CN111461395B - 临时配送中心的选址方法和系统 - Google Patents

临时配送中心的选址方法和系统 Download PDF

Info

Publication number
CN111461395B
CN111461395B CN202010111999.2A CN202010111999A CN111461395B CN 111461395 B CN111461395 B CN 111461395B CN 202010111999 A CN202010111999 A CN 202010111999A CN 111461395 B CN111461395 B CN 111461395B
Authority
CN
China
Prior art keywords
iter
distribution
distribution center
cost
solution
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
CN202010111999.2A
Other languages
English (en)
Other versions
CN111461395A (zh
Inventor
范雯娟
周琪琦
邵凯宁
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.)
Hefei University of Technology
Original Assignee
Hefei University of 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010111999.2A priority Critical patent/CN111461395B/zh
Publication of CN111461395A publication Critical patent/CN111461395A/zh
Application granted granted Critical
Publication of CN111461395B publication Critical patent/CN111461395B/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
    • 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
    • G06Q10/06—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
    • G06Q10/08—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

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

Abstract

本发明提供一种临时配送中心的选址方法和系统，涉及物流技术领域。本发明将临时配送中心的选址和路径优化问题结合，在解决临时配送中心的选址的问题同时解决配送路径优化的问题，使得临时配送中心选址的成本最低和配送路径最短。本发明在临时配送中心选址时就考虑配送路径的优化(即考虑运输成本)，在选择临时配送中心是按照成本降低的方向不断进行改进优化，从而得到合理的配送中心选址和路径规划，使得成本最小。

Description

临时配送中心的选址方法和系统
技术领域
本发明涉及物流技术领域，具体涉及一种临时配送中心的选址方法和系统。
背景技术
配送中心的选址问题一直是物流运输问题中的一个焦点问题和难点问题。特别在当电商在做活动期间，货物量激增，人员紧缺、配送中心供不应求问题时常发生，常常由于送货的不及时导致退货事件的发生，因此建立合理的临时配送中心，减轻原有的配送中心的压力，对于提高客户满意度有着重要的作用。
现有的临时配送中心的选址方法中一般是通过选用两个智能算法先后解决选址问题和解决配送问题。
然而，本申请的发明人发现，现有的临时配送中心的选址方法得到的临时配送中心选址会导致配送时的总路径过长。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种临时配送中心的选址方法和系统，解决了现有的临时配送中心的选址方法得到的临时配送中心会导致配送时的总路径过长技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供一种临时配送中心的选址方法，所述方法由计算机执行，包括以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1(i＝1，2，3...p)；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi,1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1,1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi,iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi,iter+1；
S7、根据启发式算法确定xi,iter+1下的目标函数值F(xi,iter+1)，目标函数是成本最小，若F(mi)优于F(xi,iter+1)，则mi不变，否则mi＝xi,iter+1；
S8、进行locksearch操作，获取新的解yi，基于yi更新mi；
S9、若iter<itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter>itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果。
优选的，所述三角形分布搜索算法的输入参数包括：
配送中心的数量范围[a，b]；
最小的备选配送中心的可容纳货物量Max(Qm)；
每个需求节点的货物量xi；
其中，a是大于或等于
Figure GDA0003694131710000031
的最小整数，b为备选配送中心的数量。
优选的，在步骤S3中，所述基于所述输入参数和所述执行参数获取初始解，包括：
产生种群数量为p的初始解x1，x2，...，xp，对于每一个初始解xi，生成一个[a，b]之间的随机整数c，每个备选配送中心以
Figure GDA0003694131710000032
概率生成1，
Figure GDA0003694131710000033
生成0；若生成1的数量d小于a，则从剩下的b-d个配送中心中随机选出c-d个配送中心。
优选的，在步骤S4中，所述初始解的目标函数包括：
Figure GDA0003694131710000034
目标函数的约束条件为：
Cij＝yij0k×p(xij)×(CO0×q+q'0)+yij1n×p(xij)×(CO1×q+q'0) (1)
Cjm＝yjm0k×p(xjm)×(CO0×q+q'0)+yjm1n×p(xjm)×(CO1×q+q'0) (2)
Cmi＝ymi0k×p(xmi)×(CO0×q+q′0)+ymi1n×p(xmi)×(CO1×q+q′1) (3)
Figure GDA0003694131710000041
Figure GDA0003694131710000042
Figure GDA0003694131710000043
Figure GDA0003694131710000044
Figure GDA0003694131710000045
Figure GDA0003694131710000046
Figure GDA0003694131710000047
Figure GDA0003694131710000048
Figure GDA0003694131710000049
Figure GDA00036941317100000410
Figure GDA00036941317100000411
Figure GDA00036941317100000412
Figure GDA00036941317100000413
Figure GDA00036941317100000414
其中：
V＝{1，2，...，I，I+1，I+2，...，M}表示需求节点和配送中心的集合；W＝{I+1，I+2，...，M}表示待选配送中心的集合；L＝{1，2，...，I}表示需求节点的集合；Q表示货车和电动汽车的载重量的最大载重量；I表示需求节点的数量；M表示需求节点和配送中心数量和；Lmax表示电动汽车最大行驶距离；X＝{1，2，...，K}表示货车的集合；Y＝{1，2，...，N}表示电动汽车的集合；xi表示需求节点i的需求量；x′ij表示需求节点i运到需求节点j的载重量；x′mi表示配送中心m运到需求节点i的载重量；x′im表示需求节点i运到配送中心m的载重量；lij表示需求节点i到需求节点j的距离,i，j＝1，2，...I；lmi表示配送中心m到需求节点i的距离,i＝1，2，...I,m＝I+1，I+2，...M；lim表示需求节点i到配送中心m的距离,i＝1，2，...I,m＝I+1，I+2，...M；Cij表示需求节点i到需求节点j所需要的运输成本和碳排放成本；Cmi表示配送中心m到需求节点i所需要的运输成本和碳排放成本；Cjm表示需求节点j到配送中心m所需要的运输成本和碳排放成本；CSm表示配送中心m所需要的固定成本；CC0表示货车所需要的固定成本；CC1表示电动汽车所需要的固定成本；Qm表示配送中心m允许最大货物量；q表示单位碳排放成本；q′0表示货车单位能源的成本；
q′1表示电动汽车单位能源的成本；CO0表示货车单位能源的碳排放系数；CO1表示电动汽车单位能源的碳排放系数；p(xij)表示需求节点i到需求节点j所要消耗的能源；p(xmi)表示配送中心m到需求节点i所要消耗的能源；p(xjm)表示需求节点j到配送中心m所要消耗的能源；
Figure GDA0003694131710000061
Figure GDA0003694131710000062
Figure GDA0003694131710000063
Figure GDA0003694131710000064
Figure GDA0003694131710000065
Figure GDA0003694131710000066
Figure GDA0003694131710000067
公式(1)、(2)和(3)表示从需求节点i到需求节点j、需求节点j到配送中心m、配送中心m到需求节点i的运输成本和碳排放成本；公式(4)表示从配送中心发出的总量不能超过配送中心的最大货量；公式(5)和(6)表示不能超过货车和电动汽车的载重量；公式(7)表示不能超过电动汽车最大行驶距离；公式(8)和(9)表示从到达需求节点i和从i出发的路径和车辆有且仅有一条；公式(10)和(11)表示车辆从配送中心m出发最终会回到配送中心。
优选的，在步骤S6中，第iter+1次迭代是第i个个体的解xi,iter+1的计算公式包括：
xi,iter+1＝mi+random.Triangle(f，|mj-xi，iter|)
其中：
mj表示第j个个体在目前迭代的过程中产生的最优解；
xi,iter表示从中p个解中选择第i个解；
f表示三角形概率分布的参数。
优选的，在步骤S7中，所述启发式算法包括：
S701、计算每个客户到各配送中心的成本Cim，客户i到各配送中心的成本集合为Ci＝Cim,m＝I+1,I+2,...M,表示配送中心的个数}，i＝1,2,...,I,成本包括碳排放成本和运输成本；
S702、Ci的最小值记为minCi，Ci的次小值记为min1Ci，计算Hi＝minCi/min1Ci。
S703、对Hi进行从小到大排序，从最小的开始先选择配送中心，客户i的配送中心确定为minCi对应的配送中心；
S704、当其中一个配送中心的容量达到限制，去掉达到限制的配送中心和已经分配过的需求节点，返回继续步骤S701，直至所有的需求节点都被分配到各个配送中心。
优选的，所述lock search操作包括：
S801、判断ai是否等于1，则进行步骤S802，否则进行步骤S803；
S802、从目前m1，m2，...,mp中依次选择第i个解mi，其中i＝1，2，...p，把mi中的第1位和第b位进行互换，第2位和第b-1位进行互换，第u位和第b-u+1位互换，得到yi；
S803、从目前m1，m2，...,mp中依次选择第i个解mi，随机生成一个1到b的整数g，对应mi上的第g位的数改变，即0换成1，1换成0，从而得到yi；
S804、判断yi的成本和mi的成本，若F(yi)的成本优于F(mi)，则mi＝yi，否则执行步骤S805；
S805、ai＝ai+1，若ai>2，则ai＝1。
本发明还提供一种临时配送中心的选址系统，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1(i＝1，2，3...p)；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi,1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1,1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi,iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi,iter+1；
S7、根据启发式算法确定xi,iter+1下的目标函数值F(xi,iter+1)，目标函数是成本最小，若F(mi)优于F(xi,iter+1)，则mi不变，否则mi＝xi,iter+1；
S8、进行locksearch操作，获取新的解yi，基于yi更新mi；
S9、若iter<itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter＞itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果。
优选的，所述三角形分布搜索算法的输入参数包括：
配送中心的数量范围[a，b]；
最小的备选配送中心的可容纳货物量Max(Qm)；
每个需求节点的货物量xi；
其中，a是大于或等于
Figure GDA0003694131710000101
的最小整数，b为备选配送中心的数量。
优选的，所述基于所述输入参数和所述执行参数获取初始解，包括：
产生种群数量为p的初始解x1，x2，...，xp，对于每一个初始解xi，生成一个[a，b]之间的随机整数c，每个备选配送中心以
Figure GDA0003694131710000102
概率生成1，
Figure GDA0003694131710000103
生成0；若生成1的数量d小于a，则从剩下的b-d个配送中心中随机选出c-d个配送中心。
(三)有益效果
本发明提供了一种临时配送中心的选址方法和系统。与现有技术相比，具备以下有益效果：
本发明将临时配送中心的选址和路径优化问题结合，在解决临时配送中心的选址的问题同时解决配送路径优化的问题，使得临时配送中心选址的成本最低和配送路径最短。本发明在临时配送中心选址时就考虑配送路径的优化(即考虑运输成本)，在选择临时配送中心是按照成本降低的方向不断进行改进优化，从而得到合理的配送中心选址和路径规划，使得成本最小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例一种临时配送中心的选址方法的框图；
图2为本发明实施例中三角形分布搜索算法在最简单的二维空间上移动的概率分布示意图；
图3本发明实施例中三角形分布搜索算法在多维空间上移动的概率分布示意图；
图4为本发明实施例中计算每个需求节点到配送中心来回的成本的示意图；
图5为本发明实施例考虑任意两条通路，计算连接任意两条通路后节约的成本的示意图。
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，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种临时配送中心的选址方法，解决了现有的临时配送中心的选址方法得到的临时配送中心会导致配送时的总路径过长技术问题，实现得到合理的配送中心选址和路径规划，使得成本最小。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例在临时配送中心选址时就考虑配送路径的优化(即考虑运输成本)，在选择临时配送中心是按照成本降低的方向不断进行改进优化，从而得到合理的配送中心选址和路径规划，使得成本最小。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种临时配送中心的选址方法，上述方法由计算机执行，如图1所示，包括以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1(i＝1，2，3...p)；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi,1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1,1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi,iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi,iter+1；
S7、根据启发式算法确定xi,iter+1下的目标函数值F(xi,iter+1)，目标函数是成本最小，若F(mi)优于F(xi,iter+1)，则mi不变，否则mi＝xi,iter+1；
