CN113361073A - 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 - Google Patents
一种基于改进拉格朗日松弛算法的库存路径联合优化方法 Download PDFInfo
- Publication number
- CN113361073A CN113361073A CN202110504585.0A CN202110504585A CN113361073A CN 113361073 A CN113361073 A CN 113361073A CN 202110504585 A CN202110504585 A CN 202110504585A CN 113361073 A CN113361073 A CN 113361073A
- Authority
- CN
- China
- Prior art keywords
- customer
- delivery
- constraint
- ijh
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000009977 dual effect Effects 0.000 claims abstract description 25
- 230000008878 coupling Effects 0.000 claims abstract description 11
- 238000010168 coupling process Methods 0.000 claims abstract description 11
- 238000005859 coupling reaction Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 claims 1
- 102000050111 human SERPINA9 Human genes 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进拉格朗日松弛算法的库存路径联合优化方法,包括以下步骤:S1:获取配送信息,根据目标函数和约束条件,建立库存路径问题数学模型;S2:从多个约束条件中选取影响库存路径问题数学模型求解的耦合约束,并收敛到目标函数中,得到拉格朗日松弛问题函数;S3:根据决策变量的不同将拉格朗日松弛问题函数分解成多个子问题;S4:用改进拉格朗日松弛算法分别求解各子问题的对偶函数值;S5:根据求解结果得出最优目标值,得到最优库存路径规划方案,与现有技术相比,本发明具有收敛速度快和所求近似解质量高等优点。
Description
技术领域
本发明涉及供应链系统中二级分销网络库存路径规划方案领域,尤其是涉及一种基于改进拉格朗日松弛算法的库存路径联合优化方法。
背景技术
在当前大数据背景下,如何将企业经营过程中产生的数据进行合理分析,为企业实际运作提供高效的决策计划,一直以来都是研究者所重视的问题。另外,企业供应链之间的竞争依然成为不可忽略的一部分。在物流系统中,供应链整体生产力和盈利能力的一个关键驱动力是其分销网络,可以用来实现从低成本到高响应性的各种供应链目标,而库存路径问题就是供应链中的一个二级分销网络。
库存路径问题包括库存控制和运输计划两个部分,但库存和运输是两个效益背反的问题。一般来说,如果供应商对零售商采用一种小批量的配送方式,会降低库存成本,但是配送次数会增加,这样就会增加运输成本;如果采用大批量的配送方式,它将减少配货数量并降低运输成本,但是这样就会增加零售商的库存成本。总之,采取少量多次的配送方法可以降低库存成本;采取大量少次的配送方法可以降低运输成本。为了使计划期总成本最小,就需要对库存和配送路径这两个方面联合优化。在较短的时间内,在总成本最小化的前提下来构造出一个配送路径方案,是个亟待被研究和优化的问题。
拉格朗日松弛算法(Lagrange Relaxation,LR)能够在可接受的时间范围内对一些复杂的规划问题求得近似最优解,近年来已经成为解决物流供应链复杂模型中比较重要的方法。LR算法的主要思想是:把模型中的难约束松弛到目标函数中,然后把难约束问题分解为几个容易求解的子问题。通过求解松弛对偶函数来获得原问题的一个下界,从而获得原问题的近似最优解。其中,在求解的过程中,次梯度算法是求解拉格朗日松弛对偶问题标准方法,其思想与非线性规划中梯度下降的思想相似。拉格朗日对偶问题是希望松弛问题的下界尽可能大,次梯度算法可使松弛下界的上升方向逐渐逼近对偶问题的最优上界值。其基本思路是:根据已知的拉格朗日乘子,分别计算出松弛解和次梯度的值,并判断松弛解的最优性,如果不满足条件则以这个次梯度方向为上升方向寻求更好的松弛解。每次迭代过程中,通过次梯度算法来更新拉格朗日乘子,来一步步逼近最优解。但传统次梯度算法(Traditional Subgradient Algorithm,TSA)在迭代求解过程中,会出现目标解收敛缓慢,使得花费时间较长,近似解质量不好等情况,不利于实际大规模问题的解决。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进拉格朗日松弛算法的库存路径联合优化方法,该算法是通过改进次梯度算法(ImprovedSubgradient Algorithm,ISA)实现的,通过随机因子调节次梯度来获得更好的拉格朗日乘子更新方向,能够实现在较短的时间内和最小化总成本的前提下,构造一个优化的配送方案,同时改善传统拉格朗日松弛算法求解时,出现的收敛速度慢和所求近似解不好等情况。
