未达到迭代次数，返回到步骤4.4；

步骤4.7：降温，降温函数为T_k＝t₀*a^k，T_k的终值为t_end，k为降温次数；

步骤4.8：判断是否满足终止条件，即T_k是否达到终止温度t_end，若未达到终止温度，则返回至步骤4.4；

步骤4.9：输出x_cn，y_n。

进一步的技术方案中，所述步骤4.3中初始解的生成方法如下：

步骤4.3.1：设N_op表示网点业务占用率，C_rs表示客户群待分配业务量，N_op(j)表示网点node_j业务占用率，C_rs(i)表示客户群customer_i待分配业务量；

步骤4.3.2：从待分配业务量不为0的客户群中，选择一个客户群，将其部分或者全部待分配业务量，分给一个业务占用率不为100％的网点，使总分配成本增加最小，若满足该条件的客户群和网点的组合有多种，则从中任选一种组合；

步骤4.3.3：重新计算网点业务占用率N_op和客户群待分配业务量C_rs；

步骤4.3.4：重复步骤4.3.2和4.3.3，直至所有客户群的业务量均分配完成，即C_rs(i)为0，

更进一步的技术方案中，所述步骤4.3.1中网点业务占用率和客户群待分配业务量的计算公式如下：

进一步的技术方案中，所述步骤4.4中新解的产生机制如下：

在当前解的邻域内操作产生新解，共有四种邻域操作：

④撤销部分客户群后重分配操作：随机选择部分客户群，撤销它们的分配方案，重新分配，分配原则为使总分配成本增加最小；

⑤网点业务量交换操作：随机选择两个网点，将客户群分配到上述两个网点的业务量交换；

⑥随机网点业务量外迁操作：利用轮盘赌选择法，随机选择运营成本和运输成本之和较高的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小；

④低利用率网点业务量外迁操作：随机选择一个利用率低的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小。

更进一步的技术方案中，所述步骤4.4.3中的轮盘赌选择法具体如下：

被选择的个体为网点，运输成本和运营成本较高的网点，适应度越大，越容易被选中，单个网点node_j的适应度计算公式定义如下：

设单个网点node_j的选择概率为P_j，累计概率为S_j，计算公式如下所示：

优选地，所述步骤5具体如下：

将网点整合情况和客户群业务重分配后的分配方案以可视化的方式返回到用户界面；用户可以查看网点整合情况和客户群业务重分配后的分配方案优选地。

本发明还提供一种实现基于邻域搜索模拟退火算法的快递末端网点优化整合方法方法的支撑工具，包括：客户端，用于输入区域内的客户群和网点的基本信息，以及可视化输出网点整合结果和业务量重分配结果；服务器端，执行所述计算机程序，以实现如权利要求1至9任意一项所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法的步骤；数据库端，用于存储客户群和网点的基本信息。

从以上技术方案可以看出，本发明具有以下优点：

本发明提出了一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法。首先，设定一个客户群上的业务量可以分配到多个网点，即网点与客户群之间是多对多的关系，建立业务量分配模型。其次，以区域内总分配成本最低为目标，即网点运营成本和业务运输成本之和最低，建立快递末端网点优化整合模型，通过合并和撤销的方式对区域内网点的布局进行重构，以及对网点与客户群之间的业务量进行重新分配，以此来提高物流资源的利用率，降低物流运营成本。然后，提出了一种高效的求解算法，即邻域搜索模拟退火算法，求解问题模型，优化整合快递末端网点。最后将得到的结果返回至用户界面，便于用户以可视化的方式查看。

针对网点整合研究中存在的不足，本发明在建立业务量分配模型时，设定一个客户群上的业务量可以分配到多个网点，即网点与客户群之间是多对多的关系。同时考虑了网点的容量和覆盖范围有限的情况，建立了快递末端网点优化整合模型，并设计实现了用于求解上述模型的邻域搜索模拟退火算法，优化整合快递末端网点。最后将算法输出的网点整合情况和客户群业务量重分配的结果以一种可视化的方法返回到用户界面中。针对快递末端网点优化整合，本发明提供的新的求解模型和求解算法，可降低区域内总分配成本，即网点运营成本和运输成本之和，同时提高网点利用率，具有实用价值。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法的流程图；

图2为本发明的示例区域内网点和客户群的实际位置和实际距离映射到自定义的坐标轴上的示意图；

图3描述了业务量分配模型和网点运营状态；

图4(a)为本发明的撤销部分客户群后重分配操作示意图；

图4(b)为本发明的网点业务量交换操作示意图；

图4(c)为本发明的随机网点业务量外迁操作示意图；

图4(d)为本发明的低利用率网点业务量外迁操作示意图；

图5为本发明的利用邻域搜索模拟退火算法求解的流程图；

图6为本发明的优化整合区域内的快递末端网点的结果。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。

本发明提供一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，如图1所示，具体步骤如下：

步骤一，获取区域内客户群集合和网点集合的基本信息

步骤1.1：输入客户群集合的基本信息。区域内客户群的数量m＝25，客户群集合

i为客户群的编号，customer_i表示第i个客户群；区域内客户群集合的基本信息还包括：客户群customer_i的业务需求量g_c(i)，g_c＝{66,71,90,153,185,100,97,117,50,127,115,189,153,115,159,52,76,103,141,115,55,176,55,107,56}，单位：100kg。

步骤1.2：输入网点集合的基本信息。区域内网点的数量n＝10，网点集合

j为网点的编号，node_j表示第j个网点；区域内网点集合的基本信息还包括：网点node_j的运营成本c_n(j)，网点node_j的业务辐射范围d_n(j)，网点node_j的业务量上限f_n(j)。数据如表1所示，其中所有网点的业务辐射范围均为2500m。

表1网点集合的基本信息

网点编号i	运营成本c<sub>n</sub>(单位：万元)	业务量上限f<sub>n</sub>(单位：100kg)
			1	14.69	1469
2	13.44	1344
			3	13.71	1371
4	10.17	1017
			5	15.38	1538
6	18.70	1870
			7	18.71	1871
8	11.00	1100
			9	13.16	1316
10	12.26	1226

步骤1.3：输入的客户群集合和网点集合的基本信息还包括：从客户群customer_i到网点node_j的距离d_cn(i,j)，以及从客户群customer_i到网点node_j的单位距离单位业务量的运输成本u_cn(i,j)，其中从客户群到网点的单位距离单位业务量的运输成本均为0.01万元/100kg/m。距离d_cn(i,j)为客户群customer_i到网点node_j的实际距离，数据如表2所示。

表2网点与客户群之间的距离数据，单位：m

图2为将区域内网点和客户群的实际位置和实际距离映射到自定义的坐标轴上的示意图。X轴范围为[-3000,6000]，Y轴范围为[-2000,7000]，三角形代表客户群位置，实心圆代表网点位置，空心圆代表网点的映射范围。从图中可以看出，该区域内的网点布局极其不合理，存在网点资源利用率低，以及配送成本高等问题。

步骤二，设定区域内所有网点的运营状态y_n，对区域内的所有客户群和网点建立业务量分配模型x_cn，同时设定了成本计算公式。

步骤2.1：区域内网点node_j的运营状态有两种：保留和撤销，设定一个二元决策变量来表示网点的运营状态；令y_n(j)∈{0,1}表示网点node_j的运营状态，如果y_n(j)＝0，表示保留网点node_j，否则，表示撤销网点node_j；

步骤2.2：对区域内的所有客户群和网点建立业务量分配模型，一个客户群上的业务量可以分配到多个网点，即客户群与网点之间是多对多的关系；设定一个二维的非负整数决策变量表示客户群分配给网点的业务量；其中，x_cn(i,j)∈{0,1,…,min{f_n(j),g_c(i)}}表示客户群customer_i分配给网点node_j的业务量，如果x_cn(i,j)＝0，表明网点node_j没有覆盖客户群customer_i，否则，表示网点node_j覆盖客户群customer_i；

步骤2.3：总分配成本是由两部分构成，一个是网点的运营成本，运营成本计算公式如下：

其中，若网点node_j的运营状态为撤销，即y_n(j)＝0，则网点的运营成本为0，若网点node_j的运营状态为保留，即y_n(j)＝1，则网点的运营成本为c_n(j)；

另一个是网点到客户群的运输成本，运输成本与客户群与网点之间的距离、客户群分配给网点的业务量和单位运输成本相关计算公式如下：

图3给出了一个简单示例。由于步骤一获取的示例规模较大，这里给出一个简单示例，描述业务量分配模型和网点运营状态，包括7个客户群和5个网点。附图3左侧中的三角代表客户群，实心圆代表网点，因为一个客户群的业务量可以分配给多个网点，所以网点与客户群的关系是多对多的关系。右侧描述了业务量分配模型和网点运营状态，其中m＝7，n＝5。业务量分配模型x_cn为一个7×5的矩阵，例矩阵x_cn的第1行第1列x_cn(1,1)＝167，表示客户群costumer₁分给网点node₁的业务量为167。y_n为长度为5的数组，表示网点的运营状态，例数组y_n的中第1个元素y_n(1)＝1，表示网点node₁未被撤销，又例数组中第5个元素y_n(5)＝0，表示网点node₁被撤销。

步骤三，建立快递末端网点优化整合模型，目标函数为使总分配成本最低。

建立快递末端网点优化整合模型，目标函数为min F(x_cn,y_n)，其中：

约束条件：

d_n(j)x_cn(i,j)≥d_cn(i,j)x_cn(i,j)，i＝1,2,...,m；j＝1,2,...,n (4)

y_n(j)∈{0,1}，j＝1,2,...,n (7)

x_cn(i,j)∈{0,1,...,min{f_j,g_i}}，i＝1,2,...,m；j＝1,2,...,n (8)

在上面的形式化描述中，公式(3)为模型的目标函数，使区域内网点和客户群之间的总分配成本最小，总分配成本为网点运营成本与网点到客户群的运输成本之和；

公式(4)表示每个网点只能向其业务辐射范围内的客户群提供服务，公式(5)表示网点承担的业务量不能超过其业务容量上限，公式(6)表示客户群的所有业务量都应分配给相应的网点。

步骤四，配置用于求解上述模型的邻域搜索模拟退火算法，步骤包括：

步骤4.1：导入数据，包括g_c，c_n，d_n，f_n，d_cn，u_cn；初始化模拟退火算法参数，包括初始温度t₀、终止温度t_end、降温系数a、迭代次数N；

步骤4.2：令x_cn(i,j)＝0，y_n(j)＝0，

步骤4.3：生成初始解x_cn’，y_n’，令x_cn＝x_cn’，y_n＝y_n’，计算的目标函数值F(x_cn,y_n)。

初始解的生成方法如下：

步骤4.3.1：计算网点的业务占用率N_op，客户群的待分配业务量C_rs；

步骤4.3.2：从待分配业务量不为0的客户群中，选择一个客户群，将其部分或者全部待分配业务量，分给一个业务占用率不为100％的网点，使总分配成本增加最小，若满足该条件的客户群和网点的组合有多种，则从中任选一种组合；

步骤4.3.3：重新计算网点业务占用率N_op，C_rs；

步骤4.3.4：重复步骤4.3.2和4.3.3，直至所有客户群的业务量分配完成。

步骤4.4：产生新解x_cn”，y_n”，计算目标函数值F(x_cn”,y_n”)。新解的产生机制共有四种邻域操作，如下：

①撤销部分客户群后重分配操作：随机选择部分客户群，撤销它们的分配方案，重新分配，分配原则为使总分配成本增加最小。

图4(a)利用附图3给出的简单示例，描述了撤销部分客户群后重分配操作，随机产生的撤销序列为{1,6,7}，撤销costumer₁、costumer₆、costumer₇的分配方案，然后进行重分配。

②网点业务量交换操作：随机选择两个网点，将客户群分配到上述两个网点的业务量交换。

图4(b)利用附图3给出的简单示例，描述了网点业务量交换操作，随机产生的网点序号node_ran₁＝1、node_ran₂＝2，交换网点node₂和node₃中的业务量。

③随机网点业务量外迁操作：利用轮盘赌选择法，随机选择运营成本和运输成本之和较高的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小。

图4(c)利用附图3给出的简单示例，描述了随机网点业务量外迁操作，被选择网点的编号node_num＝1，将客户群costumer₄、costumer₅、costumer₆分配给网点node₁的业务量重分配。

③低利用率网点业务量外迁操作：随机选择一个利用率低的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小。

图4(d)利用附图3给出的简单示例，描述了低利用率网点业务量外迁操作，随机选择的利用率低的网点为node₅，将客户群costumer₄、costumer₇分配给网点node₁的业务量重分配。

步骤4.5：比较新解与当前解，判断是否接受新解为当前解；若新解优于当前解，即新解的目标函数值小于当前解的目标函数值，接受新解为当前解，令x_cn＝x_cn”，y_n＝y_n”；否则，根据概率选择性接受新解为当前解；