S8、进行locksearch操作，获取新的解yi，基于yi更新mi；
S9、若iter<itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter＞itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果。
本发明实施例在临时配送中心选址时就考虑配送路径的优化(即考虑运输成本)，在选择临时配送中心是按照成本降低的方向不断进行改进优化，从而得到合理的配送中心选址和路径规划，使得成本最小。
下面对各个步骤进行详细描述：
在步骤S1中，获取配送任务的任务数据，基于配送任务的任务数据设置三角形分布搜索算法的输入参数。具体为：
通过人工输入或爬虫技术获取配送任务的任务数据，然后根据配送任务的任务数据设置三角形分布搜索算法的输入参数。其中三角形分布搜索算法的输入参数包括：配送中心的数量范围[a，b]，最小的备选配送中心的可容纳货物量Max(Qm)，每个需求节点的货物量xi，其中，a是大于或等于
Figure GDA0003694131710000141
的最小整数，b为备选配送中心的数量，I表示需求节点的数量。
在步骤S2中，设定三角形分布搜索算法的执行参数，其中执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1(i＝1，2，3...p)。
在步骤S3中，基于输入参数和执行参数获取初始解。具体为：
产生种群数量为p的初始解x1，x2，...，xp。具体操作是：对于每一个初始解xi，生成一个[a，b]之间的随机整数c，每个备选配送中心以
Figure GDA0003694131710000142
概率生成1，
Figure GDA0003694131710000143
生成0；若生成1的数量d小于a，则从剩下的b-d个配送中心中随机选出c-d个配送中心。
在步骤S4中，获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi,1和每个初始解在迭代过程中确定的最优解mi。具体为：
设每个个体为xi，当前个体i的最优解设为mi，基于边界分配法和节约法的思想确定初始个体i的目标函数值，此时mi＝xi。其中，初始解的目标函数包括：
Figure GDA0003694131710000151
目标函数的约束条件为：
Cij＝yij0k×p(xij)×(CO0×q+q'0)+yij1n×p(xij)×(CO1×q+q'0) (1)
Cjm＝yjm0k×p(xjm)×(CO0×q+q'0)+yjm1n×p(xjm)×(CO1×q+q'0) (2)
Cmi＝ymi0k×p(xmi)×(CO0×q+q′0)+ymi1n×p(xmi)×(CO1×q+q′1) (3)
Figure GDA0003694131710000152
Figure GDA0003694131710000153
Figure GDA0003694131710000154
Figure GDA0003694131710000155
Figure GDA0003694131710000156
Figure GDA0003694131710000157
Figure GDA0003694131710000158
Figure GDA0003694131710000159
Figure GDA0003694131710000161
Figure GDA0003694131710000162
Figure GDA0003694131710000163
Figure GDA0003694131710000164
Figure GDA0003694131710000165
Figure GDA0003694131710000166
其中：
V＝{1,2,...,I,I+1,I+2,...,M}表示需求节点和配送中心的集合；W＝{I+1，I+2,...,M}表示待选配送中心的集合；L＝{1，2，...，I}表示需求节点的集合；Q表示货车和电动汽车的载重量的最大载重量；I表示需求节点的数量；M表示需求节点和配送中心数量和；Lmax表示电动汽车最大行驶距离；X＝{1，2，...，K}表示货车的集合；Y＝{1，2，...，N}表示电动汽车的集合；xi表示需求节点i的需求量；x′ij表示需求节点i运到需求节点j的载重量；x′mi表示配送中心m运到需求节点i的载重量；x′im表示需求节点i运到配送中心m的载重量；lij表示需求节点i到需求节点j的距离,i，j＝1，2，...I；lmi表示配送中心m到需求节点i的距离,i＝1，2，...I,m＝I+1，I+2，...M；lim表示需求节点i到配送中心m的距离,i＝1，2，...I,m＝I+1，I+2，...M；Cij表示需求节点i到需求节点j所需要的运输成本和碳排放成本；Cmi表示配送中心m到需求节点i所需要的运输成本和碳排放成本；Cjm表示需求节点j到配送中心m所需要的运输成本和碳排放成本；CSm表示配送中心m所需要的固定成本；CC0表示货车所需要的固定成本；CC1表示电动汽车所需要的固定成本；Qm表示配送中心m允许最大货物量；q表示单位碳排放成本；q′0表示货车单位能源的成本；
q′1表示电动汽车单位能源的成本；CO0表示货车单位能源的碳排放系数；CO1表示电动汽车单位能源的碳排放系数；p(xij)表示需求节点i到需求节点j所要消耗的能源；p(xmi)表示配送中心m到需求节点i所要消耗的能源；p(xjm)表示需求节点j到配送中心m所要消耗的能源；
Figure GDA0003694131710000171
Figure GDA0003694131710000172
Figure GDA0003694131710000173
Figure GDA0003694131710000174
Figure GDA0003694131710000181
Figure GDA0003694131710000182
公式(1)、(2)和(3)表示从需求节点i到需求节点j、需求节点j到配送中心m、配送中心m到需求节点i的运输成本和碳排放成本；公式(4)表示从配送中心发出的总量不能超过配送中心的最大货量；公式(5)和(6)表示不能超过货车和电动汽车的载重量；公式(7)表示不能超过电动汽车的最大行驶距离；公式(8)和(9)表示从到达需求节点i和从i出发的路径和车辆有且仅有一条；公式(10)和(11)表示车辆从配送中心m出发最终会回到配送中心。在本发明实施例中，不考虑货车和电动汽车数量的限制；每个需求节点只能由一个配送中心和一辆车进行服务；考虑电动汽车和货车有相同的装载量限制，但是电动汽车的最大路程有限制；每辆车从所在的配送中心出发，最终要回到原配送中心；考虑车辆的固定成本、运输成本、碳排放成本、配送中心的固定成本；每个配送中心都有一定的货物量的限制，不得超过配送中心最大可容纳的货物量；碳排放成本和运输成本不仅与路程有关，还与载重量有关。
在步骤S5中，若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8。
在步骤S6中，依次从中p个解中选择第i个个体的当前解xi,iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个个体在目前迭代过程中最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi,iter+1。具体为：
S601、在iter(iter为奇数)次迭代时从p中依次选取第i个个体，然后从m1，m2，...，mp中选取mj(i≠j)。
S602、使xi，iter朝着mj方向移动。计算random.Triangle(f,|mj-xi,iter|)。在最简单的二维空间上移动的概率分布如图2所示。假设(-|mj-xi，iter|，|mj-xi，iter|)之间的移动概率服从三角形分布。根据三角形分布，可以看出越接近于0的值被取到的概率越大，从而计算不同的mi+random.Triangle(f，|mj-xi，iter|)大小的概率。
三角形分布的函数式为：
Figure GDA0003694131710000191
其中：h代表等腰三角形的高。到多维空间上就是如图3所示。主要思想是mj是目前的较优解，选用mj作为xi，iter的移动方向，同时采用三角形分布以此以更大的概率到达mj附近，即在mj附近有更强的搜索能力。计算mi+random.Triangle(f，|mj-xi，iter|)的值(即第iter+1次迭代是第i个个体的初始解xi,iter+1的值)，确定相应的配送中心。
xi,iter+1＝mi+random.Triangle(f，|mj-xi，iter|)
其中：
mj表示第j个个体在目前迭代的过程中产生的最优解；
xi,iter表示从中p个解中选择第i个解；
f表示三角形概率分布的参数。
在步骤S7中，根据启发式算法确定xi,iter+1下的目标函数值F(xi,iter+1)目标函数是成本最小，若F(mi)优于F(xi,iter+1)，则mi不变，否则mi＝xi,iter+1。具体为：
在本发明实施例中，在确定配送中心的位置和个数的情况下，本发明实施例采用了一种启发式规则来求解目标函数值。关键点如下：运用边界分配法来确定配送中心的范围。
S701、计算每个客户到各配送中心的成本Cim，客户i到各配送中心的成本集合为Ci＝{Cim，m＝I+1，I+2，...M，表示配送中心的个数}，i＝1，2，...，I，成本主要包括碳排放成本，运输成本。固定成本是一样的，是要在这一步不予考虑。其中，I表示需求节点的数量；M表示需求节点和配送中心数量和。
S702、Ci的最小值记为minCi，Ci的次小值记为min1Ci。计算Hi＝minCi/min1Ci。
S703、对Hi进行从小到大排序，从最小的开始先选择配送中心，客户i的配送中心确定为minCi对应的配送中心。
S704、当其中一个配送中心的容量达到限制，去掉达到限制的配送中心和已经分配过的需求节点，返回继续步骤S701继续进行操作，直至所有的需求节点都被分配到各个配送中心。
对于每个配送中心，采用节约的思想来进行路径选择
S7041、首先选取一种车型，即电动汽车。在选定电动汽车的情况下，计算每个需求节点到配送中心来回的成本。如图4所示。
S7042、考虑任意两条通路。计算连接任意两条通路后节约的成本，用ΔCij表示。如图5所示，从图中可以看出节约的成本不仅与连接的通路有关，还与方向有关。
S7043、把节约的成本用表格总结。选取最大的ΔCij。若所有的ΔCij<0，则此时输出成本。具体见表1：
表1
Figure GDA0003694131710000211
S7044、比较i所在的通路上的重量∑xi和j通路所在的重量∑xj。若∑xi+∑xj＞Q，则i与j之间不能连通，去掉ΔCij和ΔCji，返回步骤S7043。否则，则进行步骤S7045。
S7045、若Σxi+Σxj＜Q，则考虑路径问题。Σli和∑lj表示通路i和通路j上的路程总数。若∑li+∑lj-lmi-ljm＜L，则通路i与通路j连接，然后返回步骤S7043。否则，进行步骤S7046。
S7046、若∑li+∑lj-lmi-ljm＞L，计算采用货车代替电动汽车，计算连接i，j后成本节约量。与不连接i，j之前的成本进行比较，如果用普通货车后的成本小于用电动汽车运输的成本，即节约成本大于0，那么则采用货车运输，否则通路i与通路j不连接。返回步骤S7043。
在步骤S8中，进行locksearch操作，获取新的解yi，基于yi更新mi。具体为：
S801、判断ai是否等于1，则进行步骤S802，否则进行步骤S803；
S802、从m1，m2，...，mp中依次选择第i个解mi，其中i＝1，2，...p，把mi中的第1位和第b位进行互换，第2位和第b-1位进行互换，第u位和第b-u+1位互换，得到yi；其中，b为备选配送中心的数量。
S803、从m1，m2，...，mp中依次选择第i个解mi，随机生成一个1到b的整数g，对应mi上的第g位的数改变，即0换成1，1换成0，从而得到yi；
S804、判断yi的成本和mi的成本，若F(yi)的成本优于F(mi)，则mi＝yi，否则执行步骤S805；
S805、ai＝ai+1，若ai>2，则ai＝1。
在步骤S9中，若iter<itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter>itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果。
本发明实施例还提供一种临时配送中心的选址系统，上述系统包括计算机，上述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1(i＝1，2，3...p)；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi,1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1,1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi,iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi,iter+1；
S7、根据启发式算法确定xi,iter+1下的目标函数值F(xi,iter+1)，目标函数是成本最小，若F(mi)优于F(xi,iter+1)，则mi不变，否则mi＝xi,iter+1；
S8、进行locksearch操作，获取新的解yi，基于yi更新mi；
S9、若iter<itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter＞itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果。
可理解的是，本发明实施例提供的上述临时配送中心的选址系统与上述临时配送中心的选址方法相对应，其有关内容的解释、举例、有益效果等部分可以参考临时配送中心的选址方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例在临时配送中心选址时就考虑配送路径的优化(即考虑运输成本)，在选择临时配送中心是按照成本降低的方向不断进行改进优化，从而得到合理的配送中心选址和路径规划，使得成本最小。
2、本发明实施例在选择配送中心中基于改进的智能算法，而在路径选择时采用了一种新的启发式算法。这样的结合会大大地加快算法的速度，能更快的确定好临时配送中心的选址。
3、本发明实施例考虑了电动汽车和普通货车相结合的情况，克服传统研究中的只考虑货车车型及其装载量限制，电动汽车在物流领域投入使用，不仅降低了运输成本，还减少了对环境的污染。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种临时配送中心的选址方法，其特征在于，所述方法由计算机执行，包括以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1，其中i＝1，2，3...p；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi ，1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1，1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi，iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi，iter+1；
S7、根据启发式算法确定xi，iter+1下的目标函数值F(xi，iter+1)，目标函数是成本最小，若F(mi)优于F(xi，iter+1)，则mi不变，否则mi＝xi，iter+1；
S8、进行lock search操作，获取新的解yi，基于yi更新mi；
S9、若iter＜itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter＞itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果；
其中，所述初始解的目标函数包括：
Figure FDA0003694131700000021
式中，Cij表示需求节点i到需求节点j所需要的运输成本和碳排放成本；Cmi表示配送中心m到需求节点i所需要的运输成本和碳排放成本；Cjm表示需求节点j到配送中心m所需要的运输成本和碳排放成本；CSm表示配送中心m所需要的固定成本；CC0表示货车所需要的固定成本；CC1表示电动汽车所需要的固定成本；I表示需求节点的数量；M表示需求节点和配送中心数量和；
Figure FDA0003694131700000022
Figure FDA0003694131700000023
Figure FDA0003694131700000024
所述lock search操作包括：
S801、判断ai是否等于1，则进行步骤S802，否则进行步骤S803；
S802、从目前m1，m2，...，mp中依次选择第i个解mi，其中i＝1，2，...p，把mi中的第1位和第b位进行互换，第2位和第b-1位进行互换，第u位和第b-u+1位互换，得到yi，其中，b表示备选配送中心的数量；
S803、从目前m1，m2，...，mp中依次选择第i个解mi，随机生成一个1到b的整数g，对应mi上的第g位的数改变，即0换成1，1换成0，从而得到yi；
S804、判断yi的成本和mi的成本，若F(yi)的成本优于F(mi)，则mi＝yi，否则执行步骤S805；
S805、ai＝ai+1，若ai＞2，则ai＝1。
2.如权利要求1所述的临时配送中心的选址方法，其特征在于，所述三角形分布搜索算法的输入参数包括：
配送中心的数量范围[a，b]；
最小的备选配送中心的可容纳货物量m ax(Qm)；
每个需求节点的货物量xi；
其中，a是大于或等于
Figure FDA0003694131700000031
的最小整数，b为备选配送中心的数量。
3.如权利要求2所述的临时配送中心的选址方法，其特征在于，在步骤S3中，所述基于所述输入参数和所述执行参数获取初始解，包括：
产生种群数量为p的初始解x1，x2，...，xp，对于每一个初始解xi，生成一个[a，b]之间的随机整数c，每个备选配送中心以
Figure FDA0003694131700000041
概率生成1，
Figure FDA0003694131700000042
生成0；若生成1的数量d小于a，则从剩下的b-d个配送中心中随机选出c-d个配送中心。
4.如权利要求1所述的临时配送中心的选址方法，其特征在于，
目标函数的约束条件为：
Cij＝yij0k×p(xij)×(CO0×q+q′0)+yij1n×p(xij)×(CO1×q+q′0) (1)
Cjm＝yjm0k×p(xjm)×(CO0×q+q′0)+yjm1n×p(xjm)×(CO1×q+q′0) (2)
Cmi＝ymi0k×p(xmi)×(CO0×q+q′0)+ymi1n×p(xmi)×(CO1×q+q′1) (3)
Figure FDA0003694131700000043
Figure FDA0003694131700000044
Figure FDA0003694131700000045
Figure FDA0003694131700000046
Figure FDA0003694131700000047
Figure FDA0003694131700000048
Figure FDA0003694131700000049
Figure FDA0003694131700000051
Figure FDA0003694131700000052
Figure FDA0003694131700000053
Figure FDA0003694131700000054
Figure FDA0003694131700000055
Figure FDA0003694131700000056
Figure FDA0003694131700000057
其中：
Figure FDA0003694131700000058
Figure FDA0003694131700000059
Figure FDA00036941317000000510
Figure FDA00036941317000000511
V＝{1，2，...，I，I+1，I+2，...，M}表示需求节点和配送中心的集合；
W＝{I+1，I+2，...，M}表示待选配送中心的集合；L＝{1，2，...，I}表示需求节点的集合；Q表示货车和电动汽车的载重量的最大载重量；Lmax表示电动汽车的最大行驶距离；X＝{1，2，...，K}表示货车的集合；
Y＝{1，2，...，N}表示电动汽车的集合；xi表示需求节点i的需求量；x′ij表示需求节点i运到需求节点j的载重量；x′mi表示配送中心m运到需求节点i的载重量；x′im表示需求节点i运到配送中心m的载重量；lij表示需求节点i到需求节点j的距离，i，j＝1，2，...I；lmi表示配送中心m到需求节点i的距离，i＝1，2，...I，m＝I+1，I+2，...M；lim表示需求节点i到配送中心m的距离，i＝1，2，...I，m＝I+1，I+2，...M；Qm表示配送中心m允许最大货物量；q表示单位碳排放成本；q′0表示货车单位能源的成本；q′1表示电动汽车单位能源的成本；CO0表示货车单位能源的碳排放系数；CO1表示电动汽车单位能源的碳排放系数；p(xij)表示需求节点i到需求节点j所要消耗的能源；p(xmi)表示配送中心m到需求节点i所要消耗的能源；p(xjm)表示需求节点j到配送中心m所要消耗的能源；
公式(1)、(2)和(3)表示从需求节点i到需求节点j、需求节点j到配送中心m、配送中心m到需求节点i的运输成本和碳排放成本；公式(4)表示从配送中心发出的总量不能超过配送中心的最大货量；公式(5)和(6)表示不能超过货车和电动汽车的载重量；公式(7)表示不能超过电动汽车的最大行驶距离；公式(8)和(9)表示从到达需求节点i和从i出发的路径和车辆有且仅有一条；公式(10)和(11) 表示车辆从配送中心m出发最终会回到配送中心。
5.如权利要求1所述的临时配送中心的选址方法，其特征在于，在步骤S6中，第iter+1次迭代是第i个个体的解xi，iter+1的计算公式包括：
xi，iter+1＝mi+random.Triangle(f，|mj-xi，iter|)
其中：
mj表示第j个个体在目前迭代的过程中产生的最优解；
xi，iter表示从中p个解中选择第i个解；
f表示三角形概率分布的参数；
Triangle(f，|mj-xi，iter|)代表在(-|mj-xi，iter|，|mj-xi，iter|)之间的取值概率服从三角形分布。
6.如权利要求1所述的临时配送中心的选址方法，其特征在于，在步骤S7中，所述启发式算法包括：
S701、计算每个客户到各配送中心的成本Cim，客户i到各配送中心的成本集合为Ci＝{Cim，m＝I+1，I+2，...M，表示配送中心的个数}，i＝1，2，...，I，成本包括碳排放成本和运输成本，其中I表示需求节点的数量；M表示需求节点和配送中心的数量和；
S702、Ci的最小值记为minCi，Ci的次小值记为min1Ci，计算Hi＝minCi/min1Ci；
S703、对Hi进行从小到大排序，从最小的开始先选择配送中心，客户i的配送中心确定为minCi对应的配送中心；
S704、当其中一个配送中心的容量达到限制，去掉达到限制的配送中心和已经分配过的需求节点，返回继续步骤S701，直至所有的需求节点都被分配到各个配送中心。
7.一种临时配送中心的选址系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取配送任务的任务数据，基于所述配送任务的任务数据设置三角形分布搜索算法的输入参数；
S2、设定三角形分布搜索算法的执行参数，所述执行参数包括：初始解的个数p，最大的迭代次数itermax，三角形概率分布的参数f，ai＝1，其中i＝1，2，3...p；
S3、基于所述输入参数和所述执行参数获取初始解；
S4、获取所述初始解的目标函数，计算每个初始种群的目标函数值，确定每个初始解xi ，1和每个初始解在迭代过程中确定的最优解mi，此时最优解m1对应的初始解x1，1；
S5、若迭代次数iter为奇数，则进行步骤S6；若迭代次数iter为偶数，则进行步骤S8；
S6、依次从p个解中选择第i个解xi，iter，其中i＝1，2，3，...p，再从m1，m2，...，mp中选出第j个解在迭代过程中确定的最优解mj，其中i≠j，并基于三角形分布搜索算法计算第iter+1次迭代是第i个个体的初始解xi，iter+1；
S7、根据启发式算法确定xi，iter+1下的目标函数值F(xi，iter+1)，目标函数是成本最小，若F(mi)优于F(xi，iter+1)，则mi不变，否则mi＝xi，iter+1；
S8、进行lock search操作，获取新的解yi，基于yi更新mi；
S9、若iter＜itermax，则iter＝iter+1，返回步骤S5，若迭代次数iter＞itermax，则从m1，m2，m3...mp选出最小成本下的配送中心选址作为结果；
其中，所述初始解的目标函数包括：
Figure FDA0003694131700000091
式中，Cij表示需求节点i到需求节点j所需要的运输成本和碳排放成本；Cmi表示配送中心m到需求节点i所需要的运输成本和碳排放成本；Cjm表示需求节点j到配送中心m所需要的运输成本和碳排放成本；CSm表示配送中心m所需要的固定成本；CC0表示货车所需要的固定成本；CC1表示电动汽车所需要的固定成本；I表示需求节点的数量；M表示需求节点和配送中心数量和；
Figure FDA0003694131700000101
Figure FDA0003694131700000102
Figure FDA0003694131700000103
所述lock search操作包括：
S801、判断ai是否等于1，则进行步骤S802，否则进行步骤S803；
S802、从目前m1，m2，...，mp中依次选择第i个解mi，其中i＝1，2，...p，把mi中的第1位和第b位进行互换，第2位和第b-1位进行互换，第u位和第b-u+1位互换，得到yi，其中，b表示备选配送中心的数量；
S803、从目前m1，m2，...，mp中依次选择第i个解mi，随机生成一个1到b的整数g，对应mi上的第g位的数改变，即0换成1，1换成0，从而得到yi；
S804、判断yi的成本和mi的成本，若F(yi)的成本优于F(mi)，则mi＝yi，否则执行步骤S805；
S805、ai＝ai+1，若ai＞2，则ai＝1。
8.如权利要求7所述的临时配送中心的选址系统，其特征在于，所述三角形分布搜索算法的输入参数包括：
配送中心的数量范围[a，b]；
最小的备选配送中心的可容纳货物量m ax(Qm)；
每个需求节点的货物量xi；
其中，a是大于或等于
Figure FDA0003694131700000111
的最小整数，b为备选配送中心的数量。
9.如权利要求8所述的临时配送中心的选址系统，其特征在于，在步骤S3中，所述基于所述输入参数和所述执行参数获取初始解，包括：
产生种群数量为p的初始解x1，x2，...，xp，对于每一个初始解xi，生成一个[a，b]之间的随机整数c，每个备选配送中心以
Figure FDA0003694131700000112
概率生成1，
Figure FDA0003694131700000113
生成0；若生成1的数量d小于a，则从剩下的b-d个配送中心中随机选出c-d个配送中心。
CN202010111999.2A 2020-02-24 2020-02-24 临时配送中心的选址方法和系统 Active CN111461395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010111999.2A CN111461395B (zh) 2020-02-24 2020-02-24 临时配送中心的选址方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010111999.2A CN111461395B (zh) 2020-02-24 2020-02-24 临时配送中心的选址方法和系统

Publications (2)

Publication Number Publication Date
CN111461395A CN111461395A (zh) 2020-07-28
CN111461395B true CN111461395B (zh) 2022-08-02

Family

ID=71684152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010111999.2A Active CN111461395B (zh) 2020-02-24 2020-02-24 临时配送中心的选址方法和系统

Country Status (1)

Country Link
CN (1) CN111461395B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906959B (zh) * 2021-02-06 2022-09-23 合肥工业大学 考虑众包和自配送协同情形的路径优化方法和系统
CN114004386A (zh) * 2021-02-24 2022-02-01 成都知原点科技有限公司 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512752A (zh) * 2015-11-30 2016-04-20 北京大学 一种城市公共服务设施选址方法
CN108241911A (zh) * 2018-01-30 2018-07-03 合肥工业大学 一种基于细菌觅食优化算法的配送中心选址方法
CN110334853A (zh) * 2019-06-10 2019-10-15 福建工程学院 一种物流配送中心仓库选址的仿自然体优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9857191B2 (en) * 2014-05-22 2018-01-02 Telogis, Inc. Context-based routing and access path selection
CN105160428B (zh) * 2015-08-19 2018-04-06 天津大学 高速公路电动汽车快速充电站的规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512752A (zh) * 2015-11-30 2016-04-20 北京大学 一种城市公共服务设施选址方法
CN108241911A (zh) * 2018-01-30 2018-07-03 合肥工业大学 一种基于细菌觅食优化算法的配送中心选址方法
CN110334853A (zh) * 2019-06-10 2019-10-15 福建工程学院 一种物流配送中心仓库选址的仿自然体优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Programming Model for Offshore Platforms Site Selection;Qunjie Xu等;《Advanced Materials Research》;20111031;第361-363卷;第360-363页 *
多商品多来源闭环选址-库存-路径问题模型与算法研究;张震;《中国优秀博硕士学位论文全文数据库(博士) 经济与管理科学辑》;20191115(第11期);第J152-36页、正文第33-50页 *
设施选址问题的数学模型与优化算法研究;卢晓珊;《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》;20100715(第7期);第J145-42页、正文第27-44页 *
配送中心选址与车辆路径问题的优化;汤雅连;《北京联合大学学报》;20170731;第28卷(第3期);第47-52页 *

Also Published As

Publication number Publication date
CN111461395A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Ho et al. Solving a static repositioning problem in bike-sharing systems using iterated tabu search
CN111461395B (zh) 临时配送中心的选址方法和系统
CN110189077B (zh) 一种考虑三维装载约束的多阶段车货匹配方法
Ting et al. Multi-vehicle selective pickup and delivery using metaheuristic algorithms
CN106355291B (zh) 基于门店点群平分线的物流路径规划方法
CN113159588A (zh) 一种基于物联网技术的物流车辆智能调度算法
Biesinger et al. A genetic algorithm in combination with a solution archive for solving the generalized vehicle routing problem with stochastic demands
CN113627642A (zh) 基于自适应大规模邻域搜索算法的堆垛机路径优化方法
CN115545608A (zh) 基于不确定需求下的绿色物流车辆路径优化方法及应用
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN115345549A (zh) 结合装载方案的车辆路径调整方法及系统
CN114936822A (zh) 车货匹配方法、装置、设备及存储介质
Touheed et al. A comparison of some dynamic load-balancing algorithms for a parallel adaptive flow solver
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
CN110704259A (zh) 一种高效的数字微流控生物芯片测试路径优化方法
CN114757394A (zh) 基于工作量平衡的物流车辆路径优化方法、系统和介质
RU2720532C1 (ru) Способ формирования композитного рейтинга субъектов коммерческой деятельности
CN114492999A (zh) 一种考虑随机需求与时间窗的电动车辆配送路线生成方法
Guo et al. [Retracted] Transportation Path Optimization of Modern Logistics Distribution considering Hybrid Tabu Search Algorithm
CN110428089B (zh) 一种单车场物流运输调度的方法、系统及设备
Yılmaz et al. Genetic algorithm based storage and retrieval system optimization considering operational constraints in a multidimensional warehouse
CN111652550A (zh) 一种智能寻找最佳环线集合的方法、系统及设备
Eydi et al. Model and solution approach for multi objective-multi commodity capacitated arc routing problem with fuzzy demand
CN114612030A (zh) 舱位分配优化方法、装置、计算机设备和存储介质
CN109102123B (zh) 拼车路线优化方法及装置、存储介质、计算设备

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
GR01 Patent grant
GR01 Patent grant