本发明的目的可以通过以下技术方案来实现:
一种基于改进拉格朗日松弛算法的库存路径联合优化方法,包括以下步骤:
S1:获取配送信息,根据目标函数和约束条件,建立库存路径问题数学模型;
S2:从多个约束条件中选取影响库存路径问题数学模型求解的耦合约束,并收敛到目标函数中,得到拉格朗日松弛问题函数;
S3:根据决策变量的不同将拉格朗日松弛问题函数分解成多个子问题;
S4:用改进拉格朗日松弛算法分别求解各子问题的对偶函数值;
S5:根据求解结果得出最优目标值,得到最优库存路径规划方案。
进一步地,步骤S1中,所述的目标函数的表达式为:
其中,i和j分别为配送点的编号,且当i,j=0时,表示配送点为仓库,否则配送点为配送中心或客户,h为运输车的编号,表示产品从第i个客户或配送中心到第j个客户或配送中心中与配送量有关的单位运输成本,表示产品从第i个客户或配送中心到第j个客户或配送中心中的单位距离运输成本,dij表示产品从第i个客户或仓库到第j个客户或仓库的距离,yijh表示若从第i个客户或配送中心到第j个客户或配送中心过程中,产品由第h辆运输车配送,则yijh取值为1,否则yijh取值为0,xih表示第h辆运输车为第i个客户的实际配送量,hi表示产品在第i个客户单位的缺货损失成本,qi表示第i个客户对产品的需求量。
进一步地,所述的约束条件包括运输车起始终点约束、运输车移动约束、运输车回归约束、运输车载量约束、仓库配送量约束、客户配送量约束、运输车配送约束和实际配送量约束。
更进一步地,所述的耦合约束包括运输车回归约束和运输车载量约束。
更进一步地,所述的运输车回归约束用于约束所有运输车必须返回配送中心,其表达式为:
其中,yijh表示从第i个客户或配送中心到第j个客户或配送中心过程中,产品是否由第h辆运输车配送,若是,则yijh取值为1,否则yijh取值为0,n为配送点数目;
所述的运输车载量约束用于约运输车的载量,其表达式为:
∑xijh≤Bhyijh,j=1,2,...,n
其中,xijh表示第h辆运输车从第i个客户或配送中心到第j个客户或配送中心的实际配送量,Bh为第h辆运输车的最大载量。
进一步地,所述的决策变量包括表示从第i个客户或配送中心到第j个客户或配送中心过程中,产品是否由第h辆运输车配送的yijh和表示第h辆运输车从第i个客户或配送中心到第j个客户或配送中心的实际配送量的xijh。
进一步地,步骤S3中,所述的拉格朗日松弛问题函数的表达式为:
所述的拉格朗日松弛问题函数共分解成两个子问题,包括第一子问题和第二子问题,所述的第一子问题的表达式为:
所述的第二子问题的表达式为:
其中,γijh和λih分别为拉格朗日乘子。
进一步地,步骤S4具体包括以下步骤:
S41:初始化,令迭代次数k=0,令拉格朗日乘子分别取值为0;
S42:分别求解当前迭代下第一子问题的拉格朗日松弛函数值和第一子问题的拉格朗日松弛函数值,并得到相对应的决策变量;
S43:由初始的拉格朗日乘子计算次梯度;
S44:根据次梯度来更新拉格朗日乘子;
S45:判断是否满足迭代停止准则,若是,则停止迭代,获取当前迭代轮次下求解得到的两个子问题的对偶函数值,否则迭代次数k+1,并返回步骤S42进入下一轮迭代。
更进一步地,所述的次梯度的计算式为:
步骤S44中,所述的更新拉格朗日乘子的公式为:
其中,ZLR(λ*)这里取各原函数实际估计值,ZLR(λk)是当前迭代中,对偶问题的解。为了加快收敛速度,区别了大部分应用中取值2,初始化α值为0.2,β=0.1。
更进一步地,所述的迭代停止准则采用对偶间隙,其表达式为:
gap≤ε
其中,ε为设定阈值,ZLR(λ*)为原目标函数的估计值,ZLR(λk)为第k次迭代时求解得到的两个子问题的对偶函数值。
与现有技术相比,本发明具有以下优点:
1)本发明在改进次梯度算法的迭代过程中,把原有迭代步长和随机数结合,来获的不断改变的乘子更新方向,由于这种随机改变被证明是在正确的乘子更新方向上,所以一定程度上缓解了迭代后期收敛速度过慢的现象,缩短花费时间,提高近似解质量,适用于实际大规模问题的解决;
2)本发明通过改进次梯度算法进行迭代,运用于库存路径联合优化,能够得到高质量的库存路径规划方案,该规划方案包括最小成本、运输车配送路径和实际为客户配送的产品数量,一方面,能降低供应链系统中分销网络成本,为企业节省大量资金,提高竞争能力;另一方面,有利于解决社会资源紧缺、交通拥挤等诸多的社会问题,从而带来巨大的经济效益和社会效益。
附图说明
图1为本发明方法的流程示意图;
图2为本发明改进拉格朗日松弛算法迭代过程示意图;
图3为本发明改进拉格朗日松弛算法的求解框架;
图4为第1个案例中两种算法的目标函数收敛值对比;
图5为第2个案例中两种算法的目标函数收敛值对比。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明公开了一种基于改进拉格朗日松弛算法的库存路径联合优化方法,包括以下步骤:
S1:获取配送信息,根据目标函数和约束条件,建立库存路径问题数学模型;
S2:从多个约束条件中选取影响库存路径问题数学模型求解的耦合约束,并收敛到目标函数中,得到拉格朗日松弛问题函数;
S3:根据决策变量的不同将拉格朗日松弛问题函数分解成多个子问题;
S4:用改进拉格朗日松弛算法分别求解各子问题的对偶函数值;
S5:根据求解结果得出最优目标值,得到最优库存路径规划方案。
本发明中,各参数的解释如下:
1)索引
i,j:配送点编号,i,j=0时,表示仓库,否则为客户点,0≤i,j≤n;
h:运输车编号,1≤h≤V;
