CN113222291A - 一种基于空间区域划分模型的三维装载优化方法 - Google Patents

一种基于空间区域划分模型的三维装载优化方法 Download PDF

Info

Publication number
CN113222291A
CN113222291A CN202110626204.6A CN202110626204A CN113222291A CN 113222291 A CN113222291 A CN 113222291A CN 202110626204 A CN202110626204 A CN 202110626204A CN 113222291 A CN113222291 A CN 113222291A
Authority
CN
China
Prior art keywords
population
goods
vehicle
chromosomes
customer
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
CN202110626204.6A
Other languages
English (en)
Other versions
CN113222291B (zh
Inventor
王勇
魏远晗
樊建新
许茂增
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.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
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 Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN202110626204.6A priority Critical patent/CN113222291B/zh
Publication of CN113222291A publication Critical patent/CN113222291A/zh
Application granted granted Critical
Publication of CN113222291B publication Critical patent/CN113222291B/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"
    • 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
    • G06Q10/04—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
    • G06Q10/08—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
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

本发明属于智能运输处理技术领域，涉及一种基于空间区域划分模型的三维装载优化方法，包括利用满足约束条件的下式作为优化目标构建基于配送车辆车厢空间区域划分的三维装载优化模型，
Figure DDA0003101232120000011
基于遗传算法GA和禁忌搜索算法TS的GA‑TS混合优化算法对上式进行求解，获得最优的装载方案。本发明的方法包含空间区域划分选择策略和三维装载优化算法设计，可以优化车厢三维装载空间布局，提高车辆装载率，减少车辆使用数量，有助于物流资源的有效整合与优化配置，进而有利于完善城市物流配送系统，实用性强，值得推广。

Description

一种基于空间区域划分模型的三维装载优化方法
技术领域
本发明属于智能运输处理技术领域，具体涉及一种基于空间区域划分模型的三维装载优化方法。
背景技术
三维装载优化问题主要是指给定一定数量不同类型的货物，且不同类型的货物具有不同的长、宽、高，同时给定一定数量的配送车辆，要求将所有的货物按顺序装入三维车厢中，并满足一定的约束条件，实现需要的配送车辆数最少的问题。
在城市物流配送过程中，一个有计划、有组织的车辆装载方案可以提高配送车辆的容积和载重利用率，进而提高配送服务的效率。因此，在三维装载优化过程中，如何提高配送车辆装载率，控制运输成本，提高配送效率是物流中心亟需解决的问题之一。
在现实的城市物流配送过程中，除了需要考虑上述约束之外，还需要考虑货物的体积，即三维装载约束，如洗衣机空调等大件物流的装载和配送问题。同时，每个客户的需求以及货物的规格大小均有所差异，配送过程中还需要结合货物装载方式与客户访问序列相关的特征，遵循后进先出，先下后上等约束条件。因此，在优化配送路径时，应结合实际情况考虑货物的三维装载约束，由此建立的优化模型所求得的解才是符合现实情况的解。
而目前的城市物流配送研究中，相关学者在求解最优配送路径时，一般较少考虑货物的体积约束，即在构建相关优化模型和设计求解算法时，并较少考虑货物的三维体积，在这样的假设前提下，配送方案的优化往往只受车辆的最大载重量、客户需求和客户位置等因素的约束。可是由于不同客户对商品类型的需求不同，这大大增加了三维装载优化的复杂性，进而导致城市三维装载物流配送过程中经常出现车辆装载率低，空载率较大的问题。
发明内容
有鉴于此，本发明提供了一种基于空间区域划分模型的三维装载优化方法，以便解决上述提到的技术问题。
本发明的技术方案是：
一种基于空间区域划分模型的三维装载优化方法，包括：
利用满足约束条件的公式(1)作为优化目标构建基于配送车辆车厢空间区域划分的三维装载优化模型，
Figure BDA0003101232100000021
其中，Z是配送车辆装载率，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h}，Vk是车辆k车厢的最大装载体积，
Figure BDA0003101232100000022
是配送车辆k区域d内装载货物总体积，y0ik是一个决策变量，表示若配送车辆k从配送中心驶向客户点j，则y0ik＝1，否则，y0ik＝0；
基于遗传算法GA和禁忌搜索算法TS的GA-TS混合优化算法对式(1)进行求解，获得最优的装载方案。
优选的，所述公式(1)满足的约束条件如下：
(1)配送车辆上每一区域内货物的数量是该配送车辆所服务的所有客户需求货物的合集，
Figure BDA0003101232100000031
其中，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h}，
Figure BDA0003101232100000032
是配送车辆k区域d内所装载的客户i的货物数量，
Figure BDA0003101232100000033
是配送车辆k区域d内所装载的货物数量，
Figure BDA0003101232100000034
是决策变量，表示若在配送车辆k的区域d里装载了客户i的货物，则
Figure BDA0003101232100000035
否则，
Figure BDA0003101232100000036
D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}，Nk是车辆k服务客户点的集合；
(2)每一辆配送车辆各区域装载货物的总重量不超过车辆的最大装载量，
Figure BDA0003101232100000037
其中，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h},
Figure BDA0003101232100000038
是配送车辆k区域d内装载货物的总重量，Qk是车辆k车厢的最大载重量；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(3)每个客户的货物必须摆放在车厢内，
Figure BDA0003101232100000039
Figure BDA00031012321000000310
其中，
Figure BDA00031012321000000311
表示车辆k上区域d内的第i个客户的第u个货物的背面左下角坐标，
Figure BDA00031012321000000312
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；K表示配送车辆的集合，K＝{k|k＝1,2,3,...,h}；I表示所有客户点的集合，I＝{i|i＝1,2,3,...,N}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(4)配送车辆任一区域内装载的货物不能超出车厢的货物范围，即各区域装载货物的长、宽、高的加和不能超过各区域的长、宽、高，
Figure BDA00031012321000000313
Figure BDA00031012321000000314
Figure BDA00031012321000000315
其中，pd,rd,cd分别表示第d个区域内实际装载货物的层数，行数，列数；ld,wd,hd是分别表示配送车辆的区域d的长，宽，高，
Figure BDA0003101232100000041
ldc,wdc,hdc分别表示配送车辆的区域d内装载的货物的长，宽，高，
Figure BDA0003101232100000042
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(5)后服务客户的货物不能压在先服务客户货物的上面，后服务客户的货物不能挡在先服务客户货物的前面，即先进后出先上后下约束，
Figure BDA0003101232100000043
Figure BDA0003101232100000044
其中，i和j分别表示配送车辆所服务的第i和第j个客户点，若i＜j，则代表配送车辆先服务客户i，后服务客户j，
Figure BDA0003101232100000045
和
Figure BDA0003101232100000046
分别表示货物ckdiu和货物ckdjv的正面右上角坐标的z坐标，
Figure BDA0003101232100000047
和
Figure BDA0003101232100000048
分别表示货物ckdiu和货物ckdjv的正面右上角坐标的y坐标；
Figure BDA0003101232100000049
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；K表示配送车辆的集合，K＝{k|k＝1,2,3,...,h}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；I表示所有客户点的集合，I＝{i|i＝1,2,3,...,N},
Figure BDA00031012321000000410
表示配送车辆k区域d内装载货物总数量；A表示与货物ckdiu放在同一车辆同一区域中，同时与ckdiu底面投影重叠的货物集合，
Figure BDA00031012321000000411
B表示与货物ckdiu在同一车厢同一区域中，同时底面与货物ckdiu底面在同一高度的货物集合，
Figure BDA00031012321000000412
ldc,hdc分别表示配送车辆的区域d内装载的货物的长和高；
(6)变量约束，
Figure BDA00031012321000000413
其中，yijk是一个决策变量，表示若配送车辆k从节点i驶向j，则决策变量yijk＝1，否则，yijk＝0。
优选的，所述GA-TS混合优化算法，包括以下步骤：
S31、初始化下列参数：种群大小popsize；当前迭代次数gen；最大迭代次数maxgen；选择概率Ps；交叉概率Pc；变异概率Pm；gen＝1；
S32：对所有客户点数据进行编码生成popsize条染色体组成初始种群，其中，客户点数据包括需求量，需求商品规格，需求服务时间窗和地理位置；
S33、针对初始种群进行选择操作，分别组成种群1和种群2，其中，种群2有popsize×Ps个染色体，种群1有popsize×(1-Ps)个染色体；
S34、对种群2进行交叉操作，获得具有popsize×Ps个染色体的种群3；
S35、对种群3进行变异操作，获得具有popsize×Ps个染色体的种群4，将种群4和种群1合并组成种群5；
S36、随机选择种群5中的一个染色体作为禁忌搜索算法优化的初始解X0，并使当前解Xnow＝初始解X0，最优解Xbest＝初始解X0，并定义一个空的集合S作为禁忌表；
S37、将当前解Xnow进行解码后获得包含多个客户点数据的第一访问序列；
S38、多次随机交换任意两个客户点数据的位置获得多个第二访问序列，并对第二访问序列编码形成多个染色体组成当前解Xnow的邻域解，计算各个邻域解的适应度函数值并排序，从邻域解中选择若干个适应度函数值高的解作为当前解的候选解；
S39、分别计算各个候选解的适应度函数值，选择适应度函数值最高的解作为候选解的最优解Y，计算并比较最优解Y和最优解Xbest的适应度函数值，若最优解Y优于最优解Xbest，更新最优解Xbest＝最优解Y并将最优解Y加入禁忌表，执行S38，否则，最优解Xbest不变；
S310：将被挑选过的染色体从种群5中剔除作为新的种群5，返回S36继续执行popsize次，得到popsize个最优解Xbest，popsize个最优解Xbest构成种群6，gen＝gen+1；
S311：如果gen<＝maxgen成立，将种群6作为新的初始种群，转S33继续执行；否则，计算并比较种群6中所有染色体的适应度函数值，选出种群6中适应度函数值最高的染色体作为最优解Z输出；
S312、对最优解Z进行解码操作，得到客户点数据的访问序列，得到多条配送路径，结合每条配送路径上需要服务客户的货物需求，将每一条配送路径上需要服务客户的同种类型货物根据客户的访问顺序逆序排列，输出每一辆配送车辆各区域的货物装载方案。
优选的，所述交叉操作包括以下步骤：
计算初始种群中popsize条染色体的适应度函数值；
按照适应度函数值从大到小的顺序对popsize条染色体进行排序；
选出前popsize×(1-Ps)个染色体组成种群1，随机选出popsize×Ps个染色体组成种群2。
优选的，利用公式(2)计算适应度函数值
Figure BDA0003101232100000061
其中，Zλ表示染色体λ的适应度函数值，
Figure BDA0003101232100000062
是配送车辆k区域d内装载货物总体积，Vk表示车辆k车厢的最大装载体积，y0ikλ是一个决策变量，表示在染色体λ中，若配送车辆k从配送中心驶向客户点j，则y0ikλ＝1，否则，y0ikλ＝0，T为群体大小。
优选的，所述交叉操作包括以下步骤：
S61、在popsize×Ps个个体中随机选择popsize×Ps×Pc个染色体作为第一父代染色体；
S62、随机选择两个第一父代染色体P，Q；
S63、在两个第一父代染色体P，Q上随机确定两个交叉点e，f；
S64、以两个交叉点e，f之间的子序列作为交叉区，交换两个交叉区后产生两个第一子代染色体R，S；
S65、判断两个第一子代染色体R，S是否满足约束条件，若不满足，再次执行S62，否则，分别计算两个第一子代染色体R，S和两个第一父代染色体P，Q的适应度函数值，并对适应度函数值进行排序操作，从中选择两个适应度函数值高的个体替换两个第一父代染色体P，Q，直至将所有第一父代染色体的两两组合选完，形成种群3。
优选的，所述变异操作包括以下步骤：
S71、在popsize×Ps个个体中随机选择popsize×Ps×Pm个染色体作为第二父代染色体；
S72、随机选择一个第二父代染色体W；
S73、在第二父代染色体W中随机选择两个客户点作为基因a，b并进行交换，产生一个第二子代染色体R；
S74、判断第二子代染色体Q是否满足约束条件，若不满足，再次执行S72，否则，分别计算第二父代染色体W和第二子代染色体R的适应度函数值，并对适应度函数值进行排序操作，从中选择适应度函数值高的个体替换第二父代染色体W，直至将所有第二父代染色体的选完，形成种群4。
优选的，对所有客户点数据进行编码采用的编码方式为整数编码。
为了优化货物配载方式、提高货物配载效率，实现车辆最大装载率，需要将货物装载与客户需求紧密结合起来。首先结合客户不同规格的货物需求选择合理的车厢分区模式，并结合货物在车厢中的装载顺序与客户访问序列相关的特征，考虑货物在车厢中先进后出、先上后下等摆放原则，建立三维装载优化模型；然后设计结合遗传算法(GA)全局优化与禁忌搜索算法(TS)局部搜索特性的混合启发式算法用于求解模型。合理安排每个客户每件货物在车厢中的装载方式，可以提高配送车辆的车辆装载率，确保在配送过程中可以将货物顺利快速地交付于客户。
本发明提供的一种基于空间区域划分模型的三维装载优化方法，包含空间区域划分选择策略和三维装载优化算法设计，可以优化车厢三维装载空间布局，提高车辆装载率。首先根据不同客户配送商品的类型和货物规格大小，确定合理的车辆空间分区模式，对配送车厢区域进行合理分区，建立三维装载优化模型；然后，结合客户访问的顺序和车厢货物装载顺序相关的特征，设计遗传-禁忌搜索(GA-TS)混合算法优化货物在车厢中各个区域的装载方式，可以有效提高配送车辆的空间利用率，减少车辆使用数量，有助于物流资源的有效整合与优化配置，进而有利于完善城市物流配送系统，实用性强，值得推广。
附图说明
图1为本发明的技术路线图；
图2为本发明的GA-TS混合启发式算法操作流程图；
图3为本发明的染色体编码和路径解码说明；
图4为本发明的部分映射交叉的过程；
图5为本发明的变异的过程；
图6为本发明的配送中心与客户点分布图；
图7为本发明的优化前配送路线图；
图8为本发明的优化前各配送路线的三维装载方案；
图9为本发明的优化后配送路线图；
图10为本发明的优化后各配送路线的三维装载方案；
图11为本发明的三维装载物流配送优化前后结果对比。
具体实施方式
本发明提供了一种基于空间区域划分模型的三维装载优化方法，下面结合图1到图11的结构示意图，对本发明进行说明。
实施例1
本发明技术方案的内容大致包括以下几个部分，如图1所示：首先，构建了基于空间区域划分的三维装载优化模型；然后，设计一种用于求解优化模型的GA-TS混合启发式算法，对模型进行优化求解后输出最优装载方案。
1、模型建立
1.1、变量定义
本发明中涉及的变量和符号定义如下所示：
I：所有客户点的集合，I＝{i|i＝1,2,3,...,N}；
K：配送车辆的集合，K＝{k|k＝1,2,3,...,h}；
C：所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；
D：配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
Qk：车辆k车厢的最大载重量；
Vk：车辆k车厢的最大装载体积；
Nk：车辆k服务客户点的集合；
pd：第d个区域内实际装载货物的层数；
rd：第d个区域内实际装载货物的行数；
cd：第d个区域内实际装载货物的列数；
Figure BDA0003101232100000091
配送车辆k区域d内装载货物总重量；
Figure BDA0003101232100000092
配送车辆k区域d内装载货物总体积；
Figure BDA0003101232100000093
配送车辆k区域d内装载货物总数量；
Figure BDA0003101232100000094
配送车辆k区域d内装载客户i的货物数量；
L,W,H：分别表示车厢的长，宽，高；
ld,wd,hd：分别表示配送车辆的区域d的长，宽，高，
Figure BDA0003101232100000095
ldc,wdc,hdc：分别表示配送车辆的区域d内装载的货物的长，宽，高，
Figure BDA0003101232100000101
ckdiu：车辆k的区域d内客户i的第u个货物
Figure BDA0003101232100000102
Figure BDA0003101232100000103
车辆k上区域d内的第i个客户的第u个货物的正面右上角坐标，
Figure BDA0003101232100000104
Figure BDA0003101232100000105
表示车辆k上区域d内的第i个客户的第u个货物的背面左下角坐标，
Figure BDA0003101232100000106
A：表示与货物ckdiu放在同一车辆同一区域中，同时与ckdiu底面投影重叠的货物集合，
Figure BDA0003101232100000107
B：表示与货物ckdiu在同一车厢同一区域中，同时底面与货物ckdiu底面在同一高度的货物集合，
Figure BDA0003101232100000108
yijk：若配送车辆k从客户点i驶向j，则决策变量yijk＝1，否则，yijk＝0；
Figure BDA00031012321000001013
若配送车辆k的区域d里装载了客户i的货物，则决策变量
Figure BDA0003101232100000109
否则，
Figure BDA00031012321000001010
1.2、模型构建
本发明以配送车辆装载率Z最大化为优化目标，建立三维装载优化模型如下：
Figure BDA00031012321000001011
相应的约束条件如下：
(1)配送车辆上每一区域内货物的数量是该配送车辆所服务的所有客户需求货物的合集。
Figure BDA00031012321000001012
(2)每一辆配送车辆各区域装载货物的总重量不超过车辆的最大装载量。
Figure BDA0003101232100000111
(3)每个客户的货物必须摆放在车厢内。
Figure BDA0003101232100000112
Figure BDA0003101232100000113
(4)配送车辆任一区域内装载的货物不能超出车厢的货物范围，即各区域装载货物的长、宽、高的加和不能超过各区域的长、宽、高。
Figure BDA0003101232100000114
Figure BDA0003101232100000115
Figure BDA0003101232100000116
(5)后服务客户的货物不能压在先服务客户货物的上面，后服务客户的货物不能挡在先服务客户货物的前面，即先进后出先上后下约束，在下式中，i和j分别表示配送车辆所服务的第i和第j个客户点，若i＜j，则代表配送车辆先服务客户i，后服务客户j。
Figure BDA0003101232100000117
Figure BDA0003101232100000118
(6)变量约束
Figure BDA0003101232100000119
2、GA-TS混合算法设计
2.1、算法过程描述
本发明针对所建立的三维装载物流配送优化模型的特点，提出了一种基于遗传算法(GA)和禁忌搜索算法(TS)的GA-TS混合优化算法，将遗传算法(GA)的全局优化与禁忌搜索算法(TS)的局部搜索的特性相结合，提高了算法的全局收敛性能，并改善了出现局部极小值的现象，GA-TS混合算法的流程如图2所示，包括以下步骤：
S31、初始化下列参数：种群大小popsize；当前迭代次数gen；最大迭代次数maxgen；选择概率Ps；交叉概率Pc；变异概率Pm；gen＝1；
S32：对所有客户点数据进行编码生成popsize条染色体组成初始种群，其中，客户点数据包括需求量，需求商品规格，需求服务时间窗和地理位置；
S33、针对初始种群进行选择操作，分别组成种群1和种群2，其中，种群2有popsize×Ps个染色体，种群1有popsize×(1-Ps)个染色体；
S34、对种群2进行交叉操作，获得具有popsize×Ps个染色体的种群3；
S35、对种群3进行变异操作，获得具有popsize×Ps个染色体的种群4，将种群4和种群1合并组成种群5；
S36、随机选择种群5中的一个染色体作为禁忌搜索算法优化的初始解X0，并使当前解Xnow＝初始解X0，最优解Xbest＝初始解X0，并定义一个空的集合S作为禁忌表；
S37、将当前解Xnow进行解码后获得包含多个客户点数据的第一访问序列；
S38、多次随机交换任意两个客户点数据的位置获得多个第二访问序列，并对第二访问序列编码形成多个染色体组成当前解Xnow的邻域解，计算各个邻域解的适应度函数值并排序，从邻域解中选择若干个适应度函数值高的解作为当前解的候选解；
S39、分别计算各个候选解的适应度函数值，选择适应度函数值最高的解作为候选解的最优解Y，计算并比较最优解Y和最优解Xbest的适应度函数值，若最优解Y优于最优解Xbest，更新最优解Xbest＝最优解Y并将最优解Y加入禁忌表，执行S38，否则，最优解Xbest不变；
S310：将被挑选过的染色体从种群5中剔除作为新的种群5，返回S36继续执行popsize次，得到popsize个最优解Xbest，popsize个最优解Xbest构成种群6，gen＝gen+1；
S311：如果gen<＝maxgen成立，将种群6作为新的初始种群，转S33继续执行；否则，计算并比较种群6中所有染色体的适应度函数值，选出种群6中适应度函数值最高的染色体作为最优解Z输出；
S312、对最优解Z进行解码操作，得到客户点数据的访问序列，得到多条配送路径，结合每条配送路径上需要服务客户的货物需求，将每一条配送路径上需要服务客户的同种类型货物根据客户的访问顺序逆序排列，输出每一辆配送车辆各区域的货物装载方案。
2.2、算法设计
结合本发明构建的三维装载优化模型，算法设计的思路大致如下：
首先，结合每个客户不同规格的货物需求，将车辆空间各区域可装载货物的最大数量和车辆最大载重能力作为约束条件加入算法中，运用GA算法进行全局优化；然后，在TS算法中对每一辆配送车辆所服务客户内部进行访问顺序局部优化调整。如此重复上述过程，直至满足停止准则。
2.2.1、编码方式
针对三维装载物流配送优化问题，本发明采用整数编码的方式构造配送车辆的配送路径染色体。假设配送中心为10个客户提供配送服务，其初始配送安排如图3所示。从图3中可以看出，配送路径的生成与配送车辆空间各区域装载货物的最大数量、车辆最大载重能力有关。如果客户的需求超过配送车辆空间各区域装载货物的最大数量、配送车辆的最大载重能力，则该配送车辆将停止向剩余的客户配送货物。为了更好地表示种群中染色体的适应度函数，定义y0ikλ为在染色体λ中，若配送车辆k从配送中心驶向客户i，则决策变量y0ikλ＝1，否则，y0ikλ＝0。
2.2.2、选择操作
选择操作，包括以下步骤：
计算初始种群中popsize条染色体的适应度函数值；
按照适应度函数值从大到小的顺序对popsize条染色体进行排序；
选出前popsize×(1-Ps)个染色体组成种群1，随机选出popsize×Ps个染色体组成种群2。
其中，利用下式计算适应度函数值
Figure BDA0003101232100000141
其中，Zλ表示染色体λ的适应度函数值，
Figure BDA0003101232100000142
是配送车辆k区域d内装载货物总体积，Vk表示车辆k车厢的最大装载体积，y0ikλ是一个决策变量，表示在染色体λ中，若配送车辆k从配送中心驶向客户点j，则y0ikλ＝1，否则，y0ikλ＝0，T为群体大小。
2.2.3、交叉操作
本发明采用部分映射交叉操作，交叉操作包括以下步骤：
S61、在popsize×Ps个个体中随机选择popsize×Ps×Pc个染色体作为第一父代染色体；
S62、随机选择两个第一父代染色体P，Q；
S63、在两个第一父代染色体P，Q上随机确定两个交叉点e，f；
S64、以两个交叉点e，f之间的子序列作为交叉区，交换两个交叉区后产生两个第一子代染色体R，S；
S65、判断两个第一子代染色体R，S是否满足约束条件，若不满足，再次执行S62，否则，分别计算两个第一子代染色体R，S和两个第一父代染色体P，Q的适应度函数值，并对适应度函数值进行排序操作，从中选择两个适应度函数值高的个体替换两个第一父代染色体P，Q，直至将所有第一父代染色体的两两组合选完，形成种群3。
部分映射交叉操作的过程如图4所示。
2.2.4、变异操作
变异操作是在选择、交叉生成的种群中随机选择一条染色体，并使染色体上随机选择的两个基因发生突变，产生新的染色体的过程。
变异操作包括以下步骤：
S71、在popsize×Ps个个体中随机选择popsize×Ps×Pm个染色体作为第二父代染色体；
S72、随机选择一个第二父代染色体W；
S73、在第二父代染色体W中随机选择两个客户点作为基因a，b并进行交换，产生一个第二子代染色体R；
S74、判断第二子代染色体Q是否满足约束条件，若不满足，再次执行S72，否则，分别计算第二父代染色体W和第二子代染色体R的适应度函数值，并对适应度函数值进行排序操作，从中选择适应度函数值高的个体替换第二父代染色体W，直至将所有第二父代染色体的选完，形成种群4。
变异操作的过程如图5所示。
3、实例相关数据
下面结合一个如图6所示的实例来进一步说明本发明基于空间区域划分模型的三维装载优化方法。以某配送中心(DC)及其服务的30个客户点(C1-C30)为例进行研究，相应的地理位置、客户不同规格的货物需求和服务时间窗信息如表1所示，配送中心与客户点分布图如图6所示。如图6所示，C1-C15是单一商品类型需求的客户点，C16-C25是两种商品类型需求的客户点，C26-C30是三种商品类型需求的客户点。配送车辆的车厢可以近似看成长、宽、高尺寸分别为4.2米、1.8米和2米的箱体。该配送中心负责配送的货物类型有4种，所以相应地车厢空间根据货物规格大小划分为4个区域，各个区域大小、每种类型货物的规格、重量和每个车厢区域空间最多可装载的货物个数如表2所示。
表1客户点相关信息
Figure BDA0003101232100000151
Figure BDA0003101232100000161
表2各个区域大小及其装载货物的规格、重量和可最多装载的货物个数
Figure BDA0003101232100000162
Figure BDA0003101232100000171
1、实例的基本参数设置如下：
车厢的长L＝420cm，宽W＝180cm，高H＝200cm，车辆的最大载重量Qk＝1100kg，车辆的最大装载体积Vk＝15.12m2，车辆数K＝25，单位体积固定成本g＝0.2，年工作周期数T＝52，车辆单位距离行驶成本ck＝0.8，周期租赁成本fk＝200，年维修费用mk＝16000，车辆早到单位时间惩罚系数φ1＝15，车辆晚到单位时间惩罚系数φ2＝20，种群规模popsize＝100，最大迭代次数maxgen＝200，选择概率Ps＝0.9，交叉概率Pc＝0.9，变异概率Pm＝0.1。
2、优化前三维装载方案
三维装载优化前的配送方案未考虑配送车辆的空间分区，该配送中心当前存在配送车辆装载率普遍低下的问题。因此，优化货物在车厢中的装载方式以提高配送车辆装载率是该配送中心的重要目标。优化前具体配送路线如图7所示，三维装载方案和图8所示。
3、优化后三维装载方案
在优化前三维装载方案基础上，考虑了客户不同类型规格的商品需求将车厢空间合理划分为不同的区域，并结合货物装载方式与客户访问序列相关的特征，应用GA-TS混合算法进行优化计算。优化后的具体配送路线如图9所示，三维装载方案图10所示。
4、结果与分析
为了进一步说明本发明所提模型和算法的有效性，选取车辆使用数和平均装载两个指标进行优化前后的对比与分析，三维装载物流配送优化前后结果的对比如表3所示。
表3三维装载物流配送优化前后结果对比
Figure BDA0003101232100000181
由表2可知，应用GA-TS混合算法优化后的三维装载物流配送方案相比优化前的三维装载物流配送方案，车辆使用数节省了33.33％，平均装载率提高了26.2％。
为了更直观地展示优化前后结果对比，绘制了三维装载物流配送方案优化前后相关指标对比图，如图11所示。由图11可知，三维装载物流配送方案优化后车辆平均装载率明显提高，车辆使用数明显降低。
本发明构建的基于空间区域划分三维装载模型是一种优化货物在车辆车厢中装载方式的方法，该方法不仅考虑了客户不同类型规格的商品需求将车厢空间合理划分为不同的区域，同时还考虑了货物装载方式与客户访问序列相关的特征，解决了传统依靠算法优化车厢中货物装载方式的问题，提高了车辆装载率。本发明提出的GA-TS混合优化方法结合了GA的全局优化与TS的局部搜索的特性，提高了算法的全局收敛性能，并有效改善了出现局部极小值等现象。可以快速有效地求解三维装载优化模型。
本发明带来的明显效果具体表现为：
(1)有利于提高车辆装载率，有效降低配送车辆空载率，减少车辆使用数，优化物流资源配置。客户分布不集中，货物需求规格数量不一等特点增加了城市三维装载物流配送优化的复杂性，高效的装箱能提高车辆的空间利用率，降低人工装卸载成本，加快客户需求的响应速度，提高客户满意度，降低物流中心的运作成本。
(2)有利于最大化企业收益。以最大车辆装载率和较小的成本实现三维装载物流配送过程不仅对成本的节省和配送车辆的调度安排具有现实参考意义，也将在很大程度上提高企业的运作效率，增加企业收益。
(3)有利于进一步完善理论研究，丰富三维装载优化领域的相关研究发展。对三维装载问题进行优化研究，并选择实际的物流配送网络开展实证研究，可为城市物流企业提供三维装载配送车辆车厢空间区域划分的方法，有助于完善城市物流配送系统，为三维装载优化问题提供了新的研究思路，进而填补当前对三维装载优化领域的研究的不足之处，实用性强，值得推广。
以上公开的仅为本发明的较佳具体实施例，但是，本发明实施例并非局限于此，任何本领域技术人员能思之的变化都应落入本发明的保护范围。

Claims (8)

1.一种基于空间区域划分模型的三维装载优化方法，其特征在于，包括：
利用满足约束条件的公式(1)作为优化目标构建基于配送车辆车厢空间区域划分的三维装载优化模型，
Figure FDA0003101232090000011
其中，Z是配送车辆装载率，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h}，Vk是车辆k车厢的最大装载体积，
Figure FDA0003101232090000012
是配送车辆k区域d内装载货物总体积，y0ik是一个决策变量，表示若配送车辆k从配送中心驶向客户点j，则y0ik＝1，否则，y0ik＝0；
基于遗传算法GA和禁忌搜索算法TS的GA-TS混合优化算法对式(1)进行求解，获得最优的装载方案。
2.根据权利要求1所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，所述公式(1)满足的约束条件如下：
(1)配送车辆上每一区域内货物的数量是该配送车辆所服务的所有客户需求货物的合集，
Figure FDA0003101232090000013
其中，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h}，
Figure FDA0003101232090000014
是配送车辆k区域d内所装载的客户i的货物数量，
Figure FDA0003101232090000015
是配送车辆k区域d内所装载的货物数量，
Figure FDA0003101232090000016
是决策变量，表示若在配送车辆k的区域d里装载了客户i的货物，则
Figure FDA0003101232090000017
否则，
Figure FDA0003101232090000018
D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}，Nk是车辆k服务客户点的集合；
(2)每一辆配送车辆各区域装载货物的总重量不超过车辆的最大装载量，
Figure FDA0003101232090000019
其中，K是配送车辆的集合，K＝{k|k＝1,2,3,...,h},
Figure FDA0003101232090000021
是配送车辆k区域d内装载货物的总重量，Qk是车辆k车厢的最大载重量；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(3)每个客户的货物必须摆放在车厢内，
Figure FDA0003101232090000022
1≤k≤m,1≤d≤n,1≤i≤Nk,
Figure FDA0003101232090000023
其中，
Figure FDA0003101232090000024
表示车辆k上区域d内的第i个客户的第u个货物的背面左下角坐标，
Figure FDA0003101232090000025
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；K表示配送车辆的集合，K＝{k|k＝1,2,3,...,h}；I表示所有客户点的集合，I＝{i|i＝1,2,3,...,N}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(4)配送车辆任一区域内装载的货物不能超出车厢的货物范围，即各区域装载货物的长、宽、高的加和不能超过各区域的长、宽、高，
Figure FDA0003101232090000026
Figure FDA0003101232090000027
Figure FDA0003101232090000028
其中，pd,rd,cd分别表示第d个区域内实际装载货物的层数，行数，列数；ld,wd,hd是分别表示配送车辆的区域d的长，宽，高，
Figure FDA0003101232090000029
ldc,wdc,hdc分别表示配送车辆的区域d内装载的货物的长，宽，高，
Figure FDA00031012320900000210
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；
(5)后服务客户的货物不能压在先服务客户货物的上面，后服务客户的货物不能挡在先服务客户货物的前面，即先进后出先上后下约束，
Figure FDA00031012320900000211
Figure FDA00031012320900000212
其中，i和j分别表示配送车辆所服务的第i和第j个客户点，若i＜j，则代表配送车辆先服务客户i，后服务客户j，
Figure FDA00031012320900000213
和
Figure FDA00031012320900000214
分别表示货物ckdiu和货物ckdjv的正面右上角坐标的z坐标，
Figure FDA0003101232090000031
和
Figure FDA0003101232090000032
分别表示货物ckdiu和货物ckdjv的正面右上角坐标的y坐标；
Figure FDA0003101232090000033
C表示所有客户需求的货物集合，C＝{c|c＝1,2,3,...,m}；K表示配送车辆的集合，K＝{k|k＝1,2,3,...,h}；D表示配送车辆车厢的区域集合，D＝{d|d＝1,2,3,...,n}；I表示所有客户点的集合，I＝{i|i＝1,2,3,...,N},
Figure FDA0003101232090000034
表示配送车辆k区域d内装载货物总数量；A表示与货物ckdiu放在同一车辆同一区域中，同时与ckdiu底面投影重叠的货物集合，
Figure FDA0003101232090000035
B表示与货物ckdiu在同一车厢同一区域中，同时底面与货物ckdiu底面在同一高度的货物集合，
Figure FDA0003101232090000036
ldc,hdc分别表示配送车辆的区域d内装载的货物的长和高；
(6)变量约束，
yijk＝{0,1},
Figure FDA0003101232090000037
且i≠j,
Figure FDA0003101232090000038
其中，yijk是一个决策变量，表示若配送车辆k从节点i驶向j，则决策变量yijk＝1，否则，yijk＝0。
3.根据权利要求1所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，所述GA-TS混合优化算法，包括以下步骤：
S31、初始化下列参数：种群大小popsize；当前迭代次数gen；最大迭代次数maxgen；选择概率Ps；交叉概率Pc；变异概率Pm；gen＝1；
S32：对所有客户点数据进行编码生成popsize条染色体组成初始种群，其中，客户点数据包括需求量，需求商品规格，需求服务时间窗和地理位置；
S33、针对初始种群进行选择操作，分别组成种群1和种群2，其中，种群2有popsize×Ps个染色体，种群1有popsize×(1-Ps)个染色体；
S34、对种群2进行交叉操作，获得具有popsize×Ps个染色体的种群3；
S35、对种群3进行变异操作，获得具有popsize×Ps个染色体的种群4，将种群4和种群1合并组成种群5；
S36、随机选择种群5中的一个染色体作为禁忌搜索算法优化的初始解X0，并使当前解Xnow＝初始解X0，最优解Xbest＝初始解X0，并定义一个空的集合S作为禁忌表；
S37、将当前解Xnow进行解码后获得包含多个客户点数据的第一访问序列；
S38、多次随机交换任意两个客户点数据的位置获得多个第二访问序列，并对第二访问序列编码形成多个染色体组成当前解Xnow的邻域解，计算各个邻域解的适应度函数值并排序，从邻域解中选择若干个适应度函数值高的解作为当前解的候选解；
S39、分别计算各个候选解的适应度函数值，选择适应度函数值最高的解作为候选解的最优解Y，计算并比较最优解Y和最优解Xbest的适应度函数值，若最优解Y优于最优解Xbest，更新最优解Xbest＝最优解Y并将最优解Y加入禁忌表，执行S38，否则，最优解Xbest不变；
S310：将被挑选过的染色体从种群5中剔除作为新的种群5，返回S36继续执行popsize次，得到popsize个最优解Xbest，popsize个最优解Xbest构成种群6，gen＝gen+1；
S311：如果gen<＝maxgen成立，将种群6作为新的初始种群，转S33继续执行；否则，计算并比较种群6中所有染色体的适应度函数值，选出种群6中适应度函数值最高的染色体作为最优解Z输出；
S312、对最优解Z进行解码操作，得到客户点数据的访问序列，得到多条配送路径，结合每条配送路径上需要服务客户的货物需求，将每一条配送路径上需要服务客户的同种类型货物根据客户的访问顺序逆序排列，输出每一辆配送车辆各区域的货物装载方案。
4.根据权利要求3所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，所述选择操作包括以下步骤：
计算初始种群中popsize条染色体的适应度函数值；
按照适应度函数值从大到小的顺序对popsize条染色体进行排序；
选出前popsize×(1-Ps)个染色体组成种群1，随机选出popsize×Ps个染色体组成种群2。
5.根据权利要求3所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，利用公式(2)计算适应度函数值
Figure FDA0003101232090000051
其中，Zλ表示染色体λ的适应度函数值，
Figure FDA0003101232090000052
是配送车辆k区域d内装载货物总体积，Vk表示车辆k车厢的最大装载体积，y0ikλ是一个决策变量，表示在染色体λ中，若配送车辆k从配送中心驶向客户点j，则y0ikλ＝1，否则，y0ikλ＝0，T为群体大小。
6.根据权利要求3所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，所述交叉操作包括以下步骤：
S61、在popsize×Ps个个体中随机选择popsize×Ps×Pc个染色体作为第一父代染色体；
S62、随机选择两个第一父代染色体P，Q；
S63、在两个第一父代染色体P，Q上随机确定两个交叉点e，f；
S64、以两个交叉点e，f之间的子序列作为交叉区，交换两个交叉区后产生两个第一子代染色体R，S；
S65、判断两个第一子代染色体R，S是否满足约束条件，若不满足，再次执行S62，否则，分别计算两个第一子代染色体R，S和两个第一父代染色体P，Q的适应度函数值，并对适应度函数值进行排序操作，从中选择两个适应度函数值高的个体替换两个第一父代染色体P，Q，直至将所有第一父代染色体的两两组合选完，形成种群3。
7.根据权利要求3所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，所述变异操作包括以下步骤：
S71、在popsize×Ps个个体中随机选择popsize×Ps×Pm个染色体作为第二父代染色体；
S72、随机选择一个第二父代染色体W；
S73、在第二父代染色体W中随机选择两个客户点作为基因a，b并进行交换，产生一个第二子代染色体R；
S74、判断第二子代染色体Q是否满足约束条件，若不满足，再次执行S72，否则，分别计算第二父代染色体W和第二子代染色体R的适应度函数值，并对适应度函数值进行排序操作，从中选择适应度函数值高的个体替换第二父代染色体W，直至将所有第二父代染色体的选完，形成种群4。
8.根据权利要求3所述的一种基于空间区域划分模型的三维装载优化方法，其特征在于，对所有客户点数据进行编码采用的编码方式为整数编码。
CN202110626204.6A 2021-06-04 2021-06-04 一种基于空间区域划分模型的三维装载优化方法 Active CN113222291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626204.6A CN113222291B (zh) 2021-06-04 2021-06-04 一种基于空间区域划分模型的三维装载优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626204.6A CN113222291B (zh) 2021-06-04 2021-06-04 一种基于空间区域划分模型的三维装载优化方法

Publications (2)

Publication Number Publication Date
CN113222291A true CN113222291A (zh) 2021-08-06
CN113222291B CN113222291B (zh) 2022-03-04

Family

ID=77082892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626204.6A Active CN113222291B (zh) 2021-06-04 2021-06-04 一种基于空间区域划分模型的三维装载优化方法

Country Status (1)

Country Link
CN (1) CN113222291B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881580A (zh) * 2022-07-11 2022-08-09 深圳市元美供应链管理有限公司 一种基于智能供应链的电商物流配送管理系统及方法
CN116910481A (zh) * 2023-07-27 2023-10-20 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN117332930A (zh) * 2023-11-30 2024-01-02 深圳智者行天下科技有限公司 一种基于汽车称重管理的商用车行驶安全监管系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088142A1 (en) * 2008-09-05 2010-04-08 El-Bakry Amr S Bulk Material Ship Routing and Inventory Management Schedule Optimization
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 多种物资放入多规格货包的三维装载全局优化方法及系统
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN110097231A (zh) * 2019-05-09 2019-08-06 上汽安吉物流股份有限公司 多目标物流调度方法及装置、物流系统以及计算机可读介质
CN110175405A (zh) * 2019-05-27 2019-08-27 上海维祥信息技术有限公司 车辆装载优化方法及系统
CN110175402A (zh) * 2019-05-27 2019-08-27 上海维祥信息技术有限公司 车辆零部件装载方法及系统
CN111507644A (zh) * 2020-04-30 2020-08-07 安徽大学 一种多点卸货约束的三维多容器装载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088142A1 (en) * 2008-09-05 2010-04-08 El-Bakry Amr S Bulk Material Ship Routing and Inventory Management Schedule Optimization
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 多种物资放入多规格货包的三维装载全局优化方法及系统
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN110097231A (zh) * 2019-05-09 2019-08-06 上汽安吉物流股份有限公司 多目标物流调度方法及装置、物流系统以及计算机可读介质
CN110175405A (zh) * 2019-05-27 2019-08-27 上海维祥信息技术有限公司 车辆装载优化方法及系统
CN110175402A (zh) * 2019-05-27 2019-08-27 上海维祥信息技术有限公司 车辆零部件装载方法及系统
CN111507644A (zh) * 2020-04-30 2020-08-07 安徽大学 一种多点卸货约束的三维多容器装载方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BORTFELDT,ANDREAS: "A hybrid algorithm for the capacitated vehicle routing problem with three-dimensional loading constraints", 《COMPUTERS &OPERATIONSRESEARCH》 *
YONG WANG 等: "Collaboration and transportation resource sharing in multiple centers vehicle routing optimization with delivery and pickup", 《KNOWLEDGE-BASED SYSTEMS》 *
林永昊: "汽车零部件入厂物流三维装箱问题研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
王勇: "物流配送区域划分模型及优化计算研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
胡贵彦 等: "货物配载方法最优化的研究", 《物流技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881580A (zh) * 2022-07-11 2022-08-09 深圳市元美供应链管理有限公司 一种基于智能供应链的电商物流配送管理系统及方法
CN116910481A (zh) * 2023-07-27 2023-10-20 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN116910481B (zh) * 2023-07-27 2024-02-02 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN117332930A (zh) * 2023-11-30 2024-01-02 深圳智者行天下科技有限公司 一种基于汽车称重管理的商用车行驶安全监管系统
CN117332930B (zh) * 2023-11-30 2024-03-19 深圳智者行天下科技有限公司 一种基于汽车称重管理的商用车行驶安全监管系统

Also Published As

Publication number Publication date
CN113222291B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN113222291B (zh) 一种基于空间区域划分模型的三维装载优化方法
CN107194513B (zh) 一种解决全渠道物流配送问题的优化方法
Miao et al. Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology
Sayarshad et al. Non-myopic dynamic routing of electric taxis with battery swapping stations
Hoff et al. Lasso solution strategies for the vehicle routing problem with pickups and deliveries
Derhami et al. A simulation-based optimization approach to design optimal layouts for block stacking warehouses
Chebbi et al. Reducing the wasted transportation capacity of personal rapid transit systems: an integrated model and multi-objective optimization approach
CN113011644A (zh) 基于蚁群优化算法的智慧城市动态冷链物流调度方法
Zhou et al. Multi-objective optimization of electric vehicle routing problem with battery swap and mixed time windows
Sayarshad et al. A non-myopic dynamic inventory routing and pricing problem
Trentini et al. A shared" passengers & goods" city logistics system
CN107832957A (zh) 一种基于多类型自行车装卸的公共租赁自行车调度方法
CN112613659B (zh) 基于三维时空网络的新能源货运充电站选址-路径优化方法
Wang et al. Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows
Wang et al. A clustering-based extended genetic algorithm for the multidepot vehicle routing problem with time windows and three-dimensional loading constraints
Xu et al. Dynamic vehicle routing using an improved variable neighborhood search algorithm
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
Zhang et al. Combining affinity propagation with differential evolution for three-echelon logistics distribution optimization
CN113344267A (zh) 一种基于合作的物流网络资源配置优化方法
CN113222462A (zh) 一种基于协同进化的露天矿多能源卡车调度优化方法
Fan Routing optimization method of waste transportation vehicle using biological evolutionary algorithm under the perspective of low carbon and environmental protection
CN116402212A (zh) 一种网点智能分区方法
CN113469473B (zh) 一种考虑逆向物流的同城配送路线规划方法
Fu et al. Resource Scheduling Method for Optimizing the Distribution Path of Fresh Agricultural Products under Low‐Carbon Environmental Constraints
Cui et al. A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm

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