步骤4.6：判断是否达到热平衡，即内循环次数是否达到迭代次数N，若未达到迭代次数，返回到步骤4.4；

步骤4.7：降温，降温函数为T_k＝t₀*a^k，T_k的终值为t_end，k为降温次数；

步骤4.8：判断是否满足终止条件，即T_k是否达到终止温度t_end，若未达到终止温度，则返回至步骤4.4；

步骤4.9：输出x_cn，y_n。

图5给出了利用邻域搜索模拟退火算法优化整合快递末端网点的流程图。

图6给出了利用邻域搜索模拟退火算法优化整合区域内的快递末端网点的结果，与图2相比，撤销了5个网点，提高了网点资源的利用率低，降低了总分配成本。

步骤五，对网点整合结果进行可视化展示。

本发明提供了一种将网点整合的结果和客户群任务重分配的结果可视化的方法，将网点合并和撤销的结果以及客户群任务重分配后的分配方案以可视化的方式返回。

本发明还提供一种实现基于邻域搜索模拟退火算法的快递末端网点优化整合方法的支撑工具，包括：客户端，用于输入区域内的客户群和网点的基本信息，以及可视化输出网点整合结果和业务量重分配结果；服务器端，执行所述计算机程序，以实现前面所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法的步骤；数据库端，用于存储客户群和网点的基本信息。

客户端使用JSP技术，提供操作和展示界面，包括网点与客户群的基本信息的输入，以及网点整合结果和业务量重分配结果的可视化展示；服务器端用java技术实现，拦截客户端的请求，进行处理，然后将结果返回到客户端；数据库端，采用MySQL数据库建立数据库存储客户群和网点的基本信息。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，包括如下步骤：

步骤1：获取区域内客户群集合和网点集合的基本信息；

步骤2：设定区域内所有网点的运营状态，对区域内的所有客户群和网点建立业务量分配模型，设定总分配成本计算公式；

步骤3：建立快递末端网点优化整合模型；

步骤4：配置用于求解上述模型的邻域搜索模拟退火算法；

步骤5：对网点整合结果进行可视化展示。

2.根据权利要求1所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤1的具体步骤如下：

步骤1.1：获取客户群集合的基本信息：客户群集合

其中m为区域内客户群的数量，i为客户群的编号，customer_i表示第i个客户群；区域内客户群集合的基本信息还包括：客户群customer_i的业务需求量g_c(i)；

步骤1.2：获取网点集合的基本信息：网点集合

其中n为区域内网点的数量，j为网点的编号，node_j表示第j个网点；区域内网点集合的基本信息还包括：网点node_j的运营成本c_n(j)，网点node_j的业务辐射范围d_n(j)，网点node_j的业务量上限f_n(j)；

步骤1.3：获取客户群集合和网点集合的基本信息还包括：从客户群customer_i到网点node_j的距离d_cn(i,j)，以及从客户群customer_i到网点node_j的单位距离单位业务量的运输成本u_cn(i,j)。

3.根据权利要求2所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤2的具体步骤如下：

步骤2.1：区域内网点node_j的运营状态有两种：保留和撤销，设定一个二元决策变量来表示网点的运营状态；令y_n(j)∈{0,1}表示网点node_j的运营状态，如果y_n(j)＝0，表示保留网点node_j，否则，表示撤销网点node_j；

步骤2.2：对区域内的所有客户群和网点建立业务量分配模型，一个客户群上的业务量可以分配到多个网点，即客户群与网点之间是多对多的关系；设定一个二维的非负整数决策变量表示客户群分配给网点的业务量；其中，x_cn(i,j)∈{0,1,…,min{f_n(j),g_c(i)}}表示客户群customer_i分配给网点node_j的业务量，如果x_cn(i,j)＝0，表明网点node_j没有覆盖客户群customer_i，否则，表示网点node_j覆盖客户群customer_i；

步骤2.3：总分配成本是由两部分构成，一个是网点的运营成本，运营成本计算公式如下：

其中，若网点node_j的运营状态为撤销，即y_n(j)＝0，则网点的运营成本为0，若网点node_j的运营状态为保留，即y_n(j)＝1，则网点的运营成本为c_n(j)；

另一个是网点到客户群的运输成本，运输成本与客户群与网点之间的距离、客户群分配给网点的业务量和单位运输成本相关计算公式如下：

4.根据权利要求3所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤3具体步骤如下：

建立快递末端网点优化整合模型，目标函数为min F(x_cn,y_n)，其中：

约束条件：

d_n(j)x_cn(i,j)≥d_cn(i,j)x_cn(i,j)，i＝1,2,...,m；j＝1,2,...,n (4)

y_n(j)∈{0,1}，j＝1,2,...,n (7)

x_cn(i,j)∈{0,1,...,min{f_j,g_i}}，i＝1,2,...,m；j＝1,2,...,n (8)

在上面的形式化描述中，公式(3)为模型的目标函数，使区域内网点和客户群之间的总分配成本最小，总分配成本为网点运营成本与网点到客户群的运输成本之和；

公式(4)表示每个网点只能向其业务辐射范围内的客户群提供服务，公式(5)表示网点承担的业务量不能超过其业务容量上限，公式(6)表示客户群的所有业务量都应分配给相应的网点。

5.根据权利要求4所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤4具体步骤如下：

设定客户群集合

网点集合

客户群的业务需求量g_c，网点的运营成本c_n，网点的业务辐射范围d_n，网点node_j的业务量上限f_n，从客户群到网点的距离d_cn，以及从客户群到网点的单位距离单位业务量的运输成本u_cn，决策变量x_cn、y_n；

基于上述客户群集合信息和网点集合信息配置的邻域搜索模拟退火算法步骤包括：

步骤4.1：导入数据，包括g_c，c_n，d_n，f_n，d_cn，u_cn；初始化模拟退火算法参数，包括初始温度t₀、终止温度t_end、降温系数a、迭代次数N；

步骤4.2：令x_cn(i,j)＝0，y_n(j)＝0，

步骤4.3：生成初始解x_cn’，y_n’，令x_cn＝x_cn’，y_n＝y_n’，计算的目标函数值F(x_cn,y_n)；

步骤4.4：产生新解x_cn”，y_n”，计算目标函数值F(x_cn”,y_n”)；

步骤4.5：比较新解与当前解，判断是否接受新解为当前解；若新解优于当前解，即新解的目标函数值小于当前解的目标函数值，接受新解为当前解，令x_cn＝x_cn”，y_n＝y_n”；否则，根据概率选择性接受新解为当前解；

步骤4.6：判断是否达到热平衡，即内循环次数是否达到迭代次数N，若未达到迭代次数，返回到步骤4.4；

步骤4.7：降温，降温函数为T_k＝t₀*a^k，T_k的终值为t_end，k为降温次数；

步骤4.8：判断是否满足终止条件，即T_k是否达到终止温度t_end，若未达到终止温度，则返回至步骤4.4；

步骤4.9：输出x_cn，y_n。

6.根据权利要求5所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤4.3中初始解的生成方法如下：

步骤4.3.1：设N_op表示网点业务占用率，C_rs表示客户群待分配业务量，N_op(j)表示网点node_j业务占用率，C_rs(i)表示客户群customer_i待分配业务量；

步骤4.3.2：从待分配业务量不为0的客户群中，选择一个客户群，将其部分或者全部待分配业务量，分给一个业务占用率不为100％的网点，使总分配成本增加最小，若满足该条件的客户群和网点的组合有多种，则从中任选一种组合；

步骤4.3.3：重新计算网点业务占用率N_op和客户群待分配业务量C_rs；

步骤4.3.4：重复步骤4.3.2和4.3.3，直至所有客户群的业务量均分配完成，即C_rs(i)为0，

7.根据权利要求6所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤4.3.1中网点业务占用率和客户群待分配业务量的计算公式如下：

8.根据权利要求5所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤4.4中新解的产生机制如下：

在当前解的邻域内操作产生新解，共有四种邻域操作：

①撤销部分客户群后重分配操作：随机选择部分客户群，撤销它们的分配方案，重新分配，分配原则为使总分配成本增加最小；

②网点业务量交换操作：随机选择两个网点，将客户群分配到上述两个网点的业务量交换；

③随机网点业务量外迁操作：利用轮盘赌选择法，随机选择运营成本和运输成本之和较高的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小；

④低利用率网点业务量外迁操作：随机选择一个利用率低的网点，将客户群分配给该网点的业务量外迁至其他网点，分配原则为使总分配成本增加最小。

9.根据权利要求8所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤4.4.3中的轮盘赌选择法具体如下：

被选择的个体为网点，运输成本和运营成本较高的网点，适应度越大，越容易被选中，单个网点node_j的适应度计算公式定义如下：

设单个网点node_j的选择概率为P_j，累计概率为S_j，计算公式如下所示：

10.根据权利1所述的一种基于邻域搜索模拟退火算法的快递末端网点优化整合方法，其特征在于，所述步骤5具体如下：

将网点整合情况和客户群业务重分配后的分配方案以可视化的方式返回到用户界面；用户可以查看网点整合情况和客户群业务重分配后的分配方案。

Images