CN112183812B - 一种计及短时低成本的成品卷烟物流车辆调度方法 - Google Patents
一种计及短时低成本的成品卷烟物流车辆调度方法 Download PDFInfo
- Publication number
- CN112183812B CN112183812B CN202010861234.0A CN202010861234A CN112183812B CN 112183812 B CN112183812 B CN 112183812B CN 202010861234 A CN202010861234 A CN 202010861234A CN 112183812 B CN112183812 B CN 112183812B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- order
- delivery
- population
- individuals
- 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
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
- G06N3/12—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
- G06Q10/08—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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种计及短时低成本的成品卷烟物流车辆调度方法,属于物流技术领域。所述的成品卷烟物流车辆调度优化方法包括以下步骤:步骤一,在某一配送调度周期内,综合考虑运输路线、库存结构、车辆装载量、发货点作业能力,以及由订单要求到货日期、准运证时限组成的时间窗口,建立多目标卷烟配送模型;步骤二,借鉴生物生命周期特征,将订单分配寻优过程映射到生命周期生长发育过程中,生成订单分配集合;步骤三,利用利用了变种群个体数,改进了生命周期群搜索算法并用其进行模型的求解,从而确定发货点和发货车辆,从而实现时间窗条件下的最低成本的运输配送。
Description
技术领域
本发明卷烟物流车辆调度的领域,涉及一种计及短时低成本的成品卷烟物流车辆调度方法。
背景技术
随着科技的进步,社会的发展,,智慧物流逐渐成为烟草行业、甚至是全行业的重点研究和建设方向。烟草作为制造业中机械化、自动化的标杆代表产业,成品卷烟物流依赖人工操作配合传统信息化手段的调度方式急需改变。
对于成品卷烟仓储物流而言,其配送效率的高低直接影响着物流服务水平,从而对企业产生的的经营成果、企业实现利益最大化的目标有着重要的影响。成品卷烟物流调度过程的科学高效与否,一方面直接关系企业客户的服务质量;另一方面,会因为运费结算模式对当期费用产生直接的影响。作为物流管理决策的核心内容之一,成品卷烟物流调度优化是实现物流效率、效益和服务的具体路径,是实现物流资源合理配置的关键。
现有运用于物流调度系统的算法主要分为两大类:一是精确算法,主要包括分支定界法、动态规划法、网络流算法等等;二是启发式算法,主要包括模拟退火算法、贪婪算法、遗传算法、集群智能算法、免疫算法等等。近年来相关研究人员倾向于使用启发式算法。
由于卷烟运输实行法定准运证制度,相关约束条件较一般物流车辆配送问题复杂,相关研究很少,因此十分需要一种计及短时低成本的成品卷烟物流车辆调度方法。
发明内容
本发明的目的是为了解决计划员人工决策不科学、不合理和无法在时间窗内完成调度的问题,提供一种计及短时低成本的成品卷烟物流车辆调度方法。该方法当前成品卷烟物流运行模式下,围绕业务目标,设计建立目标函数清晰、决策变量可控、约束条件完备的成品卷烟物流计划调度模型,利用该方法可以实现调度知识规范化、标准化、文本化。
为了实现上述目的,本发明是采用以下技术方案实现的:步骤一、在某一配送调度周期内,综合考虑运输路线、库存结构、车辆装载量、发货点作业能力,以及由订单要求到货日期、准运证时限组成的时间窗口,建立多目标成品卷烟配送模型;
所述的成品卷烟配送模型包括成品卷烟配送的目标函数和约束条件
成品卷烟配送的优化目标根据应用不同而有所不同,这里以成本最低,运送时间最短为目标,如下所示:
运输运费计算规则:
实际运费(元)=运输单价(元/(吨.公里))x里程(公里)x重量(吨)
车辆A在运输过程中运费:
mA=u(wAi×Lij+∑(wAi-∑wAj)×Ljj') (15)