2)参数
n:客户点数目;
V:配送点可用货车数目;
Bh:运输车h的最大载量;
Q:配送点可用的库存量;
dij:表示产品从客户i(或仓库)到客户j(或者仓库)的距离;
qi:表示客户i对产品的需求量;
hi:表示产品在客户i的单位的缺货损失成本;
3)决策变量
xih:车辆h为客户i的实际配货量;
yijh:表示若从客户j(或配送中心)到客户i(或者配送中心)配送的产品由运输车h配送则为1,否则为0。
步骤S1中,目标函数包括与运输距离有关的运输成本、与运输产品有关的运输成本和客户缺货损失成本三部分,目的是最小化总成本之和,其表达式为:
其中,i和j分别为配送点的编号,且当i,j=0时,表示配送点为仓库,否则配送点为配送中心或客户,h为运输车的编号,表示产品从第i个客户或配送中心到第j个客户或配送中心中与配送量有关的单位运输成本,表示产品从第i个客户或配送中心到第j个客户或配送中心中的单位距离运输成本,dij表示产品从第i个客户或仓库到第j个客户或仓库的距离,yijh表示若从第i个客户或配送中心到第j个客户或配送中心过程中,产品由第h辆运输车配送,则yijh取值为1,否则yijh取值为0,xih表示第h辆运输车为第i个客户的实际配送量,hi表示产品在第i个客户单位的缺货损失成本,qi表示第i个客户对产品的需求量。
约束条件包括运输车起始终点约束、运输车移动约束、运输车回归约束、运输车载量约束、仓库配送量约束、客户配送量约束、运输车配送约束和实际配送量约束。
运输车起始终点约束用于确保车辆是从配送中心出发,最终回到配送中心,表达式为:
运输车移动约束限制车辆移动保证了每个客户至多由一辆车配送,表达式为:
运输车回归约束限制所有车辆必须返回配送中心,表达式为:
运输车载量约束限制运输车载量,表达式为:
∑xijh≤Bhyijh,j=1,2,...,n (5)
仓库配送量约束保证总的配送量不能超过仓库的库存量,表达式为:
客户配送量约束保证每个客户的实际配送量不能超过客户的缺货量,表达式为:
运输车配送约束表示若从客户i(或配送中心)到客户i(或者配送中心)配送的产品由货车h配送则为1,否则为0,表达式为:
yijh∈{1,0} (8)
实际配送量约束示配送量不能为负,表达式为:
xih≥0,i=1,2,...,n (9)
步骤S2中,运输车回归约束和运输车载量约束是造成原问题求解困难的耦合约束,因此,通过引入拉格朗日乘子λih,γijh(i,j=1,...,n,h=1,...,V)将其松弛到目标函数中,得到拉格朗日松弛问题如下:
约束包括式(2)、式(3)和式(6)-式(9)。
整合后拉格朗日松弛问题函数的表达式为:
约束包括式(2)、式(3)和式(6)-式(9)。
则其拉格朗日对偶问题如下:
步骤S3中,决策变量包括表示从第i个客户或配送中心到第j个客户或配送中心过程中,产品是否由第h辆运输车配送的yijh和表示第h辆运输车从第i个客户或配送中心到第j个客户或配送中心的实际配送量的xijh,根据只含有决策变量yijh和xijh,拉格朗日对偶问题可以被分解为两个独立的容易求解的子问题:
第一子问题:
约束包括:
γijh≥0 (14)
λih≥0 (15)
以及式(2)-式(3)和式(8),该子问题可描述为所有车辆的最短路径之和:
约束包括式(2)-式(3)、式(8)和式(13)-式(15)。
第二子问题:
约束包括式(6)-式(7)、式(9)和式(15)。
步骤S4具体包括以下步骤:
其中,ZLR(λ*)这里取各原函数实际估计值,ZLR(λk)是当前迭代中,对偶问题的解。为了加快收敛速度,区别了大部分应用中取值2,初始化α值为0.2,β=0.1。
步骤45)判断是否满足迭代停止准则,若是,则停止迭代,获取当前迭代轮次下求解得到的两个子问题的对偶函数值,否则迭代次数k+1,并返回步骤42)进入下一轮迭代。
在该次LR算法中,迭代停止准则以对偶间隙为准。对偶间隙必须小于给定阈值ε时,迭代停止,否则k=k+1,回到步骤42),即:
gap≤ε (22)
本发明基于改进拉格朗日松弛算法的库存路径联合优化方法具体实施步骤如下:
步骤1:构建关于库存路径的混合整数规划模型;
步骤2:以两个二级分销网络的案例用于仿真实例,两个案例的规模分别是一个配送中心,9个客户和一个配送中心,19个客户;
步骤3:把模型中的约束式(4)和约束式(5)两个难约束松弛到目标函数中得到松弛目标函数,并得到对应的对偶函数;
步骤5:分别对两个子问题进行求解;
步骤6:初始化,令迭代次数k=0,令拉格朗日乘子分别取值为0;
步骤7:分别求解当前迭代轮次下第一子问题的拉格朗日松弛函数值和第一子问题的拉格朗日松弛函数值,并得到相对应的决策变量;
步骤8:由初始的拉格朗日乘子计算次梯度;
步骤9:根据次梯度来更新拉格朗日乘子;
步骤10:判断是否满足迭代停止准则,若是,则停止迭代,获取当前迭代轮次下求解得到的两个子问题的对偶函数值,否则迭代次数k+1,并返回步骤S42进入下一轮迭代。
结果如下,表1为两个案例的相关仿真数据,表2为第1个案例数据相关结果,表3为第1个案例实际每个客户的配送量,表4为第一个案例各辆运输车的配送路径,表5为第2个案例相关结果,表6为第2个案例实际每个客户的配送量,表7为第2个案例各辆车的配送路径。
表1
表2
表3
表4
表5
表6
表7
如图4和图5所示,分别两个案例中两种算法的目标函数收敛值对比,其中,LR-TSA(Lagrange Relaxation-Traditional Subgradient Algorithm)为采用拉格朗日松弛-传统次梯度算法,LR-ISA(Lagrange Relaxation-Improved Subgradient Algorithm)为采用本发明的拉格朗日松弛-改进次梯度算法。
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工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,包括以下步骤:
S1:获取配送信息,根据目标函数和约束条件,建立库存路径问题数学模型;
S2:从多个约束条件中选取影响库存路径问题数学模型求解的耦合约束,并收敛到目标函数中,得到拉格朗日松弛问题函数;
S3:根据决策变量的不同将拉格朗日松弛问题函数分解成多个子问题;
S4:用改进拉格朗日松弛算法分别求解各子问题的对偶函数值;
S5:根据求解结果得出最优目标值,得到最优库存路径规划方案。
2.根据权利要求1所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,步骤S1中,所述的目标函数的表达式为:
3.根据权利要求1所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,所述的约束条件包括运输车起始终点约束、运输车移动约束、运输车回归约束、运输车载量约束、仓库配送量约束、客户配送量约束、运输车配送约束和实际配送量约束。
4.根据权利要求3所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,所述的耦合约束包括运输车回归约束和运输车载量约束。
6.根据权利要求1所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,所述的决策变量包括表示从第i个客户或配送中心到第j个客户或配送中心过程中,产品是否由第h辆运输车配送的yijh和表示第h辆运输车从第i个客户或配送中心到第j个客户或配送中心的实际配送量的xijh。
8.根据权利要求1所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其特征在于,步骤S4具体包括以下步骤:
S41:初始化,令迭代次数k=0,令拉格朗日乘子分别取值为0;
S42:分别求解当前迭代下第一子问题的拉格朗日松弛函数值和第二子问题的拉格朗日松弛函数值,并得到相对应的决策变量;
S43:由初始的拉格朗日乘子计算次梯度;
S44:根据次梯度来更新拉格朗日乘子;
S45:判断是否满足迭代停止准则,若是,则停止迭代,获取当前迭代下求解得到的两个子问题的对偶函数值,否则迭代次数k+1,并返回步骤S42进入下一轮迭代。
9.根据权利要求8所述的一种基于改进拉格朗日松弛算法的库存路径联合优化方法,其改进之处在于,采用改进次梯度算法对拉格朗日乘子进行更新并进行对偶问题求解,其中,所述的次梯度的计算式为:
步骤S44中,所述的更新拉格朗日乘子的公式为:
其中,ZLR(λ*)这里取各原函数实际估计值,ZLR(λk)是当前迭代中,对偶问题的解。为了加快收敛速度,区别了大部分应用中取值2,初始化α值为0.2,β=0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504585.0A CN113361073B (zh) | 2021-05-10 | 2021-05-10 | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504585.0A CN113361073B (zh) | 2021-05-10 | 2021-05-10 | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361073A true CN113361073A (zh) | 2021-09-07 |
CN113361073B CN113361073B (zh) | 2023-03-31 |
Family
ID=77525991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110504585.0A Active CN113361073B (zh) | 2021-05-10 | 2021-05-10 | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361073B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743795A (zh) * | 2021-09-08 | 2021-12-03 | 北京京东振世信息技术有限公司 | 用于确定任务调度结果的方法及装置 |
CN114493465A (zh) * | 2022-02-21 | 2022-05-13 | 深圳佳利达供应链管理有限公司 | 一种多目标物流路径优化方法 |
CN115099702A (zh) * | 2022-07-25 | 2022-09-23 | 苏州博宇鑫交通科技有限公司 | 基于拉格朗日松弛算法的电动公交日间运行充电优化方法 |
CN117828420A (zh) * | 2023-12-07 | 2024-04-05 | 湖南光华防务科技集团有限公司 | 一种基于生成数据的测试性多目标分配方法 |
Citations (7)
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 |
CN105958952A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学技术大学 | 一种功率放大器的单比特数字预失真方法 |
CA2921711A1 (en) * | 2016-02-23 | 2017-08-23 | 1Qb Information Technologies Inc. | Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a quantum annealer |
US20170242824A1 (en) * | 2016-02-23 | 2017-08-24 | 1Qb Information Technologies Inc. | Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a quantum annealer |
CN108665307A (zh) * | 2018-05-07 | 2018-10-16 | 苏州工业职业技术学院 | 电商背景下连锁实体店配送优化方法及系统 |
CN108966253A (zh) * | 2018-07-24 | 2018-12-07 | 南京邮电大学 | 无线传感器网络的异步流言传播多智能体分布式优化方法 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
-
2021
- 2021-05-10 CN CN202110504585.0A patent/CN113361073B/zh active Active
Patent Citations (7)
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 |
CA2921711A1 (en) * | 2016-02-23 | 2017-08-23 | 1Qb Information Technologies Inc. | Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a quantum annealer |
US20170242824A1 (en) * | 2016-02-23 | 2017-08-24 | 1Qb Information Technologies Inc. | Method and system for solving the lagrangian dual of a binary polynomially constrained polynomial programming problem using a quantum annealer |
CN105958952A (zh) * | 2016-04-25 | 2016-09-21 | 中国科学技术大学 | 一种功率放大器的单比特数字预失真方法 |
CN108665307A (zh) * | 2018-05-07 | 2018-10-16 | 苏州工业职业技术学院 | 电商背景下连锁实体店配送优化方法及系统 |
CN108966253A (zh) * | 2018-07-24 | 2018-12-07 | 南京邮电大学 | 无线传感器网络的异步流言传播多智能体分布式优化方法 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
Non-Patent Citations (4)
Title |
---|
ANGELIA NEDI´C ET AL.: "INCREMENTAL SUBGRADIENT METHODS FOR NONDIFFERENTIABLE OPTIMIZATION", 《SIAM J. OPTIM》 * |
张立峰等: "基于两阶段算法的大规模成品油二次配送优化", 《系统工程理论与实践》 * |
顾金伟: "基于拉格朗日松弛的库存—路径问题优化", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
黄家成: "改进拉格朗日松弛算法在多故障诊断中的应用", 《计算机工程与设计》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743795A (zh) * | 2021-09-08 | 2021-12-03 | 北京京东振世信息技术有限公司 | 用于确定任务调度结果的方法及装置 |
CN113743795B (zh) * | 2021-09-08 | 2024-09-20 | 北京京东振世信息技术有限公司 | 用于确定任务调度结果的方法及装置 |
CN114493465A (zh) * | 2022-02-21 | 2022-05-13 | 深圳佳利达供应链管理有限公司 | 一种多目标物流路径优化方法 |
CN115099702A (zh) * | 2022-07-25 | 2022-09-23 | 苏州博宇鑫交通科技有限公司 | 基于拉格朗日松弛算法的电动公交日间运行充电优化方法 |
CN115099702B (zh) * | 2022-07-25 | 2022-11-15 | 苏州博宇鑫交通科技有限公司 | 基于拉格朗日松弛算法的电动公交日间运行充电优化方法 |
CN117828420A (zh) * | 2023-12-07 | 2024-04-05 | 湖南光华防务科技集团有限公司 | 一种基于生成数据的测试性多目标分配方法 |
CN117828420B (zh) * | 2023-12-07 | 2024-05-31 | 湖南光华防务科技集团有限公司 | 一种基于生成数据的测试性多目标分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361073B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
WO2022262469A1 (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
CN109919541A (zh) | 一种多级定位库存路径问题的建模求解方法 | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
CN113570308B (zh) | 多目标交付同步优化模型建模方法及面向订单制造的车间物料配送边缘-雾-云系统构架 | |
Sayarshad et al. | A non-myopic dynamic inventory routing and pricing problem | |
CN112147960B (zh) | 一种柔性制造系统优化调度方法及装置 | |
Qu et al. | Optimizing an integrated inventory-routing system for multi-item joint replenishment and coordinated outbound delivery using differential evolution algorithm | |
Sun et al. | An autonomous vehicle interference-free scheduling approach on bidirectional paths in a robotic mobile fulfillment system | |
CN103927628A (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
Hu et al. | Research on the slot allocation of container liner under E-commerce environment | |
Feng et al. | Solving truck-cargo matching for drop-and-pull transport with genetic algorithm based on demand-capacity fitness | |
Wang et al. | Multi-objective optimisation of automated guided dispatching and vehicle routing system | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
CN118076967A (zh) | 基于优化树集成的需求模型 | |
Jin et al. | Dynamic scheduling of mobile-robotic warehouse logistics system | |
Ren et al. | A multi-center joint distribution optimization model considering carbon emissions and customer satisfaction | |
Cai et al. | Robust multi-equipment scheduling for U-shaped container terminals concerning double-cycling mode and uncertain operation time with cascade effects | |
US10068192B2 (en) | System and method of solving supply chain campaign planning problems involving major and minor setups | |
CN117709836A (zh) | 一种数字化物流供应链的管理系统 | |
Zhang et al. | Multi-objective evolutionary algorithm-enabled multi-stage collaborative scheduling for automotive production | |
Qiao et al. | Analysis of logistics linkage by digital twins technology and lightweight deep learning | |
Wang et al. | A multi-objective cuckoo search algorithm based on the record matrix for a mixed-model assembly line car-sequencing problem | |
CN112836846B (zh) | 一种卷烟发货多库点多方向联运调度双层优化算法 | |
CN114881367A (zh) | 一种基于粒子群优化算法的供应规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |