CN114118621B - 一种基于改进Knea的多目标低碳物流调度的优化方法 - Google Patents

一种基于改进Knea的多目标低碳物流调度的优化方法 Download PDF

Info

Publication number
CN114118621B
CN114118621B CN202111489293.0A CN202111489293A CN114118621B CN 114118621 B CN114118621 B CN 114118621B CN 202111489293 A CN202111489293 A CN 202111489293A CN 114118621 B CN114118621 B CN 114118621B
Authority
CN
China
Prior art keywords
vehicle
service point
customer service
carbon
logistics
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.)
Active
Application number
CN202111489293.0A
Other languages
English (en)
Other versions
CN114118621A (zh
Inventor
王闯
潘安琪
范智平
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202111489293.0A priority Critical patent/CN114118621B/zh
Publication of CN114118621A publication Critical patent/CN114118621A/zh
Application granted granted Critical
Publication of CN114118621B publication Critical patent/CN114118621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于改进Knea的多目标低碳物流调度的优化方法，在引入低碳物流和时间惩罚函数后，确立了低碳物流的调度的目标函数。对于物流客户服务点不同区域配送成本不同的问题，提出一种客户服务点划分方法；对于优化算法执行过程中的车辆容量约束处理问题，提供了一种车辆容量约束处理方法；同时，对种群的编码进行改进，使其更适合于真实的物流模型。本发明将Knea算法通过改进使其更好的应用于低碳物流调度模型，为物流调度提供可参考的解决方案。

Description

一种基于改进Knea的多目标低碳物流调度的优化方法
技术领域
本发明属于物流调度管理技术领域，具体涉及一种基于改进Knea的多目标低碳物流调度的优化方法。
背景技术
随着社会和技术的发展，建立现代化的物流系统的重要性越来越高。尤其在科技和信息快速发展的背景下，物流运输规模不断扩大，客户服务需求越来越高，人们对于环保低碳生活的向往，使物流运输优化问题的复杂度逐渐增加。因此，一种更高效有效的解决这些问题的求解算法以及提升物流的服务质量与低碳的运输方式是非常有必要的。
物流调度与路径优化问题自被提出以来，就吸引了很多研究人员的关注，尤其是随着环境保护意识的增强，对于建立低碳物流调度模型提出了巨大的挑战。一般解决物流调度，路径优化问题，传统的解决方法一般分为启发式的算法和精确式的算法，精确算法一般是指通过精确计算得到问题的解析解，但随着问题规模的增大，精确算法求解所消耗的时间不断增加以及准确性降低，在实际应用中有着一定的缺陷性。启发式算法一般是通过实验和计算资源，引导合理的运用计算资源从而来得到问题的可行解，灵活性很大，求解迅速，解的质量较高。
Knea是一种多目标优化算法，通过对Pareto解集中解集进行排序和分类，不断选择解集中的knee点或者非支配层级高的点，从而使解集不断收敛。但Knea算法通常针对于理论问题的求解，对于实际问题，尤其是物流领域仍然有着不适应，收敛性差的缺点，对于物流模型的车辆容量等约束难以处理的问题。
发明内容
本发明提供一种基于Knea多目标优化物流调度方法，将低碳模型引入物流调度中，将Knea算法改编使其适用于物流调度模型，并提出车辆容量处理方法，使物流模型更加完善和现代化，高效解决了物流调度模型的收敛问题。同时有效提升了物流的服务质量。
本发明所采用的技术方案如下：一种基于改进Knea的多目标低碳物流优化方法：
获取低碳物流模型的基本信息，对于低碳物流模型系统进行建模，确定低碳物流系统模型的目标函数，对低碳物流模型进行编码，对物流区域的客户点进行划分，对于车载容量约束处理提出新的方法。
优选的是，所述获取低碳物流模型的基本信息，包括：获取车辆数据和客户服务数据；所述车辆数据包括车辆载货量和行驶速度；所述配送客户数据包括客户位置、货物需求和时间窗；根据所得客户位置计算客户之间的位置，客户之间的位置由实际车辆行驶距离测算而得，根据客户之间的位置和客户之间的行驶速度计算客户的行驶时间。
优选的是，对于低碳物流模型系统进行建模，包括对低碳物流系统所做假设，对于行驶时间窗惩罚函数的设计；其假设如下：
步骤2.1：每个客户点仅被每个车辆服务且服务一次
其中是城市决策变量，其表示车辆k从客户服务点i到客户服务点j正在执行物流派送任务，共有N个城市。
步骤2.2：所有车辆均从仓库出发
其中，O代表仓库，和/>表示所有车辆执行任务均从仓库出发。
步骤2.3：所有车辆在执行任务的任何时刻车辆载重量均不超载
其中，Q代表车辆的满载容量，代表车辆k执行物流派送任务从客户服务点i到客户服务点j时候车辆实时载货量，Ddi表示客户服务点i所需要派送的容量，Pdi表示客户服务点i所需要的取货量，每个客户点所需要的车辆载货量和取货量均不超过车的最大容量限制。
步骤2.4：令如下约束设定：
H1：只考虑一种类型的货物，并且货物和客户的坐标是已知的；
H2：车辆在客户点装卸货物同时进行，不考虑取件并分批发货；
H3：取货的车辆类型和货物交货被视为相同；
H4：每个客户点的服务器时间相同的；
H5：车辆碳排放仅考虑车辆在行驶过程中造成的重量差异。
优选的是，确定低碳物流系统模型的目标函数：
其中代表客户服务点i到客户服务点j的距离，f1表示所有车辆在执行派送任务时候的总行驶距离；
其中代表车辆的从客户服务点i到客户服务点j的碳排放量，f2表示所有车辆在执行派送任务时总的碳排放量；其碳排放模型如下：
其中Q是车辆的满载容量，是车辆k从客户服务点i到客户服务点j的车辆实时载货量，ρ0、ρ*是碳排放系数；
其中，f3表示所有车辆在执行派送任务时总的惩罚函数，代表车辆k执行任务时在客户服务点j的总惩罚函数，其中，对车辆行驶中违反客户服务点的惩罚函数的设计如下：
其中，Pe为车辆派送早于客户服务点的时间窗到达的惩罚系数，Pf为车辆派送晚于客户服务点的时间窗到达的惩罚系数，ei为客户服务点i营业时间的左时间窗，即客户服务点i的开门时间；li为客户服务点i的右时间窗，即客户服务点i的关门时间；
其中f4代表了总的执行任务的物流车辆，uk代表某一类型车量，k属于子集u＝{1，2，...，L}。
优选的是，所述对物流客户点进行划分，将客户服务点区域分为高密度区域和低密度区域；高密度区域通常由于客户服务点比较多的原因，其相应地区的运输成本也比较低，加上市场化差异性竞争的原因，高密度区域通常为客户提供更多的取货时间选择；反过来，密度较低的区域提供较少的时间窗口选项为客户；将每个客户点按照周围一定距离内的区域其他客户点的个数计算其繁荣度指标，繁荣度大的客户点，其周围分布的其他客户点也相应的多，繁荣度小的客户点，其周围分布的其他客户点也相应地少一些。根据繁荣度指标，将客户点分为两类。
优选的是，所述对于车辆容量的约束处理方法，车辆从基地出发，对于所编码的路径依次执行派送任务，并且相应的计算其载货量，当车辆实时载货量小于最大容量时，继续执行相应的派送任务，当容量超出约束的时候，车辆应提前立即返回，从基地中调用一辆空闲车辆继续执行未执行完的任务。
本发明在引入低碳物流和时间惩罚函数后，确立了低碳物流的调度的目标函数。对于物流客户服务点不同区域配送成本不同的问题，提出一种客户服务点划分方法；对于优化算法执行过程中的车辆容量约束处理问题，提供了一种车辆容量约束处理方法；同时，对种群的编码进行改进，使其更适合于真实的物流模型。将Knea算法通过改进使其更好的应用于低碳物流调度模型，为物流调度提供可参考的解决方案。
附图说明
图1为本发明的算法整体流程图。
图2为本发明中物流派送的示意图。
图3为本发明中的编码示意图。
具体实施方式
下面对本发明作进一步描述。进一步阐述本发明。
实施例1：
如图1所示，一种基于改进Knea的多目标低碳物流优化方法，获取低碳物流模型的基本信息，对于低碳物流模型系统进行建模，确定低碳物流系统模型的目标函数，对低碳物流模型进行编码，对物流区域的客户点进行划分，对于车载容量约束处理提出新的方法。
如图2所示，本发明获取低碳物流模型的基本信息，包括：获取车辆数据和客户服务数据；所述车辆数据包括车辆载货量和行驶速度；所述配送客户数据包括客户位置、货物需求和时间窗；根据所得客户位置计算客户之间的位置，客户之间的位置由实际车辆行驶距离测算而得，根据客户之间的位置和客户之间的行驶速度计算客户的行驶时间。
对于低碳物流模型系统进行建模，包括对低碳物流系统所做假设，对于行驶时间窗惩罚函数的设计；其假设如下：
步骤2.1：每个客户点仅被每个车辆服务且服务一次
其中是城市决策变量，其表示车辆k从客户服务点i到客户服务点j正在执行物流派送任务，共有N个城市。
步骤2.2：所有车辆均从仓库出发
其中，O代表仓库，和/>表示所有车辆执行任务均从仓库出发。
步骤2.3：所有车辆在执行任务的任何时刻车辆载重量均不超载
其中，Q代表车辆的满载容量，代表车辆k执行物流派送任务从客户服务点i到客户服务点j时候车辆实时载货量，Ddi表示客户服务点i所需要派送的容量，Pdi表示客户服务点i所需要的取货量，每个客户点所需要的车辆载货量和取货量均不超过车的最大容量限制。
步骤2.4：令如下约束设定：
H1：只考虑一种类型的货物，并且货物和客户的坐标是已知的；
H2：车辆在客户点装卸货物同时进行，不考虑取件并分批发货；
H3：取货的车辆类型和货物交货被视为相同；
H4：每个客户点的服务器时间相同的；
H5：车辆碳排放仅考虑车辆在行驶过程中造成的重量差异。
确定低碳物流系统模型的目标函数：
其中代表客户服务点i到客户服务点j的距离，f1表示所有车辆在执行派送任务时候的总行驶距离；
其中代表车辆的从客户服务点i到客户服务点j的碳排放量，f2表示所有车辆在执行派送任务时总的碳排放量；其碳排放模型如下：
其中Q是车辆的满载容量，是车辆k从客户服务点i到客户服务点j的车辆实时载货量，ρ0、ρ*是碳排放系数；
其中，f3表示所有车辆在执行派送任务时总的惩罚函数，代表车辆k执行任务时在客户服务点j的总惩罚函数，其中，对车辆行驶中违反客户服务点的惩罚函数的设计如下：
其中，Pe为车辆派送早于客户服务点的时间窗到达的惩罚系数，Pf为车辆派送晚于客户服务点的时间窗到达的惩罚系数，ei为客户服务点i营业时间的左时间窗，即客户服务点i的开门时间；li为客户服务点i的右时间窗，即客户服务点i的关门时间；
其中f4代表了总的执行任务的物流车辆，uk代表某一类型车量，k属于子集U＝{1，2，...，L}。
如图3所示，对于低碳物流系统进行编码，其中1代表车辆，2，3，4，5代表客户点，空闲a是多余的车辆，在基地中未出去执行派送任务，则图一编码代表有两条路径，其中路径1为1，4，3，2，1，即车辆从基地出发，依次去编码为4，3，2的客户服务点进行物流派送服务。路径2为1，5，1，代表车辆从基地出发去编码为5的客户点进行服务后就返回基地。空闲a代表有4个车辆在基地中未执行任务。
所述对物流客户点进行划分，由于每个客户点的地理位置不同，即由于周围每个客户服务点所需要服务的客户的数量和质量是有极大差别的，从而导致每个客户点服务点的分布及其不均匀的。因此，可以将客户服务点区域分为高密度区域和低密度区域。高密度区域通常由于客户服务点比较多的原因，其相应地区的运输成本也比较低，加上市场化差异性竞争的原因，高密度区域通常为客户提供更多的取货时间选择。反过来，密度较低的区域提供较少的时间窗口选项为客户，如表一，描述了高区域和低区域的不同的派送时间窗。
表一
为了更好的区分城市和郊区的区域划分点，提出了区域划分方法，将每个客户点按照周围一定距离内的区域其他客户点的个数计算其繁荣度指标，繁荣度大的客户点，其周围分布的其他客户点也相应的多，繁荣度小的客户点，其周围分布的其他客户点也相应地少一些。根据繁荣度指标，将客户点分为两类。
对于车辆容量的约束处理方法，车辆从基地出发，对于所编码的路径依次执行派送任务，并且相应的计算其载货量，当车辆实时载货量小于最大容量时，继续执行相应的派送任务，当容量超出约束的时候，车辆应提前立即返回，从基地中调用一辆空闲车辆继续执行未执行完的任务。
实施例2：
首先，获取物流的基本信息，包括：获取车辆数据和客户服务数据；车辆数据包括车辆载货量和行驶速度，车辆是否匀速行驶，或者不同的行驶时间段，根据这些信息计算不同客户之间的距离和派送需要的时间。现在假设仓库要为N个客户点进行派送，派送的车辆有V辆，派送车辆为同一类型，即车辆最大载货量Q均相同。
对客户和车辆进行统一编码，用N+1个数字代表N个客户服务点和车辆，其中，车辆均由数字1编码表示。对于客户的时间窗进行设计，一共设置[0，720]，[0，240]，[240，360]，[360，720]四种时间窗，0时刻代表早上7:00，则[0-240]代表早上7:00-11:00可进行派送，[240，360]代表早上11:00-1:00可进行派送，[360，720]代表下午1:00-晚上7:00进行派送，则[0，720]则代表可派送时间为早7:00-晚上7:00。其中[0，720]的时间窗设置为派送中心的时间窗。
对客户的分布区域进行划分，取Dl为5KM为每个客户点的计算半径，计算每个客户点的周围的其他客户点的数量即繁荣度，将其按照繁荣度大小分为两类，繁荣度大的一类设为市区客户点，繁荣度小的一类设为郊区客户点。其计算过程如下：
1、计算每个城市的距离矩阵Dij
2、对于每个城市，判断其与其他城市的距离Dij是否小于设定值Dl
3、若小于，则这个城市的Pr(i，j)＝Pr(i，j)+1；
4、判断每个城市的Pr；
5、若Pr(i，j)≤α，则将该城市分为郊区，反之归类为市区。
其中，市区客户点的时间窗有[0，240]，[240，360]，[360，720]，郊区客户点的时间窗设置为[0，240]，[240，360]。
根据决策变量计算和所建立的模型，提取目标函数为：
其中f1，f2，f3，f4分别为派送车辆的总行驶距离，派送车辆执行任务时候的总碳排放量，派送车辆执行任务时候的时间窗违反度，以及总的行驶车辆。其中，碳排放模型中的Pe，Pf分别取值为0.5和5。
将编码好的城市放入Knea算法中进入迭代，迭代所想要的解；Knea算法迭代过程如下：
1、对城市和种群进行编码，生成初始种群；
2、设定循环终止条件，迭代终止次数设定为500；
3、对于种群进行环境选择；
4、通过交叉变异生成子代种群；
5、将子代种群和父代种群合并，生成新的种群；
6、对于新的种群进行容量约束检测；
7、将新的种群进行Pareto面排序，并寻找其knee点；
8、根据knee点的Pareto面排序结果对种群进行环境选择，随后继续迭代。
对于编码后的种群进行容量约束检测与处理，其方法如下：
1、输入种群；
2、对于每个路径，计算其现在的容量Rc；
3、如果Rc≤Q，则现在的车辆路径就是最终的路径，Q为车辆的最大容量；
4、否则的话，对于超载线路进行计算Capacity(i)＞max capacity；
5、记录下超载位置Location＝i，并且重新计算容量Capacity(i)＝0；
6、对于超载位置，重新插入车辆，即编码为1的数字，并在空闲位置删掉多余长度的1；
7、将处理过的路线输出，即为最终符合容量约束的路线。

Claims (4)

1.一种基于改进Knea的多目标低碳物流优化方法，其特征在于：
获取低碳物流模型的基本信息，对于低碳物流模型系统进行建模，确定低碳物流系统模型的目标函数，对低碳物流模型进行编码，对物流区域的客户点进行划分，对于车载容量约束处理提出新的方法；
对于低碳物流模型系统进行建模，包括对低碳物流系统所做假设，对于行驶时间窗惩罚函数的设计如下：
步骤2.1：每个客户点仅被每个车辆服务且服务一次
其中是城市决策变量，其表示车辆k从客户服务点i到客户服务点j正在执行物流派送任务，共有N个城市；
步骤2.2：所有车辆均从仓库出发
其中，O代表仓库，和/>表示所有车辆执行任务均从仓库出发；
步骤2.3：所有车辆在执行任务的任何时刻车辆载重量均不超载
其中，Q代表车辆的满载容量，代表车辆k执行物流派送任务从客户服务点i到客户服务点j时候车辆实时载货量，Ddi表示客户服务点i所需要派送的容量，Pdi表示客户服务点i所需要的取货量，每个客户点所需要的车辆载货量和取货量均不超过车的最大容量限制；
步骤2.4：令如下约束设定：
H1：只考虑一种类型的货物，并且货物和客户的坐标是已知的；
H2：车辆在客户点装卸货物同时进行，不考虑取件并分批发货；
H3：取货的车辆类型和货物交货被视为相同；
H4：每个客户点的服务器时间相同的；
H5：车辆碳排放仅考虑车辆在行驶过程中造成的重量差异；
确定低碳物流系统模型的目标函数：
其中代表客户服务点i到客户服务点j的距离，f1表示所有车辆在执行派送任务时候的总行驶距离；
其中代表车辆的从客户服务点i到客户服务点j的碳排放量，f2表示所有车辆在执行派送任务时总的碳排放量；其碳排放模型如下：
其中Q是车辆的满载容量，是车辆k从客户服务点i到客户服务点j的车辆实时载货量，ρ0、ρ*是碳排放系数；
其中，f3表示所有车辆在执行派送任务时总的惩罚函数，代表车辆k执行任务时在客户服务点j的总惩罚函数，其中，对车辆行驶中违反客户服务点的惩罚函数的设计如下：
其中，Pe为车辆派送早于客户服务点的时间窗到达的惩罚系数，Pf为车辆派送晚于客户服务点的时间窗到达的惩罚系数，ei为客户服务点i营业时间的左时间窗，即客户服务点i的开门时间；li为客户服务点i的右时间窗，即客户服务点i的关门时间；
其中f4代表了总的执行任务的物流车辆，uk代表某一类型车量，k属于子集U＝{1，2，...，L}。
2.根据权利要求1所述的基于改进Knea的多目标低碳物流优化方法，其特征在于：所述获取低碳物流模型的基本信息，包括：获取车辆数据和客户服务数据；所述车辆数据包括车辆载货量和行驶速度；配送客户数据包括客户位置、货物需求和时间窗；根据所得客户位置计算客户之间的位置，客户之间的位置由实际车辆行驶距离测算而得，根据客户之间的位置和客户之间的行驶速度计算客户的行驶时间。
3.根据权利要求1所述的基于改进Knea的多目标低碳物流优化方法，其特征在于：对物流客户点进行划分，将客户服务点区域分为高密度区域和低密度区域；高密度区域通常由于客户服务点比较多的原因，其相应地区的运输成本也比较低，加上市场化差异性竞争的原因，高密度区域通常为客户提供更多的取货时间选择；反过来，密度较低的区域提供较少的时间窗口选项为客户；将每个客户点按照周围一定距离内的区域其他客户点的个数计算其繁荣度指标，繁荣度大的客户点，其周围分布的其他客户点也相应的多，繁荣度小的客户点，其周围分布的其他客户点也相应地少一些；
根据繁荣度指标，将客户点分为两类。
4.根据权利要求3所述的基于改进Knea的多目标低碳物流优化方法，其特征在于：对于车辆容量的约束处理方法，车辆从基地出发，对于所编码的路径依次执行派送任务，并且相应的计算其载货量，当车辆实时载货量小于最大容量时，继续执行相应的派送任务，当容量超出约束的时候，车辆应提前立即返回，从基地中调用一辆空闲车辆继续执行未执行完的任务。
CN202111489293.0A 2021-12-07 2021-12-07 一种基于改进Knea的多目标低碳物流调度的优化方法 Active CN114118621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111489293.0A CN114118621B (zh) 2021-12-07 2021-12-07 一种基于改进Knea的多目标低碳物流调度的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111489293.0A CN114118621B (zh) 2021-12-07 2021-12-07 一种基于改进Knea的多目标低碳物流调度的优化方法

Publications (2)

Publication Number Publication Date
CN114118621A CN114118621A (zh) 2022-03-01
CN114118621B true CN114118621B (zh) 2024-04-23

Family

ID=80367431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111489293.0A Active CN114118621B (zh) 2021-12-07 2021-12-07 一种基于改进Knea的多目标低碳物流调度的优化方法

Country Status (1)

Country Link
CN (1) CN114118621B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473659A (zh) * 2013-08-27 2013-12-25 西北工业大学 配送车辆端实时状态信息驱动的物流任务动态优化分配方法
CN109034468A (zh) * 2018-07-19 2018-12-18 南京邮电大学 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
EP3739356A1 (en) * 2019-05-12 2020-11-18 Origin Wireless, Inc. Method, apparatus, and system for wireless tracking, scanning and monitoring
CN113269495A (zh) * 2021-06-01 2021-08-17 国网山东省电力公司嘉祥县供电公司 基于电力物资配送的优化方法及系统
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473659A (zh) * 2013-08-27 2013-12-25 西北工业大学 配送车辆端实时状态信息驱动的物流任务动态优化分配方法
CN109034468A (zh) * 2018-07-19 2018-12-18 南京邮电大学 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
EP3739356A1 (en) * 2019-05-12 2020-11-18 Origin Wireless, Inc. Method, apparatus, and system for wireless tracking, scanning and monitoring
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN113269495A (zh) * 2021-06-01 2021-08-17 国网山东省电力公司嘉祥县供电公司 基于电力物资配送的优化方法及系统
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The low carbon pickup and delivery problem with time windows and its optimization approach;Wang chuang等;《2021 China Automation congress》;20220314;1-18 *
考虑绿色成本的冷链物流配送路径优化研究;方文婷;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210515;C034-282 *
面向带时间窗车辆路径规划问题的多目标优化方法的研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2023,C034-8. *

Also Published As

Publication number Publication date
CN114118621A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN106875066B (zh) 用车出行行为的预测方法、装置、服务器以及存储介质
US20220156693A1 (en) Computerized system and method for developing optimized cargo transportation solutions
CN110599767A (zh) 一种基于网约车出行需求的长短期预测方法
CN108038578B (zh) 基于需求预测和中心辐射网络的公共自行车静态调度方法
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN112184053B (zh) 一种任务调度的方法、装置及其设备
CN101620694A (zh) 物流运输决策支持系统及方法、运输管理系统
CN112183938A (zh) 一种物流调度方法及装置
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN110942193A (zh) 车辆调度方法及存储介质
Hu et al. Dynamic rebalancing optimization for bike-sharing system using priority-based MOEA/D algorithm
CN116402420A (zh) 用于运输车辆的智能网络管理与调度方法及系统
CN114444809A (zh) 一种数据驱动下的多目标露天矿卡路径优化方法
Liu et al. Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing
CN109117989B (zh) 一种任务匹配时的预测方法及装置
CN112613701B (zh) 一种成品卷烟物流调度方法
CN114118621B (zh) 一种基于改进Knea的多目标低碳物流调度的优化方法
CN116882883A (zh) 一种利用大数据的电网物资配送路径规划方法
CN114298420A (zh) 一种基于平台的车辆调度及路径规划方法及系统
CN114048978A (zh) 一种基于机器学习模型的供需调度策略融合应用
CN112734111A (zh) 一种水平运输任务agv动态时间预估方法
CN110084463A (zh) 基于大数据的干线运输预配货的方法及系统
CN117910782B (zh) 基于完全子图和插入式遗传算法的城际拼车静态调度方法
CN117455341B (zh) 一种智能化车货匹配灵活调优方法
CN118115063A (zh) 一种区域配送运力资源配置方法及装置

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