CN114239915A - 基于供需匹配优化模型的平台集中式供需方案优化方法 - Google Patents

基于供需匹配优化模型的平台集中式供需方案优化方法 Download PDF

Info

Publication number
CN114239915A
CN114239915A CN202111355827.0A CN202111355827A CN114239915A CN 114239915 A CN114239915 A CN 114239915A CN 202111355827 A CN202111355827 A CN 202111355827A CN 114239915 A CN114239915 A CN 114239915A
Authority
CN
China
Prior art keywords
demand
supply
chromosome
matching
initial
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
Application number
CN202111355827.0A
Other languages
English (en)
Inventor
陈丽华
胡华清
王璐
刘靓晨
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.)
Beijing Shijichaoyue Management Consulting Service Co ltd
Original Assignee
Beijing Shijichaoyue Management Consulting Service Co ltd
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 Beijing Shijichaoyue Management Consulting Service Co ltd filed Critical Beijing Shijichaoyue Management Consulting Service Co ltd
Priority to CN202111355827.0A priority Critical patent/CN114239915A/zh
Publication of CN114239915A publication Critical patent/CN114239915A/zh
Pending legal-status Critical Current

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
    • G06N3/004—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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

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

Abstract

本发明公开基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，包括以下步骤：S1、获取平台集中式运输的供需关联信息；S2、将所述供需关联信息进行染色体编码，获取初始种群；S3、构建供需匹配优化模型；S4、基于所述供需匹配优化模型对所述初始种群进行差分进化运算，获取供需匹配最优方案。本发明能够根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束。

Description

基于供需匹配优化模型的平台集中式供需方案优化方法
技术领域
本发明涉及运输供需匹配技术领域，特别涉及基于供需匹配优化模型的平台集中式供需方案优化方法。
背景技术
当前针对平台集中式运输的供需匹配方法中采用了差分进化算法，该算法是一种基于群体的自适应全局优化算法，有着结构简单的特点，易于实现。在求解上差分进化算法能够较快地收敛，是一种高效地全局优化算法，能够快速地实现解的优化。
但当前存在的差分进化算法，如施丽铭等人设计的改进差分进化算法，是通过在算法迭代前期采用较小变异率的全局变异策略，在迭代后期采用较大变异率的局部变异策略，来提高算法局部开采能力和加快收敛速度，这种改进方式存在一定的局限和矛盾，在迭代前期虽然采用全局变异策略，但是变异率小，种群迭代过程中解的变化小，不利于全局搜索，且解的质量非常依赖初始种群的质量；在迭代后期采用局部变异策略，能够提高收敛速度，但是较大的变异率会导致收敛性变差，算法在迭代后期解反而更分散了，再结合传统模拟退火算法，使得初始解单一，难以在搜索空间较大的情况下求得最优解，搜索效率较低，优化程度差，无法获取最优解。
发明内容
针对上述问题，本发明提出基于供需匹配优化模型的平台集中式供需方案优化方法，以解决现有技术中存在的技术问题，能够根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束。
为实现上述目的，本发明提供了如下方案：本发明提供基于供需匹配优化模型的平台集中式供需方案优化方法，包括以下步骤：
S1、获取平台集中式运输的供需关联信息；
S2、将所述供需关联信息进行染色体编码，获取初始种群；
S3、构建供需匹配优化模型；
S4、基于所述供需匹配优化模型对所述初始种群进行差分进化运算，获取供需匹配最优方案。
可选地，所述供需关联信息包括可用运力、单位运输价格、需求量、供应量、需求端最高可接受价格、供应端最低可接受价格、供应端和需求端的地理位置、需求端最晚收货时间、供应端最早发货时间。
可选地，获取所述初始种群包括：对所述供需关联信息进行染色体编码，获得染色体编码集合，并基于所述染色体编码集合进行k-means运算，生成初始种群。
可选地，所述k-means运算包括：获取所述染色体编码集合中每个需求端的时间维度和地理位置并进行聚类运算，基于所述聚类运算随机选择聚类中心，根据每个所述需求端到所述聚类中心的距离，对所述需求端进行分类匹配处理，获取分类匹配排序结果，将所述分类匹配排序结果作为初始种群。
可选地，所述S4中供需匹配最优方案的获取包括以下步骤：
S4.1、将所述初始种群中的初始染色体进行变异运算，获取变异染色体；
S4.2、对所述变异染色体进行合法化操作，获取合法变异染色体；
S4.3、将所述初始染色体和所述合法变异染色体进行交叉操作，获取交叉结果，并将所述交叉结果作为新种群；
S4.4、将所述新种群和所述初始种群进行个体对比，选取并更新最优个体，获取种群最优解，即供需匹配最优方案。
可选地，所述变异运算包括：随机选取所述初始种群中两个不同的初始染色体，将两个所述初始染色体进行向量差缩放后与另一条随机选择的染色体进行向量合成，完成变异运算。
可选地，所述合法化操作包括：对所述变异染色体进行合法性检验，并基于交易量约束对不满足所述交易量约束的变异染色体进行修复。
可选地，所述交易量约束为供给端提供的总量小于自身供给量能力。
可选地，所述交叉操作包括：基于所述初始染色体获取随机数，并设置交叉概率，将所述随机数小于所述交叉概率的所述初始染色体更新为所述合法变异染色体。
本发明公开了以下技术效果：
本发明提出了改进的差分进化算法，采用基于k-means的初始种群生成方法，提高了初始种群解的质量，采用新旧种群个体间的交叉策略，来进一步提高局部搜索能力。并且根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明实施例中的染色体形式示意图；
图3为本发明实施例中第m个供给端企业发货给第n个需求端企业的发货时间所组成的染色体示意图；
图4为本发明实施例中第m个供给端企业给第n个需求端企业的货物交易价格的染色体示意图；
图5为本发明实施例中的模型构建示意图；
图6为本发明实施例中的算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供基于供需匹配优化模型的平台集中式供需方案优化方法，包括以下步骤：
S1、获取平台集中式运输的供需关联信息。
供需关联信息包括承运商信息和供给、需求端信息；其中，承运商信息包括可用运力、单位运输价格；供给、需求端信息包括需求量、供应量、需求端最高可接受价格、供应端最低可接受价格、供应端和需求端的地理位置、需求端最晚收货时间、供应端最早发货时间。
S2、将供需关联信息进行染色体编码，获得染色体编码集合，并基于染色体编码集合进行k-means运算，获取初始种群。
(a)染色体编码
如表1所示，本实施例提供一个物流货运方案，xmn记录了从供给方m到需求方n的货运量。
表1
Figure BDA0003357595130000051
将以上的M×N矩阵转化为1×(M*N)的向量。从而形成了如图2所示的染色体形式。
另一方面，考虑时间维度因素。同样构建一个M*N长度的染色体。如图3所示，展示了第m个供给端企业发货给第n个需求端企业的发货时间所组成的染色体。其中，若从m到n没有相应的货运量，则将tmn设为K(K是一个足够大的量)。
需要注意的是，时间维度的染色体片段暗含了集中配送的聚类信息。意即，同一时刻发出就代表了是同一批集中配送的货物。例如：t12＝t14＝t24，其含义为供应端企业1和企业2向需求端企业1和企业2集中供应货物。
最后，考虑交易价格维度因素。构建一个M*N长度的染色体。如图4所示，展示了第m个供给端企业给第n个需求端企业的货物交易价格的染色体。其中，若m企业和n企业达成一定货物量的交易，则交易价格定为供给端的最低可接受价格，即
Figure BDA0003357595130000061
若m到n没有相应的货运量，则将pmn设为0。
(b)适应度
每一个方案都需要计算出对应的适应度，本实施例中适应度为：
Figure BDA0003357595130000062
其中
Figure BDA0003357595130000063
为目标函数，希望目标函数越大越好。K是一个足够大的实数，为惩罚因子。
Figure BDA0003357595130000064
的含义是对于任意规划模型中不被满足的约束，都要给与惩罚。
(c)基于k-means的初始种群生成方法
k-means运算的过程为：获取染色体编码集合中每个需求端的时间维度和地理位置并进行聚类运算，基于聚类运算随机选择聚类中心，根据每个需求端到聚类中心的距离，对需求端进行分类匹配处理，获取分类匹配排序结果，将分类匹配排序结果作为初始种群。
在上述运算中，首先随机生成原始数据，原始数据包括需求端相关数据和供给端相关数据，如表2和表3所示。
表2
编号 需求量 最高可接受价格 最迟收货时间
1 484 5.2 4
2 278 4.9 2
3 499 4.4 7
4 469 4.6 10
5 540 4.5 6
6 412 5.6 4
7 180 3.1 11
8 357 3.7 3
9 84 4.6 6
10 212 4.7 3
表3
编号 供应量 最低可接受价格 发货时间
1 5670 3.3 10
2 1169 4.0 7
3 300 4.5 1
1)针对每一个需求方以时间维度和地理位置聚类(每一个需求方都包含了三个维度：
Figure BDA0003357595130000071
)，随机选择K个聚类中心(K可以选择1…N)，记为Zi(I)，j＝1…K表示K个聚类中的第j个聚类，I表示第I次迭代。因此令
Figure BDA0003357595130000081
表示在第j个聚类中的第i个企业。
2)求解每个数据样本到聚类中心的距离。若满足
Figure BDA0003357595130000082
那么第n个需求方企业属于第j0类。
聚类中心的距离为：
Figure BDA0003357595130000083
3)令I＝I+1，重新计算聚类中心Zj以及误差平方和准则函数Jc的值：
Figure BDA0003357595130000084
Figure BDA0003357595130000085
式中，nj表示j第个聚类中目前一共有nj个企业；
Figure BDA0003357595130000086
表示供应端(需求端)第i个企业地理位置横坐标。
4)判断，若|Jc(I+1)-Jc(I)|＜ζ，则算法结束；否则，令I＝I+1，重新按照第2)步进行。
5)K个聚类中，依次计算第j(j＝1...K)个需求端聚类的最迟收货时间
Figure BDA0003357595130000087
由于集中配送要满足聚类里每一个需求方企业的收货时间，所以
Figure BDA0003357595130000088
6)计算聚类后各点间的集中运输物流成本：
Figure BDA0003357595130000089
式中，
Figure BDA0003357595130000091
表示供给端n到聚类中心s中的距离，ds→r表示供给端聚类点s到需求端聚类点r的距离，
Figure BDA0003357595130000092
表示需求端m个供给方到聚类中心r的距离。c1表示配送的单位里程成本，c2表示运输的单位里程成本。
计算提前期，其定义为运输时间(聚类中心到聚类中心对应的距离对应的时间)+保留时间(自定)，公式表示为：
T＝t1ds→r+T0
式中，t1为单位里程所需时间，T0为订货的保留时间。
7)将需求端按照“聚类的收货时间
Figure BDA0003357595130000093
-最高可接受价格-需求量”的优先级关系升序(降序)排列
8)进行供给端-需求端匹配，按照“发货时间-最高可接受价格-需求量”的优先级关系升序(降序)排列。基于分类匹配排序结果作为初始种群。
S3、构建供需匹配优化模型。
(a)目标函数：供需匹配率计算
设xmn为供给端第m个公司到需求端第n个企业的运量，即有：
Figure BDA0003357595130000094
设
Figure BDA0003357595130000095
为第o次运输过程中，供给端第m个公司到需求端第n个企业的运价，即有：
Figure BDA0003357595130000101
本模型目标之一为最大化产业集群上下游的供需匹配率，供需匹配率的计算如下所示：
Figure BDA0003357595130000102
(b)基于时间维度的聚类设计模块
tmn表示第m个供给端企业发货给第n个需求端企业的发货时间。注意到物流过程有时间消耗(交货提前期)，所以第n个需求端接受到第m个供给端的货物的实际时间是tmn+T。
在上述模型的基础之上，加入需求商的要求发货时间和与供应商的发货时间数据，从而在原有运输方案的基础之上考虑供应商的发货时间与需求商的发货时间的冲突。即是进行在时间维度上的聚类。
在模型中加入约束
Figure BDA0003357595130000103
Figure BDA0003357595130000104
其中，T为交货提前期，tmn为实际上从m企业发货到n企业的发货时间，
Figure BDA0003357595130000105
为需求端第n个企业最迟可接受的交货时间，
Figure BDA0003357595130000106
为供给端第m个企业给出的最早交货时间。
(c)目标函数：物流成本计算
本模型的另一个目标为最小化物流运输成本，物流成本采用标准的两部收费法，即每次运送收取固定成本C，此外每一单位的货运量收取单位成本aij的计算如下所示：
Figure BDA0003357595130000111
其中，c为单位距离运输成；o为第o次集中配送；O为总配送次数；Mo为第o次集中配送的供应方数量；No为第o次集中配送的需求方数量；amn为第n个公司(供给端)到第m个企业(需求端)的运价；
Figure BDA0003357595130000112
为货物运输量导致的成本，
Figure BDA0003357595130000113
为O次运输地理位置长度导致的部分。
供需匹配优化模型表示如下：
Figure BDA0003357595130000121
Figure BDA0003357595130000122
式中，Si表示第i个染色体；f(Si)表示第i个染色体的适应度；λ表示供需匹配率；b1表示交易达成率目标权重；C表示每次运送收取固定成本；b2表示物流成本目标权重；N表示需求端企业数；n表示需求端第n个企业；M表示供给端企业数；m表示供给端第m个企业；xmn表示第n个公司(供给端)到第m个企业(需求端)的运量；
Figure BDA0003357595130000123
表示供给端第m个公司的供给；
Figure BDA0003357595130000124
表示需求端第n个企业的需求；
Figure BDA0003357595130000125
表示需求端第n个企业的最高可接受价格；
Figure BDA0003357595130000126
表示供给端第m个企业的最低可接受价格；tmn表示实际上从m企业发货到n企业的发货时间；T表示订货提前期(也即物流等运输过程的平均时长)；
Figure BDA0003357595130000127
表示需求端第n个企业的最晚收货上时间；
Figure BDA0003357595130000128
表示供给端第m个企业的最早交货时间。
上述流程如图5所示。
S4、基于供需匹配优化模型对初始种群进行差分进化运算，获取供需匹配最优方案。
供需匹配最优方案的获取包括以下步骤：
S4.1、将初始种群中的初始染色体进行变异运算，获取变异染色体；变异运算的过程为：随机选取初始种群中两个不同的初始染色体，将两个初始染色体进行向量差缩放后与另一条随机选择的染色体进行向量合成，完成变异运算。计算公式如下：
Cg+1＝F×(Pg(r1)-Pg(r2))+Pg(r3)
式中，Pg表示第g代种群；r1，r2和r3是三个不重复的随机数，取值范围为0到种群大小，用于对Pg中的个体进行随机选择；F是缩放因子，为固定常数；Cg+1表示生成的子代染色体，也即变异染色体。
如表4所示，展示了单层染色体的差分变异过程示意图，用于计算向量差的两个不同染色体；进而假设缩放因子为0.3，向量差缩放后的结果如表5所示；并根据公式计算得到的变异后的染色体如表6所示。
表4
P<sub>g</sub>(r<sub>1</sub>) 3 6 5 7 1 4 2
P<sub>g</sub>(r<sub>2</sub>) 4 2 7 6 1 5 3
表5
F×(P<sub>g</sub>(r<sub>1</sub>)-P<sub>g</sub>(r<sub>2</sub>)) -0.3 1.2 -0.6 0.3 0 -0.3 -0.3
表6
C<sub>g+1</sub> 3.7 3.2 4.4 7.3 1 5.7 2.7
S4.2、对变异染色体进行合法化操作，获取合法变异染色体。对于不满足编码规则的染色体，按照其对应规则进行修复，使其满足编码规则。在三层染色体中，最严格的约束是交易量约束由于供给端能够提供的量有限，因此供给端提供的总量是要小于自身供给量能力的，根据这个约束我们对交易量染色体进行合法化的操作
假设交易量染色体的一个非法编码如表7所示，假设三个供给端的供给量依次是100，120，110。
表7
Figure BDA0003357595130000141
可以看到供给端2和3的实际供给量都超过了自身的供给能力，供给端2超出了10，供给端3超出了30。因此将超出量均匀地在各个需求方中扣除，合法化之后的交易量染色体如表8所示：
表8
Figure BDA0003357595130000142
S4.3、将初始染色体和合法变异染色体进行交叉操作，获取交叉结果，并将交叉结果作为新种群；即对于初始染色体中的每个值分别进行判断，对于每个值产生随机数，当随机数小于交叉概率时，则选用新种群中的值，否则采用初始种群中的值。
假设变异前后的染色体如表9所示。
表9
P<sub>g</sub>(r<sub>1</sub>) 3 6 5 7 1 4 2
C<sub>g+1</sub> 4 2 7 6 1 5 3
设交叉概率为0.6，生成的一组随机数如表10所示。
表10
0.3 0.2 0.7 0.9 0.4 0.5 0.1
交叉后得到的染色体如表11所示：
表11
P<sub>g+1</sub>(r<sub>1</sub>) 4 2 5 7 1 5 3
S4.4、将新种群和初始种群进行个体对比，选取并更新最优个体，获取种群最优解，即供需匹配最优方案。
也即，对新种群中的个体进行评估，比较新旧种群中处于同一位置的染色体，将表现更好的染色体保留，进入下一代种群。取当前种群中的最优解，并与历史最优解进行比较，更新历史最优解。
在本实施例中还采用了缩放因子，缩放因子F对算法性能有着很大的影响，F主要影响算法的全局寻优能力。F越小，算法对局部的搜索能力更好，F越大算法越能跳出局部极小点。
设计如下的更新策略，使得F随着迭代次数的增加逐渐减小，t为当前迭代次数，n为一个固定常数，可根据最大迭代次数进行调整：
F＝e-t/n
在算法收敛的前期，F是一个较大的值，可以防止陷入局部最优。随着迭代次数的增加，F逐渐减小，提高算法的局部搜索能力。
S4的方法流程如图6所示。
本发明实施例与传统的进化算法相比，差分进化算法的差分变异操作能够对解进行更大范围的变异，提高种群解的多样性，提高解的质量。在算法收敛的后期，种群中染色体的差异较小，新种群的染色体与原种群染色体差异较小，通过新旧种群的交叉，可以在最优解附近进行搜索，提高了局部搜索能力。
且针对算法的主要参数缩放因子F，设计了一个衰减策略。F越小，算法对局部的搜索能力更好，F越大算法越能跳出局部极小点。因此，在算法收敛的前期，给F设定一个较大的值，防止陷入局部最优。随着迭代次数的增加，F逐渐减小，增强算法收敛后期的局部搜索能力。
本发明公开了以下技术效果：
本发明提出了改进的差分进化算法，采用基于k-means的初始种群生成方法，提高了初始种群解的质量，采用新旧种群个体间的交叉策略，来进一步提高局部搜索能力。并且根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。

Claims (9)

1.基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，包括以下步骤：
S1、获取平台集中式运输的供需关联信息；
S2、将所述供需关联信息进行染色体编码，获取初始种群；
S3、构建供需匹配优化模型；
S4、基于所述供需匹配优化模型对所述初始种群进行差分进化运算，获取供需匹配最优方案。
2.根据权利要求1所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述供需关联信息包括可用运力、单位运输价格、需求量、供应量、需求端最高可接受价格、供应端最低可接受价格、供应端和需求端的地理位置、需求端最晚收货时间、供应端最早发货时间。
3.根据权利要求1所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，获取所述初始种群包括：对所述供需关联信息进行染色体编码，获得染色体编码集合，并基于所述染色体编码集合进行k-means运算，生成初始种群。
4.根据权利要求3所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述k-means运算包括：获取所述染色体编码集合中每个需求端的时间维度和地理位置并进行聚类运算，基于所述聚类运算随机选择聚类中心，根据每个所述需求端到所述聚类中心的距离，对所述需求端进行分类匹配处理，获取分类匹配排序结果，将所述分类匹配排序结果作为初始种群。
5.根据权利要求1所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述S4中供需匹配最优方案的获取包括以下步骤：
S4.1、将所述初始种群中的初始染色体进行变异运算，获取变异染色体；
S4.2、对所述变异染色体进行合法化操作，获取合法变异染色体；
S4.3、将所述初始染色体和所述合法变异染色体进行交叉操作，获取交叉结果，并将所述交叉结果作为新种群；
S4.4、将所述新种群和所述初始种群进行个体对比，选取并更新最优个体，获取种群最优解，即供需匹配最优方案。
6.根据权利要求5所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述变异运算包括：随机选取所述初始种群中两个不同的初始染色体，将两个所述初始染色体进行向量差缩放后与另一条随机选择的染色体进行向量合成，完成变异运算。
7.根据权利要求5所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述合法化操作包括：对所述变异染色体进行合法性检验，并基于交易量约束对不满足所述交易量约束的变异染色体进行修复。
8.根据权利要求7所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述交易量约束为供给端提供的总量小于自身供给量能力。
9.根据权利要求7所述的基于供需匹配优化模型的平台集中式供需方案优化方法，其特征在于，所述交叉操作包括：基于所述初始染色体获取随机数，并设置交叉概率，将所述随机数小于所述交叉概率的所述初始染色体更新为所述合法变异染色体。
CN202111355827.0A 2021-11-16 2021-11-16 基于供需匹配优化模型的平台集中式供需方案优化方法 Pending CN114239915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111355827.0A CN114239915A (zh) 2021-11-16 2021-11-16 基于供需匹配优化模型的平台集中式供需方案优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111355827.0A CN114239915A (zh) 2021-11-16 2021-11-16 基于供需匹配优化模型的平台集中式供需方案优化方法

Publications (1)

Publication Number Publication Date
CN114239915A true CN114239915A (zh) 2022-03-25

Family

ID=80749585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111355827.0A Pending CN114239915A (zh) 2021-11-16 2021-11-16 基于供需匹配优化模型的平台集中式供需方案优化方法

Country Status (1)

Country Link
CN (1) CN114239915A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090798A (zh) * 2023-04-07 2023-05-09 山东历控能源有限公司 一种综合能源调度方法及系统
CN117455341A (zh) * 2023-12-25 2024-01-26 华东交通大学 一种智能化车货匹配灵活调优方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090798A (zh) * 2023-04-07 2023-05-09 山东历控能源有限公司 一种综合能源调度方法及系统
CN117455341A (zh) * 2023-12-25 2024-01-26 华东交通大学 一种智能化车货匹配灵活调优方法
CN117455341B (zh) * 2023-12-25 2024-04-02 华东交通大学 一种智能化车货匹配灵活调优方法

Similar Documents

Publication Publication Date Title
CN112183812B (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
CN112836892B (zh) 基于改进遗传算法的多目标车辆配送路径确定方法及系统
CN114239915A (zh) 基于供需匹配优化模型的平台集中式供需方案优化方法
Goodarzi et al. A new bi-objective vehicle routing-scheduling problem with cross-docking: Mathematical model and algorithms
CN111311158B (zh) 一种有限充电设施条件下的电动物流车路径规划方法
CN111368999B (zh) 一种物流调度系统
Utama et al. Sustainable Production-inventory model with multimaterial, quality degradation, and probabilistic demand: From bibliometric analysis to a robust model
CN111199375B (zh) 一种智能化物流运输系统
US20150074025A1 (en) Multi-objective semiconductor product capacity planning system and method thereof
CN109919532B (zh) 一种物流节点确定方法及装置
CN111027911A (zh) 一种自动化物流仓储运输调度系统
CN113469416A (zh) 一种派件任务规划方法及设备
Nambirajan et al. CARE: Heuristics for two-stage multi-product inventory routing problems with replenishments
Hu et al. Finished-vehicle transporter routing problem solved by loading pattern discovery
Balamurugan et al. Optimization of inventory routing problem to minimize carbon dioxide emission
Yu et al. Maximizing profit for vehicle routing under time and weight constraints
CN115965172A (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN115689412A (zh) 一种多周期运费定价和物流网络规划方法
Fathollahi‐Fard et al. An efficient modified red deer algorithm to solve a truck scheduling problem considering time windows and deadline for trucks' departure
Kamsopa et al. Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area
Yin et al. An optimal variable pricing model for container line revenue management systems
CN117709836A (zh) 一种数字化物流供应链的管理系统
Rim et al. Transshipment Vehicle Routing with Pickup and Delivery for Cross‐Filling
Edokpia et al. Transportation cost minimization of a manufacturing firm using genetic algorithm approach

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