其中,i表示第i个生产发货点;j表示第j个商业客户公司;Ai表示第A辆车在i个生产发货点始发;Aj为0-1变量,表示第A辆车是否送第j个商业客户公司,送为1,不送为0;wAj表示第A辆车运往第j个商业客户公司的成品卷烟吨数;wAi表示第A辆车在第i个生产发货点装载的货物吨数;mA表示车辆A在运送过程中总费用;Lij表示从第i个生产发货点到第j个商业客户公司的路径长度;Ljj'表示从第j个商业客户公司到第j’个商业客户公司的路径;u表示运输单价;
运送总费用(M):
车辆A运送总时间(TA):
总运送时间(T):
其中,Vi表示第i个生产发货点的出货速度;v表示各车辆的平均速度;tAi表示第A辆车在第i个生产发货点的装货时间;tAj表示第A辆车在第j个商业客户公司的卸货时间,TAij表示第A辆车从第i个生产发货点到第j个商业客户公司的时间;TAjj'表示第A辆车从第j个商业客户公司到第j’个商业客户公司的时间;
优化向量:
V-min(M,T) (20)
目标函数:
成品卷烟配送的约束条件,包括车辆装载上下限、生产发货点的出货能力限制、准运证限制;具体如下:
(1)车辆装载上下限约束:当车辆装载量低于一定量时,付给司机的运费会比较少,司机会选择放弃运送,组合订单应增加车辆装载量,提高满载率,使用最少车辆完成发运任务,则车辆装在上下限约束为:
wmin≤wAi≤wmax (22)
(2)生产发货点i的日出货上限:工业企业一般在省级行政区划内拥有若干个发货点,且
发货点间拥有不完全相同的库存结构,各发货点有自己不同的出库能力上限,则生产发货点i的日出货能力约束为:
(3)准运证限制:由于卷烟运输实行法定准运证制度,即每一个客户订单都必须对应一个由行政管理部门签发的有时效的准运证,订单必须在准运证有效期内完成交付,同时,该制度要求订单不能越库装运,当发货点库存结构与订单需求不匹配时,可以采用向中心库转储实现库存结构调整的方式,实现需求和库存的匹配,并且订单及订单对应的准运证和承运车辆的关系只能是“多对一”,即一辆货车可以承运总和不超过其装载量上限、不低于其装载量下限的多个订单(最多三个),每一个订单只能有一辆承运车辆,不能同一订单分车装运,则准运证约束为:
其中,Tj为车辆A从生产发货点i到商业客户公司j的准运证时效;
步骤二,借鉴生物生命周期特征,将订单分配寻优过程映射到生命周期生长发育过程中,采用生成子集合方法,将订单集合分为若干个元素不超过三个的子集合,为每个车辆运送的订单集合,组成订单分配集合:
步骤2.1、将订单分配寻优映射到个体按适应度值进行繁殖和淘汰;
步骤2.2、设置订单数量,设置最大订单分配迭代次数
步骤2.3、将订单随机分配给四个发货点,每个发货点拥有的订单数量为Ni,每个发货点拥有的车辆数为Vi,且Ni≤3Vi,若不满足,则返回继续进行初始化订单分配;
步骤2.4、将订单分配集合进行再划分,将每个集合划分为若干个元素个数不超过三个的子集合,每个子集合即为车辆要运输的订单编号集合。
步骤2.5、初始化城市坐标;从订单获取商业客户公司所处的城市,并采用数据挖掘算法得出这些城市的坐标信息与两个城市之间的距离信息。
步骤三,利用利用了变种群个体数,改进了生命周期群搜索算法并用其进行模型的求解,算法服务器计算出最优方案,从而确定发货点和发货车辆,从而实现时间窗条件下的最低成本的运输配送;
改进的生命周期群搜索算法具体实现方法如下:
步骤3.1、初始化各种参数;订单总数已知,将订单从1开始编号,编号后将订单随机分配给四个发货点,发货点所拥有的订单数量为Ni(i=1,2,3,4)。再随机分配每个发货点参与配送的车辆,最多分配的车辆数目为Ni(i=1,2,3,4),最少分配的车辆数目为每个发货点参与配送的车辆数目在最大最小分配车辆数目之间取随机整数。
步骤3.2、计算初始种群的适应度值,将最优个体设置为全局初始极值,判断个体是否满足约束条件,若不满足,则将其适应度值设为正无穷。
步骤3.3、生长发育:设第i个发货点的订单分配集合为:
Ui={(x1,···),(x2,y2,···),···,(xr,yr,zr)},其中每个元素都是每辆车所要运送的订单编号,采用混沌系统,将种群中最优个体的位置进行混沌操作,更新全局极值以及最优订单分配集合:
Sn+1=uSn(1-Sn),n=1,2,··· (25)
式中,u为控制参量,一般u=4
将最优订单分配集合记通过归一化处理,映射到[0,1]之间,记为S0;利用Logisticy映射产生n个混沌变量(S1,S2,···,Sn);
Sj+1=Sj(1-Sj),j=1,2,···,n-1 (26)
步骤3.4、将种群中的其他个体订单分配集合以一定的概率执行同化操作或换位操作;同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化,追随群内最优个体进行搜索;
步骤3.5、繁殖,将种群中的每个订单分配集合进行两两配对,执行变种群个体数量的中间重组操作:
Ordson=Ordfather+[α(Ordfather2-Ordfather1)] (29)
式中,Ordson为子代订单分配集合,Ordfather1和Ordfather2为亲代订单分配集合,其中α是比例因子,由[-d,1+d]上均匀分布地随机数产生,一般d=0.25。重组时,先为每一个子代的每一个变量产生一个α,根据出生率产生对应数量的子代个体。
步骤3.6、死亡,计算种群个体的适应度值,按适应度值调整种群个体顺序,采用线性排序的方法对群中个体适应值进行调整,并对调整后的目标函数值进行降序排序,最适应个体放置在列表最后一个位置,每个个体的适应度值根据他在种群中的排序位置计算出来;
式中,f*(Ui),(i=1,2,···,S)是调整后个体的适应度值;S是种群中个体的数量;sp是选择压差;p(Ui)是Ui的适应度值f*(Ui)在种群中的排序位置;
步骤3.7、计算当前种群数量,若当前种群数量超出种群最大规模,则按轮盘赌的方法淘汰一部分个体,淘汰数量为超出种群最大规模的数量;若未超出,则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体;
步骤3.8、变异,种群中的个体以一定的概率执行方向变异操作
式中xij为第Ui订单集合中的第j个元素,Δlij为变异移动步长
步骤3.9、更新全局极值,将最优个体的订单分配集合记为Ug,并检验是否达到车辆分配的最大迭代次数,若达到,进入下一步进行检验;若未达到,则返回步骤2.1,初始化参数;
步骤3.10、检验是否达到最大订单分配迭代次数,若达到,退出优化,输出结果;若未达到返回步骤2.3。
本发明有益效果:
本发明的目的解决了计划员人工决策不科学、不合理和无法在时间窗内完成调度的问题,该方法当前成品卷烟物流运行模式下,围绕业务目标,设计建立目标函数清晰、决策变量可控、约束条件完备的成品卷烟物流计划调度模型,利用该方法可以实现调度知识规范化、标准化、文本化。
附图说明
图1为发明系统结构示意图;
图2为算法流程图。
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,下面结合附图与实例对本发明作进一步详细说明,但所举实例不作为对本发明的限定。
实施例一:
所需硬件为手持出库扫码器和运算服务器,服务配置为IntelCore(TM)i7-9750H2.59GHz处理器,16G内存,64位操作系统。本发明基于实际数据,建立了计及短时低成本的成品卷烟物流车辆调度模型,节约了运输成本,提高调度的效率和质量。
本发明中所描述的基于卷烟工业企业的成品卷烟物流车辆调度方法,具体实施步骤如下:步骤一、在某一配送调度周期内,综合考虑运输路线、库存结
构、车辆装载量、发货点
作业能力,以及由订单要求到货日期、准运证时限组成的时间窗口,建立多目标成品卷烟配送模型;
所述的成品卷烟配送模型包括成品卷烟配送的目标函数和约束条件
成品卷烟配送的优化目标根据应用不同而有所不同,这里以成本最低,运送时间最短为目标,如下所示:
运输运费计算规则:
实际运费(元)=运输单价(元/(吨.公里))x里程(公里)x重量(吨)
车辆A在运输过程中运费:
mA=u(wAi×Lij+∑(wAi-∑wAj)×Ljj') (33)
其中,i表示第i个生产发货点;j表示第j个商业客户公司;Ai表示第A辆车在i个生产发货点始发;Aj为0-1变量,表示第A辆车是否送第j个商业客户公司,送为1,不送为0;wAj表示第A辆车运往第j个商业客户公司的成品卷烟吨数;wAi表示第A辆车在第i个生产发货点装载的货物吨数;mA表示车辆A在运送过程中总费用;Lij表示从第i个生产发货点到第j个商业客户公司的路径长度;Ljj'表示从第j个商业客户公司到第j’个商业客户公司的路径;u表示运输单价;
运送总费用(M):
车辆A运送总时间(TA):
总运送时间(T):
其中,Vi表示第i个生产发货点的出货速度;v表示各车辆的平均速度;tAi表示第A辆车在第i个生产发货点的装货时间;tAj表示第A辆车在第j个商业客户公司的卸货时间,TAij表示第A辆车从第i个生产发货点到第j个商业客户公司的时间;TAjj'表示第A辆车从第j个商业客户公司到第j’个商业客户公司的时间;
优化向量:
V-min(M,T) (38)
目标函数:
成品卷烟配送的约束条件,包括车辆装载上下限、生产发货点的出货能力限制、准运证限制;具体如下:
(1)车辆装载上下限约束:当车辆装载量低于一定量时,付给司机的运费会比较少,司机会选择放弃运送,组合订单应增加车辆装载量,提高满载率,使用最少车辆完成发运任务,则车辆装在上下限约束为:
wmin≤wAi≤wmax (40)
(2)生产发货点i的日出货上限:工业企业一般在省级行政区划内拥有若干个发货点,且
发货点间拥有不完全相同的库存结构,各发货点有自己不同的出库能力上限,则生产发货点i的日出货能力约束为:
(3)准运证限制:由于卷烟运输实行法定准运证制度,即每一个客户订单都必须对应一个由行政管理部门签发的有时效的准运证,订单必须在准运证有效期内完成交付,同时,该制度要求订单不能越库装运,当发货点库存结构与订单需求不匹配时,可以采用向中心库转储实现库存结构调整的方式,实现需求和库存的匹配,并且订单及订单对应的准运证和承运车辆的关系只能是“多对一”,即一辆货车可以承运总和不超过其装载量上限、不低于其装载量下限的多个订单(最多三个),每一个订单只能有一辆承运车辆,不能同一订单分车装运,则准运证约束为:
其中,Tj为车辆A从生产发货点i到商业客户公司j的准运证时效;
步骤二,借鉴生物生命周期特征,将订单分配寻优过程映射到生命周期生长发育过程中,采用生成子集合方法,将订单集合分为若干个元素不超过三个的子集合,为每个车辆运送的订单集合,组成订单分配集合:
步骤2.1、将订单分配寻优映射到个体按适应度值进行繁殖和淘汰;
步骤2.2、设置订单数量,设置最大订单分配迭代次数
步骤2.3、将订单随机分配给四个发货点,每个发货点拥有的订单数量为Ni,每个发货点拥有的车辆数为Vi,且Ni≤3Vi,若不满足,则返回继续进行初始化订单分配;
步骤2.4、将订单分配集合进行再划分,将每个集合划分为若干个元素个数不超过三个的子集合,每个子集合即为车辆要运输的订单编号集合。
步骤2.5、初始化城市坐标;从订单获取商业客户公司所处的城市,并采用数据挖掘算法得出这些城市的坐标信息与两个城市之间的距离信息。
步骤三,利用利用了变种群个体数,改进了生命周期群搜索算法并用其进行模型的求解,算法服务器计算出最优方案,从而确定发货点和发货车辆,从而实现时间窗条件下的最低成本的运输配送;
改进的生命周期群搜索算法具体实现方法如下:
步骤3.1、初始化各种参数;订单总数已知,将订单从1开始编号,编号后将订单随机分配给四个发货点,发货点所拥有的订单数量为Ni(i=1,2,3,4)。再随机分配每个发货点参与配送的车辆,最多分配的车辆数目为Ni(i=1,2,3,4),最少分配的车辆数目为每个发货点参与配送的车辆数目在最大最小分配车辆数目之间取随机整数。
步骤3.2、计算初始种群的适应度值,将最优个体设置为全局初始极值,判断个体是否满足约束条件,若不满足,则将其适应度值设为正无穷。
步骤3.3、生长发育:设第i个发货点的订单分配集合为:
Ui={(x1,···),(x2,y2,···),···,(xr,yr,zr)},其中每个元素都是每辆车所要运送的订单编号,采用混沌系统,将种群中最优个体的位置进行混沌操作,更新全局极值以及最优订单分配集合:
Sn+1=uSn(1-Sn),n=1,2,··· (43)
式中,u为控制参量,一般u=4
将最优订单分配集合记通过归一化处理,映射到[0,1]之间,记为S0;利用Logisticy映射产生n个混沌变量(S1,S2,···,Sn);
Sj+1=Sj(1-Sj),j=1,2,···,n-1 (44)
步骤3.4、将种群中的其他个体订单分配集合以一定的概率执行同化操作或换位操作;同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化,追随群内最优个体进行搜索;
步骤3.5、繁殖,将种群中的每个订单分配集合进行两两配对,执行变种群个体数量的中间重组操作:
Ordson=Ordfather+[α(Ordfather2-Ordfather1)] (47)
式中,Ordson为子代订单分配集合,Ordfather1和Ordfather2为亲代订单分配集合,其中α是比例因子,由[-d,1+d]上均匀分布地随机数产生,一般d=0.25。重组时,先为每一个子代的每一个变量产生一个α,根据出生率产生对应数量的子代个体。
步骤3.6、死亡,计算种群个体的适应度值,按适应度值调整种群个体顺序,采用线性排序的方法对群中个体适应值进行调整,并对调整后的目标函数值进行降序排序,最适应个体放置在列表最后一个位置,每个个体的适应度值根据他在种群中的排序位置计算出来;
式中,f*(Ui),(i=1,2,···,S)是调整后个体的适应度值;S是种群中个体的数量;sp是选择压差;p(Ui)是Ui的适应度值f*(Ui)在种群中的排序位置;
步骤3.7、计算当前种群数量,若当前种群数量超出种群最大规模,则按轮盘赌的方法淘汰一部分个体,淘汰数量为超出种群最大规模的数量;若未超出,则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体;
步骤3.8、变异,种群中的个体以一定的概率执行方向变异操作
式中xij为第Ui订单集合中的第j个元素,Δlij为变异移动步长
步骤3.9、更新全局极值,将最优个体的订单分配集合记为Ug,并检验是否达到车辆分配的最大迭代次数,若达到,进入下一步进行检验;若未达到,则返回步骤2.1,初始化参数;
步骤3.10、检验是否达到最大订单分配迭代次数,若达到,退出优化,输出结果;若未达到返回步骤2.3。
本发明的目的解决了计划员人工决策不科学、不合理和无法在时间窗内完成调度的问题,该方法当前成品卷烟物流运行模式下,围绕业务目标,设计建立目标函数清晰、决策变量可控、约束条件完备的成品卷烟物流计划调度模型,利用该方法可以实现调度知识规范化、标准化、文本化。
以上的具体描述,是对发明目的、技术方案的进一步详细说明,应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本案进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本案的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本案技术方案的精神,其均应涵盖在本案请求保护的技术方案范围当中。
Claims (5)
1.一种计及短时低成本的成品卷烟物流车辆调度方法,其特征在于:所述的车辆调度方法用于卷烟物流领域,所述的车辆调度方法包括以下步骤:
步骤一,在某一配送调度周期内,综合考虑运输路线、库存结构、车辆装载量、发货点作业能力,以及由订单要求到货日期、准运证时限组成的时间窗口,建立多目标卷烟配送模型;
所述的步骤一采用以下方法实现:步骤一、在某一配送调度周期内,综合考虑运输路线、库存结构、车辆装载量、发货点作业能力,以及由订单要求到货日期、准运证时限组成的时间窗口,建立多目标成品卷烟配送模型;
所述的成品卷烟配送模型包括成品卷烟配送的目标函数和约束条件
成品卷烟配送的优化目标根据应用不同而有所不同,这里以成本最低,运送时间最短为目标,如下所示:
运输运费计算规则:
实际运费=运输单价x里程x重量
车辆A在运输过程中运费:
mA=u(wAi×Lij+∑(wAi-∑wAj)×Ljj') (2)
其中,i表示第i个生产发货点;j表示第j个商业客户公司;Ai表示第A辆车在i个生产发货点始发;Aj为0-1变量,表示第A辆车是否送第j个商业客户公司,送为1,不送为0;wAj表示第A辆车运往第j个商业客户公司的成品卷烟吨数;wAi表示第A辆车在第i个生产发货点装载的货物吨数;mA表示车辆A在运送过程中总费用;Lij表示从第i个生产发货点到第j个商业客户公司的路径长度;Ljj'表示从第j个商业客户公司到第j’个商业客户公司的路径;u表示运输单价;n表示这一批运输的货物一共有n个商业客户;
运送总费用(M):
车辆A运送总时间(TA):
总运送时间(T):
其中,Vi表示第i个生产发货点的出货速度;v表示各车辆的平均速度;tAi表示第A辆车在第i个生产发货点的装货时间;tAj表示第A辆车在第j个商业客户公司的卸货时间,TAij表示第A辆车从第i个生产发货点到第j个商业客户公司的时间;TAjj'表示第A辆车从第j个商业客户公司到第j’个商业客户公司的时间;q表示一共有q辆车;
优化向量:
V-min(M,T) (7)
目标函数:
λ1为运输过程费用系统,λ2为运输时间成本系数;
步骤二,借鉴生物生命周期特征,将订单分配寻优过程映射到生命周期生长发育过程中,生成订单分配集合;
步骤三,利用了变种群个体数,改进了生命周期群搜索算法并用其进行模型的求解,从而确定发货点和发货车辆,从而实现时间窗条件下的最低成本的运输配送。
2.根据权利要求1所述的一种计及短时低成本的成品卷烟物流车辆调度方法,其特征在于:所述的成品卷烟配送的约束条件,包括车辆装载上下限、生产发货点的出货能力限制、准运证限制;具体如下:
(1)车辆装载上下限约束:当车辆装载量低于一定量时,付给司机的运费会比较少,司机会选择放弃运送,组合订单应增加车辆装载量,提高满载率,使用最少车辆完成发运任务,则车辆装在上下限约束为:
wmin≤wAi≤wmax (9)
(2)生产发货点i的日出货上限:工业企业一般在省级行政区划内拥有若干个发货点,且
发货点间拥有不完全相同的库存结构,各发货点有自己不同的出库能力上限,则生产发货点i的日出货能力约束为:
(3)准运证限制:由于卷烟运输实行法定准运证制度,即每一个客户订单都必须对应一个由行政管理部门签发的有时效的准运证,订单必须在准运证有效期内完成交付,同时,该制度要求订单不能越库装运,当发货点库存结构与订单需求不匹配时,采用向中心库转储实现库存结构调整的方式,实现需求和库存的匹配,并且订单及订单对应的准运证和承运车辆的关系只能是“多对一”,即一辆货车可以承运总和不超过其装载量上限、不低于其装载量下限的多个订单,每一个订单只能有一辆承运车辆,不能同一订单分车装运,则准运证约束为:
其中,Tj为车辆A从生产发货点i到商业客户公司j的准运证时效。
3.根据权利要求1所述的一种计及短时低成本的成品卷烟物流车辆调度方法,其特征在于:步骤二,借鉴生物生命周期特征,将订单分配寻优过程映射到生命周期生长发育过程中,采用生成子集合方法,将订单集合分为若干个元素不超过三个的子集合,为每个车辆运送的订单集合,组成订单分配集合:
步骤2.1、将订单分配寻优映射到个体按适应度值进行繁殖和淘汰;
步骤2.2、设置订单数量,设置最大订单分配迭代次数
步骤2.3、将订单随机分配给四个发货点,每个发货点拥有的订单数量为Ni,每个发货点拥有的车辆数为Vi,且Ni≤3Vi,若不满足,则返回继续进行初始化订单分配;
步骤2.4、将订单分配集合进行再划分,将每个集合划分为若干个元素个数不超过三个的子集合,每个子集合即为车辆要运输的订单编号集合;
步骤2.5、初始化城市坐标;从订单获取商业客户公司所处的城市,并采用数据挖掘算法得出这些城市的坐标信息与两个城市之间的距离信息。
4.根据权利要求1所述的一种计及短时低成本的成品卷烟物流车辆调度方法,其特征在于:所述的步骤三利用了变种群个体数,改进了生命周期群搜索算法并用其进行模型的求解,算法服务器计算出最优方案,从而确定发货点和发货车辆,从而实现时间窗条件下的最低成本的运输配送:改进的生命周期群搜索算法具体实现方法如下:
步骤3.1、初始化各种参数;初始化算法中涉及的所有参数,包括种群规模S,搜索空间上限Blo、下限Bup,觅食方式选择概率Pf,交叉概率Pc,变异概率Pm,最大迭代次数Tmax,收敛精度ξ,混沌变量Sc;
步骤3.2、计算初始种群的适应度值,将最优个体设置为全局初始极值,判断个体是否满足约束条件,若不满足,则将其适应度值设为正无穷;
步骤3.3、生长发育:设第i个发货点的订单分配集合为:Ui={(x1,···),(x2,y2,···),···,(xr,yr,zr)},其中每个元素都是每辆车所要运送的订单编号,采用混沌系统,将种群中最优个体的位置进行混沌操作,更新全局极值以及最优订单分配集合;将最优订单分配集合通过归一化处理;将混沌运动的遍历范围转换到优化变量的定义域;
步骤3.4、将种群中的其他个体订单分配集合以一定的概率执行同化操作或换位操作;同化是指群内采取社会觅食方式的个体的觅食路径被最优个体同化,追随群内最优个体进行搜索;
步骤3.5、繁殖,将种群中的每个订单分配集合进行两两配对,执行变种群个体数量的中间重组操作:
Ordson=Ordfather+[α(Ordfather2-Ordfather1)] (12)
式中,Ordson为子代订单分配集合,Ordfather1和Ordfather2为亲代订单分配集合,其中α是比例因子,由[-d,1+d]上均匀分布地随机数产生,d=0.25;重组时,先为每一个子代的每一个变量产生一个α,根据出生率产生对应数量的子代个体;
步骤3.6、死亡,计算种群个体的适应度值,按适应度值调整种群个体顺序,采用线性排序的方法对群中个体适应值进行调整,并对调整后的目标函数值进行降序排序,最适应个体放置在列表最后一个位置,每个个体的适应度值根据他在种群中的排序位置计算出来;
步骤3.7、计算当前种群数量,若当前种群数量超出种群最大规模,则按轮盘赌的方法淘汰一部分个体,淘汰数量为超出种群最大规模的数量;若未超出,则按轮盘赌的方法淘汰当前种群数量乘以自然死亡率的数量的个体;
步骤3.8、变异,种群中的个体以一定的概率执行方向变异操作
式中xij为第Ui订单集合中的第j个元素,Δlij为变异移动步长,Hmax为种群最大数,Hmin为种群最小数;
步骤3.9、更新全局极值,将最优个体的订单分配集合记为Ug,并检验是否达到车辆分配的最大迭代次数,若达到,进入下一步进行检验;若未达到,则返回步骤2.1,初始化参数;
步骤3.10、检验是否达到最大订单分配迭代次数,若达到,退出优化,输出结果;若未达到返回步骤2.3。
5.根据以上权利要求1-4任意一条所述的一种计及短时低成本的成品卷烟物流车辆调度方法,其特征在于:步骤二、三的实现需要根据采集的信息建立数据库,库的内容包括烟草规格和各生产点分布数据、承运商车辆数据、各商业客户公司准运证期限数据、各商业客户公司距离矩阵、始发成品卷烟公路运输标准在途时间;手持出库扫码器,决定了出库速度,限制日出库量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861234.0A CN112183812B (zh) | 2020-08-25 | 2020-08-25 | 一种计及短时低成本的成品卷烟物流车辆调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861234.0A CN112183812B (zh) | 2020-08-25 | 2020-08-25 | 一种计及短时低成本的成品卷烟物流车辆调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183812A CN112183812A (zh) | 2021-01-05 |
CN112183812B true CN112183812B (zh) | 2022-07-01 |
Family
ID=73924407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010861234.0A Active CN112183812B (zh) | 2020-08-25 | 2020-08-25 | 一种计及短时低成本的成品卷烟物流车辆调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183812B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776532B (zh) * | 2021-07-27 | 2023-08-11 | 昆明理工大学 | 一种基于分组混合优化群搜索算法的无人机巡检线路航迹规划方法 |
CN113723675B (zh) * | 2021-08-20 | 2024-03-26 | 深圳依时货拉拉科技有限公司 | 一种零担揽件自动调度方法和计算机设备 |
CN113469471A (zh) * | 2021-09-02 | 2021-10-01 | 北京邮电大学 | 聚类方法、运输车辆路径规划方法、电子设备及存储介质 |
CN114862038A (zh) * | 2022-05-24 | 2022-08-05 | 北京京东乾石科技有限公司 | 冷链物流车辆的调度方法及相关设备 |
CN115034945A (zh) * | 2022-06-23 | 2022-09-09 | 武汉理工大学 | 流水线车间分批生产与车辆配送集成调度方法及装置 |
CN116070776B (zh) * | 2023-02-24 | 2024-03-29 | 中外运空运有限公司 | 一种航空货运产品的智能拼接方法与系统 |
CN117236824B (zh) * | 2023-11-15 | 2024-02-20 | 新立讯科技股份有限公司 | 一种用于农产品在线交易平台的物流调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930073A (zh) * | 2012-09-19 | 2013-02-13 | 河南平高电气股份有限公司 | 一种高压开关产品装配过程优化方法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN110097234A (zh) * | 2019-05-13 | 2019-08-06 | 江苏中烟工业有限责任公司 | 工业卷烟运输智能调度方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019079352A1 (en) * | 2017-10-17 | 2019-04-25 | Enjoy Technology, Inc. | PLATFORMS, SYSTEMS, SUPPORTS AND METHODS FOR LOGISTICS OF EXPERTS OF HIGH-USE PRODUCTS |
-
2020
- 2020-08-25 CN CN202010861234.0A patent/CN112183812B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930073A (zh) * | 2012-09-19 | 2013-02-13 | 河南平高电气股份有限公司 | 一种高压开关产品装配过程优化方法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN110097234A (zh) * | 2019-05-13 | 2019-08-06 | 江苏中烟工业有限责任公司 | 工业卷烟运输智能调度方法及系统 |
Non-Patent Citations (3)
Title |
---|
Patrick-Oliver Groß等.Cost-Efficient and Reliable City Logistics Vehicle Routing with Satellite Locations under Travel Time Uncertainty.《EWGT2018》.2019, * |
基于配送强度分析的云南中烟成品卷烟配送区域优化研究;张朝耀 等;《物流技术》;20150731;第34卷;第162-167页 * |
带软时间窗整车物流配送路径优化研究;侯玉梅 等;《系统工程学报》;20150430;第30卷(第2期);第240-250页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183812A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183812B (zh) | 一种计及短时低成本的成品卷烟物流车辆调度方法 | |
CN109034468B (zh) | 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 | |
US20220156693A1 (en) | Computerized system and method for developing optimized cargo transportation solutions | |
Guo et al. | Green transportation scheduling with pickup time and transport mode selections using a novel multi-objective memetic optimization approach | |
He et al. | The two-echelon multi-trip vehicle routing problem with dynamic satellites for crop harvesting and transportation | |
Wei et al. | Assigning customer-dependent travel time limits to routes in a cold-chain inventory routing problem | |
Tirado et al. | Heuristics for dynamic and stochastic routing in industrial shipping | |
CN111368999B (zh) | 一种物流调度系统 | |
CN115860613B (zh) | 一种考虑预约机制的零担车货匹配及车辆调度方法 | |
CN110163544A (zh) | 一种基于优化的遗传算法进行货物配送的方法 | |
CN111199375B (zh) | 一种智能化物流运输系统 | |
CN116402309B (zh) | 港口集疏运车辆调度匹配方法及系统 | |
Li et al. | Hybrid partheno-genetic algorithm for multi-depot perishable food delivery problem with mixed time windows | |
Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
CN116227773A (zh) | 一种基于蚁群算法的配送路径优化方法 | |
CN114239915A (zh) | 基于供需匹配优化模型的平台集中式供需方案优化方法 | |
Wang et al. | Two‐Stage Solution for Meal Delivery Routing Optimization on Time‐Sensitive Customer Satisfaction | |
CN116739840B (zh) | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 | |
JPH07234997A (ja) | 配車計画立案方法及び配車計画立案システム | |
CN117709836A (zh) | 一种数字化物流供应链的管理系统 | |
Zheng | Solving vehicle routing problem: A big data analytic approach | |
Hashemi et al. | Designing a locating-routing three-echelon supply chain network under uncertainty | |
CN111178596B (zh) | 一种物流配送路线规划方法、装置及存储介质 | |
CN112418550A (zh) | 一种物流行业中多种司机工作状态下的车货匹配方法 | |
CN114693004B (zh) | 物流优化方法和装置 |
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 |