CN112270517A - 一种基于变权风险的危险化学品多仓库车辆路径优化方法 - Google Patents
一种基于变权风险的危险化学品多仓库车辆路径优化方法 Download PDFInfo
- Publication number
- CN112270517A CN112270517A CN202011284543.2A CN202011284543A CN112270517A CN 112270517 A CN112270517 A CN 112270517A CN 202011284543 A CN202011284543 A CN 202011284543A CN 112270517 A CN112270517 A CN 112270517A
- Authority
- CN
- China
- Prior art keywords
- risk
- transportation
- warehouse
- retailer
- weight
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (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
本发明涉及一种基于变权风险的危险化学品多仓库车辆路径优化方法,包括以下步骤:确定运输路线和运输网络的变权风险;搜集危险化学品运输中的权重信息、仓库供给量与零售商需求量等信息;上层规划制定零售商分配方案;下层规划确定最优运输路径;根据双层规划的上下层决策,得出最优路径和最优供应量。本发明通过考虑权重信息的不同场景,分别构建了基于有序加权平均风险的多仓库车辆路径双层规划模型和基于状态变权平均风险的多仓库车辆路径双层规划模型,很好的实现了运输网络和运输路线上整体风险和局部风险的均衡,具有很强的实用性。
Description
技术领域
本发明提供了一种基于变权风险的危险化学品多仓库车辆路径优化方法,属于危险化学品运输技术领域;特别是对多仓库车辆路径问题使用了双层变权优化模型,并考虑了危险化学品车载量的动态变化对运输风险的影响。
背景技术
危险化学品是指具有毒性、放射性、爆炸性、腐蚀性等危险特性的化学品,被广泛应用于工业、农业、国防和人民日常生活等领域。近年来,中国的危险化学品年运输量在10亿吨以上,且运输量逐年增加,其中通过公路运输的危险化学品约占70%。虽然中国政府对危险化学品运输行业的监管在不断加强,但安全形势依然严峻,重大事故时有发生。
如何有效地降低危险化学品的运输风险,是保障人民生命财产、生态环境安全和经济可持续发展的重要研究课题。在学术界,与危险化学品运输相关的风险度量与分析和运输路径优化已经得到了广泛的发展。
虽然对于危险化学品风险度量的研究十分广泛[1-3],但是所提出的关于危险化学品的传统风险度量没有实现运输路线上整体风险和局部风险很好地均衡。同时,基于传统风险度量进行的危险化学品运输路径优化容易造成运输网络和运输路线上整体风险或局部风险的高估或低估。其中,风险的高估会招致运输成本上升和社会恐慌,而风险的低估则会带来巨大的安全隐患。
危险化学品多仓库车辆路径问题主要涉及两个子问题:客户的分配和运输路径的优化。该问题优化的目标是实现运输网络风险的最小化。现有对于危险化学品多仓库车辆路径问题研究主要是基于传统的运输风险模型[4-6],均没有实现运输网络整体风险和局部风险很好的均衡。
为了解决这些问题,本发明借助变权的思想实现了运输风险中整体风险与局部风险较好的均衡。同时,本发明构建的双层规划方法分别反映了运输网络风险和运输路线风险之间的决策层次。通过考虑不同的权重场景,本发明分别设计了基于有序加权平均风险的双层规划模型和基于状态变权平均风险的双层规划模型。同时,在模型构建中考虑了车载量变化对于运输风险的影响。本发明使用了基于分支定界的混合并行遗传算法以求得满意结果。
参考文献
[1]ReVelle,C.,Cohon,J.,Shobrys,D.,1991.Simultaneous siting androuting in the disposal ofhazardous wastes.Transportation Science.25(2),138-145.
[2]Erkut,E.,Ingolfsson,A.,2000.Catastrophe avoidance models forhazardous materials route planning.Transportation Science.34(2),165-179.
[3]Toumazis,I.,Kwon,C.,2013.Routing hazardous materials on time-dependent networks using conditional value-at-risk.Transportation ResearchPart C:Emerging Technologies.37,73-92.
[4]Wei,M.Y.,Li,X.,Yu,L.A.,2015.Time-dependent fuzzy random location-scheduling programming for hazardous materials transportation.TransportationResearch Part C:Emerging Technologies.57,146-165.
[5]Du,J.M.,Li,X.,Yu,L.A.,Dan,R.,Zhou,J.D.,2017.Multi-depot vehiclerouting problem for hazardous materials transportation:A fuzzy bilevelprogramming.Information Sciences.399,201-218.
[6]Ma,C.R.,Mao,B.H.,Xu,Q.,Hua,G.D.,Zhang,S.J.,Zhang,T.,2018.Multi-depot vehicle routing optimization considering energy consumption forhazardous materials transportation.Sustainability.10,3519.
发明内容
本发明的目的在于提供一种基于变权风险的危险化学品多仓库车辆路径双层规划方法。针对权重信息已知和权重信息未知两种情境,对多仓库车辆路径问题分别构建了基于有序加权平均风险的双层规划模型和基于状态变权平均风险的双层规划模型。本发明通过对运输路段风险的动态调整,实现运输网络和运输路线上整体风险和局部风险的均衡。同时,本发明构建了一种基于双层规划的均衡策略,该策略能反映所需的决策层次。该方法的基本思想是:上层规划通过对零售商的分配实现运输网络的风险最小化,下层规划通过对运输路径的选择实现运输路线的优化。通过上下层规划之间的相互作用,实现最小化运输网络变权风险的目的。
为实现上述目的,本发明提出了一种基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在于通过以下步骤实现:
S1、基于变权原理,分别确定权重信息下运输路线变权风险的定义和运输网络变权风险,得到危险化学品多仓库车辆路径双层规划模型中上、下层规划的目标函数;
S2、确定危险化学品运输中的权重信息、仓库供应量与零售商需求量等相关参数信息,为后续建模、求解做准备;
S3、基于S1中确定的运输网络变权风险,进行上层规划制定零售商分配方案;
S4、基于S1中确定的运输路线变权风险,进行下层规划确定最优运输路径;
S5、根据双层规划S3、S4的上下层决策,形成双层规划模型,利用基于分支定界的混合并行遗传算法求解该双层规划模型,得出零售商最优分配方案、最优供应量和车辆最优运输路径。
各个详细步骤如下:
指标和参数:
I 仓库集合,其中包含n个仓库;
J 零售商集合,其中包含m个零售商;
i 仓库指标,i=1,2,…,n;
j 零售商指标,j=1,2,…,m;
ci 仓库i的供给量,i=1,2,…,n;
di 零售商j的需求,j=1,2,…,m;
mi 仓库i服务的零售商个数,i=1,2,…,n;
li 仓库i下属车辆的运输路线,i=1,2,…,n;
Rst 路段(s,t)上车辆的运输风险,s,t∈I∪J;
ξst 路段(s,t)上单位车载量对应的运输风险,s,t∈I∪J;
决策变量:
yij 仓库i到零售商j的供给量,i=1,2,…,n,j=1,2,…,m;
中间变量:
S1、确定运输路线和运输网络的变权风险;
运输网络的风险利用各运输路线风险的变权平均来度量,而运输路线风险则是利用运输路线上各路段风险的变权平均来度量。运输路线li上第k个被服务的零售商表示如下:
其中k=1,2,…,mi,i=1,2,…,n。
运输路线li上的危险化学品运输车辆在路段(ai(k-1),aik)上的装载量表示如下:
路段(ai(k-1),aik)上的运输风险表示如下:
运输路线和运输网络的变权风险均包括权重信息已知下的有序加权平均风险和权重信息未知下的状态变权平均风险;
根据运输路线上各路段的运输风险,决策者分别赋予其相应的权重值。路段的运输风险越大,分配的权重也就越大。当决策者确定了运输路线上各运输路段的权重分配时,运输路线li上的有序加权平均风险表示如下:
运输网络的有序加权平均风险表示如下:
当决策者没有给出确定的权重分配时,运输路线li上的状态变权平均风险表示如下:
运输网络的状态变权平均风险表示如下:
S2、确定危险化学品运输中的权重信息、仓库供给量和零售商需求等信息;
通过向危险化学品运输决策者进行征询,确定危险化学品运输中的权重信息;通过企业调查与征询,确定仓库供应量与零售商需求量等相关信息,为后续建模、求解做准备;
S3、上层规划制定零售商分配方案;
仓库的供给量表示为c1,c2,…,cn;随机生成一个零售商序列r1,r2,…,rm,其相应的需求为d1,d2,…,dm;计算该序列中零售商的累计需求Cu1,Cu2,…,Cum,零售商的分配过程如下:
(1)计算Cuj-c1,存在一个m1,如果当j=m1时且则将零售商分配给仓库1,其相应的供应量依次为剩余待分配零售商序列为如果当j=m1时且则将零售商分配给仓库1,其相应的供应量依次为由于零售商的需求并未被仓库1完全满足,需要新的仓库来弥补其未被满足的需求则剩余待分配零售商序列为
(2)重新计算剩余零售商序列的累计需求,并按照(1)中的方式将累计需求与c2进行比较,进而确定分配给仓库2的零售商及其供应量;
(3)重复(2)中的过程此过程,最终将所有零售商分配给相应仓库;
当权重信息完全已知时,分配方案对应的有序加权平均模型表示如下:
目标函数为最小化运输网络的有序加权平均风险;第一个约束确保仓库的供应能力能够满足要求;第二个约束保证客户的需求能够被满足;第三个约束表示每个零售商至多被两个仓库服务;第四个约束表示两个仓库不能同时服务两个以上相同的零售商;第五个约束表示仓库i到零售商j的供给量是非负的。
当权重信息未知时,分配方案对应的状态变权平均模型表示如下:
目标函数为最小化运输网络状态变权平均风险。
S4、下层规划确定最优运输路径;
下层规划目的是确定最优运输路径,该问题本质上是一个旅行商问题:
当权重信息完全已知时,确定运输路径的有序加权平均模型表示如下:
目标函数为最小化路线li的有序加权平均风险;前两个约束代表流平衡约束;第三个约束是消除子回路约束;第四个约束表示运输路线li上第k个被服务的零售商;第五个约束表示运输路线的域约束。
当权重信息未知时,确定运输路径的状态变权平均模型表示如下:
目标函数为最小化运输路线li的状态变权平均风险。
为求解下层规划,使用了分支定界法。
步骤1设定最优运输风险的值;
步骤2根据分支法则划分节点;
步骤3计算节点的下限值;
步骤4继续分支和定界,直至找到最优解。
S5、根据双层规划的上下层决策,得出最优路径和最优供应量;
使用并行遗传算法以求得最优解,步骤如下:
步骤1随机生成初始化种群;
步骤2利用零售商分配方案和运输路线的变权风险值,计算每个基因的适应值;
步骤3利用选择、交叉、变异操作更新种群。其中,在交叉和变异操作中,将运算量分给多个处理器进行并行操作;
步骤4重复步骤2-步骤3直至最大迭代次数;
步骤5返回目标值最小的基因作为最优解,即为最优路径和最优供应量。
本发明与现有技术相比的有益效果如下:本发明采用双层规划能充分反映所需的决策层次,实现运输网络和运输路径的变权风险最优化。现有危险化学品多仓库车辆路径问题中使用的运输风险模型没有很好的实现运输网络上整体风险和局部风险的均衡,也没有实现运输路线上整体风险和局部风险的均衡。本方法基于变权理论充分考虑了运输系统中整体风险和局部风险之间的动态平衡关系。设计了基于分支定界的混合并行遗传算法来求解最优的零售商分配策略和危险化学品车辆的配送策略,实现运输网络风险最小化。通过对实例的计算,说明本发明的有效性。
附图说明
图1为本发明方法的实现流程图;
图2是多仓库车辆路径问题的例图;
图3是基于分支定界的并行遗传算法的流程图。
具体实施方式
以下结合附图和实例对本发明内容作详细说明。
如图1所示,本发明具体实现流程如下:
首先,基于变权理论给出危险化学品运输网络变权风险定义和运输路线变权风险定义;其次,将上述定义的两个变权风险作为目标函数构建危险化学品双层规划模型,上层规划主要处理零售商的分配和供应量的确定,下层规划主要处理运输路线的优化,通过上下层规划的相互作用,实现降低整个运输网络整体风险和局部最大风险的目的;再次,通过在实际中对相关参数数据的收集,确定双层规划模型的具体表达式;最后,借助基于分支定界的混合并行遗传算法进行求解,得出最优的零售商分配方案、零售商危险化学品供应量和危险化学品车辆的运输路径。
如图2所示,该图展示了一个双层危险化学品运输网络,包括多个仓库和零售商。仓库通过运输车辆向所属零售商供应危险化学品,配送中优先满足先服务零售商的需求。如果某零售商的需求量没有被该仓库全部满足,可以通过其他仓库进行补充供应。鉴于危险化学品高风险、事故后果严重的特性,运输网络中不会出现两个及两个以上的零售商同时被两家仓库服务。
以5个仓库和40个零售商的危险化学品车辆路径问题为例,对本发明进行详细分析。仓库1到仓库5的供给量分别为170,150,160,140和180;仓库和零售商之间单位车载量对应的运输风险如表1;各零售商之间单位车载量对应的运输风险如表2~表5;零售商的需求量如表6。
表1 仓库和零售商之间单位车载量对应的运输风险
D1 | D2 | D3 | D4 | D5 | D1 | D2 | D3 | D4 | D5 | ||
R1 | 59 | 66 | 12 | 65 | 42 | R21 | 90 | 16 | 31 | 14 | 49 |
R2 | 14 | 54 | 27 | 21 | 28 | R22 | 16 | 90 | 27 | 18 | 37 |
R3 | 23 | 27 | 13 | 67 | 35 | R23 | 51 | 19 | 99 | 39 | 36 |
R4 | 58 | 72 | 54 | 58 | 50 | R24 | 15 | 36 | 8 | 55 | 78 |
R5 | 21 | 54 | 86 | 88 | 34 | R25 | 66 | 18 | 17 | 79 | 91 |
R6 | 28 | 60 | 67 | 47 | 25 | R26 | 58 | 17 | 84 | 40 | 36 |
R7 | 95 | 18 | 19 | 22 | 24 | R27 | 77 | 23 | 14 | 70 | 64 |
R8 | 65 | 61 | 14 | 93 | 75 | R28 | 57 | 75 | 73 | 80 | 35 |
R9 | 76 | 15 | 87 | 94 | 98 | R29 | 72 | 60 | 45 | 15 | 80 |
R10 | 87 | 80 | 56 | 25 | 45 | R30 | 40 | 64 | 76 | 19 | 21 |
R11 | 22 | 12 | 94 | 37 | 36 | R31 | 59 | 53 | 90 | 81 | 76 |
R12 | 39 | 52 | 68 | 12 | 85 | R32 | 16 | 16 | 17 | 81 | 94 |
R13 | 60 | 86 | 41 | 50 | 14 | R33 | 71 | 21 | 75 | 19 | 20 |
R14 | 25 | 69 | 39 | 90 | 22 | R34 | 67 | 39 | 68 | 77 | 62 |
R15 | 98 | 58 | 73 | 99 | 35 | R35 | 76 | 31 | 76 | 97 | 88 |
R16 | 47 | 51 | 78 | 83 | 16 | R36 | 17 | 42 | 43 | 71 | 63 |
R17 | 26 | 42 | 15 | 56 | 40 | R37 | 81 | 43 | 28 | 19 | 79 |
R18 | 25 | 28 | 91 | 70 | 52 | R38 | 28 | 44 | 59 | 30 | 67 |
R19 | 92 | 19 | 77 | 76 | 60 | R39 | 53 | 23 | 80 | 19 | 36 |
R20 | 3 | 63 | 36 | 22 | 20 | R40 | 31 | 57 | 18 | 46 | 19 |
说明:D代表仓库,R代表零售商;表格中数字表示危险化学品车辆经过仓库与零售商之间路段时,单位车载量对应的运输风险。例如,路段(D1,R1)之间单位车载量对应的运输风险为59。
表2 零售商之间单位车载量对应的运输风险
说明:1.表格中数字表示危险化学品车辆经过零售商之间路段时,单位车载量对应的运输风险。例如,路段(R1,R2)之间单位车载量对应的运输风险为18。
2.由于路段风险的对称性,每个路段只显示一个方向的风险,相反方向的风险标记为“—”。例如,路段(R1,R2)之间单位车载量对应的运输风险和路段(R2,R1)之间单位车载量对应的运输风险相等,为了简便起见,路段(R2,R1)之间单位车载量对应的运输风险不再显示,标记为“—”。
表3 零售商之间单位车载量对应的运输风险
R11 | R12 | R13 | R14 | R15 | R16 | R17 | R18 | R19 | R20 | |
R11 | 0 | — | — | — | — | — | — | — | — | — |
R12 | 84 | 0 | — | — | — | — | — | — | — | — |
R13 | 34 | 74 | 0 | — | — | — | — | — | — | — |
R14 | 39 | 30 | 11 | 0 | — | — | — | — | — | — |
R15 | 74 | 41 | 56 | 60 | 0 | — | — | — | — | — |
R16 | 11 | 49 | 84 | 65 | 56 | 0 | — | — | — | — |
R17 | 88 | 46 | 20 | 49 | 37 | 46 | 0 | — | — | — |
R18 | 16 | 49 | 12 | 12 | 95 | 48 | 96 | 0 | — | — |
R19 | 34 | 31 | 31 | 23 | 96 | 94 | 83 | 75 | 0 | — |
R20 | 12 | 70 | 85 | 97 | 15 | 50 | 62 | 71 | 74 | 0 |
R21 | 67 | 29 | 85 | 97 | 86 | 55 | 35 | 77 | 31 | 96 |
R22 | 57 | 97 | 73 | 38 | 36 | 86 | 92 | 67 | 32 | 17 |
R23 | 74 | 88 | 39 | 68 | 97 | 35 | 62 | 47 | 37 | 33 |
R24 | 94 | 53 | 30 | 45 | 73 | 60 | 78 | 99 | 96 | 58 |
R25 | 65 | 43 | 88 | 80 | 51 | 83 | 90 | 48 | 40 | 63 |
R26 | 31 | 85 | 87 | 96 | 54 | 29 | 30 | 58 | 78 | 41 |
R27 | 87 | 13 | 72 | 98 | 35 | 22 | 71 | 91 | 64 | 90 |
R28 | 22 | 64 | 32 | 39 | 46 | 46 | 44 | 64 | 25 | 26 |
R29 | 98 | 93 | 46 | 10 | 58 | 28 | 29 | 39 | 18 | 77 |
R30 | 19 | 85 | 25 | 55 | 99 | 41 | 14 | 29 | 45 | 40 |
R31 | 45 | 63 | 82 | 19 | 83 | 85 | 41 | 48 | 61 | 73 |
R32 | 24 | 31 | 73 | 43 | 97 | 97 | 67 | 87 | 46 | 66 |
R33 | 90 | 39 | 30 | 20 | 37 | 30 | 68 | 15 | 34 | 35 |
R34 | 96 | 81 | 50 | 40 | 15 | 76 | 55 | 27 | 48 | 25 |
R35 | 15 | 66 | 81 | 72 | 41 | 95 | 56 | 95 | 16 | 28 |
R36 | 23 | 62 | 16 | 84 | 75 | 93 | 54 | 68 | 90 | 58 |
R37 | 20 | 81 | 65 | 16 | 16 | 22 | 81 | 18 | 50 | 31 |
R38 | 32 | 93 | 16 | 36 | 63 | 28 | 67 | 81 | 55 | 68 |
R39 | 59 | 88 | 13 | 91 | 21 | 85 | 82 | 92 | 22 | 55 |
说明:表3的说明与表2的说明相同。
表4 零售商之间单位车载量对应的运输风险
说明:表4的说明与表2的说明相同。
表5 零售商之间单位车载量对应的运输风险
R31 | R32 | R33 | R34 | R35 | R36 | R37 | R38 | R39 | R40 | |
R31 | 0 | — | — | — | — | — | — | — | — | — |
R32 | 46 | 0 | — | — | — | — | — | — | — | — |
R33 | 39 | 66 | 0 | — | — | — | — | — | — | — |
R34 | 88 | 11 | 36 | 0 | — | — | — | — | — | — |
R35 | 84 | 83 | 61 | 61 | 0 | — | — | — | — | — |
R36 | 39 | 90 | 54 | 65 | 62 | 0 | — | — | — | — |
R37 | 11 | 96 | 97 | 21 | 52 | 69 | 0 | — | — | — |
R38 | 92 | 55 | 97 | 27 | 20 | 36 | 45 | 0 | — | — |
R39 | 13 | 36 | 82 | 41 | 17 | 55 | 43 | 76 | 0 | — |
R40 | 24 | 39 | 38 | 90 | 32 | 37 | 46 | 50 | 22 | 0 |
说明:表5的说明与表2的说明相同。
表6 零售商之间单位车载量对应的运输风险
说明:表格中每一行数字列示了不同零售商处的需求。例如,零售商R1至零售商R10处需求依次为12,14,…,18。
情况1,当决策者给出运输网络和运输路线上的权重信息时。比如,假设运输网络上各运输路线风险对应的权重序列和运输路线上各运输路段对应的权重序列表示为:
运用权重信息已知下的双层规划模型和设计的算法进行求解,结果如表7:
表7 权重信息已知下的结果
说明:表格第一列代表仓库标号;第二列代表各仓库服务的零售商及其服务次序,服务次序即车辆的配送次序;第三列数字代表运输路线上各零售商处对应的危化品供应量;第四列数字代表整个运输网络的有序加权平均风险。
情况2,当决策者没有给出运输网络和运输路线上的权重信息时。运用权重信息未知下的双层规划模型和设计的算法进行求解。令模型中的状态变权向量为:
其中,i=1,2,…,n,k=1,2,…,mi+1,β=0.2。
通过算法计算,结果如表8:
表8 权重信息未知下的结果
说明:表8前三列的说明与表7前三列的说明相同;第四列数字代表整个运输网络的状态变权平均风险。
为了说明本发明的有效性,将上述结果与传统双层求和风险模型和双层取大风险模型对应的结果进行比较,如表9。
表9 风险模型的比较
说明:表格中粗体数字分别列示了利用四种不同风险模型求得的风险结果。其中,
1.利用双层求和模型求得的风险代表运输网络的整体风险,风险值为58738;将其最优解中零售商分配、零售商供应量和运输路线代入双层取大模型,求出其对应的局部最大风险为4500;
2.利用双层取大模型求得的风险代表运输网络的局部最大风险,风险值为2784;将其最优解中零售商分配、零售商供应量和运输路线代入双层求和模型,求出其对应的整体风险为78810;
3.利用双层有序加权平均模型求得的风险代表权重信息已知下运输网络的有序加权平均风险,风险值为73122;将其最优解中零售商分配、零售商供应量和运输路线分别代入双层求和模型和双层取大模型,分别求出其对应的整体风险为59343和局部最大风险2880;
4.利用双层状态变权平均模型求得的风险代表权重信息未知下运输网络的状态变权平均风险,风险值为70241;将其最优解中零售商分配、零售商供应量和运输路线分别代入双层求和模型和双层取大模型,分别求出其对应的整体风险为59339和局部最大风险2880。
通过对四种模型结果进行比较,可以说明:
1.利用双层求和模型会得到最优的整体风险和最差的局部最大风险;利用双层取大模型会得到最优的局部最大风险和最差的整体风险。这说明两个传统模型没有很好兼顾整体风险和局部最大风险。
2.与双层求和模型相比,双层有序加权平均模型仅仅将整体风险增加了1.03%,但是局部最大风险降低了36.00%;与双层取大模型相比,双层有序加权平均模型仅仅将局部最大风险增加了3.45%,但是整体风险降低了24.70%。说明当权重信息已知时,双层有序加权平均模型很好地兼顾了整体风险和局部最大风险。
3.与双层求和模型相比,双层状态变权平均模型仅仅将整体风险增加了1.02%,但是局部最大风险降低了36.00%;与双层取大模型相比,双层状态变权平均模型仅仅将局部最大风险增加了3.45%,但是整体风险降低了24.71%。说明当权重信息未知时,状态变权加权平均模型很好地兼顾了整体风险和局部最大风险。
如图3所示,所设计的算法为基于分支定界的混合并行遗传算法。算法的左边部分通过遗传算法来处理零售商的分配和分配的更新,右边部分通过分支定界法来确定每种零售商分配方案下的路径寻优。在交叉和变异环节借助多个处理器进行并行计算。通过遗传算法对结果进行不断的筛选和更新,得出最优的零售商分配方案,供应量方案和运输路径。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在于,通过以下步骤实现:
S1、分别确定不同权重信息下运输网络变权风险的和运输路线变权风险,得到危险化学品多仓库车辆路径双层规划模型中上、下层规划的目标函数;
S2、确定危险化学品运输中的权重信息、仓库供应量与零售商需求量相关参数信息,为后续建模、求解做准备;
S3、基于S1中确定的运输网络变权风险,进行上层规划制定零售商分配方案;
S4、基于S1中确定的运输路线变权风险,进行下层规划确定最优运输路径;
S5、根据S3、S4中上、下层决策形成的双层规划模型,利用S2中搜集的相关参数信息,选择相应权重信息下的双层规划模型,并基于分支定界的混合并行遗传算法求解该双层规划模型,得出零售商最优分配方案、最优供应量和车辆最优运输路径。
2.根据权利要求1所述的基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在:所述S1、确定运输路线和运输网络的变权风险具体实现如下:
指标和参数:
I仓库集合,其中包含n个仓库;
J零售商集合,其中包含m个零售商;
i仓库指标,i=1,2,…,n;
j零售商指标,j=1,2,…,m;
ci仓库i的供给量,i=1,2,…,n;
di零售商j的需求,j=1,2,…,m;
mi仓库i服务的零售商个数,i=1,2,…,n;
li仓库i下属车辆的运输路线,i=1,2,…,n;
Rst路段(s,t)上车辆的运输风险,s,t∈I∪J;
ξst路段(s,t)上单位车载量对应的运输风险,s,t∈I∪J;
决策变量:
yij仓库i到零售商j的供给量,i=1,2,…,n,j=1,2,…,m;
中间变量:
运输网络的风险利用各运输路线风险的变权平均来度量,所述运输路线风险是利用运输路线上各路段风险的变权平均来度量,运输路线li上第k个被服务的零售商表示如下:
其中k=1,2,…,mi,i=1,2,…,n;
运输路线li上的危险化学品运输车辆在路段(ai(k-1),aik)上的装载量表示如下:
路段(ai(k-1),aik)上的运输风险表示如下:
运输路线和运输网络的变权风险均包括权重信息已知下的有序加权平均风险和权重信息未知下的状态变权平均风险;
根据运输路线上各路段的运输风险,决策者分别赋予其相应的权重值。路段的运输风险越大,分配的权重也就越大,当决策者确定了运输路线上各运输路段的权重分配时,运输路线li上的有序加权平均风险表示如下:
运输网络的有序加权平均风险表示如下:
当决策者没有给出确定的权重分配时,运输路线li上的状态变权平均风险表示如下:
运输网络的状态变权平均风险表示如下:
3.根据权利要求1所述的基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在:所述S3、上层规划制定零售商分配方案具体要求实现如下:
仓库的供给量表示为c1,c2,…,cn;随机生成一个零售商序列r1,r2,…,rm,其相应的需求为d1,d2,…,dm;计算该序列中零售商的累计需求Cu1,Cu2,…,Cum,零售商的分配过程如下:
(1)计算Cuj-c1,存在一个m1,如果当j=m1时且则将零售商分配给仓库1,其相应的供应量依次为剩余待分配零售商序列为如果当j=m1时且则将零售商分配给仓库1,其相应的供应量依次为由于零售商的需求并未被仓库1完全满足,需要新的仓库来弥补其未被满足的需求则剩余待分配零售商序列为
(2)重新计算剩余零售商序列的累计需求,并按照(1)中的方式将累计需求与c2进行比较,进而确定分配给仓库2的零售商及其供应量;
(3)重复步骤(2)中的过程,最终将所有零售商分配给相应仓库;
当权重信息完全已知时,分配方案对应的有序加权平均模型表示如下:
目标函数为最小化运输网络的有序加权平均风险;第一个约束确保仓库的供应能力能够满足要求;第二个约束保证客户的需求能够被满足;第三个约束表示每个零售商至多被两个仓库服务;第四个约束表示两个仓库不能同时服务两个以上相同的零售商;第五个约束表示仓库i到零售商j的供给量是非负的;
当权重信息未知时,分配方案对应的状态变权平均模型表示如下:
目标函数为最小化运输网络状态变权平均风险。
4.根据权利要求1所述的基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在:所述S4、下层规划确定最优运输路径具体实现如下:
下层规划目的是确定最优运输路径,当权重信息完全已知时,确定运输路径的有序加权平均模型表示如下:
目标函数为最小化路线li的有序加权平均风险;前两个约束代表流平衡约束;第三个约束是消除子回路约束;第四个约束表示运输路线li上第k个被服务的零售商;第五个约束表示运输路线的域约束;
当权重信息未知时,确定运输路径的状态变权平均模型表示如下:
目标函数为最小化运输路线li的状态变权平均风险;
为求解下层规划,采用分支定界法,具体为:
步骤1设定最优运输风险的值;
步骤2根据分支法则划分节点;
步骤3计算节点的下限值;
步骤4继续分支和定界,直至找到最优解。
5.根据权利要求1所述的基于变权风险的危险化学品多仓库车辆路径优化方法,其特征在:所述S5、根据双层规划的上下层决策,得出最优路径和最优供应量具体实现如下:
使用并行遗传算法以求得最优解,步骤如下:
步骤1随机生成初始化种群;
步骤2利用零售商分配方案和运输路线的变权风险值,计算每个基因的适应值;
步骤3利用选择、交叉、变异操作更新种群,其中,在交叉和变异操作中,将运算量分给多个处理器进行并行操作;
步骤4重复步骤2-步骤3直至最大迭代次数;
步骤5返回目标值最小的基因作为最优解,即为最优路径和最优供应量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284543.2A CN112270517B (zh) | 2020-11-17 | 2020-11-17 | 一种基于变权风险的危险化学品多仓库车辆路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284543.2A CN112270517B (zh) | 2020-11-17 | 2020-11-17 | 一种基于变权风险的危险化学品多仓库车辆路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270517A true CN112270517A (zh) | 2021-01-26 |
CN112270517B CN112270517B (zh) | 2022-05-10 |
Family
ID=74340065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011284543.2A Active CN112270517B (zh) | 2020-11-17 | 2020-11-17 | 一种基于变权风险的危险化学品多仓库车辆路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270517B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926846A (zh) * | 2021-02-19 | 2021-06-08 | 中国石油天然气集团有限公司 | 一种危险化学品道路运输综合风险分析方法 |
CN113052363A (zh) * | 2021-02-19 | 2021-06-29 | 北京华油信通科技有限公司 | 一种危险化学品道路运输方案综合优化方法及系统 |
CN113837478A (zh) * | 2021-09-27 | 2021-12-24 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备、存储介质及程序产品 |
CN116342197A (zh) * | 2023-01-05 | 2023-06-27 | 上海朗晖慧科技术有限公司 | 一种结合地理位置信息的实时价格方案生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933474A (zh) * | 2015-05-24 | 2015-09-23 | 北京化工大学 | 危险化学品运输的模糊双层优化方法 |
CN106709680A (zh) * | 2016-11-28 | 2017-05-24 | 中山大学 | 基于历史搜索信息的动态物流最佳配送线路的优化方法 |
US20190114655A1 (en) * | 2017-10-18 | 2019-04-18 | Daisy Intelligence Corporation | System and method for retail merchandise planning |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
CN111756041A (zh) * | 2020-06-11 | 2020-10-09 | 河海大学 | 一种基于负载区间划分的变权重加权潮流熵计算方法 |
-
2020
- 2020-11-17 CN CN202011284543.2A patent/CN112270517B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933474A (zh) * | 2015-05-24 | 2015-09-23 | 北京化工大学 | 危险化学品运输的模糊双层优化方法 |
CN106709680A (zh) * | 2016-11-28 | 2017-05-24 | 中山大学 | 基于历史搜索信息的动态物流最佳配送线路的优化方法 |
US20190114655A1 (en) * | 2017-10-18 | 2019-04-18 | Daisy Intelligence Corporation | System and method for retail merchandise planning |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
CN111756041A (zh) * | 2020-06-11 | 2020-10-09 | 河海大学 | 一种基于负载区间划分的变权重加权潮流熵计算方法 |
Non-Patent Citations (6)
Title |
---|
HAO HU 等: "Risk models for hazardous material transportation subject to weight variation considerations", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS》 * |
JIAOMAN DU 等: "Multi-depot vehicle routing problem for hazardous materials transportation: A fuzzy bilevel programming", 《INFORMATION SCIENCES》 * |
MOHAMMAD NOUREDDINE 等: "Route Planning For Hazardous Materials Transportation: Multi-criteria Decision-making Approach", 《DECISION MAKING: APPLICATIONS IN MANAGEMENT AND ENGINEERING》 * |
YINGFENG ZHANG 等: "An optimization method of shopfloor material handling based on real-time and multi-source manufacturing data", 《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》 * |
刘艳红 等: "基于改进粒子群算法的移动机器人路径规划", 《郑州大学学报(理学版)》 * |
胡皓: "不确定环境下危险化学品库存路径问题研究", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑(月刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926846A (zh) * | 2021-02-19 | 2021-06-08 | 中国石油天然气集团有限公司 | 一种危险化学品道路运输综合风险分析方法 |
CN113052363A (zh) * | 2021-02-19 | 2021-06-29 | 北京华油信通科技有限公司 | 一种危险化学品道路运输方案综合优化方法及系统 |
CN113837478A (zh) * | 2021-09-27 | 2021-12-24 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备、存储介质及程序产品 |
CN116342197A (zh) * | 2023-01-05 | 2023-06-27 | 上海朗晖慧科技术有限公司 | 一种结合地理位置信息的实时价格方案生成方法 |
CN116342197B (zh) * | 2023-01-05 | 2023-11-14 | 上海朗晖慧科技术有限公司 | 一种结合地理位置信息的实时价格方案生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270517B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270517B (zh) | 一种基于变权风险的危险化学品多仓库车辆路径优化方法 | |
Pourghader Chobar et al. | A novel multi-objective model for hub location problem considering dynamic demand and environmental issues | |
Chobar et al. | Multi-objective hub-spoke network design of perishable tourism products using combination machine learning and meta-heuristic algorithms | |
Opher et al. | Comparative life cycle sustainability assessment of urban water reuse at various centralization scales | |
Pamučar et al. | Cost and risk aggregation in multi-objective route planning for hazardous materials transportation—A neuro-fuzzy and artificial bee colony approach | |
Elevli | Logistics freight center locations decision by using Fuzzy-PROMETHEE | |
Pamucar et al. | Vehicle route selection with an adaptive neuro fuzzy inference system in uncertainty conditions | |
Fathi et al. | A novel bidirectional network data envelopment analysis model for evaluating sustainability of distributive supply chains of transport companies | |
Sierksma et al. | Routing helicopters for crew exchanges on off-shore locations | |
Boujelbene et al. | The performance analysis of public transport operators in Tunisia using AHP method | |
CN106056253B (zh) | 一种配送干扰管理问题的多目标蚁群算法 | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
Li et al. | A heuristic approach for selecting highway investment alternatives | |
CN110705741B (zh) | 一种基于改进蚁群算法的多配送中心车辆路径优化方法 | |
Awad-Núñez et al. | How should the sustainability of the location of dry ports be measured? | |
Lu et al. | A multi-objective humanitarian pickup and delivery vehicle routing problem with drones | |
CN111091329B (zh) | 一种危化品多车型运输的半开放式车辆路径优化方法 | |
Karaşan et al. | Interval-valued neutrosophic EDAS method: an application to prioritization of social responsibility projects | |
Chan et al. | Decision-making approach for the distribution centre location problem in a supply chain network using the fuzzy-based hierarchical concept | |
CN114091791B (zh) | 一种基于改进dea的ahp的物流绩效评估方法 | |
Kaewfak et al. | A fuzzy AHP-TOPSIS approach for selecting the multimodal freight transportation routes | |
Chupradit et al. | A multi-objective mathematical model for the population-based transportation network planning | |
Saffarzadeh et al. | Weight determination and ranking priority in interval group MCDM | |
CN115619304A (zh) | 一种基于聚类算法的物流节点选址规划方法 | |
CN110895749B (zh) | 一种用于应急物流的定位-路径规划方法 |
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 |