CN112633555A - 一种物流运输方案的优化方法及系统 - Google Patents

一种物流运输方案的优化方法及系统 Download PDF

Info

Publication number
CN112633555A
CN112633555A CN202011377838.4A CN202011377838A CN112633555A CN 112633555 A CN112633555 A CN 112633555A CN 202011377838 A CN202011377838 A CN 202011377838A CN 112633555 A CN112633555 A CN 112633555A
Authority
CN
China
Prior art keywords
transportation
node
mode
scheme
algorithm
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
CN202011377838.4A
Other languages
English (en)
Other versions
CN112633555B (zh
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
Jimei University
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 CN202011377838.4A priority Critical patent/CN112633555B/zh
Publication of CN112633555A publication Critical patent/CN112633555A/zh
Application granted granted Critical
Publication of CN112633555B publication Critical patent/CN112633555B/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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物流运输方案的优化方法，包括S1，获取所述运输方案的集合γn，设置所述运输方案的各参与者的对运输方案γn的满意度为Zm，所述Zm＝{Z1,Z2…Zm}；S2，建立所述参与者对运输方案γn的综合满意度的目标函数优化模型并设置目标函数优化模型的约束条件；S3，通过智能优化算法对所述多目标函数优化模型进行优化处理，获得优化后的运输途径和运输方式。本发明将蚁群算法和遗传算法进行有效的融合，通过对遗传算法中选择、交叉、变异算子和进化淘汰机制的改进，把搜索的优质解转化为蚁群算法信息素初始值，并对蚁群算法的转移规则、信息素浓度更新机制进行改进，提升了综合满意度。

Description

一种物流运输方案的优化方法及系统
技术领域
本发明属于物流运输领域，具体涉及一种物流运输方案的优化方法及系统。
背景技术
货物从出发点运输至目的地过程中，其间任意相连的两个节点之间有公路、铁路、水运3种运输方式可供选择，途中节点均可提供运输方式中转服务，其中每个节点发往下一个节点的铁路、水路运输有固定的到达和离开时间限制，公路则可随时出发，且托运人对货物的最终运到时间有可接受的软时间窗限制。通常，物流运输具有如下特点：
(1)承运商每次承担一项运输任务，货物在运输途中不能分割；
(2)任意两节点之间只能使用多种运输方式中的一种；
(3)运输方式转换只发生在节点处且每个节点最多只能进行一次中转；
(4)转运成本与运量成线性关系，且所有节点设施均满足转运过程的要求。
物流运输的参与者包括托运人、承运人以及政府，三者的需求侧重点各不相同，可将影响其各自满意度。因此，如何平衡各自满意度必须对运输路径和运输方式进行优化设计。
发明内容
本发明的目的在于提供一种物流运输方案的优化方法，应用于基于物流运输综合满意度的计算系统。
为实现上述目的，本发明采用以下技术方案：
一种物流运输方案的优化方法，包括
S1，获取所述运输方案的集合γn，设置所述运输方案的各参与者的对运输方案γn的满意度为Zm，所述Zm＝{Z1,Z2…Zm}；
S2，建立所述参与者对运输方案γn的综合满意度的目标函数优化模型并设置目标函数优化模型的约束条件；
S3，通过智能优化算法对所述多目标函数优化模型进行优化处理，获得优化后的运输途径和运输方式。
进一步的，所述智能优化算法采用遗传算法和蚁群算法进行融合。
进一步的，所述参与者包括托运人、承运人以及政府，所述托运人、承运人以及政府对所述运输方案的满意度分别为Z1、Z2和Z3，涉及所述运输方案的参数如下：
M 方案指标集合
q 集装箱数量
Figure BDA0002807605230000021
货物从节点i到节点j采用运输方式k的运输距离
Figure BDA0002807605230000022
在第i个节点处采用第k种运输方式的单位等待成本
Figure BDA0002807605230000023
从节点i到节点j采用运输方式k的单位运输成本
Figure BDA0002807605230000024
从节点i到节点j采用运输方式k的单位碳排放量
Figure BDA0002807605230000025
在节点i从运输方式k转换为运输方式1的单位转运成本
Figure BDA0002807605230000026
在节点i从运输方式k转换为运输方式1的单位碳排放量
Figure BDA0002807605230000027
货物从节点i到节点j采用运输方式k的运输时间
Figure BDA0002807605230000028
单个集装箱在节点i从运输方式k转换为运输方式1的转运时间
Figure BDA0002807605230000029
在节点i处等待第k种运输方式到达的时间
Figure BDA00028076052300000212
在节点i处等待第k种运输方式离开的时间
Figure BDA00028076052300000210
选择第k种运输方式在第i个节点处的总等待时间
ti 货物到达节点i的时间
Figure BDA00028076052300000211
节点i处第k种运输方式的服务时间窗
[Te,Tl] 货物最佳到达时间窗
Sc 客户对此次运输的满意度
Se 承运商对此次运输的满意度
Sg 政府对此次运输的满意度
G 允许最大换装次数
Figure BDA0002807605230000031
从节点i到节点j采用运输方式k则为1,否则为0
Figure BDA0002807605230000032
货物在节点i从运输方式k转换为运输方式l则为1,否则为0
进一步的，所述Z1的计算公式为：
Figure BDA0002807605230000033
其中α和β分别为客户对货物早到和迟到的敏感系数，[TE,TL]为货物可接受到达时间窗，[Te,Tl]为货物最佳到达时间窗，Tt为货物到达目的地的时间。
进一步的，所述Z2的计算公式为：
Figure BDA0002807605230000034
其中Bn为运输方案γn的总成本，包含节点间的运输、中转、等待成本；Bmax、Bmin分别为本代群体中成本最高与最低值。
Figure BDA0002807605230000035
进一步的，所述Z3的计算公式为：
Figure BDA0002807605230000036
其中，En为本次运输的碳排放量，包含节点间运输的碳排放量和节点转运时的碳排放量，Emax、Emin分别为本代群体中最高与最低的碳排放量。
Figure BDA0002807605230000041
进一步的，所述参与者对运输方案γn中各指标Zm的主观偏好以效用值θm表示，其中θm[0，1]，指标Zm所得规范化矩阵Rn×m中的属性值rnm即为运输方案γn中指标Zm的客观偏好值，为使指标权重向量ω更具合理性，即参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，建立下列单目标优化模型：
Figure BDA0002807605230000042
Figure BDA0002807605230000043
进一步的，结合运输过程的各方需求，兼顾各参与者的效用偏重，建立基于综合满意度的多式联运路径模型：
Figure BDA0002807605230000044
Figure BDA0002807605230000045
Figure BDA0002807605230000046
Figure BDA0002807605230000047
Figure BDA0002807605230000051
Figure BDA0002807605230000052
Figure BDA0002807605230000053
Figure BDA0002807605230000054
Figure BDA0002807605230000055
Figure BDA0002807605230000056
Figure BDA0002807605230000057
Tt∈[TE,TL] (19)
式(8)为综合满意度目标函数；
式(9)保证货物只有一个起点；
式(10)保证货物只有一个终点；
式(11)表示相邻两节点之间只能选择一种运输方式；
式(12)表示在同一节点至多发生一次运输方式的转换；
式(13)表示中间节点的流量守恒约束，保证运输的连续性；
式(14)实际运输转换次数不能超过允许最大换装次数；
式(15)表示总的运输时间，包括运输时间、中转时间、在节点处等待运输工具到达的时间，以及在运输工具上等待离开节点的时间；
式(16)表示在节点i处等待第k种运输方式到达的时间；
式(17)表示在节点i处等待第k种运输方式离开的时间；
式(18)表示选择第k种运输方式在第i个节点处的总等待时间，即
Figure BDA0002807605230000061
式(19)表示货物到达时间需在托运人可接受时间窗内。
进一步的，结合混合算法的算法机制，设计在算法过程中信息素挥发系数ρ的取值随迭代次数正向增加：
Figure BDA0002807605230000062
式中：ρ0为初始信息素挥发系数；μ0为信息素挥发速度参数，λ为蚁群算法迭代次数，μ0的大小与信息素挥发系数随算法代数增加的快慢成正比，并控制信息素挥发系数最终趋于ρ0。
本发明还公开了一种物流运输方案的优化系统，包括
参数获取模块，用于获取影响综合满意度的各参数；
第一优化模块，用于将指标权重向量ω更具合理性，即各参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，进行优化处理；
第二优化模块，用于兼顾各参与者的效用偏重，基于综合满意度的多式联运路径模型，在遗传算法和蚁群算法进行融合求得运输途径和运输方式的最优解。
本发明将蚁群算法和遗传算法进行有效的融合，通过对遗传算法中选择、交叉、变异算子和进化淘汰机制的改进，把搜索的优质解转化为蚁群算法信息素初始值，并对蚁群算法的转移规则、信息素浓度更新机制进行改进，提升了综合满意度。
附图说明
图1为客户满意度与运输时限关系图；
图2为掩码交叉图；
图3为双信息素储存结构；
图4双信息素混合算法流程如图。
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。
本发明的模型参数说明如下
模型 符号含义
符号
O 运输起点
D 运输终点
P 城市节点集合
N 运输路径集合
M 方案指标集合
q 集装箱数量
K 运输方式集合
Figure BDA0002807605230000071
货物从节点i到节点j采用运输方式k的运输距离
Figure BDA0002807605230000072
在第i个节点处采用第k种运输方式的单位等待成本
Figure BDA0002807605230000073
从节点i到节点j采用运输方式k的单位运输成本
Figure BDA0002807605230000074
从节点i到节点j采用运输方式k的单位碳排放量
Figure BDA0002807605230000075
在节点i从运输方式k转换为运输方式1的单位转运成本
Figure BDA0002807605230000076
在节点i从运输方式k转换为运输方式1的单位碳排放量
Figure BDA0002807605230000077
货物从节点i到节点j采用运输方式k的运输时间
Figure BDA0002807605230000081
单个集装箱在节点i从运输方式k转换为运输方式1的转运时间
Figure BDA0002807605230000082
在节点i处等待第k种运输方式到达的时间
Figure BDA0002807605230000088
在节点i处等待第k种运输方式离开的时间
Figure BDA0002807605230000083
选择第k种运输方式在第i个节点处的总等待时间
ti 货物到达节点i的时间
Tt 货物到达目的地的时间
Figure BDA0002807605230000084
节点i处第k种运输方式的服务时间窗
Figure BDA0002807605230000085
节点i处下一班次第k种运输方式的服务时间窗
[TE,TL]货物可接受到达时间窗
[Te,Tl]货物最佳到达时间窗
Sg 客户对此次运输的满意度
Sg 承运商对此次运输的满意度
Sg 政府对此次运输的满意度
G 允许最大换装次数
Figure BDA0002807605230000086
从节点i到节点j采用运输方式k则为1,否则为0
Figure BDA0002807605230000087
货物在节点i从运输方式k转换为运输方式l则为1,否则为0
实施例一
多式联运环节中各大参与者主要包括托运人、承运人以及政府，三者的需求侧重点各不相同，可将影响其各自满意度的主要因素做详细划分。(1)托运人满意度：由于早到或迟到对仓储和运营产生的不便将直接影响到托运人的满意度，因此托运人会根据剩余库存量将货物的到达时间分为可接受到达时间和最佳到达时间，并组成软时间窗，其中客户满意度与货物到达时间如图1所示，式(1)为两者的函数关系，其中α和β分别为客户对货物早到和迟到的敏感系数。
Figure BDA0002807605230000091
(2)承运商满意度：在运量和起讫点相同的情况下，承运商会权衡不同路径与运输方式搭配，在满足客户需求的前提下选择总成本较低的运输方案，使此次交易达到利润最大化。其满意度如式(2)所示，其中Bn为运输方案γn的总成本，包含节点间的运输，中转，等待成本；BMAX、BMIN分别为本代群体中成本最高与最低值。
Figure BDA0002807605230000092
Figure BDA0002807605230000093
(3)政府满意度：由于二氧化碳排放对生态的破坏与其排量直接相关，因此单次运输中的二氧化碳排放量是影响政府满意度的重要指标，即政府满意度与单次运输中二氧化碳排放量有关，碳排放量越少，政府对此运输方案的满意度越高。由此设计政府满意度如下式(4)所示：其中En为本次运输的碳排放量，包含节点间运输的碳排放量和节点转运时的碳排放量，Emax、Emin分别为本代群体中最高与最低的碳排放量。
Figure BDA0002807605230000094
Figure BDA0002807605230000101
综上可知本文对运输方案综合满意度的考量指标包括费用、时间和碳排放，在处理此类问题时多数文献采用加入主观权重的方法，而在实际运输过程中，各项指标不仅本身具有复杂性，且对运输方案的影响程度也具有不确定性，为了更加客观地进行对比和决策，本文引入了不确定多属性决策的思想，综合考量各参与者的主观偏好及各项指标对运输方案的客观影响，采用带有效用值偏好信息的多属性赋权法对运输方案的综合满意度进行测算，假设：各参与者对运输方案γn中各指标Zm的主观偏好以效用值θm表示，θm[0，1]，θm越接近1，表示参与者越偏好指标Zm；此外，由指标Zm所得规范化矩阵Rn×m中的属性值rnm即为运输方案γn中指标Zm的客观偏好值。为使指标权重向量ω更具合理性，即参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，建立下列单目标优化模型：
Figure BDA0002807605230000102
Figure BDA0002807605230000103
综上所述，结合运输过程的各方需求，兼顾各参与者的效用偏重，建立基于综合满意度的多式联运路径模型：
Figure BDA0002807605230000104
Figure BDA0002807605230000111
Figure BDA0002807605230000112
Figure BDA0002807605230000113
Figure BDA0002807605230000114
Figure BDA0002807605230000115
Figure BDA0002807605230000116
Figure BDA0002807605230000117
Figure BDA0002807605230000118
Figure BDA0002807605230000119
Figure BDA00028076052300001110
Tt∈[TE,TL] (19)
式(8)为综合满意度目标函数；
式(9)保证货物只有一个起点；
式(10)保证货物只有一个终点；
式(11)表示相邻两节点之间只能选择一种运输方式；
式(12)表示在同一节点至多发生一次运输方式的转换；
式(13)表示中间节点的流量守恒约束，保证运输的连续性；
式(14)实际运输转换次数不能超过允许最大换装次数；
式(15)表示总的运输时间，包括运输时间、中转时间、在节点处等待运输工具到达的时间，以及在运输工具上等待离开节点的时间；
式(16)表示在节点i处等待第k种运输方式到达的时间；
式(17)表示在节点i处等待第k种运输方式离开的时间；
式(18)表示选择第k种运输方式在第i个节点处的总等待时间，即
Figure BDA0002807605230000121
式(19)表示货物到达时间需在托运人可接受时间窗内。
求解算法设计
1、混合算法描述
此类组合优化问题的核心在于路径的选择与运输方式的匹配，本文依据问题特点设计“双信息素矩阵”储存方法实现目标对象间的匹配与搜索引导，实现路径与运输方式间的“交互选择”，并利用遗传算法具有快速的全局搜索能力和蚁群算法的正负反馈能力[19]设计混合算法：算法前期应用基于遗传算法的小生境技术，降低方案间的相似性，得到几组更具有解空间代表性的可行解，取各小生境中的最优路径与运输方式组合，以此更新蚁群算法中的双信息素启发矩阵，使初始蚁群具有较优的路径和运输方式匹配依据，从而引导并加速蚂蚁的寻优，提高混合算法的求解精度和收敛速度。
1.1小生境遗传算法
为了保证种群的多样性，防止算法向目标空间中一个固定区域进行采样的趋势，在此引入小生境遗传算法，并设计掩码交叉(如图2所示)和双点变异作为遗传算子。
1.2动态双信息素蚁群算法
为了消除路径与运输方式匹配的盲目性，本文设计“双信息素矩阵”储存方法：蚂蚁依据各节点路径启发矩阵和路径信息素矩阵生成路径选择概率，采用轮盘赌法选取所要到达的下个节点，同理依照运输方式启发矩阵和运输方式信息素矩阵生成运输方式选择概率，为路径匹配合适的运输方式直至终点。双信息素信息储存结构如图3所示。
采用双信息素储存结构，可依据t时刻启发式信息ηij(t)和信息素浓度τij(t)分别对路径和运输方式做概率选择，
Figure BDA0002807605230000133
为第a只蚂蚁在t时刻从节点i转移到节点j的概率，如式(20)，同理可求出与选中弧段(i,j)相匹配的可选运输方式的概率。
Figure BDA0002807605230000131
其中τij(t)表示路径(i,j)在t时刻的信息素强度，τij(t+1)＝(1-ρ)×τij(t)+Δτbest表示蚂蚁a可选节点或可选运输方式集合，τij(t+1)＝(1-ρ)×τij(t)+Δτbest和τij(t+1)＝(1-ρ)×τij(t)+Δτbest为影响因子，分别表示蚂蚁选择节点或运输方式时对信息素矩阵和启发矩阵的依赖程度。
为避免算法后期搜索停滞，采用最大最小蚂蚁策略，每条弧以及各运输方式的信息素值须在区间(τmin，τmax)内。将各小生境所得的较好解通过式(21)、(22)来确定初始信息素范围。
Figure BDA0002807605230000132
Figure BDA0002807605230000141
L(Sbest)为各小生境较好解或蚁群算法本次迭代最好解，小生境遗传算法结束后，则开始采用式(23)来确定τmax(t)，τmin(t)仍采用式(22)来确定。
Figure BDA0002807605230000142
1.3改进时变信息素挥发算子
为避免混合算法陷入局部最优解，设计如下时变信息素挥发算子。通过分析影响算法搜索空间和收敛性的因素发现，信息素挥发系数在路径或运输方式选择中的重要性成正比，因此结合混合算法的算法机制，设计在算法过程中信息素挥发系数ρ的取值随迭代次数正向增加：
Figure BDA0002807605230000143
式中：ρ0为初始信息素挥发系数；μ0为信息素挥发速度参数，λ为蚁群算法迭代次数。其中μ0的大小与信息素挥发系数随算法代数增加的快慢成正比，并控制信息素挥发系数最终趋于ρ0。
本发明还公开了一种物流运输方案的优化系统，包括
参数获取模块，用于获取影响综合满意度的各参数；
第一优化模块，用于将指标权重向量ω更具合理性，即各参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，进行优化处理；
第二优化模块，用于兼顾各参与者的效用偏重，基于综合满意度的多式联运路径模型，在遗传算法和蚁群算法进行融合求得运输途径和运输方式的最优解。
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)

1.一种物流运输方案的优化方法，其特征在于，包括
S1，获取所述运输方案的集合γn，设置所述运输方案的各参与者的对运输方案γn的满意度为Zm，所述Zm＝{Z1,Z2…Zm}；
S2，建立所述参与者对运输方案γn的综合满意度的目标函数优化模型并设置目标函数优化模型的约束条件；
S3，通过智能优化算法对所述多目标函数优化模型进行优化处理，获得优化后的运输途径和运输方式。
2.如权利要求1所述的物流运输方案的优化方法，其特征在于，所述智能优化算法采用遗传算法和蚁群算法进行融合。
3.如权利要求1所述的物流运输方案的优化方法，其特征在于，所述参与者包括托运人、承运人以及政府，所述托运人、承运人以及政府对所述运输方案的满意度分别为Z1、Z2和Z3，涉及所述运输方案的参数如下：
M方案指标集合；
q集装箱数量；
Figure RE-FDA0002963326210000011
货物从节点i到节点j采用运输方式k的运输距离；
Figure RE-FDA0002963326210000012
在第i个节点处采用第k种运输方式的单位等待成本；
Figure RE-FDA0002963326210000013
从节点i到节点j采用运输方式k的单位运输成本；
Figure RE-FDA0002963326210000014
从节点i到节点j采用运输方式k的单位碳排放量；
Figure RE-FDA0002963326210000015
在节点i从运输方式k转换为运输方式1的单位转运成本；
Figure RE-FDA0002963326210000016
在节点i从运输方式k转换为运输方式1的单位碳排放量；
Figure RE-FDA0002963326210000017
货物从节点i到节点j采用运输方式k的运输时间；
Figure RE-FDA0002963326210000018
单个集装箱在节点i从运输方式k转换为运输方式1的转运时间；
Figure RE-FDA0002963326210000019
在节点i处等待第k种运输方式到达的时间；
Figure RE-FDA00029633262100000110
在节点i处等待第k种运输方式离开的时间；
Figure RE-FDA00029633262100000111
选择第k种运输方式在第i个节点处的总等待时间；
ti货物到达节点i的时间；
Figure RE-FDA0002963326210000021
节点i处第k种运输方式的服务时间窗；
[Te,Tl]货物最佳到达时间窗；
Sc客户对此次运输的满意度；
Se承运商对此次运输的满意度；
Sg政府对此次运输的满意度；
G允许最大换装次数；
Figure RE-FDA0002963326210000022
从节点i到节点j采用运输方式k则为1,否则为0；
Figure RE-FDA0002963326210000023
货物在节点i从运输方式k转换为运输方式l则为1,否则为0。
4.如权利要求3所述的物流运输方案的优化方法，其特征在于，所述Z1的计算公式为：
Figure RE-FDA0002963326210000024
其中α和β分别为客户对货物早到和迟到的敏感系数，[TE,TL]为货物可接受到达时间窗，[Te,Tl]为货物最佳到达时间窗，Tt为货物到达目的地的时间。
5.如权利要求3所述的一种物流运输方案的优化方法，其特征在于，所述Z2的计算公式为：
Figure RE-FDA0002963326210000025
其中Bn为运输方案γn的总成本，包含节点间的运输、中转、等待成本；Bmax、Bmin分别为本代群体中成本最高与最低值；
Figure RE-FDA0002963326210000026
6.如权利要求3所述的一种物流运输方案的优化方法，其特征在于：所述Z3的计算公式为：
Figure RE-FDA0002963326210000031
其中，En为本次运输的碳排放量，包含节点间运输的碳排放量和节点转运时的碳排放量，Emax、Emin分别为本代群体中最高与最低的碳排放量；
Figure RE-FDA0002963326210000032
7.如权利要求3所述的物流运输方案的优化方法，其特征在于，所述参与者对运输方案γn中各指标Zm的主观偏好以效用值θm表示，其中θm[0，1]，指标Zm所得规范化矩阵Rn×m中的属性值rnm即为运输方案γn中指标Zm的客观偏好值，为使指标权重向量ω更具合理性，即参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，建立下列单目标优化模型：
Figure RE-FDA0002963326210000033
Figure RE-FDA0002963326210000034
8.如权利要求7所述的物流运输方案的优化方法，其特征在于，结合运输过程的各方需求，兼顾各参与者的效用偏重，建立基于综合满意度的多式联运路径模型：
Figure RE-FDA0002963326210000035
Figure RE-FDA0002963326210000041
Figure RE-FDA0002963326210000042
Figure RE-FDA0002963326210000043
Figure RE-FDA0002963326210000044
Figure RE-FDA0002963326210000045
Figure RE-FDA0002963326210000046
Figure RE-FDA0002963326210000047
Figure RE-FDA0002963326210000048
Figure RE-FDA0002963326210000049
Figure RE-FDA00029633262100000410
Tt∈[TE,TL] (19)
式(8)为综合满意度目标函数；
式(9)保证货物只有一个起点；
式(10)保证货物只有一个终点；
式(11)表示相邻两节点之间只能选择一种运输方式；
式(12)表示在同一节点至多发生一次运输方式的转换；
式(13)表示中间节点的流量守恒约束，保证运输的连续性；
式(14)实际运输转换次数不能超过允许最大换装次数；
式(15)表示总的运输时间，包括运输时间、中转时间、在节点处等待运输工具到达的时间，以及在运输工具上等待离开节点的时间；
式(16)表示在节点i处等待第k种运输方式到达的时间；
式(17)表示在节点i处等待第k种运输方式离开的时间；
式(18)表示选择第k种运输方式在第i个节点处的总等待时间，即
Figure RE-FDA0002963326210000051
式(19)表示货物到达时间需在托运人可接受时间窗内。
9.如权利要求2所述的物流运输方案的优化方法，其特征在于，结合混合算法的算法机制，设计在算法过程中信息素挥发系数ρ的取值随迭代次数正向增加：
Figure RE-FDA0002963326210000052
式中：ρ0为初始信息素挥发系数；μ0为信息素挥发速度参数，λ为蚁群算法迭代次数，μ0的大小与信息素挥发系数随算法代数增加的快慢成正比，并控制信息素挥发系数最终趋于ρ0。
10.一种物流运输方案的优化系统，其特征在于，包括
参数获取模块，用于获取影响综合满意度的各参数；
第一优化模块，用于将指标权重向量ω更具合理性，即各参与者的主观偏好值θm与指标的客观属性值rnm总偏差最小，进行优化处理；
第二优化模块，用于兼顾各参与者的效用偏重，基于综合满意度的多式联运路径模型，在遗传算法和蚁群算法进行融合求得运输途径和运输方式的最优解。
CN202011377838.4A 2020-11-30 2020-11-30 一种物流运输方案的优化方法 Active CN112633555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011377838.4A CN112633555B (zh) 2020-11-30 2020-11-30 一种物流运输方案的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011377838.4A CN112633555B (zh) 2020-11-30 2020-11-30 一种物流运输方案的优化方法

Publications (2)

Publication Number Publication Date
CN112633555A true CN112633555A (zh) 2021-04-09
CN112633555B CN112633555B (zh) 2023-06-20

Family

ID=75306932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011377838.4A Active CN112633555B (zh) 2020-11-30 2020-11-30 一种物流运输方案的优化方法

Country Status (1)

Country Link
CN (1) CN112633555B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法
CN113469429A (zh) * 2021-06-28 2021-10-01 桂林电子科技大学 一种基于区块链的多式联运的货物拼车方法及应用系统
CN113610471A (zh) * 2021-08-12 2021-11-05 深圳大学 一种快递运输碳排放的综合核算系统及方法
CN114742502A (zh) * 2022-04-14 2022-07-12 中国石油大学(北京) 一种成品油管道输送协调优化系统
CN116108550A (zh) * 2023-04-13 2023-05-12 湖北工业大学 一种基于bim的多式联运的动态优化方法及系统
CN116957174A (zh) * 2023-09-21 2023-10-27 云南中畅物流有限公司 基于数据融合的货运线路集成规划方法及系统
CN117875825A (zh) * 2024-03-11 2024-04-12 万联易达物流科技有限公司 一种运输循环线路匹配货源的方法
CN118396514A (zh) * 2024-06-24 2024-07-26 深圳市华运国际物流有限公司 一种国际物流路径优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004030413A (ja) * 2002-06-27 2004-01-29 Fujitsu Ltd 最適化処理装置
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004030413A (ja) * 2002-06-27 2004-01-29 Fujitsu Ltd 最適化処理装置
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343575B (zh) * 2021-06-21 2022-05-10 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法
CN113469429A (zh) * 2021-06-28 2021-10-01 桂林电子科技大学 一种基于区块链的多式联运的货物拼车方法及应用系统
CN113610471B (zh) * 2021-08-12 2024-03-08 深圳大学 一种快递运输碳排放的综合核算系统及方法
CN113610471A (zh) * 2021-08-12 2021-11-05 深圳大学 一种快递运输碳排放的综合核算系统及方法
CN114742502A (zh) * 2022-04-14 2022-07-12 中国石油大学(北京) 一种成品油管道输送协调优化系统
CN114742502B (zh) * 2022-04-14 2024-03-22 中国石油大学(北京) 一种成品油管道输送协调优化系统
CN116108550A (zh) * 2023-04-13 2023-05-12 湖北工业大学 一种基于bim的多式联运的动态优化方法及系统
CN116108550B (zh) * 2023-04-13 2023-06-27 湖北工业大学 一种基于bim的多式联运的动态优化方法及系统
CN116957174A (zh) * 2023-09-21 2023-10-27 云南中畅物流有限公司 基于数据融合的货运线路集成规划方法及系统
CN116957174B (zh) * 2023-09-21 2023-11-28 云南中畅物流有限公司 基于数据融合的货运线路集成规划方法及系统
CN117875825A (zh) * 2024-03-11 2024-04-12 万联易达物流科技有限公司 一种运输循环线路匹配货源的方法
CN117875825B (zh) * 2024-03-11 2024-06-04 万联易达物流科技有限公司 一种运输循环线路匹配货源的方法
CN118396514A (zh) * 2024-06-24 2024-07-26 深圳市华运国际物流有限公司 一种国际物流路径优化方法

Also Published As

Publication number Publication date
CN112633555B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN112633555A (zh) 一种物流运输方案的优化方法及系统
CN111860754A (zh) 基于蚁群以及遗传算法的agv调度方法
CN107909228B (zh) 基于模因计算的动态车辆收发货路径规划方法及装置
CN116957174B (zh) 基于数据融合的货运线路集成规划方法及系统
Resat Design and analysis of novel hybrid multi-objective optimization approach for data-driven sustainable delivery systems
CN114048924A (zh) 基于混合遗传算法的多配送中心选址-配送路径规划方法
CN115470651A (zh) 一种基于蚁群算法的带道路与时间窗车辆路径优化方法
CN113052537A (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
CN112801347A (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
Hou et al. Multiobjective Differential Evolution Algorithm Balancing Multiple Stakeholders for Low-Carbon Order Scheduling in E-Waste Recycling
Alaia et al. Optimization of the multi-depot & multi-vehicle pickup and delivery problem with time windows using genetic algorithm
Diao et al. Multi-depot open vehicle routing problem with fuzzy time windows
CN111178596A (zh) 一种物流配送路线规划方法、装置及存储介质
Liu et al. An adaptive large neighborhood search method for rebalancing free-floating electric vehicle sharing systems
Zhao et al. Vehicle dispatching and scheduling algorithms for battery electric heavy-duty truck fleets considering en-route opportunity charging
Fallah et al. A green competitive vehicle routing problem under uncertainty solved by an improved differential evolution algorithm
Cui et al. A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm
CN116187889A (zh) 全链条铁水联运方案系统及评价方法
CN114154394B (zh) 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
Zhang et al. Three-stage multi-modal multi-objective differential evolution algorithm for vehicle routing problem with time windows
CN113673937A (zh) 一种基于多目标烟花算法的物流车辆低碳路线规划方法
Ge Optimal path selection of multimodal transport based on Ant Colony Algorithm
Chłopińska et al. Multicriteria optimization method of LNG distribution
Fang et al. Heterogeneous-vehicle distribution logistics planning for assembly line station materials with multiple time windows and multiple visits
Zhu et al. MN _ GLS for VRP with Simultaneous delivery and pickup

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230515

Address after: No.185, Yinjiang Road, Jimei, Xiamen, Fujian Province, 361000

Applicant after: JIMEI University

Applicant after: TECH VALLEY (XIAMEN) INFORMATION TECHNOLOGY CO.,LTD.

Address before: 361000 room 404, building a, 88 anling 2nd Road, Huli District, Xiamen City, Fujian Province

Applicant before: TECH VALLEY (XIAMEN) INFORMATION TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant