CN113033885A - 多式联运路径优化方法、系统、存储介质、计算机设备 - Google Patents

多式联运路径优化方法、系统、存储介质、计算机设备 Download PDF

Info

Publication number
CN113033885A
CN113033885A CN202110284644.8A CN202110284644A CN113033885A CN 113033885 A CN113033885 A CN 113033885A CN 202110284644 A CN202110284644 A CN 202110284644A CN 113033885 A CN113033885 A CN 113033885A
Authority
CN
China
Prior art keywords
transportation
transport
mode
node
model
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.)
Withdrawn
Application number
CN202110284644.8A
Other languages
English (en)
Inventor
柳伍生
肖必弘
谭倩
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110284644.8A priority Critical patent/CN113033885A/zh
Publication of CN113033885A publication Critical patent/CN113033885A/zh
Withdrawn legal-status Critical Current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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q30/0283—Price estimation or determination
    • G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Accounting & Taxation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于货物运输技术领域，公开了一种多式联运路径优化方法、系统、存储介质、计算机设备，提出了分别以成本、时间、碳排放量、噪声污染以及货损量为目标的目标函数，并通过对目标函数进行归一化处理建立多目标绿色多式联运路径规划模型；针对含有时间不确定参数的目标函数，采用模糊数学相关理论建立多目标模糊机会条件约束模型并将其转换为等价形式，并运用鲁棒优化思想，将含有货损率不确定参数的目标函数模型转换为基于情景集的鲁棒优化模型，得到最终多式联运方案。本发明在考虑不确定性因素影响的同时，减少了货物运输的成本及时间，并减少了对环境的污染，从而提高了运输服务水平、竞争能力以及社会效益。

Description

多式联运路径优化方法、系统、存储介质、计算机设备
技术领域
本发明属于货物运输技术领域，尤其涉及一种多式联运路径优化方法、系统、存储介质、计算机设备。
背景技术
目前，随着全球经济的发展，货物远距离的运输需求不断增加，单一运输方式已不能很好地满足市场需求，这促使了多式联运的发展。多式联运采用两种或两种以上的运输方式将货物从起始地运达至目的地，能够充分利用运输资源并综合不同运输方式的优势完成提供更优质的运输服务。多式联运网络具有复杂性，时间和货损等因素均存在着不确定性，所以在对运输方式和路径进行规划时，需要在考虑不确定性因素影响的同时，减少货物运输的成本及时间，并减少对环境的污染，从而提高运输服务水平、竞争能力以及社会效益。市场运输需求增加的同时，企业对运输在时效、安全方面的要求也逐渐多样化，所以对不确定性多式联运网络的研究具有着重要意义。
近年来国内外学者针对绿色多式联运路径优化问题及其在不确定环境下的问题进行了深入的研究。Majbah Uddin等提出了两个随机模型来考虑载货汽车行驶时间的不确定性，建立了一个二元整数线性规划模型，以确定每个货运承运人的最优运行时间表，同时使其运行成本最小。Lu Chenb等在多式联运的研究中，认为混合时间窗口是多式运输航线优化的重要因素之一，并以总成本和碳排放量为目标，建立了混合时间窗约束下的多目标最优路径多式运输模型。Emrah D.等研究了运输时间不确定的绿色多式联运网络设计问题，建立了可以根据成本、时间和碳排放的目标生成稳健的运输计划随机优化模型。SongLiu等考虑多式运输和时间表的不确定性，采用区间数据表示网络权值的不确定性，然后采用鲁棒优化方法对区间数据进行处理。建立了考虑时间表限制的鲁棒最短路径优化模型，并设计了遗传算法求解该问题。Jiehui Jiang等针对减少碳排放和不确定需求的区域多式联运物流网络设计问题进行研究，加入多利益相关者决策行为建立双层规划模型，并根据不确定需求环境下物流企业的风险规避水平，提出了一种改进的可调鲁棒优化框架来解决箱式不确定性。Fazayeli等在时间窗约束下，考虑随机需求量，建立最小成本优化模型，运用遗传算法进行求解。Abderrahman A.等针对多式联运货物的运输成本和网络终端节点容量的不确定性，提出了鲁棒优化模型，考虑到了网络中需求的不确定性。Resat等建立了以运输成本和运输时间为目标的多目标函数多式联运路径规划模型，并将该模型应用于Marmara地区的多式运输网络进行验证。Mohamed El moufid等通过调整库存理论模型，假设单位运输成本、商品价值、库存成本以及终端空闲时间等附加条件被修正，进行情景分析从物流总成本角度选择最有效的运输路线，充分考虑和预测物流总成本构成和主要因素的变异性，选择最优的运输路径。Fotuhi F.等研究了网络拓扑结构不确定的多式联运路径优化问题。Dezhi Zhang等研究了具有随机需求的城市区域绿色多式联运物流网络问题，以总社会福利最大化为目标，并考虑物流用户的选择行为，建立了两个非线性双层规划模型，并使用粒子群优化算法来求解该模型。
Figure BDA0002979930050000021
建立了与时间相关的多目标最优路径优化模型，并从决策者的角度出发，给出了多种适应决策偏好建议。Mohamed A等通过整合各种新型合作模式的资源，提出了基于集装箱港口参与的集装箱空箱运输优化方法，以集装箱空箱运输总成本最小化为目标，建立了多式联运集装箱空箱运输整数规划模型，并运用敏感度分析对各项不确定因素进行分析，证明模型有效性。Cetin等将重点放在收货人的硬时间窗口限制上，规定货物应该在固定时间内交付给收货人，并以此作为优化多式运输路径的约束，建立了带有硬时间窗的多式联运路径规划模型。Lei Dingyou等建立了大宗货物最短运输时间、运输距离和运输成本的目标函数，在研究中充分考虑了线路边界、桥梁荷载等约束条件，最终建立了大宗货物的多式联运路径优化模型。陆键等针对运输路径上交通事故概率未知的情况进行研究，提出考虑运输成本和风险的危险品运输网络选线模型,通过计算对事故发生的后果进行量化，在考虑运输方对多条路径进行组合选择的情况下，以风险最小为目标建立基于零和博弈理论的符合选线模型。代存杰等针对多种类型危险品的多路径组合优化问题进行研究，提出根据运输路径物理特征的路径间物理相异度和空间相异度的计算方法，并进行了最小相异度的约束，建立了考虑运输成本、时间和累计风险的多目标优化模型。龙琼等面向交通网络的不确定性特点,提出了一种考虑个性化需求的路径选择方法，在不确定型多属性决策框架下构建了路径综合评价指标体系，充分考虑了个性化需求的复杂性和模糊性，引入了模糊分析方法进行指标权重的个性化确定，从而能够针对路网信息的不确定性得到最优路径。李孟良等将灾后应急物资作为多式联运的运输对象，在满足物质需求，道路交通需求，以及优先需求的前提下，使得运输方案达到紧急救援总成本最低，最短的运输时间和最小的损失，并运用鲁棒优化思想来建立一个应急物资多式联运规划模型。谢静等在模糊需求环境下建立多式联运多目标优化模型，运用逐步法求解模型，并进行了有无碳成本的结果对比分析。于雪峤等建立运量模糊情形下的运输总费用最小化多式联运优化模型，加入客户满意度和时间窗约束，对比分析了多式联运相较于单一运输方式的成本和效率。王慧等考虑多式联运运输量为模糊变量，以最小化运输成本为目标，对运输路径及相应的运输方式进行选择，采用改进粒子群算法求解模型。张得志等针对节点间运输时间的单一不确定性、中转节点是否进行转运的可能性及客户服务时间窗约束等情况，在最大化客户满意度的情况下构建联运协同优化模型，充分考虑多式联运过程中货物运输量和节点间运输的多种不确定性。
通过上述分析，现有技术存在的问题及缺陷为：由于多式联运网络具有复杂性，时间和货损等因素均存在着不确定性，现有技术在对运输方式和路径进行规划时，未能在考虑不确定性因素影响的同时，减少货物运输的成本及时间，并减少对环境的污染，从而未能提高运输服务水平、竞争能力以及社会效益。
解决以上问题及缺陷的难度为：难点之一在于如何考虑运输中的不确定性特征，采用何种方式对运输过程中所存在的不确定性因素进行度量。由于经典算法对于不确定性规划问题求解的适用性较低，且不确定性规划求解更为复杂，如何在考虑到减少运输的成本、时间以及环境污染的同时，对不确定性规划问题模型进行采用一定优化方法进行处理，将其转化成确定性模型进行求解最终提出最优方案也具有一定难度。
解决以上问题及缺陷的意义为：在多式联运路径优化过程中，以区间参数的形式进行不确定性度量，能够更好的反应数据的不确定性，且求解的结果包含有不确定性信息能够在一定程度上反应运输过程的不确定因素的影响，是更贴近实际情况的解，能更好地为决策者提供正确信息，减少决策失误。
发明内容
针对现有技术存在的问题，本发明提供了一种多式联运路径优化方法、系统、存储介质、计算机设备。
本发明是这样实现的，一种多式联运路径优化方法，所述多式联运路径优化方法包括：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理；
算例验证。
进一步，所述考虑环境影响的多式联运规划模型建立包括：
(1)节点可同时满足公铁水三种运输方式的中转需求；运量无法分割，不能通过两条线路运输，且相邻两个节点间，只能够选择一种方式进行运输；货物只在节点处发生运输方式的转换，并且只存在不同运输方式的转换，相同的运输方式不进行转换；三种运输方式均不受运输能力和出发时刻的限制；忽视仓储、装卸等运输之外的步骤产生的碳排放量；
(2)参数说明：N：中间节点集合，其中o为起点，d为终点，h,i,j为中转节点，o,h,i,j,d∈N；M：运输方式集合，m∈M,m＝1,2,3,其中1代表公路运输，2代表铁路运输，3代表水路运输；
Figure BDA0002979930050000051
从节点i由运输方式m运输到节点j所需时间，单位：时；
Figure BDA0002979930050000052
从节点i由运输方式m运输到节点j所经过距离，单位：公里；cm：使用运输方式m运输的单位成本，单位：元/(吨*公里)；
Figure BDA0002979930050000053
在节点i由运输方式m转换至运输方式n的单位转运费用，单位：元/吨；
Figure BDA0002979930050000054
在节点i由运输方式m转换至运输方式n的转运时间，单位：时；
Figure BDA0002979930050000055
在节点i运输方式m转换至运输方式n的转运等待时间，单位：时；em：使用运输方式m运输的碳排放计算公式，单位：千克；zemn：由运输方式m转换至运输方式n的碳排放量，单位：千克；Lm：使用运输方式m运输过程所产生的等效连续A声级，单位：dB(A)；
Figure BDA0002979930050000056
使用运输方式m运输的货损率；q：多式联运运输货物量，单位：吨；
Figure BDA0002979930050000057
选取运输路径和运输方式的0-1决策变量，
Figure BDA0002979930050000058
表示从节点i采用运输方式m运输至节点j，
Figure BDA0002979930050000059
则相反；
Figure BDA00029799300500000510
发生转运的0-1决策变量，
Figure BDA00029799300500000511
表示在节点i由运输方式m转换至运输方式j，
Figure BDA00029799300500000512
则相反；
(3)模型建立。
进一步，所述模型建立包括：
(1)目标函数一：多式联运总成本，多式联运全过程中产生的成本包括节点之间运输产生的成本和在节点中发生转运所产生的成本：
Figure BDA00029799300500000513
其中，第一项为节点之间发生运输时产生的运输费用，第二项为在节点发生运输方式转换时的转运费用；
(2)目标函数二：总运输时间最小，在多式联运运输过程中所花费的时间包括节点之间运输所需运输时间，节点内运输方式转换所需的转运时间以及等待转运作业开始的等待时间：
Figure BDA00029799300500000514
其中，第一项为节点之间运输的运输时间，第二项为节点内发生运输方式转换时的转运时间，第三项为节点内发生运输方式转换时的等待时间；
(3)目标函数三：多式联运过程产生碳排放量最小，多式联运过程中，不同运输方式运输过程中以及转运过程中都会产生碳排放污染，根据调查数据可得，公路铁路水路运输每吨*千米分别消耗的柴油量为0.0148，0.0025，0.0056千克，柴油碳排放因子为0.0741kg/MJ，燃油热值为43MJ/kg，得三种运输方式的碳排放计算公式为：
e1＝0.0472kg/(t*km) (48)
e2＝0.0080kg/(t*km) (49)
e3＝0.0178kg/(t*km) (50)
则以总碳排放量最小的目标函数如下：
Figure BDA0002979930050000061
其中，第一项为不同运输方式运输过程产生的碳排放总量，第二项为节点转运过程产生的碳排放总量；
(4)目标函数四：多式联运过程产生噪声污染最小：运输过程中不同运输方式都会产生不同程度的噪声污染，不同运输工具在不同的速度以及参考距离下产生的等效连续A声级均不相同，采用不同运输方式产生的等效连续A声级与时间的乘积度量噪声污染，目标为噪声污染最小：
Figure BDA0002979930050000062
(5)目标函数五：总货损最小，货物运输过程中，货损货差的原因是：一是装卸搬运不当导致货物挤压、刺穿；二是运输过程中由于颠簸、撞击等造成损坏，则：
Figure BDA0002979930050000063
(6)多目标函数处理，通过模糊隶属度函数将不同含义的目标统一成无量纲的隶属度单目标函数进行求解，从而将多目标问题转化为具有权重和统一量纲的单目标问题；
将具有不同含义及量纲的目标函数值映射至[0,1]区间，将五个不同量纲的目标函数值转换为具有统一量纲的函数值，转化为单目标问题进行求解；
计算方法如下：
Figure BDA0002979930050000071
Figure BDA0002979930050000072
Figure BDA0002979930050000073
Figure BDA0002979930050000074
Figure BDA0002979930050000075
式(54)-(58)中，ω1-5为通过式(46)-(53)所计算出来的目标函数值，ωimin为目标函数i的最小函数值，ωimax为目标函数i的最大函数值，其中i∈{1，2，3，4，5}；
对所计算出来的归一化目标函数值分别赋与权重求和转化为单目标函数；建立的确定环境下的数学模型为：
Min f＝λ1f1+λ2f2+λ3f3+λ4f4+λ5f5 (59)
Figure BDA0002979930050000076
Figure BDA0002979930050000077
Figure BDA0002979930050000078
Figure BDA0002979930050000079
Figure BDA00029799300500000710
Figure BDA00029799300500000711
Figure BDA0002979930050000081
Figure BDA0002979930050000082
Figure BDA0002979930050000083
Figure BDA0002979930050000084
其中，式(59)为总目标函数，λ1、λ2、λ3、λ4、λ5分别为五个目标函数的权重式(60)至(62)表示运输从起点出发最终抵达终点过程中的运输连续性；式(63)为避免闭回路的约束，ui为引入中间参数，代表路径中节点i的序号；式(64)表示节点前后运输方式不同则在节点内产生了运输方式转换；式(65)表示在节点之间最多发生一次运输；式(66)在节中最多发生一次运输方式转换；式(67)表示运输只能发生在不同节点之间；式(68)表示产生转运需更换运输方式，式(69)为决策变量约束。
进一步，所述多式联运中不确定参数处理包括：
(1)时间不确定性，
Figure BDA0002979930050000086
为三角模糊数，
Figure BDA0002979930050000087
其中，cL为模糊数
Figure BDA00029799300500000810
的保守估计值，cM为模糊数
Figure BDA0002979930050000088
最可能的估计值，cU为模糊数
Figure BDA0002979930050000089
的最乐观估计值，且隶属度函数为：
Figure BDA0002979930050000085
根据模糊数可能性理论，对于给定置信水平α，当且仅当清晰数a≥(1+α)cL+αcM时，有
Figure BDA00029799300500000811
成立；当且仅当清晰数a≤(1+α)cU+αcM时，有
Figure BDA00029799300500000812
成立；当且仅当清晰数同时满足a≥(1+α)cL+αcM与a≤(1+α)cU+αcM时，有
Figure BDA00029799300500000813
成立；
在多式联运过程中，运输时间，转运时间以及转运等待时间都具有不确定性，模型中时间参数均为规范的三角模糊数，采用含有模糊参数的机会约束模型对模型中式(47)和式(52)进行转化，得到：
Figure BDA0002979930050000091
Figure BDA0002979930050000092
Figure BDA0002979930050000093
Figure BDA0002979930050000094
Figure BDA0002979930050000095
Figure BDA0002979930050000096
Figure BDA0002979930050000097
将上述模型中约束条件转化为等价形式，得到：
Figure BDA0002979930050000098
Figure BDA0002979930050000099
Figure BDA00029799300500000910
Figure BDA00029799300500000911
Figure BDA00029799300500000912
Figure BDA00029799300500000913
Figure BDA00029799300500000914
Figure BDA00029799300500000915
其中，α1和α2分别为目标函数二和目标函数四的置信水平，α3为新增约束条件的置信水平；
(2)货损率不确定性，不同情况下各运输方式货损率不同，存在S种情景，不同情景下货损率的取值不同，即在情景s下运输方式m的货损率为
Figure BDA0002979930050000101
每种情景s发生的概率为ps；由此，对式(53)进行修改，将以目标函数五为目标的确定性模型转化为基于不同情景的鲁棒优化偏好模型，如下：
Figure BDA0002979930050000102
其中，
Figure BDA0002979930050000103
添加的约束条件为：
Figure BDA0002979930050000104
Figure BDA0002979930050000105
Figure BDA0002979930050000106
式(86)和(87)为转化过后的目标函数，第一项为总货损的期望值，第二项为总货损的偏差值总和，其中引入
Figure BDA0002979930050000107
保证该项为正，保证模型鲁棒解的稳定性和可靠性；式(88)使得鲁棒解接近最优解，γ为鲁棒解偏离最优解的允许范围，式(89)为鲁棒优化条件约束，式(90)为对参数的约束；
所以，最终的模型为以式(59)为总目标函数，其中式(46)、(52)、(71)、(72)、(86)为子目标函数，以式(60)-(29)、(78)-(85)、(88)-(90)为约束条件的运输路径规划模型。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的多式联运路径优化方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的多式联运路径优化方法在对运输方式和路径进行规划时，在考虑不确定性因素影响的同时，减少了货物运输的成本及时间，并减少了对环境的污染，从而提高了运输服务水平、竞争能力以及社会效益。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的多式联运网络结构图。
图2是本发明实施例提供的货损变化效果图。
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。
针对现有技术存在的问题，本发明提供了一种多式联运路径优化方法、系统、存储介质、计算机设备，下面结合附图对本发明技术方案作详细的描述。
本发明实施例提供的多式联运路径优化方法包括以下步骤：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理；
算例验证。
下面结合实施例对本发明技术方案作进一步描述。
1考虑环境影响的多式联运规划模型建立
1.1问题描述及假设
本发明所提出的多式联运问题为通过多种运输方式、多条运输路径、多个中转节点，考虑多项不确定因素并以最短的时间、最少的成本、最低的环境污染从起点将货物运输至终点的最短路问题。在实际运输过程中，不同方式运输时间、换装时间以及等待换装时间均存在着随机性，本发明在此背景下，研究运输过程中的成本、时间、货损、碳排放污染以及噪声污染，对其量化得出最优的多式联运方案，并作出如下假设：
(1)节点可同时满足公铁水三种运输方式的中转需求；
(2)运量无法分割，不能通过两条线路运输，且相邻两个节点间，只能够选择一种方式进行运输；
(3)货物只在节点处发生运输方式的转换，并且只存在不同运输方式的转换，相同的运输方式不进行转换。
(4)三种运输方式均不受运输能力和出发时刻的限制；
(5)忽视仓储、装卸等运输之外的步骤产生的碳排放量。
1.2参数说明
N：中间节点集合，其中o为起点，d为终点，h,i,j为中转节点，o,h,i,j,d∈N；
M：运输方式集合，m∈M,m＝1,2,3,其中1代表公路运输，2代表铁路运输，3代表水路运输；
Figure BDA0002979930050000121
从节点i由运输方式m运输到节点j所需时间，单位：时；
Figure BDA0002979930050000122
从节点i由运输方式m运输到节点j所经过距离，单位：公里；
cm：使用运输方式m运输的单位成本，单位：元/(吨*公里)；
Figure BDA0002979930050000123
在节点i由运输方式m转换至运输方式n的单位转运费用，单位：元/吨；
Figure BDA0002979930050000131
在节点i由运输方式m转换至运输方式n的转运时间，单位：时；
Figure BDA0002979930050000132
在节点i运输方式m转换至运输方式n的转运等待时间，单位：时；
em：使用运输方式m运输的碳排放计算公式，单位：千克；
zemn：由运输方式m转换至运输方式n的碳排放量，单位：千克；
Lm：使用运输方式m运输过程所产生的等效连续A声级，单位：dB(A)；
Figure BDA0002979930050000133
使用运输方式m运输的货损率；
q：多式联运运输货物量，单位：吨；
Figure BDA0002979930050000134
选取运输路径和运输方式的0-1决策变量，
Figure BDA0002979930050000135
表示从节点i采用运输方式m运输至节点j，
Figure BDA0002979930050000136
则相反；
Figure BDA0002979930050000137
发生转运的0-1决策变量，
Figure BDA0002979930050000138
表示在节点i由运输方式m转换至运输方式j，
Figure BDA0002979930050000139
则相反。
1.3模型建立
(1)目标函数一：多式联运总成本
多式联运全过程中产生的成本包括节点之间运输产生的成本和在节点中发生转运所产生的成本。
Figure BDA00029799300500001310
其中，第一项为节点之间发生运输时产生的运输费用，第二项为在节点发生运输方式转换时的转运费用。
(2)目标函数二：总运输时间最小。
在多式联运运输过程中所花费的时间包括节点之间运输所需运输时间，节点内运输方式转换所需的转运时间以及等待转运作业开始的等待时间。
Figure BDA00029799300500001311
其中，第一项为节点之间运输的运输时间，第二项为节点内发生运输方式转换时的转运时间，第三项为节点内发生运输方式转换时的等待时间。
(3)目标函数三：多式联运过程产生碳排放量最小。
多式联运过程中，不同运输方式运输过程中以及转运过程中都会产生碳排放污染，根据调查数据可得，公路铁路水路运输每吨*千米分别消耗的柴油量为0.0148，0.0025，0.0056千克，柴油碳排放因子为0.0741kg/MJ，燃油热值为43MJ/kg，故可得三种运输方式的碳排放计算公式为：
e1＝0.0472kg/(t*km) (93)
e2＝0.0080kg/(t*km) (94)
e3＝0.0178kg/(t*km) (95)
则以总碳排放量最小的目标函数如下：
Figure BDA0002979930050000141
其中，第一项为不同运输方式运输过程产生的碳排放总量，第二项为节点转运过程产生的碳排放总量。
(4)目标函数四：多式联运过程产生噪声污染最小。
运输过程中不同运输方式都会产生不同程度的噪声污染，不同运输工具在不同的速度以及参考距离下产生的等效连续A声级均不相同，本发明采用不同运输方式产生的等效连续A声级与时间的乘积来度量噪声污染，目标为噪声污染最小：
Figure BDA0002979930050000142
(5)目标函数五：总货损最小
货物运输过程中，货损货差的原因主要是：一是装卸搬运不当导致货物挤压、刺穿；二是运输过程中由于颠簸、撞击等造成损坏。由于不同运输方式特性不同，货物在运输中产生的货损货差也不同，则：
Figure BDA0002979930050000143
(6)多目标函数处理
通过模糊隶属度函数将不同含义的目标统一成无量纲的隶属度单目标函数进行求解，从而将多目标问题转化为具有权重和统一量纲的单目标问题。
本发明将具有不同含义及量纲的目标函数值映射至[0,1]区间，从而将五个不同量纲的目标函数值转换为具有统一量纲的函数值，转化为单目标问题进行求解。
计算方法如下：
Figure BDA0002979930050000151
Figure BDA0002979930050000152
Figure BDA0002979930050000153
Figure BDA0002979930050000154
Figure BDA0002979930050000155
式(99)-(103)中，ω1-5为通过式(91)-(98)所计算出来的目标函数值，ωimin为目标函数i的最小函数值，ωimax为目标函数i的最大函数值，其中i∈{1，2，3，4，5}。
对所计算出来的归一化目标函数值分别赋与权重求和转化为单目标函数。因此，本发明建立的确定环境下的数学模型为：
Min f＝λ1f1+λ2f2+λ3f3+λ4f4+λ5f5 (104)
Figure BDA0002979930050000156
Figure BDA0002979930050000157
Figure BDA0002979930050000158
Figure BDA0002979930050000159
Figure BDA00029799300500001510
Figure BDA0002979930050000161
Figure BDA0002979930050000162
Figure BDA0002979930050000163
Figure BDA0002979930050000164
Figure BDA0002979930050000165
其中，式(104)为总目标函数，λ1、λ2、λ3、λ4、λ5分别为五个目标函数的权重；式(105)至(107)表示运输从起点出发最终抵达终点过程中的运输连续性；式(108)为避免闭回路的约束，ui为引入中间参数，代表路径中节点i的序号；式(109)表示节点前后运输方式不同则在节点内产生了运输方式转换；式(110)表示在节点之间最多发生一次运输；式(111)在节点中最多发生一次运输方式转换；式(112)表示运输只能发生在不同节点之间；式(113)表示产生转运需更换运输方式，式(114)为决策变量约束。
2多式联运中不确定参数处理
2.1时间不确定性
假设
Figure BDA0002979930050000168
为三角模糊数，
Figure BDA0002979930050000166
其中，cL为模糊数
Figure BDA0002979930050000169
的保守估计值，cM为模糊数
Figure BDA00029799300500001610
最可能的估计值，cU为模糊数
Figure BDA00029799300500001611
的最乐观估计值，且隶属度函数为：
Figure BDA0002979930050000167
根据模糊数可能性理论，对于给定置信水平α，当且仅当清晰数a≥(1+α)cL+αcM时，有
Figure BDA00029799300500001612
成立；当且仅当清晰数a≤(1+α)cU+αcM时，有
Figure BDA00029799300500001613
成立；当且仅当清晰数同时满足a≥(1+α)cL+αcM与a≤(1+α)cU+αcM时，有
Figure BDA00029799300500001614
成立。
在多式联运过程中，运输时间，转运时间以及转运等待时间都具有不确定性，为了解决模型中存在的时间不确定性，本发明假设模型中时间参数均为规范的三角模糊数，采用含有模糊参数的机会约束模型对模型中式(92)和式(97)进行转化，得到：
Figure BDA0002979930050000171
Figure BDA0002979930050000172
Figure BDA0002979930050000173
Figure BDA0002979930050000174
Figure BDA0002979930050000175
Figure BDA0002979930050000176
Figure BDA0002979930050000177
将上述模型中约束条件转化为等价形式，得到：
Figure BDA0002979930050000178
Figure BDA0002979930050000179
Figure BDA00029799300500001710
Figure BDA00029799300500001711
Figure BDA00029799300500001712
Figure BDA00029799300500001713
Figure BDA00029799300500001714
Figure BDA00029799300500001715
其中，α1和α2分别为目标函数二和目标函数四的置信水平，α3为新增约束条件的置信水平。
2.2货损率不确定性
为了研究货损率不确定性的影响，运用鲁棒优化的思想对模型进行转化。本发明假设不同情况下各运输方式货损率不同，存在S种情景，不同情景下货损率的取值不同，即在情景s下运输方式m的货损率为
Figure BDA0002979930050000181
每种情景s发生的概率为ps。由此，可对式(98)进行修改，将以目标函数五为目标的确定性模型转化为基于不同情景的鲁棒优化偏好模型，如下：
Figure BDA0002979930050000182
其中，
Figure BDA0002979930050000183
添加的约束条件为：
Figure BDA0002979930050000184
Figure BDA0002979930050000185
Figure BDA0002979930050000186
式(131)和(132)为转化过后的目标函数，第一项为总货损的期望值，第二项为总货损的偏差值总和，其中引入
Figure BDA0002979930050000187
可以保证该项为正，保证模型鲁棒解的稳定性和可靠性。式(1333)可以使得鲁棒解接近最优解，γ为鲁棒解偏离最优解的允许范围，式(134)为鲁棒优化条件约束，式(135)为对参数的约束。
所以，最终的模型为以式(14)为总目标函数，其中式(91)、(96)、(116)、(117)、(131)为子目标函数，以式(105)-(114)、(123)-(130)、(133)-(135)为约束条件的运输路径规划模型。
3算例验证
如图1所示，本发明实施例提供的在一个多式联运网络中，包含有公路、铁路以及水路运输三种运输方式。此运输网络有起点1号节点，终点13号节点和中间节点2-12号节点共13个节点，与19条运输路径构成的网络。该网络各节点之间的运输距离如表1所示，运输单价如表2所示，，节点之间运输时间、节点内换装时间以及换装等待时间以三角模糊数形式给出，分别如表3、4、5所示。查阅相关文献[24-26]得到，三种运输方式分别在95km/h,70km/h,35km/h速度下产生的等效连续A声级为93.83,87.64,83.01dB(A)，运输需求量q为100吨，目标函数权重分别为0.3、0.3、0.1、0.1和0.2，置信度α1,α2,α3分别取0.9,0.8,0.8。
表1各节点间不同运输方式运距
Figure BDA0002979930050000191
表2各节点间不同运输方式运输单价
Figure BDA0002979930050000192
表3各节点间运输时间(h)
Figure BDA0002979930050000193
Figure BDA0002979930050000201
表4转运时间(h)
Figure BDA0002979930050000202
表5节点转运等待时间
Figure BDA0002979930050000203
利用CPLEX 12.9.0对上述算例进行求解，得到五个目标函数的最小值和最大值如表6所示，最优解如表7所示：
表6目标函数最优值
Figure BDA0002979930050000204
Figure BDA0002979930050000211
表7算例最优方案结果
Figure BDA0002979930050000212
续表7算例最优方案结果
Figure BDA0002979930050000213
如图2所示，本发明实施例提供的最优运输方案为从起点通过公路运输依次经过2、5、9、12节点，于进行12节点进行中转由铁路运输至终点。根据式(9)-(13)，可求得该运输方案在五个子目标函数上的归一化值分别为0.0895、0.0151、0.1839、0.0167、0.0256，可以看出改运输方案在五个目标上与各最优值的相对距离都比较小，不仅能保证运输成本较低，同时也能迅速、环保、安全地将货物运输至终点。为了进一步验证该模型的鲁棒性，本发明将三种情景集下的货损率分别代入确定性模型计算出相应的最优值并与鲁棒优化模型的最优值进行比较，在[100,200]区间内以10为间隔取为货运量进行多次试验。
由此结果可以分析得到，货损与货运量呈正相关关系，给定货运量时，不同情景下最优运输方案解不同，货损最优值也不同。当情景产生变化时，原情景下最优解可能不再是新情景下的最优解。而鲁棒模型所得到的最优解是在综合考虑各种情景的前提下得到的，能够被各情景接受的同时使得目标函数值最优，所以考虑了情景不确定所得到的鲁棒解能够较好的降低由于不确定性因素所带来的多式联运方案决策风险，为企业管理者提供决策依据。
本发明针对多式联运路径规划问题，考虑了运输过程中时间和货损所存在的不确定性以及碳排放污染和噪声污染，以运输成本、运输时间、运输货损和环境污染为目标建立了多目标绿色多式联运路径规划模型。
本发明针对模型中存在的不确定性因素，通过引入三角模糊数衡量运输过程中时间存在的不确定性，并根据模糊机会约束模型对模型进行转化。采用不同情景集表示货损率的不确定性，将货损为目标的目标函数转换为基于情景集的鲁棒优化模型。
本发明对算例数据调用CPLEX进行求解，根据所得到的综合最优的运输方案，分析得到，该模型所获得的最优方案既考虑了交通网络的不确定性因素,也能使得低成本、高时效、环保并安全地完成运输任务。进一步地将结果与不同确定情况下最优解进行比较，得出模型最优解是在充分考虑各情景下得出的最优解的结论，能够降低运输网络中不确定性所带来的决策风险，为多式联运路径决策提供一定理论依据。
本发明在节点间运输和节点中换装均只考虑使用一种运输方式，并没有注重不同运输方式组合现象，因此，后续研究阶段必须考虑在路径组合情况下路径优化问题。
以上所述，仅为本发明的具体实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种多式联运路径优化方法，其特征在于，所述多式联运路径优化方法包括：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理。
2.如权利要求1所述的多式联运路径优化方法，其特征在于，所述考虑环境影响的多式联运规划模型建立包括：
(1)节点可同时满足公铁水三种运输方式的中转需求；运量无法分割，不能通过两条线路运输，且相邻两个节点间，只能够选择一种方式进行运输；货物只在节点处发生运输方式的转换，并且只存在不同运输方式的转换，相同的运输方式不进行转换；三种运输方式均不受运输能力和出发时刻的限制；忽视仓储、装卸等运输之外的步骤产生的碳排放量；
(2)参数说明：N：中间节点集合，其中o为起点，d为终点，h,i,j为中转节点，o,h,i,j,d∈N；M：运输方式集合，m∈M,m＝1,2,3,其中1代表公路运输，2代表铁路运输，3代表水路运输；
Figure FDA0002979930040000011
从节点i由运输方式m运输到节点j所需时间，单位：时；
Figure FDA0002979930040000012
从节点i由运输方式m运输到节点j所经过距离，单位：公里；cm：使用运输方式m运输的单位成本，单位：元/(吨*公里)；ri mn：在节点i由运输方式m转换至运输方式n的单位转运费用，单位：元/吨；
Figure FDA0002979930040000013
在节点i由运输方式m转换至运输方式n的转运时间，单位：时；
Figure FDA0002979930040000014
在节点i运输方式m转换至运输方式n的转运等待时间，单位：时；em：使用运输方式m运输的碳排放计算公式，单位：千克；zemn：由运输方式m转换至运输方式n的碳排放量，单位：千克；Lm：使用运输方式m运输过程所产生的等效连续A声级，单位：dB(A)；
Figure FDA0002979930040000015
使用运输方式m运输的货损率；q：多式联运运输货物量，单位：吨；
Figure FDA0002979930040000016
选取运输路径和运输方式的0-1决策变量，
Figure FDA0002979930040000017
表示从节点i采用运输方式m运输至节点j，
Figure FDA0002979930040000018
则相反；
Figure FDA0002979930040000019
发生转运的0-1决策变量，
Figure FDA00029799300400000110
表示在节点i由运输方式m转换至运输方式j，
Figure FDA00029799300400000111
则相反；
(3)模型建立。
3.如权利要求2所述的多式联运路径优化方法，其特征在于，所述模型建立包括：
(1)目标函数一：多式联运总成本，多式联运全过程中产生的成本包括节点之间运输产生的成本和在节点中发生转运所产生的成本：
Figure FDA0002979930040000021
其中，第一项为节点之间发生运输时产生的运输费用，第二项为在节点发生运输方式转换时的转运费用；
(2)目标函数二：总运输时间最小，在多式联运运输过程中所花费的时间包括节点之间运输所需运输时间，节点内运输方式转换所需的转运时间以及等待转运作业开始的等待时间：
Figure FDA0002979930040000022
其中，第一项为节点之间运输的运输时间，第二项为节点内发生运输方式转换时的转运时间，第三项为节点内发生运输方式转换时的等待时间；
(3)目标函数三：多式联运过程产生碳排放量最小，多式联运过程中，不同运输方式运输过程中以及转运过程中都会产生碳排放污染，根据调查数据可得，公路铁路水路运输每吨*千米分别消耗的柴油量为0.0148，0.0025，0.0056千克，柴油碳排放因子为0.0741kg/MJ，燃油热值为43MJ/kg，得三种运输方式的碳排放计算公式为：
e1＝0.0472kg/(t*km) (3)
e2＝0.0080kg/(t*km) (4)
e3＝0.0178kg/(t*km) (5)
则以总碳排放量最小的目标函数如下：
Figure FDA0002979930040000023
其中，第一项为不同运输方式运输过程产生的碳排放总量，第二项为节点转运过程产生的碳排放总量；
(4)目标函数四：多式联运过程产生噪声污染最小：运输过程中不同运输方式都会产生不同程度的噪声污染，不同运输工具在不同的速度以及参考距离下产生的等效连续A声级均不相同，采用不同运输方式产生的等效连续A声级与时间的乘积度量噪声污染，目标为噪声污染最小：
Figure FDA0002979930040000031
(5)目标函数五：总货损最小，货物运输过程中，货损货差的原因是：一是装卸搬运不当导致货物挤压、刺穿；二是运输过程中由于颠簸、撞击等造成损坏，则：
Figure FDA0002979930040000032
(6)多目标函数处理，通过模糊隶属度函数将不同含义的目标统一成无量纲的隶属度单目标函数进行求解，从而将多目标问题转化为具有权重和统一量纲的单目标问题；
将具有不同含义及量纲的目标函数值映射至[0,1]区间，将五个不同量纲的目标函数值转换为具有统一量纲的函数值，转化为单目标问题进行求解；
计算方法如下：
Figure FDA0002979930040000033
Figure FDA0002979930040000034
Figure FDA0002979930040000035
Figure FDA0002979930040000036
Figure FDA0002979930040000037
式(9)-(13)中，ω1-5为通过式(1)-(8)所计算出来的目标函数值，ωi min为目标函数i的最小函数值，ωimax为目标函数i的最大函数值，其中i∈{1，2，3，4，5}；
对所计算出来的归一化目标函数值分别赋与权重求和转化为单目标函数；建立的确定环境下的数学模型为：
Min f＝λ1f1+λ2f2+λ3f3+λ4f4+λ5f5 (14)
Figure FDA0002979930040000041
Figure FDA0002979930040000042
Figure FDA0002979930040000043
Figure FDA0002979930040000044
Figure FDA0002979930040000045
Figure FDA0002979930040000046
Figure FDA0002979930040000047
Figure FDA0002979930040000048
Figure FDA0002979930040000049
Figure FDA00029799300400000410
其中，式(14)为总目标函数，λ1、λ2、λ3、λ4、λ5分别为五个目标函数的权重式(15)至(17)表示运输从起点出发最终抵达终点过程中的运输连续性；式(18)为避免闭回路的约束，ui为引入中间参数，代表路径中节点i的序号；式(19)表示节点前后运输方式不同则在节点内产生了运输方式转换；式(20)表示在节点之间最多发生一次运输；式(21)在节中最多发生一次运输方式转换；式(22)表示运输只能发生在不同节点之间；式(23)表示产生转运需更换运输方式，式(24)为决策变量约束。
4.如权利要求1所述的多式联运路径优化方法，其特征在于，所述多式联运中不确定参数处理包括：
(1)时间不确定性，
Figure FDA0002979930040000051
为三角模糊数，
Figure FDA0002979930040000052
其中，cL为模糊数
Figure FDA0002979930040000053
的保守估计值，cM为模糊数
Figure FDA0002979930040000054
最可能的估计值，cU为模糊数
Figure FDA0002979930040000055
的最乐观估计值，且隶属度函数为：
Figure FDA0002979930040000056
根据模糊数可能性理论，对于给定置信水平α，当且仅当清晰数a≥(1+α)cL+αcM时，有
Figure FDA0002979930040000057
成立；当且仅当清晰数a≤(1+α)cU+αcM时，有
Figure FDA0002979930040000058
成立；当且仅当清晰数同时满足a≥(1+α)cL+αcM与a≤(1+α)cU+αcM时，有
Figure FDA0002979930040000059
成立；
在多式联运过程中，运输时间，转运时间以及转运等待时间都具有不确定性，模型中时间参数均为规范的三角模糊数，采用含有模糊参数的机会约束模型对模型中式(2)和式(7)进行转化，得到：
Figure FDA00029799300400000510
Figure FDA00029799300400000511
Figure FDA00029799300400000512
Figure FDA00029799300400000513
Figure FDA00029799300400000514
Figure FDA00029799300400000515
Figure FDA00029799300400000516
将上述模型中约束条件转化为等价形式，得到：
Figure FDA0002979930040000061
Figure FDA0002979930040000062
Figure FDA0002979930040000063
Figure FDA0002979930040000064
Figure FDA0002979930040000065
Figure FDA0002979930040000066
Figure FDA0002979930040000067
Figure FDA0002979930040000068
其中，α1和α2分别为目标函数二和目标函数四的置信水平，α3为新增约束条件的置信水平；
(2)货损率不确定性，不同情况下各运输方式货损率不同，存在S种情景，不同情景下货损率的取值不同，即在情景s下运输方式m的货损率为
Figure FDA0002979930040000069
每种情景s发生的概率为ps；由此，对式(8)进行修改，将以目标函数五为目标的确定性模型转化为基于不同情景的鲁棒优化偏好模型，如下：
Figure FDA00029799300400000610
其中，
Figure FDA00029799300400000611
添加的约束条件为：
Figure FDA00029799300400000612
Figure FDA00029799300400000613
Figure FDA0002979930040000071
式(41)和(42)为转化过后的目标函数，第一项为总货损的期望值，第二项为总货损的偏差值总和，其中引入
Figure FDA0002979930040000072
保证该项为正，保证模型鲁棒解的稳定性和可靠性；式(43)使得鲁棒解接近最优解，γ为鲁棒解偏离最优解的允许范围，式(44)为鲁棒优化条件约束，式(45)为对参数的约束；
所以，最终的模型为以式(14)为总目标函数，其中式(1)、(6)、(26)、(27)、(41)为子目标函数，以式(15)-(24)、(33)-(40)、(43)-(45)为约束条件的运输路径规划模型。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
考虑环境影响的多式联运规划模型建立；
多式联运中不确定参数的处理。
7.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～5任意一项所述的多式联运路径优化方法。
CN202110284644.8A 2021-03-17 2021-03-17 多式联运路径优化方法、系统、存储介质、计算机设备 Withdrawn CN113033885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284644.8A CN113033885A (zh) 2021-03-17 2021-03-17 多式联运路径优化方法、系统、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284644.8A CN113033885A (zh) 2021-03-17 2021-03-17 多式联运路径优化方法、系统、存储介质、计算机设备

Publications (1)

Publication Number Publication Date
CN113033885A true CN113033885A (zh) 2021-06-25

Family

ID=76470908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284644.8A Withdrawn CN113033885A (zh) 2021-03-17 2021-03-17 多式联运路径优化方法、系统、存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN113033885A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490391A (zh) * 2019-09-11 2019-11-22 中国铁道科学研究院集团有限公司电子计算技术研究所 一种多式联运运输方案的计算方法
CN113627644A (zh) * 2021-06-29 2021-11-09 东南大学 一种运输价格不确定下多式联运运输路径的鲁棒优化方法
CN113642954A (zh) * 2021-07-26 2021-11-12 东南大学 一种运输能力不确定的多式联运运输路径鲁棒优化方法
CN113724508A (zh) * 2021-09-08 2021-11-30 四川国蓝中天环境科技集团有限公司 一种考虑交通排放不确定性的交通信号鲁棒控制方法
CN114399124A (zh) * 2022-03-24 2022-04-26 腾讯科技（深圳）有限公司 路径数据处理、路径规划方法、装置和计算机设备
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
CN115619103A (zh) * 2022-11-15 2023-01-17 湖南省交通科学研究院有限公司 基于货车行驶轨迹的典型行业物流联运分析方法及系统
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
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
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
CN116205559A (zh) * 2023-05-05 2023-06-02 中铁第四勘察设计院集团有限公司 基于最优前沿的多式联运货运设施布点优化方法及系统
CN116307999A (zh) * 2023-05-18 2023-06-23 交通运输部水运科学研究所 一种基于水铁公多式联运的运输方式调度方法及系统
CN116307330A (zh) * 2023-05-10 2023-06-23 中铁第四勘察设计院集团有限公司 基于大数据处理的多式联运组织模式动态优化方法
CN116883013A (zh) * 2023-06-09 2023-10-13 上海朗晖慧科技术有限公司 一种基于大数据的售后服务智能监管系统及方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490391A (zh) * 2019-09-11 2019-11-22 中国铁道科学研究院集团有限公司电子计算技术研究所 一种多式联运运输方案的计算方法
CN113627644A (zh) * 2021-06-29 2021-11-09 东南大学 一种运输价格不确定下多式联运运输路径的鲁棒优化方法
CN113627644B (zh) * 2021-06-29 2024-05-14 东南大学 一种运输价格不确定下多式联运运输路径的鲁棒优化方法
CN113642954A (zh) * 2021-07-26 2021-11-12 东南大学 一种运输能力不确定的多式联运运输路径鲁棒优化方法
CN113642954B (zh) * 2021-07-26 2024-03-26 东南大学 一种运输能力不确定的多式联运运输路径鲁棒优化方法
CN113724508A (zh) * 2021-09-08 2021-11-30 四川国蓝中天环境科技集团有限公司 一种考虑交通排放不确定性的交通信号鲁棒控制方法
CN114399124A (zh) * 2022-03-24 2022-04-26 腾讯科技（深圳）有限公司 路径数据处理、路径规划方法、装置和计算机设备
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
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
CN115619103A (zh) * 2022-11-15 2023-01-17 湖南省交通科学研究院有限公司 基于货车行驶轨迹的典型行业物流联运分析方法及系统
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
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
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
CN116205559A (zh) * 2023-05-05 2023-06-02 中铁第四勘察设计院集团有限公司 基于最优前沿的多式联运货运设施布点优化方法及系统
CN116307330A (zh) * 2023-05-10 2023-06-23 中铁第四勘察设计院集团有限公司 基于大数据处理的多式联运组织模式动态优化方法
CN116307999A (zh) * 2023-05-18 2023-06-23 交通运输部水运科学研究所 一种基于水铁公多式联运的运输方式调度方法及系统
CN116883013A (zh) * 2023-06-09 2023-10-13 上海朗晖慧科技术有限公司 一种基于大数据的售后服务智能监管系统及方法
CN116883013B (zh) * 2023-06-09 2024-04-19 上海朗晖慧科技术有限公司 一种基于大数据的售后服务智能监管系统及方法

Similar Documents

Publication Publication Date Title
CN113033885A (zh) 多式联运路径优化方法、系统、存储介质、计算机设备
Wang et al. Static green repositioning in bike sharing systems with broken bikes
Caris et al. A local search heuristic for the pre-and end-haulage of intermodal container terminals
Li-ying et al. Multiple charging station location-routing problem with time window of electric vehicle.
CN110490391B (zh) 一种多式联运运输方案的计算方法
Ge et al. Electric vehicle routing problems with stochastic demands and dynamic remedial measures
Liu et al. Rolling horizon based robust optimization method of quayside operations in maritime container ports
Tao et al. A bi-objective optimization for integrated truck operation and storage allocation considering traffic congestion in container terminals
Fan et al. Electric vehicle routing problem considering energy differences of charging stations
Taran et al. Structural optimization of multimodal routes for cargo delivery
Asghari et al. Disruption management for the electric vehicle routing problem in a geographically flexible network
CN110544067B (zh) 一种多式联运运输系统
Wang et al. Equity‐oriented vehicle routing optimization for catering distribution services with timeliness requirements
Wang et al. Path design and planning and investment and construction mode of multimodal transport network based on big data analysis
Sawadogo et al. Reducing intermodal transportation impacts on society and environment by path selection: a multiobjective shortest path approach
Zhang et al. Multiobjective Green Time‐Dependent Location‐Routing Problem and Algorithms
Zhou et al. China-Europe container multimodal transport path selection based on multi-objective optimization
Rožić et al. Container transport flows as a prerequisite for determination of inland terminal location
Huang et al. A cooperative intermodal transportation network flow control method based on model predictive control
CN116187889A (zh) 全链条铁水联运方案系统及评价方法
Fu et al. Resource Scheduling Method for Optimizing the Distribution Path of Fresh Agricultural Products under Low‐Carbon Environmental Constraints
Yu et al. Robust Low‐Carbon Discrete Berth Allocation under Uncertainty
Ouhader et al. The impact of network structure in collaborative distribution system
Guo et al. An urban metro network-based method to evaluate carbon emission and distribution cost of express delivery
Ji et al. Sailing route and speed optimization for green intermodal transportation

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210625