CN114004386A - 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 - Google Patents
一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 Download PDFInfo
- Publication number
- CN114004386A CN114004386A CN202110208564.4A CN202110208564A CN114004386A CN 114004386 A CN114004386 A CN 114004386A CN 202110208564 A CN202110208564 A CN 202110208564A CN 114004386 A CN114004386 A CN 114004386A
- Authority
- CN
- China
- Prior art keywords
- distribution
- virtual
- distribution center
- virtual distribution
- center
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title description 2
- 238000013433 optimization analysis Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 238000002922 simulated annealing Methods 0.000 claims abstract description 5
- 239000000427 antigen Substances 0.000 claims description 12
- 102000036639 antigens Human genes 0.000 claims description 11
- 108091007433 antigens Proteins 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003053 immunization Effects 0.000 description 2
- 238000002649 immunization Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (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
本发明涉及一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,包括将一条配送路线分为M段,每一段设置一个虚拟配送中心,将该条路线的配送点分配到虚拟配送中心,并获取每个虚拟配送中心和配送点的坐标数据;根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径;将上述步骤产生的最优路径进行连接,得到最优配送路径。本发明通过建立虚拟物流中转站,根据各个配送点的坐标,确定虚拟配送中心,规划出各虚拟配送中心之间的最优路径,以及每个虚拟配送中心到其所属范围内各配送点的最优路径,与人工规划路径相比能规划出总距离最短的配送路径,从而使物流企业配送成本最小化。
Description
技术领域
本发明涉及物流管理技术领域,尤其涉及一种基于智能算法的虚拟物流中心中转站选址及配送路径优化方法。
背景技术
物流是指产品从生产地到消费地之间高效的运输过程,随着物联网商务的高速发展,网络购物已经成为现在生活中必不可少的环境,然而,互联网商务和网络购物蓬勃发展的背后是日益重要的物流行业。
如何高效地提升物流效率,减少产品的运输时间和路程,都是管理者非常关心的问题;对于大的企业而言,可以运用大量的财力物力来保障其产品的物流效率,但是往往投入较大。而对于小中企业而言,建立庞大的物流体系是非常困难的。对于大企业而言,建立物流中转站往往需要大量的财力物力,这对于中小型企业而言是不可承受的。而大企业所面对的物流问题,同样也是中小企业所面对的物流问题。因此,如何解决中小企业的物流难题,是现阶段需要考虑的问题。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,解决了现有中小企业所面对的物流问题。
本发明的目的通过以下技术方案来实现:一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,所述方法包括:
S1、配送中心和配送点配置步骤:将一条配送路线分为M段,每一段设置一个虚拟配送中心,将该条路线的配送点分配到虚拟配送中心,并获取每个虚拟配送中心和配送点的坐标数据;
S2、算法计算步骤:根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径;
S3、最优路径确定步骤:将上述步骤产生的最优路径进行连接,得到整体最优配送路径。
所述配送中心和配送点配置步骤具体包括:
S11、将一条配送路线分为M段,使用智能算法为每一段设置一个虚拟配送中心,得到虚拟配送中心A、B、C、……、M;
S12、根据最近距离分配原则,将该条配送路线上的N个配送点分别分配到对应的虚拟配送中心,得到虚拟配送中心A下属i个配送点、虚拟配送中心B下属j个配送点、虚拟配送中心C下属k个配送点、……、虚拟配送中心M下属n个配送点;
S13、根据所有配送点的地理位置,在地图上找到对应点得到具体的坐标值信息。
所述算法计算步骤具体包括:
S21、确定最优配送路径的目标函数和第一约束条件;
S22、设定模型控制参数;
S23、根据第一约束条件中的访问路径分别产生所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解;
S24、产生新的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解,并与对应的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解进行比较,保留更优的解;
S25、重复步骤S24,直到不能产生更优的解后为止,得到连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心与其下属所有配送节点的最优路径,并选择此时的解为最终的最优配送路径。
所述第一约束条件的访问路径包括当从虚拟配送中心A出发,分别访问虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M各一次,最终回到虚拟配送中心A,得到所有虚拟配送中心的访问路径;
从虚拟配送中心A出发,分别访问虚拟配送中心A下属的所有配送点一次,最终回到虚拟配送中心A,得到拟配送中心A与其下属所有配送点的访问路径;以此类推,得到虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M分别与其下属所有配送点的访问路径。
所述S24步骤中保留更优的解的原则是每次进行比较后能够得到更短的所有虚拟配送中心的访问距离和更短的虚拟配送中心与其下属所有配送点的访问路径。
所述使用智能算法为每一段设置一个虚拟配送中心包括:
A2、产生初始抗体群,得到初始虚拟配送中心的可能解;
A3、对各个抗体进行评价,完成虚拟配送中心解的质量的评价;
A4、形成父代群体,得到产生新的虚拟配送中心的可能解并进行评价;
A5、选择并确定最后虚拟配送中心。
所述产生初始抗体群,得到初始虚拟配送中心的可能解包括:
随机产生N个个体并从记忆库中提取m个个体构成初始群体,其中m为记忆库中个体的数量;
如果记忆库为空,则在可行解空间随机产生初始抗体群,每个选址方案形成一个长度为p 的抗体,每个抗体代表被选为虚拟配送中心的需求点的序列。
所述对各个抗体进行评价,完成虚拟配送中心解的质量的评价包括:
所述第二约束条件包括:
保证每个需求点只能由一个虚拟配送中心服务;
确保需求点的需求量只能被设为虚拟配送中心的点供应;
用户和物流中心的服务需求分配关系Zij与某点是否被选为虚拟配送中心的概率hj皆为 0-1的变量,当Zij=1时,表示需求点i的需求量由虚拟配送中心j供应,否则Zij=0,当hj=1 时,表示点j被选为虚拟配送中心,否则hj=0;
保证需求点在虚拟配送中心可配送到的范围内。
本发明具有以下优点:一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,通过建立虚拟物流中转站,根据各个配送点的坐标,确定虚拟配送中心,规划出各虚拟配送中心之间的最优路径,以及每个虚拟配送中心到其所属范围内各配送点的最优路径,与人工规划路径相比,本发明能规划出总距离最短的配送路径,从而使物流企业配送成本最小化。
附图说明
图1为本发明的效果示意图;
图2为本发明的流程示意图;
图3为本发明使用的模拟退火算法流程示意图;
图4为本发明使用的免疫算法流程简要示意图;
图5为本发明使用的免疫算法流程详细示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1和图2所示,本发明涉及一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其具体包括以下内容:
S1、配送中心和配送点配置步骤:将一条配送路线分为M段,每一段设置一个虚拟配送中心,将该条路线的配送点分配到虚拟配送中心,并获取每个虚拟配送中心和配送点的坐标数据;
S2、算法计算步骤:根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径;
S3、最优路径确定步骤:将上述步骤产生的最优路径进行连接,得到整体最优配送路径。
进一步地,配送中心和配送点配置步骤具体包括:
S11、将一条配送路线分为M段,使用智能算法为每一段设置一个虚拟配送中心,得到虚拟配送中心A、B、C、……、M;
S12、根据最近距离分配原则,将该条配送路线上的N个配送点分别分配到对应的虚拟配送中心;
得到虚拟配送中心A下属i个配送点,分别记为A1,A2,A3,…,Ai;
得到虚拟配送中心B下属j个配送点,分别记为B1,B2,B3,…,Bj;
得到虚拟配送中心C下属k个配送点,分别记为C1,C2,C3,…,Ck;
以此类推,虚拟配送中心M下属n个配送点,分别记为M1,M2,M3,…,Mn。
配送点的个数i,j,k,…,n满足的关系式为:i+j+k+…+n=N。
S13、根据所有配送点的地理位置,在地图上找到对应点得到具体的坐标值信息。
进一步地,如图3所示,算法计算步骤具体包括:
S22、设定模型控制参数;
确定初始温度T0,初始解S1,每个温度下的迭代次数L,降温速率q,终止温度Tend。其中,初始解是对1~m的一个随机排序。
S23、根据第一约束条件中的访问路径分别产生所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解;
进一步地,通过对S1的两个元素交换位置得到新解S2。
S24、产生新的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解,并与对应的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解进行比较,保留更优的解;
进一步地,通过Δf=f(S2)-f(S1)来计算目标函数值的变化,Metropolis准则为:
若Δf<0,则以概率1接受新解,用S2替代S1;
S25、重复步骤S24,直到不能产生更优的解后为止,得到连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心与其下属所有配送节点的最优路径,并选择此时的解为最终的最优配送路径。
进一步地,利用降温速率q进行降温,即T=qT,若T<Tend,则停止迭代,输出当前状态,否则继续迭代。
进一步地,第一约束条件的访问路径包括当从虚拟配送中心A出发,分别访问虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M各一次,最终回到虚拟配送中心A,得到所有虚拟配送中心的访问路径;
从虚拟配送中心A出发,分别访问虚拟配送中心A下属的所有配送点一次,最终回到虚拟配送中心A,得到拟配送中心A与其下属所有配送点的访问路径;以此类推,得到虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M分别与其下属所有配送点的访问路径。
所述S24步骤中保留更优的解的原则是每次进行比较后能够得到更短的所有虚拟配送中心的访问距离和更短的虚拟配送中心与其下属所有配送点的访问路径。
进一步地,如图4、图5所示,使用智能算法为每一段设置一个虚拟配送中心包括:
进一步地,目标函数是各虚拟配送中心到需求点的需求量和距离值的乘积之和最小;
约束条件:表示保证每个需求点只能由一个虚拟配送中心服务;Zij≤hj, i∈N,j∈Mi表示确保需求点的需求量只能被设为虚拟配送中心的点供应;规定了被选为虚拟配送中心的数量为p;Zij,hj∈{0,1},i∈N,j∈Mi表示Zij和hj是0-1变量;dij≤s 表示保证需求点在虚拟配送中心可配送到的范围内。
其中,N={1,2,…,n}是所有需求点的序号集合;Mi为到需求点i的距离小于s这一约束条件的所有备选虚拟配送中心集合,i∈N,ωi表示各需求点的需求量;dij表示从需求点i到离它最近的虚拟配送中心j的距离;Zij为0-1变量,表示用户和物流中心的服务需求分配关系,当Zij=1时,表示需求点i的需求量由虚拟配送中心j供应,否则Zij=0;hj是 0-1变量,表示某点是否被选为虚拟配送中心,当hj=1时,表示点j被选为虚拟配送中心,否则hj=0;s为虚拟配送中心离其所下属的需求点的距离上限。
A2、产生初始抗体群,得到初始虚拟配送中心的可能解;目标函数和约束条件即为抗原;
随机产生N个个体并从记忆库中提取m个个体构成初始群体,其中m为记忆库中个体的数量。如果记忆库为空,则在可行解空间随机产生初始抗体群。每个选址方案形成一个长度为p的抗体(p为虚拟配送中心的数量),每个抗体代表被选为虚拟配送中心的需求点的序列。
A3、对各个抗体进行评价,完成虚拟配送中心解的质量的评价;
A31、计算抗体与抗原间亲和力
抗体与抗原之间的亲和力A表示抗体对抗原的识别程度,用以下公式计算:
其中,FV为目标函数,分母中第二项表示对违反距离约束的解给予惩罚,C取一个比较大的正数。
A32、计算抗体与抗体间亲和力
抗体与抗体之间的亲和力SV,S反映了抗体之间的相似程度,用以下公式计算:
其中,kV,S为抗体v与抗体s中相同的位数;L为抗体的长度。
A33、计算抗体浓度
抗体的浓度CV即群体中相似抗体所占的比例,用以下公式计算:
A34、计算期望繁殖概率
群体中每个个体的期望繁殖概率P由抗体与抗原间亲和力AV和抗体浓度CV两部分共同决定,用以下公式计算:
按照以上四个指标的定义,对抗体群中每个抗体分别计算抗体与抗原间亲和力、抗体浓度,综合抗体与抗原间亲和力和抗体浓度评价抗体优秀程度,得出繁殖概率。
A4、形成父代群体,得到产生新的虚拟配送中心的可能解并进行评价;
将初始群体按期望繁殖率P降序排列,取前N个个体构成父代群体;同时取前m个个体存入记忆库。
判断是否满足最大迭代次数,若满足则结束,否则继续进行下一步操作。
A5、选择并确定最后虚拟配送中心。
产生新群体,对抗体群体进行操作,得到新群体,再从记忆库中取出记忆的个体,共同构成新一代群体。
(1)选择操作
按照轮盘赌选择机制进行选择操作,每个个体以期望繁殖概率被选择;
(2)交叉操作
采用单点交叉法进行交叉操作;
(3)变异操作
随机选择变异位进行变异。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述方法包括:
S1、配送中心和配送点配置步骤:将一条配送路线分为M段,每一段设置一个虚拟配送中心,将该条路线的配送点分配到虚拟配送中心,并获取每个虚拟配送中心和配送点的坐标数据;
S2、算法计算步骤:根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径;
S3、最优路径确定步骤:将上述步骤产生的最优路径进行连接,得到整体最优配送路径。
2.根据权利要求1所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述配送中心和配送点配置步骤具体包括:
S11、将一条配送路线分为M段,使用智能算法为每一段设置一个虚拟配送中心,得到虚拟配送中心A、B、C、……、M;
S12、根据最近距离分配原则,将该条配送路线上的N个配送点分别分配到对应的虚拟配送中心,得到虚拟配送中心A下属i个配送点、虚拟配送中心B下属j个配送点、虚拟配送中心C下属k个配送点、……、虚拟配送中心M下属n个配送点;
S13、根据所有配送点的地理位置,在地图上找到对应点得到具体的坐标值信息。
3.根据权利要求2所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述算法计算步骤具体包括:
S21、确定最优配送路径的目标函数和第一约束条件;
S22、设定模型控制参数;
S23、根据第一约束条件中的访问路径分别产生所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解;
S24、产生新的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解,并与对应的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解进行比较,保留更优的解;
S25、重复步骤S24,直到不能产生更优的解后为止,得到连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心与其下属所有配送节点的最优路径,并选择此时的解为最终的最优配送路径。
4.根据权利要求3所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述第一约束条件的访问路径包括当从虚拟配送中心A出发,分别访问虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M各一次,最终回到虚拟配送中心A,得到所有虚拟配送中心的访问路径;
从虚拟配送中心A出发,分别访问虚拟配送中心A下属的所有配送点一次,最终回到虚拟配送中心A,得到拟配送中心A与其下属所有配送点的访问路径;以此类推,得到虚拟配送中心B,虚拟配送中心C,…,虚拟配送中心M分别与其下属所有配送点的访问路径。
5.根据权利要求3所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述S24步骤中保留更优的解的原则是每次进行比较后能够得到更短的所有虚拟配送中心的访问距离和更短的虚拟配送中心与其下属所有配送点的访问路径。
7.根据权利要求6所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述产生初始抗体群,得到初始虚拟配送中心的可能解包括:
随机产生N个个体并从记忆库中提取m个个体构成初始群体,其中m为记忆库中个体的数量;
如果记忆库为空,则在可行解空间随机产生初始抗体群,每个选址方案形成一个长度为p的抗体,每个抗体代表被选为虚拟配送中心的需求点的序列。
9.根据权利要求6-8中任意一项所述的一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法,其特征在于:所述第二约束条件包括:
保证每个需求点只能由一个虚拟配送中心服务;
确保需求点的需求量只能被设为虚拟配送中心的点供应;
用户和物流中心的服务需求分配关系Zij与某点是否被选为虚拟配送中心的概率hj皆为0-1的变量,当Zij=1时,表示需求点i的需求量由虚拟配送中心j供应,否则Zij=0,当hj=1时,表示点j被选为虚拟配送中心,否则hj=0;
保证需求点在虚拟配送中心可配送到的范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208564.4A CN114004386A (zh) | 2021-02-24 | 2021-02-24 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208564.4A CN114004386A (zh) | 2021-02-24 | 2021-02-24 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004386A true CN114004386A (zh) | 2022-02-01 |
Family
ID=79920903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208564.4A Pending CN114004386A (zh) | 2021-02-24 | 2021-02-24 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004386A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911727A (zh) * | 2023-07-12 | 2023-10-20 | 暨南大学 | 物流节点选址与配送路径规划方法、装置及存储介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020103812A1 (en) * | 2001-01-29 | 2002-08-01 | International Business Machines Corporation | Adaptive analysis techniques for enhancing distribution centers placements |
CN102903037A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 配送中心选址的方法 |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN104268705A (zh) * | 2014-09-30 | 2015-01-07 | 国家电网公司 | 电力物资配送中心选址方法 |
CN105868843A (zh) * | 2016-03-22 | 2016-08-17 | 南京邮电大学 | 一种面向货品配送的路线规划方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN108288105A (zh) * | 2017-01-10 | 2018-07-17 | 重庆邮电大学 | 一种快递物流背包优化方法 |
CN109376952A (zh) * | 2018-11-21 | 2019-02-22 | 深圳大学 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
CN109615137A (zh) * | 2018-12-13 | 2019-04-12 | 合肥工业大学智能制造技术研究院 | 用于云物流环境下云配送的选址优化方法 |
CN109711596A (zh) * | 2018-09-20 | 2019-05-03 | 湘潭大学 | 一种多目标进化的物流配送中心选址优化方法及系统 |
CN110659769A (zh) * | 2019-08-19 | 2020-01-07 | 浙江工业大学 | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 |
CN110852590A (zh) * | 2019-11-03 | 2020-02-28 | 北京工商大学 | 一种用于云物流环境下云配送的选址优化方法 |
CN111080214A (zh) * | 2020-01-02 | 2020-04-28 | 汉口北进出口服务有限公司 | 物流配送路径确定方法、装置及存储介质 |
CN111160654A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 |
CN111353738A (zh) * | 2020-02-19 | 2020-06-30 | 内江师范学院 | 一种应用改进的混合免疫算法优化物流配送中心选址方法 |
CN111445084A (zh) * | 2020-04-07 | 2020-07-24 | 西南交通大学 | 兼顾交通状况和双重时间窗的物流配送路径优化方法 |
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN111553532A (zh) * | 2020-04-28 | 2020-08-18 | 闽江学院 | 一种城市快递车辆路径优化的方法及系统 |
CN111882099A (zh) * | 2020-05-11 | 2020-11-03 | 武汉理工大学 | 一种基于变邻域并行退火算法的物流配送路径规划方法 |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
CN112288166A (zh) * | 2020-10-29 | 2021-01-29 | 重庆理工大学 | 基于遗传-模拟退火组合算法对物流配送的优化方法 |
-
2021
- 2021-02-24 CN CN202110208564.4A patent/CN114004386A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020103812A1 (en) * | 2001-01-29 | 2002-08-01 | International Business Machines Corporation | Adaptive analysis techniques for enhancing distribution centers placements |
CN102903037A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 配送中心选址的方法 |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN104268705A (zh) * | 2014-09-30 | 2015-01-07 | 国家电网公司 | 电力物资配送中心选址方法 |
CN105868843A (zh) * | 2016-03-22 | 2016-08-17 | 南京邮电大学 | 一种面向货品配送的路线规划方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN108288105A (zh) * | 2017-01-10 | 2018-07-17 | 重庆邮电大学 | 一种快递物流背包优化方法 |
CN109711596A (zh) * | 2018-09-20 | 2019-05-03 | 湘潭大学 | 一种多目标进化的物流配送中心选址优化方法及系统 |
CN109376952A (zh) * | 2018-11-21 | 2019-02-22 | 深圳大学 | 一种基于轨迹大数据的众包物流配送路径规划方法及系统 |
CN109615137A (zh) * | 2018-12-13 | 2019-04-12 | 合肥工业大学智能制造技术研究院 | 用于云物流环境下云配送的选址优化方法 |
CN110659769A (zh) * | 2019-08-19 | 2020-01-07 | 浙江工业大学 | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 |
CN110852590A (zh) * | 2019-11-03 | 2020-02-28 | 北京工商大学 | 一种用于云物流环境下云配送的选址优化方法 |
CN111160654A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 |
CN111080214A (zh) * | 2020-01-02 | 2020-04-28 | 汉口北进出口服务有限公司 | 物流配送路径确定方法、装置及存储介质 |
CN111353738A (zh) * | 2020-02-19 | 2020-06-30 | 内江师范学院 | 一种应用改进的混合免疫算法优化物流配送中心选址方法 |
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN111445084A (zh) * | 2020-04-07 | 2020-07-24 | 西南交通大学 | 兼顾交通状况和双重时间窗的物流配送路径优化方法 |
CN111553532A (zh) * | 2020-04-28 | 2020-08-18 | 闽江学院 | 一种城市快递车辆路径优化的方法及系统 |
CN111882099A (zh) * | 2020-05-11 | 2020-11-03 | 武汉理工大学 | 一种基于变邻域并行退火算法的物流配送路径规划方法 |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
CN112288166A (zh) * | 2020-10-29 | 2021-01-29 | 重庆理工大学 | 基于遗传-模拟退火组合算法对物流配送的优化方法 |
Non-Patent Citations (2)
Title |
---|
李想等: "两级选址-路径问题的大规模邻域搜索模拟退火算法", 《工程科学学报》, no. 06, 31 December 2017 (2017-12-31), pages 146 - 154 * |
淦 艳等: "免疫算法在带权值的物流配送中心选址中的应用", 《重庆师范大学学报(自然科学版)》, vol. 32, no. 5, 31 December 2015 (2015-12-31), pages 107 - 110 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911727A (zh) * | 2023-07-12 | 2023-10-20 | 暨南大学 | 物流节点选址与配送路径规划方法、装置及存储介质 |
CN116911727B (zh) * | 2023-07-12 | 2024-01-26 | 暨南大学 | 物流节点选址与配送路径规划方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
CN107168054B (zh) | 多机器人任务分配及路径规划方法 | |
Pasandideh et al. | Genetic application in a facility location problem with random demand within queuing framework | |
CN110675189B (zh) | 一种基于Wide&Deep模型和遗传算法的无人货架选址方法 | |
CN111814079A (zh) | 结合聚类与cmab的群智感知车联网用户筛选方法 | |
CN110705741B (zh) | 一种基于改进蚁群算法的多配送中心车辆路径优化方法 | |
CN103034963B (zh) | 一种基于相关性的服务选择系统及选择方法 | |
Guo et al. | Industrial information integration method to vehicle routing optimization using grey target decision | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
CN110659769A (zh) | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 | |
CN114004386A (zh) | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 | |
Qu et al. | How many vehicles do we need? Fleet sizing for shared autonomous vehicles with ridesharing | |
Hao et al. | Research on e-commerce distribution optimization of rice agricultural products based on consumer satisfaction | |
Zhen et al. | Decision models for personal shopper platform operations optimization | |
Jiang et al. | A reinforcement learning-based incentive mechanism for task allocation under spatiotemporal crowdsensing | |
Ozmen et al. | Real-time optimization of school bus routing problem in smart cities using genetic algorithm | |
CN111553532B (zh) | 一种城市快递车辆路径优化的方法及系统 | |
CN116308501B (zh) | 用于管理共享车辆的运营区域的方法、装置、设备和介质 | |
Zhou et al. | Dynamic pricing in profit-driven task assignment: a domain-of-influence based approach | |
Vasić et al. | Dynamic relocation of emergency ambulance vehicles using the AVL component of the GPS/GPRS tracking system | |
Ometov et al. | On applicability of imagery-based CNN to computational offloading location selection | |
CN115146866A (zh) | 一种考虑实际多约束的多条等效最优路径规划方法 | |
Qian et al. | Enhancing user experience of task assignment in spatial crowdsourcing: a self-adaptive batching approach | |
Massobrio et al. | Multiobjective evolutionary algorithms for the taxi sharing problem | |
Jing et al. | Quantum-inspired immune clonal algorithm for railway empty cars optimization based on revenue management and time efficiency |
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 |