CN113516272A - 一种考虑多类型设施投入的产地预冷体系规划方法 - Google Patents
一种考虑多类型设施投入的产地预冷体系规划方法 Download PDFInfo
- Publication number
- CN113516272A CN113516272A CN202110366073.2A CN202110366073A CN113516272A CN 113516272 A CN113516272 A CN 113516272A CN 202110366073 A CN202110366073 A CN 202110366073A CN 113516272 A CN113516272 A CN 113516272A
- Authority
- CN
- China
- Prior art keywords
- precooling
- vehicle
- service
- station
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims description 8
- 210000000349 chromosome Anatomy 0.000 claims abstract description 102
- 230000035772 mutation Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 112
- 108090000623 proteins and genes Proteins 0.000 claims description 64
- 238000001816 cooling Methods 0.000 claims description 55
- 239000004576 sand Substances 0.000 claims description 32
- 101150077543 st gene Proteins 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 101150084750 1 gene Proteins 0.000 claims description 3
- 101150076211 TH gene Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Physiology (AREA)
- Marine Sciences & Fisheries (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明属于冷链物流领域,具体涉及一种考虑多类型设施投入的产地预冷体系规划方法。本发明针对我国小农无法预冷或预冷效果不佳的问题,同时考虑移动式和固定式两种预冷方式的应用,提出一种考虑多类型设施投入的产地预冷体系规划方法。本发明首先以系统成本最低为目标,建立了村镇农产品多类型预冷设施选址‑路径优化模型;其次,设计了改进的遗传算法进行求解,重新设计了染色体和交叉、变异规则,使之对选址和路径进行同时优化。本发明可以切实解决我国小农无法进行预冷和预冷效果不佳的现状,其对于完善构建我国农产品预冷体系、优化我国农产品冷链“最先一公里”流程、推进我国村镇社会化服务进程具有重要现实意义。
Description
技术领域
本发明属于冷链物流领域,具体涉及一种考虑多类型设施投入的产地预冷体系规划方法。
背景技术
产地预冷是农产品冷链的第一环,若不及时预冷,会加速农产品成熟、衰老、腐烂,影响其品质和风味,缩短农产品货架期,不便于后续运输和销售等。然而,目前我国“最先一公里”的农产品冷链基础设施不完善、产地预冷体系尚未形成,使得农产品产地预冷保鲜率仅为30%,远低于欧美发达国家的80%,优化产地预冷体系迫在眉睫。
当前我国预冷体系中,预冷设施主要为依托于固定建筑物的预冷站。但农产品对预冷处置有一定的时间限制,采摘后的预冷延迟越长,农产品的保鲜期和货架期越短。而固定预冷站对于偏远产地的农产品易造成预冷延迟,无法达到理想的预冷效果。另一方面,农产品收获时间较为集中、仅在某些特定月份,因此固定预冷站使用率普遍较低。相比固定预冷站,移动式预冷装置更为灵活、利用率更高,且投资回收期较短,更适合当前我国农业生产分散、小农占主体、农村电商为销售手段的实际情况。然而,移动预冷装置在我国的应用仍处于探索阶段,其运营模式及其与固定预冷站的配合方式等内容尚不明确。因此,积极探索移动预冷装置在我国冷链“最先一公里”体系中的应用十分必要,可以切实解决我国小农无法进行预冷和预冷效果不佳的现状,其对于完善构建我国农产品预冷体系、优化我国农产品冷链“最先一公里”流程、推进我国村镇社会化服务进程具有重要现实意义。
本发明提出一种考虑多类型设施投入的产地预冷体系规划方法,即在考虑村镇预冷设施系统整体收益最高的目标下,进行固定式预冷设施(以预冷站为代表)和移动式预冷设施(以预冷车为代表)的网络布局,以及两种类型预冷设施配套车辆的路径优化。其决策内容包括:①各农户预冷方式;②预冷站点数量、选址、容量和与之配套的运输车数量、路径等;③预冷车数量、容量和路径等。本发明首先以系统成本最低为目标,建立了村镇农产品多类型预冷设施选址-路径优化模型;其次,设计了改进的遗传算法进行求解,重新设计了染色体和交叉、变异规则,使之对选址和路径进行同时优化。通过该本发明的实施,可以切实解决我国小农无法进行预冷和预冷效果不佳的现状,促进我国产地预冷体系建立。
发明内容
本发明为了解决我国小农无法预冷或预冷效果不佳的问题,考虑固定预冷站和移动式预冷车同时使用,以村镇预冷设施系统整体成本最低为目标,提出一种考虑多类型设施投入的产地预冷体系规划方法,从而充分发挥各类型预冷设施的优势,完善我国产地预冷体系的构建。
为了达到上述目的,本发明的技术方案如下:
一种考虑多类型设施投入的产地预冷体系规划方法,步骤如下:
第一步,设计考虑多类型设施投入的预冷体系组织形式
本发明考虑两种预冷设施的投入,即预冷站和预冷车,由以上两种预冷设施覆盖村镇区域内的所有预冷需求。由预冷站提供固定式预冷的组织形式设计如下(见图1):农户采摘后,预冷站统一安排运输车将果蔬运往预冷站进行预冷处理,随后由运输车运回农户,由农户根据销售情况自行安排后续发货。此方式可能存在预冷延迟,为保障预冷服务的良好效果,避免预冷延迟的出现,以最大预冷延迟时间作为每辆运输车路径运输时长的约束。由预冷车提供移动式预冷的组织形式设计如下(见图2):配备移动预冷装置的预冷车从车场出发,到各服务站点进行预冷服务,预冷完成后交还给农户。此方式相较于固定式预冷的装卸货损更低,且不会出现预冷延迟。两种方式间存在相互影响:越多农户选择将采摘后的农产品送往预冷站进行预冷,则预冷站的规模需要越大,其建设成本、自然货损和预冷延迟导致的货损将增加;如果农户选择租用移动预冷车进行预冷,则可减少冷库的建设,但需要购置更多的移动预冷车。
第二步,建立模型
问题描述如下:某一村镇区域内,有m个预冷服务站点,n个待选预冷站(车场),辆往返于预冷站和服务站点的运输车,ω辆移动预冷车,服务站点集合为M={1,2,…,m},预冷站(车场)集合为N={m+1,m+2,…,m+n},运输车集合为预冷车集合为Ω={1,2,…,ω},所有点的集合为V=M∪N,边集合E={(i,j)|i,j∈V}\{(i,j)|i,j∈N},每条边对应距离di,j,服务站点m(m∈M)的预冷需求量为qm。
模型以最小化预冷体系总成本为目标,决策内容包括:①各农户预冷方式;②预冷站选址、容量,以及与之配套的运输车数量、类型和路径;③预冷车数量、类型和路径。以下是模型中各变量及其所代表的意义:
cb:预冷站单位建造成本;
co:预冷站单位月运营成本;
ds:车型为s的运输车最大行驶路程;
vs:车型为s的运输车行驶速度;
du:车型为u的预冷车最大行驶路程;
ou:车型为u的预冷车单次预冷服务时间;
vu:车型为u预冷车行驶速度;
Gω:第ω条预冷车路线上的运输节点个数;
s:运输车车型,运输车车型以其载重表示,如s=500千克,1000千克,1500千克…,且s∈S,S为运输车车型集合;
u:预冷车车型,预冷车车型以其载重表示,如u=500千克,1000千克,1500千克…,且u∈U,U为预冷车车型集合;
θ:农产品单价;
g:固定式预冷方式的装卸损耗率;
δ:移动式预冷方式的装卸损耗率,且δ<g;
twork:预冷车每日工作时长;
tdelay:最大预冷延迟时间;
t:1年中进行采摘、收获的作业天数;
T:经营核算年;
τn为0-1变量,当选择产地n为所有车辆的车场,τn=1,否则为0,若系统中要建造预冷站时,默认选择预冷站为车场。
p:预冷站规模;
αn:0-1变量,当在产地n处建造预冷站时,αn=1,否则为0;
yijω:0-1变量,表示边(i,j)间是否有直接路径且服务车辆为预冷车ω,若是则yijω=1,否则为0;
ρmω:0-1变量,当服务站点m由预冷车ω服务时,ρmω=1,否则为0;
γs:0-1变量,当运输车车型为s时,γs=1,否则为0;
γu:0-1变量,当预冷车车型为u时,γu=1,否则为0。
模型以村镇预冷体系总成本Call最低为目标,其包含固定式预冷和移动式预冷两个子系统的成本,分别表示为Csto、Cmob,则模型目标可表示为式(1):
minCall=Csto+Cmob (1)
固定式预冷系统中成本构成包括3个方面:①预冷站相关成本Cob,包括预冷站建造成本及其运营成本;②配套运输车相关成本Ctru,包括运输车购置成本、运输车运营成本和运输车运输成本3部分;③装卸损耗成本Cwas。因此,固定式预冷系统成本模型构建如下:
Csto=Cob+Ctru+Cwas (5)
移动式预冷系统中成本构成包括3个方面:①固定成本Cuop,包括购置预冷车对应成本及其运营成本;②预冷车行驶成本Ctra;③装卸损耗成本Cuwa。因此,移动式预冷系统成本模型构建如下:
Cmob=Cuop+Ctra+Cuwa (9)
综合式(1~9),可得村镇多类型预冷设施系统优化模型如下:
该模型中,式(1)表示目标函数为最小化村镇预冷设施系统成本,其为固定式预冷和移动式预冷两个子系统成本之和;式(10)表示每个服务站点有且只有一种预冷方式,即每个服务站点能且只能被一辆车服务一次;式(11)与(12)表示整个系统中至多只建一个预冷站,且如果建预冷站,其至少服务一个服务站点;式(13)表示预冷站容量须满足所覆盖的农户总产量;式(14)表示同一服务站点、预冷站(车场)不存在路径;式(15)式表示备选预冷站(车场)之间不存在路径;(16)与(17)是车辆进出平衡约束,保证了每个服务站点到达和离开的车辆相同;式(18)与(19)保证了每辆车至多有一条服务路径,且每辆车从同一车场出发,完成服务后回到原车场;式(20)与(21)消除了子回路;式(22)表示每辆运输车有且只有一种车型;式(23)表示每辆运输车所服务农户总产量不超过该运输车的最大载重量;式(24)表示每辆运输车每次行驶里程不超过其最大行驶里程;式(25)表示运输车将产地产品运输至冷库的时间不超过最大延迟时间;式(26)表示每辆预冷车有且只有一种车型;式(27)表示每辆预冷车每次行驶里程不超过其最大行驶里程;式(28)表示每辆预冷车每次出行时间不超过当天工作时长;式(29)~式(31)为决策变量属性。
第三步,求解模型
本发明提出一种改进遗传算法对模型进行求解,首先设计了能同时表达预冷方式决策、预冷站选址及建设规模、运输车车型、数量及其路径、预冷车车型、数量及其路径等信息的染色体,实现选址和路径的同时优化,而非先选址后路径优化的分离决策;其次,设计了保留随机性的可行解的生成规则,基于物流量距积度量各选址备选点被选中的可能性,并遵循“先随机生成、再调整”的思想生成服务路径段的基因序列;第三,根据染色体编码规则,重新设计了交叉算子和3种变异算子。具体求解步骤如下:
步骤1:染色体编码
染色体由1位预冷站(车场)备选点、m位农产品预冷服务站点和m位分隔符三部分构成,第1位基因是预冷站(车场)选址地,当不需要建设预冷站时,第1位基因仅表示车辆起始点;其他非0基因代表服务站点;为0的基因表示分隔符,两个分隔符之间的连续基因表示一条路径上依次被服务的站点,且第2位基因为固定分隔符。为区分各服务站点采用何种预冷方式,设一条路线上第1位非0基因所在位置为奇数时,其对应服务站点及其在同一路线上的服务站点均选择移动式预冷;反之,若该线路上第1位非0基因所在位置为偶数时,其对应服务站点及其统一路线上的服务站点均选择固定式预冷。如图3所示,其显示了1条可能出现的染色体。
步骤2:种群初始化
步骤2.1:设种群大小为np,种群X设为np行、2m+1列的零矩阵;
步骤2.2:依次给种群X中每一行向量Xi赋值
步骤2.2.1:预冷站(车场)选址部分
步骤2.2.1.2:以轮盘赌方法进行随机选址,以确定Xi第1位基因的取值,即将μn依次累加得到累积概率An,在区间[0,1]上生成一个随机数a1,当a1≤A1时,则选择1号备选点作为预冷站(车场),当Ab-1<a1≤Ab时,选择b号备选点。
步骤2.2.2:第2位基因为固定分隔符,取0;
步骤2.2.3:将m-1个0位基因和编号为1~m的服务站点随机排列,填入Xi的第3~2m+1位;
步骤2.2.4:可行性检查及调整
本问题中包含车辆容量和时间两类约束,即采用固定式预冷的服务路径总产量不超过运输车最大车型的载重,运输时长不超过最大预冷延迟时间;各预冷车服务路径总时长不超过单日最大工作时长。依次检查每一服务路径是否满足以上约束,如不满足则将该服务站点调整路径或补充车辆,直至所有路径满足约束。
步骤2.2.4.1:识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵。
首先找到染色体中所有0位基因位置,依次判断每两个0位基因之间是否有非0基因,若否,则跳至下一0位基因,若是,则以其为一条服务路径,并判断其第1位非0基因所处位置奇偶性,若处在偶数位,则该条路径选择固定预冷站进行预冷,将该路径存入固定式预冷路径矩阵Ls中,同时还需记录改路径上所各服务站点需求量,存入固定式需求矩阵Qs,其行数为ns;若处在奇数位,则该条路径选择移动预冷车进行预冷,对应地,将路径和需求量存入移动式预冷路径矩阵Lv和移动式需求矩阵Qv,其行数为nv,这一判断直到最后一个分隔符为止。若最后一个0位基因后仍有非0基因,则以其为一条服务路径,并按照上述步骤判断其预冷方式,并将路径和需求量存入对应矩阵。其次,染色体第1位基因是所有被记录的服务路径的起始点,将其加入到Ls和Lv每一行的首尾。
步骤2.2.4.2:依次检查现有染色体是否满足约束条件。
若Ls非空,则进行固定式预冷方式容量约束判断,即对Qs每一行元素依次进行累加得到矩阵对前ns-1行,当超过最大车型车载量smax时,将该元素及该行后续全部元素对应服务站点编号加入Ls,从Ls(c+1,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Qs和对最后一行ns,若其路径需求总量超过容量限制,则增加运输车数量,所需增加数量为即矩阵Ls、Qs和各增加行的0元素,且在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns′,随后继续进行容量约束判断和路径调整,当超过最大车型车载量smax时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c′+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Qs和
随后,进行固定式预冷方式是否满足时间约束判断,即按照Ls中的服务路径,依次计算每一路径中每一服务站点达到预冷站的时间,得到矩阵Ts,对前ns′-1行,依次判断该矩阵中元素是否超过tdelay,若是,则将该元素及其后续元素所对应的服务站点编号添加到Ls最后一行中,从Ls(ns′,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和对最后一行ns′,若超过tdelay,则需要追加运输车数量,追加数量为行的0元素,使矩阵Ls、Ts、Qs和各增加行的0元素,并在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns″,随后继续进行时间约束判断和路径调整,当Ts(c″,d″)超过tdelay时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c″+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和此时,除Ls最后一行外,其他路径均已同时满足容量和时间约束,因此对最后一行再次进行容量约束检查,步骤同上。
最后,按照以上思路对移动式预冷方式进行时间约束判断,即按照Lv中的服务路径,依次计算每一路径中累积服务时长Tv,当路径服务时长超过最大工作时长twork时,将超时服务站点及其后续站点编号移动至下一路径,对应更新矩阵Tv和Qv;对最后一条路径而言,若服务时长超过twork,则需要增加预冷车数量,新增数量为使矩阵Lv、Tv和Qv各增加行的0元素,并在Lv新增行的首尾增加染色体第1位基因,此时上述矩阵行数为nv′,随后继续进行时间约束判断和路径调整,当Tv(c,d)超过twork时,将该元素及该行后续全部元素对应服务站点编号从Lv(c+1,2)处插入,Lv中原有元素向后移动,同时对应更新矩阵Tv和Qv。
步骤2.2.5:根据最新Ls和Lv还原染色体,得到一个可行解Xi;
步骤2.3:重复2.2中的步骤np次,得到初始种群X。
步骤3:适应度计算
步骤3.1:按照实际情况对计算所需参数进行赋值;
步骤3.2:计算X中各染色体适应度值
步骤3.2.1:对染色体Xi进行识别,并按照预冷方式求得系统总成本
步骤3.2.1.1:按照步骤2.2.4.1,识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵。
步骤3.2.1.2:计算固定式预冷系统成本Csto
首先,确定预冷站规模p、运输车车型s和运输车数量ns,p为固定式预冷方式对应需求矩阵所有元素的和Qs;s需要根据需求矩阵和运输车各车型车载量来确定,先对该预冷方式需求矩阵每行进行求和,取其中最大值,再将这个最大值与运输车各车型车载量进行比较,大于这个最大值且最接近它的车载量所对应的车型即为所求;ns为该预冷方式需求矩阵行数。其次,需要求得运输车总运输距离Ds,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和。因此,规模为p的预冷站建造成本为p·cb,运营成本为p·co·t·T;运输车购置成本为运营成本为运输成本为装卸成本为g·Qs·θ。最后,固定式预冷系统成本为以上各项的和,即
步骤3.2.1.3:计算移动式预冷系统成本Cmob
首先,确定预冷车车型u和预冷车数量nu,u需要根据移动式方式对应需求矩阵中最大元素值和预冷车各车型车载量来确定,大于且最接近需求矩阵中最大元素值的车载量所对应的车型即为所求;nu为该预冷方式需求矩阵行数。其次,需要求得运输车总运输距离Dv,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和。随后,求得选择移动预冷方式的服务点的需求总量Dv,即将需求矩阵各元素进行求和。因此,预冷车购置成本为运营成本为运输成本为损失成本为δ·Qs·θ。最后,移动式预冷系统成本为以上各项的和,即
步骤3.2.1.4:将Csto和Cmob相加得到该染色体系统总成本Call,赋值给f(Xi);
步骤3.2.2:记录最优解
步骤3.2.2.1:重复3.2.1中的步骤,依次计算X中各染色体系统总成本,得到目标函数值矩阵f(X),记录其最小值,记为fmin;记录最小值所对应的染色体,记为Xmin;
步骤3.2.2.2:将本代最优目标函数值与当前所得最优minf进行比较,当fmin<minf时,minf=fmin,同时更新最优染色体minX为Xmin。
步骤3.3:按以下公式计算各染色体适应度值,得到种群适应度值矩阵F:
步骤4:选择操作
以轮盘赌方式对种群进行选择,即:
步骤4.1:按照以下公式计算各染色体Xi被选中的概率:
步骤4.2:将pi进行累加,得到累加概率PI,在区间[0,1]上生成一个随机数a2,当a2≤P1时,则选择X1遗传到新种群X′中,当Pi-1<a2≤Pi时,选择Xi遗传到新种群X′中,到新种群X′染色体数量达到np时停止。
步骤5:交叉操作
步骤5.1:将种群X′中染色体进行随机配对;
步骤5.2:依次对每一对染色体进行是否交叉操作判断,即先在[0,1]上生成一个随机数,当随机数小于或等于交叉概率pc时,则转入5.3,反之则保留该对原基因,转入5.5;
步骤5.3:交叉操作采用分隔符与非分隔符部分分别交叉的策略进行,即先将父代1的分隔符位置和数量遗传给子代1,再将父代2的非分隔符元素依次填入子代1染色体中,如图4所示;同理,对于子代2,先将父代2的分隔符位置和数量遗传给子代2,再将父代1的非分隔符元素填入子代2中。即子代分别遗传了父代的预冷方式和两种车辆数量,以及另一父代的预冷站(车场)选址和一定程度的服务路径顺序。
步骤5.4:按照步骤2.2.4对交叉后的染色体进行可行性检查和调整;
步骤5.5:对所有染色体进行步骤5.2-5.4,得到新的种群X″。
步骤6:变异操作
本发明共采用3种变异算子:第1种变异是针对第1位选址基因进行变异;第2种变异是针对服务路径段基因部分的变异;第3种变异是针对预冷服务方式的变异。因此,需对每一染色体进行3次是否变异操作判断,若需要变异,则进行变异,反之则跳过,转入6.5。
步骤6.1:在[0,1]上生成一个随机数,当随机数小于或等于变异概率pm时,在集合N中随机另选1个点作为新的预冷站(车场)备选点;当随机数大于pm时,则直接转入6.2;
步骤6.2:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在染色体第3~2m+1位基因段随机选择两个不同时为0的基因进行交叉,如图5所示;当随机数大于pm时,则转入6.3;
步骤6.3:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在随机选择染色体中某1段路径通过增减分隔符的方式改变其预冷方式,如图6所示;当随机数大于pm时,则转入6.4;
步骤6.4:按照步骤2.2.4对变异后的染色体进行可行性检查和调整;
步骤6.5:对所有染色体进行步骤6.1-6.4,得到新的种群X″′。
步骤7:迭代
重复步骤3-6,直到达到最大迭代次数。且当最优值连续多代不再变化,或种群染色体完全一致时,将直接结束迭代。迭代后最终可以得到最优染色体minX,按照步骤1的编码方式对其进行解读,进而得到最终规划方案。
本发明的有益效果:
本发明针对我国小农无法预冷或预冷效果不佳的问题,同时考虑移动式和固定式两种预冷方式的应用,提出一种考虑多类型设施投入的产地预冷体系规划方法。本发明首先以系统成本最低为目标,建立了村镇农产品多类型预冷设施选址-路径优化模型;其次,设计了改进的遗传算法进行求解,重新设计了染色体和交叉、变异规则,使之对选址和路径进行同时优化。本发明可以切实解决我国小农无法进行预冷和预冷效果不佳的现状,其对于完善构建我国农产品预冷体系、优化我国农产品冷链“最先一公里”流程、推进我国村镇社会化服务进程具有重要现实意义。
附图说明
图1固定式预冷的组织形式;
图2移动式预冷的组织形式;
图3染色体编码示意图;
图4交叉算子示例;
图5第2种变异算子示例;
图6第3种变异算子示例。
具体实施方式
下面结合说明书附图来对本发明进一步说明。
设种群规模为50,交叉概率为0.5,变异概率为0.1,最大迭代次数为2000,当最优值连续200代不再变化或种群染色体完全一致时,将直接结束迭代。
步骤1:染色体编码
染色体由1位预冷站(车场)备选点、m位农产品预冷服务站点和m位分隔符三部分构成,第1位基因是预冷站(车场)选址地,当不需要建设预冷站时,第1位基因仅表示车辆起始点;其他非0基因代表服务站点;为0的基因表示分隔符,两个分隔符之间的连续基因表示一条路径上依次被服务的站点,且第2位基因为固定分隔符。为区分各服务站点采用何种预冷方式,设一条路线上第1位非0基因所在位置为奇数时,其对应服务站点及其在同一路线上的服务站点均选择移动式预冷;反之,若该线路上第1位非0基因所在位置为偶数时,其对应服务站点及其统一路线上的服务站点均选择固定式预冷。
步骤2:种群初始化
步骤2.1:设种群大小为np,种群X设为np行、2m+1列的零矩阵;
步骤2.2:依次给种群X中每一行向量Xi赋值
步骤2.2.1:预冷站(车场)选址部分
步骤2.2.1.2:以轮盘赌方法进行随机选址,以确定Xi第1位基因的取值,即将μn依次累加得到累积概率An,在区间[0,1]上生成一个随机数a1,当a1≤A1时,则选择1号备选点作为预冷站(车场),当Ab-1<a1≤Ab时,选择b号备选点。
步骤2.2.2:第2位基因为固定分隔符,取0;
步骤2.2.3:将m-1个0位基因和编号为1~m的服务站点随机排列,填入Xi的第3~2m+1位;
步骤2.2.4:可行性检查及调整
依次检查每一服务路径是否满足约束,如不满足则将该服务站点调整路径或补充车辆,直至所有路径满足约束。
步骤2.2.4.1:识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵。
首先找到染色体中所有0位基因位置,依次判断每两个0位基因之间是否有非0基因,若否,则跳至下一0位基因,若是,则以其为一条服务路径,并判断其第1位非0基因所处位置奇偶性,若处在偶数位,则该条路径选择固定预冷站进行预冷,将该路径存入固定式预冷路径矩阵Ls中,同时还需记录改路径上所各服务站点需求量,存入固定式需求矩阵Qs,其行数为ns;若处在奇数位,则该条路径选择移动预冷车进行预冷,对应地,将路径和需求量存入移动式预冷路径矩阵Lv和移动式需求矩阵Qv,其行数为nv,这一判断直到最后一个分隔符为止。若最后一个0位基因后仍有非0基因,则以其为一条服务路径,并按照上述步骤判断其预冷方式,并将路径和需求量存入对应矩阵。其次,染色体第1位基因是所有被记录的服务路径的起始点,将其加入到Ls和Lv每一行的首尾。
步骤2.2.4.2:依次检查现有染色体是否满足约束条件。
若Ls非空,则进行固定式预冷方式容量约束判断,即对Qs每一行元素依次进行累加得到矩阵对前ns-1行,当超过最大车型车载量smax时,将该元素及该行后续全部元素对应服务站点编号加入Ls,从Ls(c+1,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Qs和对最后一行ns,若其路径需求总量超过容量限制,则增加运输车数量,所需增加数量为即矩阵Ls、Qs和各增加行的0元素,且在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns′,随后继续进行容量约束判断和路径调整,当超过最大车型车载量smax时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c′+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Qs和
随后,进行固定式预冷方式是否满足时间约束判断,即按照Ls中的服务路径,依次计算每一路径中每一服务站点达到预冷站的时间,得到矩阵Ts,对前ns′-1行,依次判断该矩阵中元素是否超过tdelay,若是,则将该元素及其后续元素所对应的服务站点编号添加到Ls最后一行中,从Ls(ns′,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和对最后一行ns′,若超过tdelay,则需要追加运输车数量,追加数量为行的0元素,使矩阵Ls、Ts、Qs和各增加行的0元素,并在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns″,随后继续进行时间约束判断和路径调整,当Ts(c″,d″)超过tdelay时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c″+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和此时,除Ls最后一行外,其他路径均已同时满足容量和时间约束,因此对最后一行再次进行容量约束检查,步骤同上。
最后,按照以上思路对移动式预冷方式进行时间约束判断,即按照Lv中的服务路径,依次计算每一路径中累积服务时长Tv,当路径服务时长超过最大工作时长twork时,将超时服务站点及其后续站点编号移动至下一路径,对应更新矩阵Tv和Qv;对最后一条路径而言,若服务时长超过twork,则需要增加预冷车数量,新增数量为使矩阵Lv、Tv和Qv各增加行的0元素,并在Lv新增行的首尾增加染色体第1位基因,此时上述矩阵行数为nv′,随后继续进行时间约束判断和路径调整,当Tv(c,d)超过twork时,将该元素及该行后续全部元素对应服务站点编号从Lv(c+1,2)处插入,Lv中原有元素向后移动,同时对应更新矩阵Tv和Qv。
步骤2.2.5:根据最新Ls和Lv还原染色体,得到一个可行解Xi;
步骤2.3:重复2.2中的步骤np次,得到初始种群X。
步骤3:适应度计算
步骤3.1:按照实际情况对计算所需参数进行赋值;
步骤3.2:计算X中各染色体适应度值
步骤3.2.1:对染色体Xi进行识别,并按照预冷方式求得系统总成本
步骤3.2.1.1:按照步骤2.2.4.1,识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵。
步骤3.2.1.2:计算固定式预冷系统成本Csto
首先,确定预冷站规模p、运输车车型s和运输车数量ns,p为固定式预冷方式对应需求矩阵所有元素的和Qs;s需要根据需求矩阵和运输车各车型车载量来确定,先对该预冷方式需求矩阵每行进行求和,取其中最大值,再将这个最大值与运输车各车型车载量进行比较,大于这个最大值且最接近它的车载量所对应的车型即为所求;ns为该预冷方式需求矩阵行数。其次,需要求得运输车总运输距离Ds,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和。因此,规模为p的预冷站建造成本为p·cb,运营成本为p·co·t·T;运输车购置成本为运营成本为运输成本为装卸成本为g·Qs·θ。最后,固定式预冷系统成本为以上各项的和,即
步骤3.2.1.3:计算移动式预冷系统成本Cmob
首先,大于且最接近需求矩阵中最大元素值的车载量所对应的车型为预冷车车型u;nu为该预冷方式需求矩阵行数。其次,需要求得运输车总运输距离Dv,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和。随后,求得选择移动预冷方式的服务点的需求总量Dv,即将需求矩阵各元素进行求和。因此,预冷车购置成本为运营成本为运输成本为 损失成本为δ·Qs·θ。最后,移动式预冷系统成本为以上各项的和,即
步骤3.2.1.4:将Csto和Cmob相加得到该染色体系统总成本Call,赋值给f(Xi);
步骤3.2.2:记录最优解
步骤3.2.2.1:重复3.2.1中的步骤,依次计算X中各染色体系统总成本,得到目标函数值矩阵f(X),记录其最小值,记为fmin;记录最小值所对应的染色体,记为Xmin;
步骤3.2.2.2:将本代最优目标函数值与当前所得最优minf进行比较,当fmin<minf时,minf=fmin,同时更新最优染色体minX为Xmin。
步骤3.3:按以下公式计算各染色体适应度值,得到种群适应度值矩阵F:
步骤4:选择操作
以轮盘赌方式对种群进行选择,即:
步骤4.1:按照以下公式计算各染色体Xi被选中的概率:
步骤4.2:将pi进行累加,得到累加概率PI,在区间[0,1]上生成一个随机数a2,当a2≤P1时,则选择X1遗传到新种群X′中,当Pi-1<a2≤Pi时,选择Xi遗传到新种群X′中,到新种群X′染色体数量达到np时停止。
步骤5:交叉操作
步骤5.1:将种群X′中染色体进行随机配对;
步骤5.2:依次对每一对染色体进行是否交叉操作判断,即先在[0,1]上生成一个随机数,当随机数小于或等于交叉概率pc时,则转入5.3,反之则保留该对原基因,转入5.5;
步骤5.3:交叉操作采用分隔符与非分隔符部分分别交叉的策略进行,即先将父代1的分隔符位置和数量遗传给子代1,再将父代2的非分隔符元素依次填入子代1染色体中,如图4所示;同理,对于子代2,先将父代2的分隔符位置和数量遗传给子代2,再将父代1的非分隔符元素填入子代2中。
步骤5.4:按照步骤2.2.4对交叉后的染色体进行可行性检查和调整;
步骤5.5:对所有染色体进行步骤5.2-5.4,得到新的种群X″。
步骤6:变异操作
本发明共采用3种变异算子:第1种变异是针对第1位选址基因进行变异;第2种变异是针对服务路径段基因部分的变异;第3种变异是针对预冷服务方式的变异。因此,需对每一染色体进行3次是否变异操作判断,若需要变异,则进行变异,反之则跳过,转入6.5。
步骤6.1:在[0,1]上生成一个随机数,当随机数小于或等于变异概率pm时,在集合N中随机另选1个点作为新的预冷站(车场)备选点;当随机数大于pm时,则直接转入6.2;
步骤6.2:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在染色体第3~2m+1位基因段随机选择两个不同时为0的基因进行交叉,如图5所示;当随机数大于pm时,则转入6.3;
步骤6.3:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在随机选择染色体中某1段路径通过增减分隔符的方式改变其预冷方式,如图6所示;当随机数大于pm时,则转入6.4;
步骤6.4:按照步骤2.2.4对变异后的染色体进行可行性检查和调整;
步骤6.5:对所有染色体进行步骤6.1-6.4,得到新的种群X″′。
步骤7:迭代
重复步骤3-6,直到达到最大迭代次数。且当最优值连续多代不再变化,或种群染色体完全一致时,将直接结束迭代。迭代后最终可以得到最优染色体minX,按照步骤1的编码方式对其进行解读,进而得到最终规划方案。
Claims (4)
1.一种考虑多类型设施投入的产地预冷体系规划方法,其特征在于,步骤如下:
第一步,建立模型
问题描述如下:某一村镇区域内,有m个预冷服务站点,n个待选预冷站(车场),辆往返于预冷站和服务站点的运输车,ω辆移动预冷车,服务站点集合为M={1,2,...,m},预冷站(车场)集合为N={m+1,m+2,...,m+n},运输车集合为预冷车集合为Ω={1,2,...,ω},所有点的集合为V=M∪N,边集合E={(i,j)|i,j∈V}\{i,j)|i,j∈N},每条边对应距离di,j,服务站点m(m∈M)的预冷需求量为qm;
模型以最小化预冷体系总成本为目标,决策内容包括:①各农户预冷方式;②预冷站选址、容量,以及与之配套的运输车数量、类型和路径;③预冷车数量、类型和路径;以下是模型中各变量及其所代表的意义:
cb:预冷站单位建造成本;
co:预冷站单位月运营成本;
ds:车型为s的运输车最大行驶路程;
vs:车型为s的运输车行驶速度;
du:车型为u的预冷车最大行驶路程;
ou:车型为u的预冷车单次预冷服务时间;
vu:车型为u预冷车行驶速度;
Gω:第ω条预冷车路线上的运输节点个数;
s:运输车车型,运输车车型以其载重表示,如s=500千克,1000千克,1500千克…,且s∈S,S为运输车车型集合;
u:预冷车车型,预冷车车型以其载重表示,如u=500千克,1000千克,1500千克…,且u∈U,U为预冷车车型集合;
θ:农产品单价;
g:固定式预冷方式的装卸损耗率;
δ:移动式预冷方式的装卸损耗率,且δ<g;
twork:预冷车每日工作时长;
tdelay:最大预冷延迟时间;
t:1年中进行采摘、收获的作业天数;
T:经营核算年;
τn为0-1变量,当选择产地n为所有车辆的车场,τn=1,否则为0,若系统中要建造预冷站时,默认选择预冷站为车场;
p:预冷站规模;
αn:0-1变量,当在产地n处建造预冷站时,αn=1,否则为0;
yijω:0-1变量,表示边(i,j)间是否有直接路径且服务车辆为预冷车ω,若是则yijω=1,否则为0;
ρmω:0-1变量,当服务站点m由预冷车ω服务时,ρmω=1,否则为0;
γs:0-1变量,当运输车车型为S时,γs=1,否则为0;
γu:0-1变量,当预冷车车型为u时,γu=1,否则为0;
模型以村镇预冷体系总成本Call最低为目标,其包含固定式预冷和移动式预冷两个子系统的成本,分别表示为Csto、Cmob,则模型目标可表示为式(1):
min Call=Csto+Cmob (1)
固定式预冷系统中成本构成包括3个方面:①预冷站相关成本Cob,包括预冷站建造成本及其运营成本;②配套运输车相关成本Ctru,包括运输车购置成本、运输车运营成本和运输车运输成本3部分;③装卸损耗成本Cwas;
该模型中,式(1)表示目标函数为最小化村镇预冷设施系统成本,其为固定式预冷和移动式预冷两个子系统成本之和;
第二步,求解模型
步骤1:染色体编码
染色体由1位预冷站(车场)备选点、m位农产品预冷服务站点和m位分隔符三部分构成,第1位基因是预冷站(车场)选址地,当不需要建设预冷站时,第1位基因仅表示车辆起始点;其他非0基因代表服务站点;为0的基因表示分隔符,两个分隔符之间的连续基因表示一条路径上依次被服务的站点,且第2位基因为固定分隔符;为区分各服务站点采用何种预冷方式,设一条路线上第1位非0基因所在位置为奇数时,其对应服务站点及其在同一路线上的服务站点均选择移动式预冷;反之,若该线路上第1位非0基因所在位置为偶数时,其对应服务站点及其统一路线上的服务站点均选择固定式预冷;如图3所示,其显示了1条可能出现的染色体;
步骤2:种群初始化
步骤2.1:设种群大小为np,种群X设为np行、2m+1列的零矩阵;
步骤2.2:依次给种群X中每一行向量Xi赋值
步骤2.2.1:预冷站(车场)选址部分
步骤2.2.1.2:以轮盘赌方法进行随机选址,以确定Xi第1位基因的取值,即将μn依次累加得到累积概率An,在区间[0,1]上生成一个随机数a1,当a1≤A1时,则选择1号备选点作为预冷站(车场),当Ab-1<a1≤Ab时,选择b号备选点;
步骤2.2.2:第2位基因为固定分隔符,取0;
步骤2.2.3:将m-1个0位基因和编号为1~m的服务站点随机排列,填入Xi的第3~2m+1位;
步骤2.2.4:可行性检查及调整
步骤2.2.5:根据最新Ls和Lv还原染色体,得到一个可行解Xi;
步骤2.3:重复2.2中的步骤np次,得到初始种群X;
步骤3:适应度计算
步骤3.1:按照实际情况对计算所需参数进行赋值;
步骤3.2:计算X中各染色体适应度值
步骤3.2.1:对染色体Xi进行识别,并按照预冷方式求得系统总成本
步骤3.2.2:记录最优解
步骤3.2.2.1:重复3.2.1中的步骤,依次计算X中各染色体系统总成本,得到目标函数值矩阵f(X),记录其最小值,记为fmin;记录最小值所对应的染色体,记为Xmin;
步骤3.2.2.2:将本代最优目标函数值与当前所得最优minf进行比较,当fmin<minf时,minf=fmin,同时更新最优染色体minX为Xmin;
步骤3.3:按以下公式计算各染色体适应度值,得到种群适应度值矩阵F:
步骤4:选择操作
以轮盘赌方式对种群进行选择,即:
步骤4.1:按照以下公式计算各染色体Xi被选中的概率:
步骤4.2:将pi进行累加,得到累加概率PI,在区间[0,1]上生成一个随机数a2,当a2≤P1时,则选择X1遗传到新种群X′中,当Pi-1<a2≤Pi时,选择Xi遗传到新种群X′中,到新种群X′染色体数量达到np时停止;
步骤5:交叉操作
步骤5.1:将种群X′中染色体进行随机配对;
步骤5.2:依次对每一对染色体进行是否交叉操作判断,即先在[0,1]上生成一个随机数,当随机数小于或等于交叉概率pc时,则转入5.3,反之则保留该对原基因,转入5.5;
步骤5.3:交叉操作采用分隔符与非分隔符部分分别交叉的策略进行,即先将父代1的分隔符位置和数量遗传给子代1,再将父代2的非分隔符元素依次填入子代1染色体中,如图4所示;同理,对于子代2,先将父代2的分隔符位置和数量遗传给子代2,再将父代1的非分隔符元素填入子代2中;即子代分别遗传了父代的预冷方式和两种车辆数量,以及另一父代的预冷站(车场)选址和一定程度的服务路径顺序;
步骤5.4:按照步骤2.2.4对交叉后的染色体进行可行性检查和调整;
步骤5.5:对所有染色体进行步骤5.2-5.4,得到新的种群X″;
步骤6:变异操作
步骤7:迭代
重复步骤3~步骤6,直到达到最大迭代次数;且当最优值连续多代不再变化,或种群染色体完全一致时,将直接结束迭代;迭代后最终可以得到最优染色体minX,按照步骤1的编码方式对其进行解读,进而得到最终规划方案。
2.如权利要求1所述的一种考虑多类型设施投入的产地预冷体系规划方法,其特征在于,所述的步骤2.2.4具体操作过程如下:
步骤2.2.4.1:识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵;
首先找到染色体中所有0位基因位置,依次判断每两个0位基因之间是否有非0基因,若否,则跳至下一0位基因,若是,则以其为一条服务路径,并判断其第1位非0基因所处位置奇偶性,若处在偶数位,则该条路径选择固定预冷站进行预冷,将该路径存入固定式预冷路径矩阵Ls中,同时还需记录改路径上所各服务站点需求量,存入固定式需求矩阵Qs,其行数为ns;若处在奇数位,则该条路径选择移动预冷车进行预冷,对应地,将路径和需求量存入移动式预冷路径矩阵Lv和移动式需求矩阵Qv,其行数为nv,这一判断直到最后一个分隔符为止;若最后一个0位基因后仍有非0基因,则以其为一条服务路径,并按照上述步骤判断其预冷方式,并将路径和需求量存入对应矩阵;其次,染色体第1位基因是所有被记录的服务路径的起始点,将其加入到Ls和Lv每一行的首尾;
步骤2.2.4.2:依次检查现有染色体是否满足约束条件;
若Ls非空,则进行固定式预冷方式容量约束判断,即对Qs每一行元素依次进行累加得到矩阵对前ns-1行,当超过最大车型车载量smax时,将该元素及该行后续全部元素对应服务站点编号加入Ls,从Ls(c+1,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Qs和对最后一行ns,若其路径需求总量超过容量限制,则增加运输车数量,所需增加数量为即矩阵Ls、Qs和各增加行的0元素,且在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns′,随后继续进行容量约束判断和路径调整,当超过最大车型车载量smax时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c′+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Qs和
随后,进行固定式预冷方式是否满足时间约束判断,即按照Ls中的服务路径,依次计算每一路径中每一服务站点达到预冷站的时间,得到矩阵Ts,对前ns′-1行,依次判断该矩阵中元素是否超过tdelay,若是,则将该元素及其后续元素所对应的服务站点编号添加到Ls最后一行中,从Ls(ns′,2)处依次添加,而Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和对最后一行ns′,若超过tdelay,则需要追加运输车数量,追加数量为行的0元素,使矩阵Ls、Ts、Qs和各增加行的0元素,并在Ls新增行的首尾增加染色体第1位基因,此时上述矩阵行数为ns″,随后继续进行时间约束判断和路径调整,当Ts(c″,d″)超过tdelay时,则将该元素及该行后续全部元素对应服务站点编号从Ls(c″+1,2)处插入,Ls中原有元素向后移动,同时对应更新矩阵Ts、Qs和此时,除Ls最后一行外,其他路径均已同时满足容量和时间约束,因此对最后一行再次进行容量约束检查,步骤同上;
最后,按照以上思路对移动式预冷方式进行时间约束判断,即按照Lv中的服务路径,依次计算每一路径中累积服务时长Tv,当路径服务时长超过最大工作时长twork时,将超时服务站点及其后续站点编号移动至下一路径,对应更新矩阵Tv和Qv;对最后一条路径而言,若服务时长超过twork,则需要增加预冷车数量,新增数量为使矩阵Lv、Tv和Qv各增加行的0元素,并在Lv新增行的首尾增加染色体第1位基因,此时上述矩阵行数为nv′,随后继续进行时间约束判断和路径调整,当Tv(c,d)超过twork时,将该元素及该行后续全部元素对应服务站点编号从Lv(c+1,2)处插入,Lv中原有元素向后移动,同时对应更新矩阵Tv和Qv。
3.如权利要求1或2所述的一种考虑多类型设施投入的产地预冷体系规划方法,其特征在于,所述的步骤3.2.1,具体操作过程如下:
步骤3.2.1.1:按照步骤2.2.4.1,识别染色体,按照预冷方式分离路径,分别得到两种预冷方式对应的路径矩阵和需求矩阵;
步骤3.2.1.2:计算固定式预冷系统成本Csto
首先,确定预冷站规模p、运输车车型s和运输车数量ns,p为固定式预冷方式对应需求矩阵所有元素的和Qs;s需要根据需求矩阵和运输车各车型车载量来确定,先对该预冷方式需求矩阵每行进行求和,取其中最大值,再将这个最大值与运输车各车型车载量进行比较,大于这个最大值且最接近它的车载量所对应的车型即为所求;ns为该预冷方式需求矩阵行数;其次,需要求得运输车总运输距离Ds,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和;因此,规模为p的预冷站建造成本为p·cb,运营成本为p·co·t·T;运输车购置成本为运营成本为运输成本为装卸成本为g·Qs·θ;最后,固定式预冷系统成本为以上各项的和,即
步骤3.2.1.3:计算移动式预冷系统成本Cmob
首先,确定预冷车车型u和预冷车数量nu,u需要根据移动式方式对应需求矩阵中最大元素值和预冷车各车型车载量来确定,大于且最接近需求矩阵中最大元素值的车载量所对应的车型即为所求;nu为该预冷方式需求矩阵行数;其次,需要求得运输车总运输距离Dv,即根据路径矩阵和各点之间的距离,对所有路径进行距离加和;随后,求得选择移动预冷方式的服务点的需求总量Dv,即将需求矩阵各元素进行求和;因此,预冷车购置成本为运营成本为运输成本为损失成本为δ·Qs·θ;最后,移动式预冷系统成本为以上各项的和,即
步骤3.2.1.4:将Csto和Cmob相加得到该染色体系统总成本Call,赋值给f(Xi)。
4.如权利要求1或2所述的一种考虑多类型设施投入的产地预冷体系规划方法,其特征在于,所述的步骤6的具体操作过程如下:
步骤6.1:在[0,1]上生成一个随机数,当随机数小于或等于变异概率pm时,在集合N中随机另选1个点作为新的预冷站(车场)备选点;当随机数大于pm时,则直接转入6.2;
步骤6.2:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在染色体第3~2m+1位基因段随机选择两个不同时为0的基因进行交叉,如图5所示;当随机数大于pm时,则转入6.3;
步骤6.3:在[0,1]上生成一个随机数,当随机数小于或等于pm时,在随机选择染色体中某1段路径通过增减分隔符的方式改变其预冷方式,如图6所示;当随机数大于pm时,则转入6.4;
步骤6.4:按照步骤2.2.4对变异后的染色体进行可行性检查和调整;
步骤6.5:对所有染色体进行步骤6.1-6.4,得到新的种群X″′。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366073.2A CN113516272B (zh) | 2021-04-06 | 2021-04-06 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
NL2030763A NL2030763B1 (en) | 2021-04-06 | 2022-01-28 | Method for planning origin-based pre-cooling system considering investment of multi-type facilities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110366073.2A CN113516272B (zh) | 2021-04-06 | 2021-04-06 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516272A true CN113516272A (zh) | 2021-10-19 |
CN113516272B CN113516272B (zh) | 2023-09-01 |
Family
ID=78062182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110366073.2A Active CN113516272B (zh) | 2021-04-06 | 2021-04-06 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113516272B (zh) |
NL (1) | NL2030763B1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN110245779A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 一种基于遗传算法的公交动态发车调度优化方法 |
CN112598258A (zh) * | 2020-12-17 | 2021-04-02 | 西北农林科技大学 | 一种最先一公里中的多类型预冷服务资源调度优化方法 |
-
2021
- 2021-04-06 CN CN202110366073.2A patent/CN113516272B/zh active Active
-
2022
- 2022-01-28 NL NL2030763A patent/NL2030763B1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN110245779A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 一种基于遗传算法的公交动态发车调度优化方法 |
CN112598258A (zh) * | 2020-12-17 | 2021-04-02 | 西北农林科技大学 | 一种最先一公里中的多类型预冷服务资源调度优化方法 |
Non-Patent Citations (2)
Title |
---|
舒旭丽;: "基于遗传算法的生鲜农产品冷链物流网络优化问题研究", 物流技术 * |
谢云璞;: "探析冷链物流配送路径的优化策略", 黑龙江科技信息 * |
Also Published As
Publication number | Publication date |
---|---|
NL2030763A (en) | 2022-10-19 |
CN113516272B (zh) | 2023-09-01 |
NL2030763B1 (en) | 2023-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658037A (zh) | 一种物流路径智能规划方法及系统 | |
CN109299810A (zh) | 一种货运车辆配载方法 | |
CN107194513A (zh) | 一种解决全渠道物流配送问题的优化方法 | |
CN109447317A (zh) | 一种基于多人同时拣货的仓库最短路径优化方法 | |
CN107977739A (zh) | 物流配送路径的优化方法、装置及设备 | |
Lamsal et al. | Sugarcane harvest logistics in Brazil | |
CN107092979A (zh) | 考虑碳排放的转运网络选址方法 | |
CN108253988A (zh) | 基于电动汽车的循环取货路径规划方法 | |
CN109583660A (zh) | 一种动态拣货策略的实现方法 | |
CN111178591A (zh) | 基于大数据的冷链物流产品冷藏运输质量优化管理系统 | |
CN112330070A (zh) | 一种碳排放限制下的冷藏集装箱多式联运路径优化方法 | |
CN116362651A (zh) | 一种多车型冷链车辆取货路径优化方法 | |
CN112446648B (zh) | 基于非高峰时段的城市轨道交通混合运输方法和系统 | |
CN111768052A (zh) | 基于算法模型的整车厂进场物流路线自动规划方法 | |
CN113743860A (zh) | 车辆物资装载方法、系统、电子设备及存储介质 | |
CN114926081A (zh) | 一种农产品生产与冷链运输联合优化调度系统及方法 | |
CN111063191B (zh) | 用于公交线网设计的发车频率与线网结构联合优化方法 | |
CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和系统 | |
CN113393199B (zh) | 一种基于遗传算法带时间窗多仓点装卸路径规划系统 | |
CN111428902B (zh) | 确定运输线路的方法及装置 | |
Özoğlu et al. | Clarke & Wright's savings algorithm and genetic algorithms based hybrid approach for flying sidekick traveling salesman problem | |
CN113516272A (zh) | 一种考虑多类型设施投入的产地预冷体系规划方法 | |
CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 | |
CN116934205B (zh) | 一种公铁空轴辐式物流网络优化方法 | |
CN114169813A (zh) | 运输调度方法、装置、电子设备和存储介质 |
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 |