CN112330070A - 一种碳排放限制下的冷藏集装箱多式联运路径优化方法 - Google Patents

一种碳排放限制下的冷藏集装箱多式联运路径优化方法 Download PDF

Info

Publication number
CN112330070A
CN112330070A CN202011365001.8A CN202011365001A CN112330070A CN 112330070 A CN112330070 A CN 112330070A CN 202011365001 A CN202011365001 A CN 202011365001A CN 112330070 A CN112330070 A CN 112330070A
Authority
CN
China
Prior art keywords
transportation
node
carbon emission
mode
path
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.)
Pending
Application number
CN202011365001.8A
Other languages
English (en)
Inventor
陈思恩
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.)
Tech Valley Xiamen Information Technology Co ltd
Original Assignee
Tech Valley Xiamen Information Technology Co ltd
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 Tech Valley Xiamen Information Technology Co ltd filed Critical Tech Valley Xiamen Information Technology Co ltd
Priority to CN202011365001.8A priority Critical patent/CN112330070A/zh
Publication of CN112330070A publication Critical patent/CN112330070A/zh
Pending legal-status Critical Current

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
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (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

本发明公开了一种碳排放限制下的冷藏集装箱多式联运路径优化方法，包括如下步骤：S1、采集运输数据形多联运输网络；S2、构建目标优化模型，所述目标优化模型包括以最小化总成本为目标的目标函数，所述目标函数为：min Z＝fy+fz+fl；其中，Z为总成本，由三部分构成，第一部分fy为运输成本，第二部分fz为转运成本，第三部分fl为冷藏成本和货损成本；S3、利用所述目标函数构建适应度函数，所述适应度函数为：
Figure DDA0002805148740000011
再利用遗传算法求解所述目标优化模型，得到最优路径。本发明提供了以最低运输总成本为目标的运输路径的优化方法，为冷藏集装箱的多式联运提供高效科学的路径方案。

Description

一种碳排放限制下的冷藏集装箱多式联运路径优化方法
技术领域
本发明涉及计算机技术领域，特别涉及一种碳排放限制下的冷藏集装箱多式联运路径优化方法。
背景技术
多式联运是指由两种或两种以上的交通工具相互衔接、转运而共同完成运输。相较于普通集装箱运输，冷藏集装箱的多式联运除了需要考虑运输成本、转运成本外，还需要考虑冷藏费用和冷藏物品的损耗等成本，同时冷藏运输过程中产生的二氧化碳远比普通货物运输过程中产生的多，还需要考虑冷藏设备制冷所产生的碳排放。因此，需要一种高效快速的方法来制定最优的冷藏集装箱的多式联运路径，从而为运输需求方提供节省成本的运输路径方案。
发明内容
为解决上述问题，本发明提供了一种碳排放限制下的冷藏集装箱多式联运路径优化方法。
本发明采用以下技术方案：
一种碳排放限制下的冷藏集装箱多式联运路径优化方法，包括如下步骤：
S1、采集运输数据形多联运输网络；
S2、构建目标优化模型，所述目标优化模型包括以最小化总成本为目标的目标函数，所述目标函数为：minZ＝fy+fz+fl；
其中，Z为总成本，由三部分构成，第一部分fy为运输成本，第二部分fz为转运成本，第三部分fl为冷藏成本和货损成本；
S3、利用所述目标函数构建适应度函数，所述适应度函数为：
Figure BDA0002805148720000011
再利用遗传算法求解所述目标优化模型，得到最优路径。
进一步地，所述运输数据包括运输节点、所述运输节点之间的运输路径、所述运输路径对应的运输方式、所述运输方式的发班时刻以及碳排放限制条件下的运输成本、转运成本、冷藏成本和货损成本。
进一步地，所述步骤S2中的
Figure BDA0002805148720000021
其中，
Figure BDA0002805148720000022
表示通过运输方式m由节点i运到节点j的单位运输成本，
Figure BDA0002805148720000023
表示通过运输方式m由节点i运到j的运输距离，
Figure BDA0002805148720000024
表示从节点i到j选择运输方式m时，
Figure BDA0002805148720000025
否则
Figure BDA0002805148720000026
进一步地，所述步骤S2中
Figure BDA0002805148720000027
其中，
Figure BDA0002805148720000028
表示在节点i处由运输方式m转到运输方式n的单位转运成本，
Figure BDA0002805148720000029
表示在节点i由运输方式m转换到运输方式n时，
Figure BDA00028051487200000210
否则
Figure BDA00028051487200000211
进一步地，所述步骤S2中
Figure BDA00028051487200000212
其中，υ1表示冷藏集装箱的单位时间冷藏费用，υ2表示冷藏集装箱的单位时间货损费用，
Figure BDA00028051487200000213
表示通过运输方式m由节点i运到j的运输时间，
Figure BDA00028051487200000214
表示在节点j由运输方式m转换到运输方式n的时间，
Figure BDA00028051487200000215
表示在节点j由运输方式m转换到运输方式n时，
Figure BDA00028051487200000216
否则
Figure BDA00028051487200000217
Figure BDA00028051487200000218
表示在节点j由运输方式m换装到运输方式n后，运输方式n最近的发班时刻，
Figure BDA00028051487200000219
表示通过运输方式m到达节点j的时刻。
进一步地，所述目标函数还包括如下约束条件：
(1)需满足流量守恒约束，即起点净流量为1，终点净流量为-1，其他节点流量守恒，即
Figure BDA00028051487200000220
其中，s为货物运输的起点，d为货物运输的终点；
(2)需满足运输方式约束，集装箱在相邻两节点间进行运输时，只能选择一种运输方式，即
Figure BDA0002805148720000031
(3)需满足前后需满足前后运输方式的连续性约束，即若在节点j由运输方式m转换为n，则通过m到达j，通过n离开j，即
Figure BDA0002805148720000032
(4)需满足碳排放限制约束，即C1+C2+C3≤ε,其中，ε为碳排放限制量，C1为运输的碳排放量，C2为转运的碳排放量，C3为冷藏设备制冷的碳排放量；
所述C1的计算公式为：
Figure BDA0002805148720000033
其中，
Figure BDA0002805148720000034
为通过运输方式m由节点i运到j的单位碳排放量；
所述C2的计算公式为：
Figure BDA0002805148720000035
其中，
Figure BDA0002805148720000036
为节点j处由运输方式m转到运输方式n的单位碳排放量；
所述C3的计算公式为：
Figure BDA0002805148720000037
其中，c为冷藏集装箱的单位时间碳排放量；
(5)需满足决策变量
Figure BDA0002805148720000038
和
Figure BDA0002805148720000039
取整约束，只能取整数0或1，即：
Figure BDA00028051487200000310
Figure BDA00028051487200000311
(6)需满足集装箱在节点处只能转运一次的约束，即
Figure BDA00028051487200000312
(7)需满足变量非负约束，即
Figure BDA00028051487200000313
进一步地，步骤S3中所述利用遗传算法求解目标优化模型的过程如下：
S31、编码：采用可变长的路径编码方法，对染色体分两段进行编码，第一段为路径节点，第二段为节点间的运输方式；
S32、初始种群的生成：利用Bellman-Ford最短路算法生成染色体的第一段编码，然后在相邻两节点间存在的运输方式中随机选择一种，生成第二段编码，得到初始染色体，即初始种群；
S33、适应度评估与违反约束的处理：利用适应度函数
Figure BDA0002805148720000041
计算个体的适应度函数值，同时对违反约束的个体进行调整；
S34、遗传操作：所述遗传操作包括随机竞争、单点交叉操作和散射变异操作；
S35、精英保留与终止策略：利用精英保留策略进行全局最优解更新，以最大迭代次数6为终止条件。
进一步地，步骤S33中所述对违反约束的个体进行调整的方法如下：
A、计算个体的碳排放量；
B、判断每个个体所示方案的碳排放量是否超过要求，若超过，则以大于50％概率删除，所述；
C、在步骤B删除了多少个体就在余下群体中随机选择相应数量的个体进行复制，并替换被删除的染色体。
进一步地，步骤S34中所述随机竞争具体为：
采用随机竞争选择策略进行选择操作，每次按照轮盘赌选择机制选取一对个体，然后让这对个体竞争，适应度高的被选中，如此反复，直到选满为止；
进一步地，步骤S34中所述单点交叉操作具体为：
若两个父染色体具有除起点和终点外的相同节点，则采取在相同节点进行交叉操作，若有多个相同节点，则随机选择一个相同节点作为交叉点；
若两个父染色体无相同节点，则采用单点交叉方法对染色体第一段进行交叉操作，若交叉后若没有连通，则利用Bellman-Ford最短路算法寻找交叉节点与相邻的下一节点的有效路径替代，若没有找到有效路径，则继续查找再下一节点，如此往复直到找到连通路径；
进一步地，步骤S34中所述散射变异操作具体为：
利用改进的散射变异法进行变异操作，给各弧段随机赋值，利用Bellman-Ford最短路算法生成染色体的第一段编码，然后随机选择节点间的运输方式生成第二段编码，进而得到变异后的染色体。
进一步地，所述单点交叉操作后若出现环路，即在路径编码中出现了相同的节点，则删除环路，去除环路中间节点，只保留一个相同节点。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
通过构建目标优化模型和适应度函数
Figure BDA0002805148720000051
然后利用遗传算法进行求解，得到以最小总成本为目标的目标函数的最优解，从而为运输需求方提供基于最低运输成本的最优运输路径，为冷藏集装箱的多式联运提供高效科学的路径方案。
附图说明
图1为实施例的多式联运示意图；
图2为遗传算法中染色体编码的示意图；
图3为遗传算法中环路处理的示意图；
图4为遗传算法求解流程图。
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，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仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示，本实施例的任务为将冷藏集装箱由起点①运输到终点⑨，集装箱在其间的节点可以进行不同运输方式的转换，铁路和水路运输方式按照班期表发班，需要找出在碳排放限制条件下以运输成本、转运成本、冷藏成本和货损成本最低为目标的最优运输路径。
一种碳排放限制下的冷藏集装箱多式联运路径优化方法，包括如下步骤：
S1、采集运输数据形多联运输网络；
所述运输数据包括运输节点、所述运输节点之间的运输路径、所述运输路径对应的运输方式、所述运输方式的发班时刻以及碳排放限制条件下的运输成本、转运成本、冷藏成本和货损成本。
S2、构建目标优化模型，所述目标优化模型包括以最小化总成本为目标的目标函数，所述目标函数为：minZ＝fy+fz+fl；
其中，Z为总成本，由三部分构成，第一部分fy为运输成本，第二部分fz为转运成本，第三部分fl为冷藏成本和货损成本；
所述步骤S2中的
Figure BDA0002805148720000061
其中，
Figure BDA0002805148720000062
表示通过运输方式m由节点i运到节点j的单位运输成本，
Figure BDA0002805148720000063
表示通过运输方式m由节点i运到j的运输距离，
Figure BDA0002805148720000064
表示从节点i到j选择运输方式m时，
Figure BDA0002805148720000065
否则
Figure BDA0002805148720000066
所述步骤S2中
Figure BDA0002805148720000067
其中，
Figure BDA0002805148720000068
表示在节点i处由运输方式m转到运输方式n的单位转运成本，
Figure BDA0002805148720000069
表示在节点i由运输方式m转换到运输方式n时，
Figure BDA00028051487200000610
否则
Figure BDA00028051487200000611
所述步骤S2中
Figure BDA00028051487200000612
其中，υ1表示冷藏集装箱的单位时间冷藏费用，υ2表示冷藏集装箱的单位时间货损费用，
Figure BDA00028051487200000613
表示通过运输方式m由节点i运到j的运输时间，
Figure BDA00028051487200000614
表示在节点j由运输方式m转换到运输方式n的时间，
Figure BDA00028051487200000615
表示在节点j由运输方式m转换到运输方式n时，
Figure BDA00028051487200000616
否则
Figure BDA00028051487200000617
Figure BDA00028051487200000618
表示在节点j由运输方式m换装到运输方式n后，运输方式n最近的发班时刻，
Figure BDA00028051487200000619
表示通过运输方式m到达节点j的时刻。
所述目标函数还包括如下约束条件：
(1)需满足流量守恒约束，即起点净流量为1，终点净流量为-1，其他节点流量守恒，即
Figure BDA0002805148720000071
其中，s为货物运输的起点，d为货物运输的终点；
(2)需满足运输方式约束，集装箱在相邻两节点间进行运输时，只能选择一种运输方式，即
Figure BDA0002805148720000072
(3)需满足前后需满足前后运输方式的连续性约束，即若在节点j由运输方式m转换为n，则通过m到达j，通过n离开j，即
Figure BDA0002805148720000073
(4)需满足碳排放限制约束，即C1+C2+C3≤ε,其中，ε为碳排放限制量，C1为运输的碳排放量，C2为转运的碳排放量，C3为冷藏设备制冷的碳排放量；
所述C1的计算公式为：
Figure BDA0002805148720000074
其中，
Figure BDA0002805148720000075
为通过运输方式m由节点i运到j的单位碳排放量；
所述C2的计算公式为：
Figure BDA0002805148720000076
其中，
Figure BDA0002805148720000077
为节点j处由运输方式m转到运输方式n的单位碳排放量；
所述C3的计算公式为：
Figure BDA0002805148720000078
其中，c为冷藏集装箱的单位时间碳排放量；
(5)需满足决策变量
Figure BDA0002805148720000079
和
Figure BDA00028051487200000710
取整约束，只能取整数0或1，即：
Figure BDA00028051487200000711
Figure BDA00028051487200000712
(6)需满足集装箱在节点处只能转运一次的约束，即
Figure BDA0002805148720000081
(7)需满足变量非负约束，即
Figure BDA0002805148720000082
S3、利用所述目标函数构建适应度函数，所述适应度函数为：
Figure BDA0002805148720000083
再利用遗传算法求解所述目标优化模型，得到最优路径。
如图4所示，遗传算法求解最优运输路径的过程如下：
S31、编码
采用可变长的路径编码方法，针对多式联运网络节点间有多种运输方式的特点，对染色体分两段进行编码，第一段为路径节点，第二段为节点间的运输方式。如图2所示，染色体的路径节点部分，表示图1中由节点①到节点⑨的一条路径，当交叉和变异操作时，把第二段运输方式插入第一段空隙中，图2中，H表示公路运输，R表示铁路运输，W表示水路运输。
S32、初始种群的生成
采取以下方法构造初始种群：
A、利用图1的多式联运网络生成连通矩阵，即两点间若存在一种运输方式连通，则表示连通，矩阵边的权值取各连通运输方式边的权值的最小值；
B、利用Bellman-Ford最短路算法生成染色体的第一段编码，然后在相邻两节点间存在的运输方式中随机选择一种，生成第二段编码，得到初始染色体，即初始种群；
C、如果达到种群规模要求，则停止，否则随机生成0～1的小数，然后乘以该路径各弧段的权值，并更新多式联运网络权值，返回步骤B。
S33、适应度评估与违反约束的处理
利用目标函数的倒数作为适应度函数：
Figure BDA0002805148720000084
计算其适应度函数值；
目标优化模型包括碳排放限制要求，但在算法的进化中，有些个体的碳排放量会超过要求。因此，采取以下方法进行调整：
A、计算个体的碳排放量；
B、判断每个个体所示方案的碳排放量是否超过要求，若超过，则以大于50％概率删除，所述；
C、在步骤B删除了多少个体就在余下群体中随机选择相应数量的个体进行复制，并替换被删除的染色体。
S34、遗传操作
A、随机竞争
采用随机竞争选择策略进行选择操作，每次按照轮盘赌选择机制选取一对个体，然后让这对个体竞争，适应度高的被选中，如此反复，直到选满为止；
B、单点交叉操作
由于进行交叉操作的染色体会有两种情况，一是两个父染色体有相同节点(除起点和终点外)；二是两个父染色体无相同节点，所以，采用改进的单点交叉方法对染色体第一段进行交叉操作；
对于第一种情况采取在相同节点进行交叉操作，若有多个相同节点，则随机选择一个相同节点作为交叉点；对于第二种情况，交叉操作中可能会产生非法个体，出现没有通路的情况，采取以下方法修复非法个体：交叉后若没有连通，则利用Bellman-Ford最短路算法寻找交叉节点与相邻的下一节点的有效路径替代；若没有找到有效路径，则继续查找再下一节点，如此往复直到找到连通路径；
如图3所示，交叉后可能会出现环路，也就是在路径编码中出现了相同的节点，若出现环路，就删除环路，去除环路中间节点，保留一个相同节点，如图3所示的染色体，其中节点②出现了两次，形成了闭环，则去掉环得新的节点①，②，⑦，⑨。完成以上操作后，对于第一段编码有变化片段，随机选择节点间的运输方式生成相应的第二段编码，而没有发生变化的基因片段，其第二段则不变；
C、散射变异操作
利用改进的散射变异法进行变异操作，给各弧段随机赋值，利用Bellman-Ford最短路算法生成染色体的第一段编码，然后随机选择节点间的运输方式生成第二段编码，进而得到变异后的染色体；
S35、精英保留与终止策略
利用精英保留策略进行全局最优解更新，以最大迭代次数为终止条件，这里的最大迭代次数可为3-9，本实施例采用6次作为最大迭代次数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：包括如下步骤：
S1、采集运输数据形多联运输网络；
S2、构建目标优化模型，所述目标优化模型包括以最小化总成本为目标的目标函数，所述目标函数为：minZ＝fy+fz+fl；
其中，Z为总成本，由三部分构成，第一部分fy为运输成本，第二部分fz为转运成本，第三部分fl为冷藏成本和货损成本；
S3、利用所述目标函数构建适应度函数，所述适应度函数为：
Figure FDA0002805148710000011
再利用遗传算法求解所述目标优化模型，得到最优路径。
2.如权利要求1所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述运输数据包括运输节点、所述运输节点之间的运输路径、所述运输路径对应的运输方式、所述运输方式的发班时刻以及碳排放限制条件下的运输成本、转运成本、冷藏成本和货损成本。
3.如权利要求2所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述步骤S2中的
Figure FDA0002805148710000012
其中，
Figure FDA0002805148710000013
表示通过运输方式m由节点i运到节点j的单位运输成本，
Figure FDA0002805148710000014
表示通过运输方式m由节点i运到j的运输距离，
Figure FDA0002805148710000015
表示从节点i到j选择运输方式m时，
Figure FDA0002805148710000016
否则
Figure FDA0002805148710000017
4.如权利要求3所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述步骤S2中
Figure FDA0002805148710000018
其中，
Figure FDA0002805148710000019
表示在节点i处由运输方式m转到运输方式n的单位转运成本，
Figure FDA00028051487100000110
表示在节点i由运输方式m转换到运输方式n时，
Figure FDA00028051487100000111
否则
Figure FDA00028051487100000112
5.如权利要求4所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述步骤S2中
Figure FDA00028051487100000113
其中，υ1表示冷藏集装箱的单位时间冷藏费用，υ2表示冷藏集装箱的单位时间货损费用，
Figure FDA0002805148710000021
表示通过运输方式m由节点i运到j的运输时间，
Figure FDA0002805148710000022
表示在节点j由运输方式m转换到运输方式n的时间，
Figure FDA0002805148710000023
表示在节点j由运输方式m转换到运输方式n时，
Figure FDA0002805148710000024
否则
Figure FDA0002805148710000025
Figure FDA0002805148710000026
表示在节点j由运输方式m换装到运输方式n后，运输方式n最近的发班时刻，
Figure FDA0002805148710000027
表示通过运输方式m到达节点j的时刻。
6.如权利要求5所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述目标函数还包括如下约束条件：
(1)需满足流量守恒约束，即起点净流量为1，终点净流量为-1，其他节点流量守恒，即
Figure FDA0002805148710000028
其中，s为货物运输的起点，d为货物运输的终点；
(2)需满足运输方式约束，集装箱在相邻两节点间进行运输时，只能选择一种运输方式，即
Figure FDA0002805148710000029
(3)需满足前后需满足前后运输方式的连续性约束，即若在节点j由运输方式m转换为n，则通过m到达j，通过n离开j，即
Figure FDA00028051487100000210
(4)需满足碳排放限制约束，即C1+C2+C3≤ε,其中，ε为碳排放限制量，C1为运输的碳排放量，C2为转运的碳排放量，C3为冷藏设备制冷的碳排放量；
所述C1的计算公式为：
Figure FDA00028051487100000211
其中，
Figure FDA00028051487100000212
为通过运输方式m由节点i运到j的单位碳排放量；
所述C2的计算公式为：
Figure FDA00028051487100000213
其中，
Figure FDA00028051487100000214
为节点j处由运输方式m转到运输方式n的单位碳排放量；
所述C3的计算公式为：
Figure FDA0002805148710000031
其中，c为冷藏集装箱的单位时间碳排放量；
(5)需满足决策变量
Figure FDA0002805148710000032
和
Figure FDA0002805148710000033
取整约束，只能取整数0或1，即：
Figure FDA0002805148710000034
Figure FDA0002805148710000035
(6)需满足集装箱在节点处只能转运一次的约束，即
Figure FDA0002805148710000036
(7)需满足变量非负约束，即
Figure FDA0002805148710000037
7.如权利要求6所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：步骤S3中所述利用遗传算法求解目标优化模型的过程如下：
S31、编码：采用可变长的路径编码方法，对染色体分两段进行编码，第一段为路径节点，第二段为节点间的运输方式；
S32、初始种群的生成：利用Bellman-Ford最短路算法生成染色体的第一段编码，然后在相邻两节点间存在的运输方式中随机选择一种，生成第二段编码，得到初始染色体，即初始种群；
S33、适应度评估与违反约束的处理：利用适应度函数
Figure FDA0002805148710000038
计算个体的适应度函数值，同时对违反约束的个体进行调整；
S34、遗传操作：所述遗传操作包括随机竞争、单点交叉操作和散射变异操作；
S35、精英保留与终止策略：利用精英保留策略进行全局最优解更新，以最大迭代次数6为终止条件。
8.如权利要求7所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：步骤S33中所述对违反约束的个体进行调整的方法如下：
A、计算个体的碳排放量；
B、判断每个个体所示方案的碳排放量是否超过要求，若超过，则以大于50％概率删除，所述；
C、在步骤B删除了多少个体就在余下群体中随机选择相应数量的个体进行复制，并替换被删除的染色体。
9.如权利要求7所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：
步骤S34中所述随机竞争具体为：
采用随机竞争选择策略进行选择操作，每次按照轮盘赌选择机制选取一对个体，然后让这对个体竞争，适应度高的被选中，如此反复，直到选满为止；
步骤S34中所述单点交叉操作具体为：
若两个父染色体具有除起点和终点外的相同节点，则采取在相同节点进行交叉操作，若有多个相同节点，则随机选择一个相同节点作为交叉点；
若两个父染色体无相同节点，则采用单点交叉方法对染色体第一段进行交叉操作，若交叉后若没有连通，则利用Bellman-Ford最短路算法寻找交叉节点与相邻的下一节点的有效路径替代，若没有找到有效路径，则继续查找再下一节点，如此往复直到找到连通路径；
步骤S34中所述散射变异操作具体为：
利用改进的散射变异法进行变异操作，给各弧段随机赋值，利用Bellman-Ford最短路算法生成染色体的第一段编码，然后随机选择节点间的运输方式生成第二段编码，进而得到变异后的染色体。
10.如权利要求9所述的一种碳排放限制下的冷藏集装箱多式联运路径优化方法，其特征在于：所述单点交叉操作后若出现环路，即在路径编码中出现了相同的节点，则删除环路，去除环路中间节点，只保留一个相同节点。
CN202011365001.8A 2020-11-27 2020-11-27 一种碳排放限制下的冷藏集装箱多式联运路径优化方法 Pending CN112330070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011365001.8A CN112330070A (zh) 2020-11-27 2020-11-27 一种碳排放限制下的冷藏集装箱多式联运路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011365001.8A CN112330070A (zh) 2020-11-27 2020-11-27 一种碳排放限制下的冷藏集装箱多式联运路径优化方法

Publications (1)

Publication Number Publication Date
CN112330070A true CN112330070A (zh) 2021-02-05

Family

ID=74309639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011365001.8A Pending CN112330070A (zh) 2020-11-27 2020-11-27 一种碳排放限制下的冷藏集装箱多式联运路径优化方法

Country Status (1)

Country Link
CN (1) CN112330070A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113159681A (zh) * 2021-04-20 2021-07-23 华南理工大学 一种基于博弈强化学习的多式联运动态路径规划方法
CN114091196A (zh) * 2021-11-18 2022-02-25 上海海洋大学 专用于冷藏集装箱围护结构的碳排放计算方法
CN115619065A (zh) * 2022-12-19 2023-01-17 华东交通大学 一种多式联运路径优化方法、系统、电子设备及介质
CN115983755A (zh) * 2023-01-19 2023-04-18 中南大学 一种多式联运路径优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651280A (zh) * 2017-03-23 2017-05-10 广东工业大学 一种集装箱轮船物流运输调度方法及系统
EP3521762A1 (en) * 2018-02-03 2019-08-07 Carrier Corporation Cold chain transportation route modeling system
CN110334977A (zh) * 2019-05-17 2019-10-15 河海大学 一种港口群集装箱集疏运系统交通配流方法
CN111553507A (zh) * 2020-03-09 2020-08-18 西南交通大学 基于多商品流的中欧集装箱运输方案优化方法
CN111915051A (zh) * 2020-05-08 2020-11-10 西南交通大学 一种铁路零担货物集配货技术协同管理研究方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651280A (zh) * 2017-03-23 2017-05-10 广东工业大学 一种集装箱轮船物流运输调度方法及系统
EP3521762A1 (en) * 2018-02-03 2019-08-07 Carrier Corporation Cold chain transportation route modeling system
CN110334977A (zh) * 2019-05-17 2019-10-15 河海大学 一种港口群集装箱集疏运系统交通配流方法
CN111553507A (zh) * 2020-03-09 2020-08-18 西南交通大学 基于多商品流的中欧集装箱运输方案优化方法
CN111915051A (zh) * 2020-05-08 2020-11-10 西南交通大学 一种铁路零担货物集配货技术协同管理研究方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘松 等: "碳排放限制下的冷藏集装箱多式联运路径优化", 《应用数学和力学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113159681A (zh) * 2021-04-20 2021-07-23 华南理工大学 一种基于博弈强化学习的多式联运动态路径规划方法
CN114091196A (zh) * 2021-11-18 2022-02-25 上海海洋大学 专用于冷藏集装箱围护结构的碳排放计算方法
CN115619065A (zh) * 2022-12-19 2023-01-17 华东交通大学 一种多式联运路径优化方法、系统、电子设备及介质
CN115983755A (zh) * 2023-01-19 2023-04-18 中南大学 一种多式联运路径优化方法

Similar Documents

Publication Publication Date Title
CN112330070A (zh) 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
Surekha et al. Solution to multi-depot vehicle routing problem using genetic algorithms
Pankratz A grouping genetic algorithm for the pickup and delivery problem with time windows
Trachanatzi et al. A firefly algorithm for the environmental prize-collecting vehicle routing problem
CN109800910B (zh) 一种基于禁忌搜索的超启发式算法的车辆路径优化方法
CN112987757B (zh) 一种货物多式联运的路径规划方法
Sharma et al. Vehicle routing problem: recent literature review of its variants
Rezaei et al. A green vehicle routing problem with time windows considering the heterogeneous fleet of vehicles: two metaheuristic algorithms
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN109764882A (zh) 一种基于自适应局部搜索链的多目标车辆路径规划方法
CN115829183B (zh) 冷链物流路径规划方法、装置、设备及可读存储介质
CN116151497A (zh) 一种带有取送货的多隔间车辆路径规划方法及系统
Hajiaghaei-Keshteli et al. Designing a multi-period dynamic electric vehicle production-routing problem in a supply chain considering energy consumption
Al Chami et al. An advanced grasp-hga combination to solve a multi-period pickup and delivery problem
CN115983755A (zh) 一种多式联运路径优化方法
Alaia et al. A Comparative Study of the PSO and GA for the m-MDPDPTW
CN109840615B (zh) 基于免疫克隆算法的重载铁路装车区车流组织的优化方法
Fallah et al. A green competitive vehicle routing problem under uncertainty solved by an improved differential evolution algorithm
CN116934205B (zh) 一种公铁空轴辐式物流网络优化方法
Sakurai et al. A simple optimization method based on backtrack and ga for delivery schedule
Liao et al. An evolutionary approach for the selective pickup and delivery problem
Tang et al. The multi-objective capacitated facility location problem for green logistics
Zhang et al. Multiobjective Green Time‐Dependent Location‐Routing Problem and Algorithms
Gholami et al. Train routing and timetabling via a genetic algorithm
Yi et al. Automated design of search algorithms based on reinforcement learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205

RJ01 Rejection of invention patent application after publication