CN111553507A - 基于多商品流的中欧集装箱运输方案优化方法 - Google Patents

基于多商品流的中欧集装箱运输方案优化方法 Download PDF

Info

Publication number
CN111553507A
CN111553507A CN202010157633.9A CN202010157633A CN111553507A CN 111553507 A CN111553507 A CN 111553507A CN 202010157633 A CN202010157633 A CN 202010157633A CN 111553507 A CN111553507 A CN 111553507A
Authority
CN
China
Prior art keywords
transportation
city
mode
transport
chromosome
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.)
Granted
Application number
CN202010157633.9A
Other languages
English (en)
Other versions
CN111553507B (zh
Inventor
汤银英
戴炜东
彭其渊
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.)
Southwest Jiaotong University
China State Railway Group Co Ltd
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010157633.9A priority Critical patent/CN111553507B/zh
Publication of CN111553507A publication Critical patent/CN111553507A/zh
Application granted granted Critical
Publication of CN111553507B publication Critical patent/CN111553507B/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"
    • 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
    • G06Q10/06—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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于多商品流的中欧集装箱运输方案优化方法，该方法包括构建中欧集装箱运输网络，构建基于多商品流的中欧集装箱运输方案优化模型，采用NSGA—II算法对步骤S2中优化模型进行求解得到Pareto非劣解集，采用模糊AHP‑topsis算法对步骤S3得到的Pareto非劣解集进行评估，选择最优化运输方案。本发明基于中欧多式联运网络，通过构建基于多商品流的中欧集装箱运输方案优化模型，并对优化模型进行求解和评估，得到最优化运输方案，实现控制运输成本，显著提高运输服务水平，进而为中欧集装箱多式联运经营人提供运输方案参考。

Description

基于多商品流的中欧集装箱运输方案优化方法
技术领域
本发明属于多式联运规划技术领域，具体涉及一种基于多商品流的中欧集 装箱运输方案优化方法。
背景技术
目前中欧集装箱运输效率低下的问题日益严重。实践证明，一味加强交通 运输基础设施建设并非解决运输效率低下的良策，而不合理的运输方案是运输 效率低的主要问题。
发明内容
针对现有技术中存在的以上问题，本发明提供了一种基于多商品流的中欧 集装箱运输方案优化方法，通过控制运输成本，实现提高运输服务水平，进而 促进中欧贸易的良性发展。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于多商品流的中欧集装箱运输方案优化方法，包括以下步骤：
S1、构建中欧集装箱运输网络；
S2、根据步骤S1中的中欧集装箱运输网络，构建基于多商品流的中欧集装 箱运输方案优化模型；
S3、采用NSGA—II算法对步骤S2中优化模型进行求解，得到Pareto非劣 解集；
S4、采用模糊AHP-topsis算法对步骤S3得到的Pareto非劣解集进行评估， 选择最优化运输方案。
进一步地，所述步骤S1中将各个路段以及各种运输方式的运输费用和运输 时间表示为：
Figure BDA0002404648740000021
Figure BDA0002404648740000022
其中，
Figure BDA0002404648740000023
表示城市i到城市j使用第k种运输方式的费用，
Figure BDA0002404648740000024
表示第k种运 输方式的办理费用，
Figure BDA0002404648740000025
表示第k种运输方式的基础费率，
Figure BDA0002404648740000026
表示城市i到城市j 使用第k种运输方式的运输距离，
Figure BDA0002404648740000027
表示城市i到城市j使用第k种运输方式的 运输时间，vk表示第k种运输方式的运输速度。
进一步地，所述步骤S2中构建的基于多商品流的中欧集装箱运输方案优化 模型表示为：
Figure BDA0002404648740000028
Figure BDA0002404648740000029
Figure BDA0002404648740000031
其中，C表示全程运输费用，T表示全程运输时间，M表示运输需求的集合， N表示多式联运网络城市节点集合，K表示运输方式的集合，O表示所有运输需 起始点的集合，D表示所有运输需求目的地的集合，
Figure BDA0002404648740000032
表示从城市i到城市j 使用第k种运输方式的单位运输费用，
Figure BDA0002404648740000033
表示从城市i到城市j使用第k种运输 方式的运输时间，Tk,l表示由k种运输方式转换为l种运输方式的单位转运时间，capacityi,j,n表示由城市i到城市j的第n班铁路班列的能力，Z表示正整数，Ai,m表 示第m个货物离开城市i的时间，Cm,max表示第m个货物的货主最大可接受的运 输费用，Tm,max表示第m个货物的货主最大可接受的运输时间，Ck,l表示由k种运 输方式转换为l种运输方式的单位转运成本，qm表示第m个货运需求的货运量，Cm,max表示第m个货运需求的最大运输费用限制，Tm,max表示第m个货运需求最大 的运输时间限制，[Ej，Dj]表示城市j的公路时间窗，
Figure BDA0002404648740000041
表示货物m以第l中方 式离开城市j的等待时间，
Figure BDA0002404648740000042
表示第m个货运需求搭乘铁路的第n个班期从城 市i到城市j则为1，否则为0；
Figure BDA0002404648740000043
表示城市i到城市j的第k种方式的第n个 班期的时间，ti,m,d表示第m个货物离开城市i为第d天则为1，否则为0；
Figure BDA0002404648740000044
表 示第m个货运需求从城市i运输到城市j采用第k种运输方式则为1，否则为0；
Figure BDA0002404648740000045
表示第m个货运需求在城市i由运输方式k转换成运输方式l则为1，否则为0， ceil()表示向上取整函数，F()表示0-1函数。
进一步地，所述步骤S3采用NSGA—II算法对步骤S2中优化模型进行求 解，得到Pareto非劣解集，具体包括以下分步骤：
S31、对染色体进行两阶段编码，第一段为路径编码，第二段为运输方式编 码；
S32、对染色体进行解码，得到染色体表示的运输路线和运输方式；
S33、适应值计算：按照解码路径得到的运输时间和运输费用不满足约束时， 将运输时间和运输费用分别乘以惩罚系数，反之则不变；
S34、快速非支配排序：根据目标函数值，计算染色体的排序等级并进行分 层和选择，建立子代染色体种群；
S35、采用竞标选择算子，每次取两个染色体，比较排序等级，若排序等级 值较小，则该染色体进入子代种群，反之则被淘汰，若排序等级值相同则比较 拥挤度，若拥挤度较大，该染色体被淘汰，反之则进入子代种群；
S36、分别进行染色体交叉和染色体变异操作；
S37、将产生的子代种群和父代种群进行合并，重新计算适应度并进行非支 配排序；
S38、判断染色体代数是否满足要求，若不满足则返回步骤S35，并且将代 数递增1，否则结束操作。
进一步地，所述步骤S32对染色体进行解码，得到染色体表示的运输路线 和运输方式，具体包括以下分步骤：
S321、寻找每个节点的关联节点集P；
S322、将所有节点划分成两个集合S、T，其中集合S包含起始节点，集 合T为其他节点；
S323、取集合S末节点的关联节点P在集合S中的相对补集Q，若相对补 集Q为空则该染色体不可行，给予不可行标记，跳出解码过程，否则在相对补 集Q中选择优先级最大的节点n，将节点n归入集合S，并将集合T减去该节点；
S324、当节点n不为终点时重复步骤S323，直到节点n为终点。
进一步地，所述步骤S34根据目标函数值，计算染色体的排序等级并进行 分层和选择，建立子代染色体种群，具体包括以下分步骤：
S341、比较个体i与个体j的适应度值，若个体i的适应度值优于个体j，则 个体i支配个体j，若个体i没有被任何其他解支配，则个体i为非支配解，将所 有非支配解的集合赋予排序等级为1；
S342、在除去非支配解外的剩余种群中再次筛选出非支配解集，赋予排序 等级为2；
S343、重复步骤S341的方法筛选非支配解集并赋予排序等级，直到整个种 群被分层。
本发明具有以下有益效果：本发明基于中欧多式联运网络，构建基于多商 品流的中欧集装箱运输方案优化模型，并对优化模型进行求解和评估，得到最 优化运输方案，实现控制运输成本，显著提高运输服务水平，进而为中欧集装 箱多式联运经营人提供运输方案参考。
附图说明
图1是本发明基于多商品流的中欧集装箱运输方案优化方法流程图；
图2是本发明中中欧集装箱多式联运网络示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种基于多商品流的中欧集装箱运输方 案优化方法，包括以下步骤S1至S4：
S1、构建中欧集装箱运输网络；
在本实施例中，本发明选择中欧班列主要开行城市、终到城市以及中国欧 洲主要海港作为节点，构建中欧集装箱多式联运网络图如图2所示，其网络参 数如表1所示。
表1多式联运网络参数
Figure BDA0002404648740000061
Figure BDA0002404648740000071
本发明将各个路段以及各种运输方式的运输费用和运输时间表示为：
Figure BDA0002404648740000072
Figure BDA0002404648740000073
其中，
Figure BDA0002404648740000074
表示城市i到城市j使用第k种运输方式的费用，
Figure BDA0002404648740000075
表示第k种运 输方式的办理费用，
Figure BDA0002404648740000076
表示第k种运输方式的基础费率，
Figure BDA0002404648740000077
表示城市i到城市j 使用第k种运输方式的运输距离，
Figure BDA0002404648740000078
表示城市i到城市j使用第k种运输方式的 运输时间，vk表示第k种运输方式的运输速度。
S2、根据步骤S1中的中欧集装箱运输网络，构建基于多商品流的中欧集装 箱运输方案优化模型；
在本实施例中，货主需求如表2所示，转运费用和时间如表3所示。
表2货主需求
货运需求 最大运输费用 最大运输时间
1-7 40000 45
2-8 35000 60
表3转运费用和时间
公路 铁路 水运
公路 33/0.1 50/0.1 33/0.05
铁路 50/0.1 33/0.1 63/0.1
水运 33/0.05 63/0.1 50/0.1
本发明基于货主的需求，构建基于多商品流的中欧集装箱运输方案优化模 型表示为：
Figure BDA0002404648740000081
Figure BDA0002404648740000082
Figure BDA0002404648740000091
其中，C表示全程运输费用，T表示全程运输时间，M表示运输需求的集合， N表示多式联运网络城市节点集合，K表示运输方式的集合，O表示所有运输需 起始点的集合，D表示所有运输需求目的地的集合，
Figure BDA0002404648740000092
表示从城市i到城市j 使用第k种运输方式的单位运输费用，
Figure BDA0002404648740000093
表示从城市i到城市j使用第k种运输 方式的运输时间，Tk,l表示由k种运输方式转换为l种运输方式的单位转运时间，capacityi,j,n表示由城市i到城市j的第n班铁路班列的能力，Z表示正整数，Ai,m表 示第m个货物离开城市i的时间，Cm,max表示第m个货物的货主最大可接受的运 输费用，Tm,max表示第m个货物的货主最大可接受的运输时间，Ck,l表示由k种运 输方式转换为l种运输方式的单位转运成本，qm表示第m个货运需求的货运量，Cm,max表示第m个货运需求的最大运输费用限制，Tm,max表示第m个货运需求最大 的运输时间限制，[Ej，Dj]表示城市j的公路时间窗，
Figure BDA0002404648740000101
表示货物m以第l中方 式离开城市j的等待时间，
Figure BDA0002404648740000102
表示第m个货运需求搭乘铁路的第n个班期从城 市i到城市j则为1，否则为0；
Figure BDA0002404648740000103
表示城市i到城市j的第k种方式的第n个 班期的时间，ti,m,d表示第m个货物离开城市i为第d天则为1，否则为0；
Figure BDA0002404648740000104
表 示第m个货运需求从城市i运输到城市j采用第k种运输方式则为1，否则为0；
Figure BDA0002404648740000105
表示第m个货运需求在城市i由运输方式k转换成运输方式l则为1，否则为0， ceil()表示向上取整函数，F()表示0-1函数。
S3、采用NSGA—II算法对步骤S2中优化模型进行求解，得到Pareto非劣 解集；
在本实施例中，本发明采用NSGA—II算法对步骤S2中优化模型进行求解， 得到Pareto非劣解集，具体包括以下分步骤：
S31、对染色体进行两阶段编码，第一段为路径编码，采用优先级编码，具 体而言，网络中节点个数为n，将其从1-n这n个数随机排列得到的编码；第二 段为运输方式编码，具体而言，用1-3分别表示公路、铁路、水运，对网络1 进行编码；
S32、对染色体进行解码，得到染色体表示的运输路线和运输方式，具体为：
S321、寻找每个节点的关联节点集P；
S322、将所有节点划分成两个集合S、T，其中集合S包含起始节点，集 合T为其他节点；
S323、将集合S末节点的关联节点P减去集合S，即取集合S末节点的关 联节点P在集合S中的相对补集Q，若相对补集Q为空则该染色体不可行，给 予不可行标记，跳出解码过程，否则在相对补集Q中选择优先级最大的节点n， 将节点n归入集合S，并将集合T减去该节点；
S324、当节点n不为终点时重复步骤S323，直到节点n为终点。
S33、适应值计算：通过解码得到的运输路径满足路径约束，但没考虑运输 时限约束以及最大运输费用的约束。对于运输时限约束以及最大运输费用的约 束，按照解码路径得到的运输时间和运输费用不满足约束时，将运输时间和运 输费用分别乘以惩罚系数，反之则不变；这里惩罚系数取1.5。
S34、快速非支配排序：根据目标函数值，计算染色体的排序等级并进行分 层和选择，建立子代染色体种群，具体为：
S341、比较个体i与个体j的适应度值，若个体i的适应度值优于个体j，则 个体i支配个体j，若个体i没有被任何其他解支配，则个体i为非支配解，将所 有非支配解的集合赋予排序等级为1；
S342、在除去非支配解外的剩余种群中再次筛选出非支配解集，赋予排序 等级为2；
S343、重复步骤S341的方法筛选非支配解集并赋予排序等级，直到整个种 群被分层。
本发明在分层的基础上计算染色体的拥挤度值，对相同排序等级的染色体 按拥挤度进一步排序。
S35、采用竞标选择算子，每次取两个染色体，比较排序等级，若排序等级 值较小，则该染色体进入子代种群，反之则被淘汰，若排序等级值相同则比较 拥挤度，若拥挤度较大，该染色体被淘汰，反之则进入子代种群；
S36、分别进行染色体交叉和染色体变异操作；具体而言，染色体交叉是随 机选取两个染色体，分别染色体的一段编码，将其交换；染色体变异是随机变 化染色体的编码；
S37、将产生的子代种群和父代种群进行合并，重新计算适应度并进行非支 配排序；
S38、判断染色体代数是否满足要求，若不满足则返回步骤S35，并且将代 数递增1，否则结束操作。
Pareto非劣解集如表4所示。
表4Pareto非劣解集
Figure BDA0002404648740000121
S4、采用模糊AHP-topsis算法对步骤S3得到的Pareto非劣解集进行评估， 选择最优化运输方案。
在本实施例中，本发明采用模糊AHP-topsis算法对步骤S3得到的Pareto非 劣解集进行评估，选择最优化运输方案，具体为：
(1)建立层次结构模型；
(2)构造模糊判断矩阵，如表5所示；
表5模糊判断矩阵
运输成本 运输时间 运输安全性 运输便捷性
运输成本 (1,1,1) (4,5,6) (2,3,4) (6,7,8)
运输时间 (1/6,1/5,1/4) (1,1,1) (1/4,1/3,1/2) (2,3,4)
运输安全性 (1/4,1/3,1/2) (2,3,4) (1,1,1) (4,5,6)
运输便捷性 (1/8,1/7,1/6) (1/4,1/3,1/2) (1/6,1/5,1/4) (1,1,1)
(3)层次单排序；
(4)构造初始评估矩阵，如表6所示；
表6初始评估矩阵
方案 运输成本 运输时间 运输安全性 运输便捷性
方案1 57769 90.433 9 5
方案2 63372 81.433 6 8
(5)评估矩阵规范化；
(6)构造加权规范矩阵；
(7)确定最优值向量和最劣值向量；
(8)计算各指标实际值、最优值和最劣值两两之间的距离及比值，从而得 到选择的最优化方案，如表7所示。
表7最优化方案
最优方案 运输成本 运输时间 运输安全性 运输便捷性
方案1 57769 90.433 9 5
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理 解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和 实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种 不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明 的保护范围内。

Claims (6)

1.一种基于多商品流的中欧集装箱运输方案优化方法，其特征在于，包括以下步骤：
S1、构建中欧集装箱运输网络；
S2、根据步骤S1中的中欧集装箱运输网络，构建基于多商品流的中欧集装箱运输方案优化模型；
S3、采用NSGA—II算法对步骤S2中优化模型进行求解，得到Pareto非劣解集；
S4、采用模糊AHP-topsis算法对步骤S3得到的Pareto非劣解集进行评估，选择最优化运输方案。
2.如权利要求1所述的基于多商品流的中欧集装箱运输方案优化方法，其特征在于，所述步骤S1中将各个路段以及各种运输方式的运输费用和运输时间表示为：
Figure FDA0002404648730000011
Figure FDA0002404648730000012
其中，
Figure FDA0002404648730000013
表示城市i到城市j使用第k种运输方式的费用，
Figure FDA0002404648730000014
表示第k种运输方式的办理费用，
Figure FDA0002404648730000015
表示第k种运输方式的基础费率，
Figure FDA0002404648730000016
表示城市i到城市j使用第k种运输方式的运输距离，
Figure FDA0002404648730000017
表示城市i到城市j使用第k种运输方式的运输时间，vk表示第k种运输方式的运输速度。
3.如权利要求1所述的基于多商品流的中欧集装箱运输方案优化方法，其特征在于，所述步骤S2中构建的基于多商品流的中欧集装箱运输方案优化模型表示为：
Figure FDA0002404648730000018
Figure FDA0002404648730000021
Figure FDA0002404648730000022
其中，C表示全程运输费用，T表示全程运输时间，M表示运输需求的集合，N表示多式联运网络城市节点集合，K表示运输方式的集合，O表示所有运输需起始点的集合，D表示所有运输需求目的地的集合，
Figure FDA0002404648730000023
表示从城市i到城市j使用第k种运输方式的单位运输费用，
Figure FDA0002404648730000024
表示从城市i到城市j使用第k种运输方式的运输时间，Tk,l表示由k种运输方式转换为l种运输方式的单位转运时间，capacityi,j,n表示由城市i到城市j的第n班铁路班列的能力，Z表示正整数，Ai,m表示第m个货物离开城市i的时间，Cm,max表示第m个货物的货主最大可接受的运输费用，Tm,max表示第m个货物的货主最大可接受的运输时间，Ck,l表示由k种运输方式转换为l种运输方式的单位转运成本，qm表示第m个货运需求的货运量，Cm,max表示第m个货运需求的最大运输费用限制，Tm,max表示第m个货运需求最大的运输时间限制，[Ej，Dj]表示城市j的公路时间窗，
Figure FDA0002404648730000031
表示货物m以第l中方式离开城市j的等待时间，
Figure FDA0002404648730000032
表示第m个货运需求搭乘铁路的第n个班期从城市i到城市j则为1，否则为0；
Figure FDA0002404648730000033
表示城市i到城市j的第k种方式的第n个班期的时间，ti,m,d表示第m个货物离开城市i为第d天则为1，否则为0；
Figure FDA0002404648730000034
表示第m个货运需求从城市i运输到城市j采用第k种运输方式则为1，否则为0；
Figure FDA0002404648730000035
表示第m个货运需求在城市i由运输方式k转换成运输方式l则为1，否则为0，ceil()表示向上取整函数，F()表示0-1函数。
4.如权利要求1所述的基于多商品流的中欧集装箱运输方案优化方法，其特征在于，所述步骤S3采用NSGA—II算法对步骤S2中优化模型进行求解，得到Pareto非劣解集，具体包括以下分步骤：
S31、对染色体进行两阶段编码，第一段为路径编码，第二段为运输方式编码；
S32、对染色体进行解码，得到染色体表示的运输路线和运输方式；
S33、适应值计算：按照解码路径得到的运输时间和运输费用不满足约束时，将运输时间和运输费用分别乘以惩罚系数，反之则不变；
S34、快速非支配排序：根据目标函数值，计算染色体的排序等级并进行分层和选择，建立子代染色体种群；
S35、采用竞标选择算子，每次取两个染色体，比较排序等级，若排序等级值较小，则该染色体进入子代种群，反之则被淘汰，若排序等级值相同则比较拥挤度，若拥挤度较大，该染色体被淘汰，反之则进入子代种群；
S36、分别进行染色体交叉和染色体变异操作；
S37、将产生的子代种群和父代种群进行合并，重新计算适应度并进行非支配排序；
S38、判断染色体代数是否满足要求，若不满足则返回步骤S35，并且将代数递增1，否则结束操作。
5.如权利要求4所述的基于多商品流的中欧集装箱运输方案优化方法，其特征在于，所述步骤S32对染色体进行解码，得到染色体表示的运输路线和运输方式，具体包括以下分步骤：
S321、寻找每个节点的关联节点集P；
S322、将所有节点划分成两个集合S、T，其中集合S包含起始节点，集合T为其他节点；
S323、取集合S末节点的关联节点P在集合S中的相对补集Q，若相对补集Q为空则该染色体不可行，给予不可行标记，跳出解码过程，否则在相对补集Q中选择优先级最大的节点n，将节点n归入集合S，并将集合T减去该节点；
S324、当节点n不为终点时重复步骤S323，直到节点n为终点。
6.如权利要求4所述的基于多商品流的中欧集装箱运输方案优化方法，其特征在于，所述步骤S34根据目标函数值，计算染色体的排序等级并进行分层和选择，建立子代染色体种群，具体包括以下分步骤：
S341、比较个体i与个体j的适应度值，若个体i的适应度值优于个体j，则个体i支配个体j，若个体i没有被任何其他解支配，则个体i为非支配解，将所有非支配解的集合赋予排序等级为1；
S342、在除去非支配解外的剩余种群中再次筛选出非支配解集，赋予排序等级为2；
S343、重复步骤S341的方法筛选非支配解集并赋予排序等级，直到整个种群被分层。
CN202010157633.9A 2020-03-09 2020-03-09 基于多商品流的中欧集装箱运输方案优化方法 Active CN111553507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010157633.9A CN111553507B (zh) 2020-03-09 2020-03-09 基于多商品流的中欧集装箱运输方案优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010157633.9A CN111553507B (zh) 2020-03-09 2020-03-09 基于多商品流的中欧集装箱运输方案优化方法

Publications (2)

Publication Number Publication Date
CN111553507A true CN111553507A (zh) 2020-08-18
CN111553507B CN111553507B (zh) 2022-07-08

Family

ID=72000028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010157633.9A Active CN111553507B (zh) 2020-03-09 2020-03-09 基于多商品流的中欧集装箱运输方案优化方法

Country Status (1)

Country Link
CN (1) CN111553507B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184045A (zh) * 2020-10-12 2021-01-05 青岛杰瑞工控技术有限公司 一种铁路集装箱场站装卸流程优化与验证系统及方法
CN112330071A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种基于遗传算法的公铁水多式联运路径优化方法
CN112330070A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
CN112949922A (zh) * 2021-03-01 2021-06-11 北京交通大学 中欧陆海快线中海铁联运路线优化方法
CN114707717A (zh) * 2022-03-29 2022-07-05 中国石油大学(北京) 一种考虑多式联运的成品油一次物流优化方法及系统
CN116070814A (zh) * 2023-04-06 2023-05-05 湖北工业大学 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
CN116228077A (zh) * 2023-05-06 2023-06-06 广州一链通互联网科技有限公司 一种基于互联网的集装箱物流产品智能排序方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782982A (zh) * 2009-07-07 2010-07-21 上海海事大学 集装箱多式联运路径选择的多目标整数线性规划方法
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN109858688A (zh) * 2019-01-18 2019-06-07 东南大学 一种集装箱多式联运枢纽选址方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782982A (zh) * 2009-07-07 2010-07-21 上海海事大学 集装箱多式联运路径选择的多目标整数线性规划方法
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN109858688A (zh) * 2019-01-18 2019-06-07 东南大学 一种集装箱多式联运枢纽选址方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭晓燕: "考虑多种因素的中欧集装箱多式联运路径选择研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184045A (zh) * 2020-10-12 2021-01-05 青岛杰瑞工控技术有限公司 一种铁路集装箱场站装卸流程优化与验证系统及方法
CN112184045B (zh) * 2020-10-12 2022-09-27 青岛杰瑞工控技术有限公司 一种铁路集装箱场站装卸流程优化与验证系统及方法
CN112330071A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种基于遗传算法的公铁水多式联运路径优化方法
CN112330070A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
CN112949922A (zh) * 2021-03-01 2021-06-11 北京交通大学 中欧陆海快线中海铁联运路线优化方法
CN114707717A (zh) * 2022-03-29 2022-07-05 中国石油大学(北京) 一种考虑多式联运的成品油一次物流优化方法及系统
CN114707717B (zh) * 2022-03-29 2024-01-16 中国石油大学(北京) 一种考虑多式联运的成品油一次物流优化方法及系统
CN116070814A (zh) * 2023-04-06 2023-05-05 湖北工业大学 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
CN116228077A (zh) * 2023-05-06 2023-06-06 广州一链通互联网科技有限公司 一种基于互联网的集装箱物流产品智能排序方法及系统
CN116228077B (zh) * 2023-05-06 2023-08-15 广州一链通互联网科技有限公司 一种基于互联网的集装箱物流产品智能排序方法及系统

Also Published As

Publication number Publication date
CN111553507B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN111553507B (zh) 基于多商品流的中欧集装箱运输方案优化方法
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
CN111768149A (zh) 一种快递物流网络规划优化方法及系统
CN109299810A (zh) 一种货运车辆配载方法
CN105096011A (zh) 一种基于改进型染色体编码的物流运输调度方法
CN103699982A (zh) 一种带软时间窗口的物流配送控制方法
CN101673382A (zh) 一种农资连锁经营物流配送配载组合优化方法
CN109886490A (zh) 一种组合车辆联合运输的匹配优化方法
CN103593747A (zh) 一种基于meanshift分类的大规模客户点分类配送方法
CN115965172B (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
CN114925995A (zh) 基于单亲遗传算法的公路干线车货匹配和路径规划方法
CN115689412A (zh) 一种多周期运费定价和物流网络规划方法
CN113919557A (zh) 一种基于自适应nsgaii的物流路线优化方法和系统
CN113822461A (zh) 一种轨道交通跨线运营优化方法、系统、设备及存储介质
El Bouzekri El Idrissi et al. Evolutionary algorithm for the bi-objective green vehicle routing problem
Wang et al. Research of oil product secondary distribution optimization based on collaborative distribution
CN115495859B (zh) 一种基于遗传算法的仓网规划方法
CN114707918B (zh) 一种铁路分级节点运输方法
CN115983755A (zh) 一种多式联运路径优化方法
CN115689081A (zh) 基于适应性协同机制的厨余垃圾收运路径动态优化方法
CN115186905A (zh) 一种用于城际网约车路径规划的多任务优化方法及系统
YANG et al. Optimizing the scale and spatial location of city logistics terminals
Jafarian-Moghaddam Elastic train scheduling model
CN111523834A (zh) 基于双层规划的中欧班列国内集运系统优化方法
CN116070810A (zh) 不均衡运能条件下铁路货运列车开行方案优化方法与装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220718

Address after: 610031 north section of two ring road, Sichuan, Chengdu

Patentee after: SOUTHWEST JIAOTONG University

Patentee after: China National Railway Group Co.,Ltd.

Address before: 610031 north section of two ring road, Sichuan, Chengdu

Patentee before: SOUTHWEST JIAOTONG University