CN114493465B - 一种多目标物流路径优化方法 - Google Patents

一种多目标物流路径优化方法 Download PDF

Info

Publication number
CN114493465B
CN114493465B CN202210156669.4A CN202210156669A CN114493465B CN 114493465 B CN114493465 B CN 114493465B CN 202210156669 A CN202210156669 A CN 202210156669A CN 114493465 B CN114493465 B CN 114493465B
Authority
CN
China
Prior art keywords
logistics
transportation
node
logistics transportation
representing
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
CN202210156669.4A
Other languages
English (en)
Other versions
CN114493465A (zh
Inventor
丁文正
赵伟
罗宇熙
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.)
Shenzhen Jialida Supply Chain Management Co ltd
Original Assignee
Shenzhen Jialida Supply Chain Management 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 Shenzhen Jialida Supply Chain Management Co ltd filed Critical Shenzhen Jialida Supply Chain Management Co ltd
Priority to CN202210156669.4A priority Critical patent/CN114493465B/zh
Publication of CN114493465A publication Critical patent/CN114493465A/zh
Application granted granted Critical
Publication of CN114493465B publication Critical patent/CN114493465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及路径优化的技术领域，公开了一种多目标物流路径优化方法，包括：生成物流网络，并基于物流网络构建物流模型；根据物流模型确定物流路径优化的多目标函数和约束条件；利用拉格朗日罚函数方法对多目标函数进行求解计算；将求解计算的结果作为物流规划路径。本发明所述方法通过构建多目标的物流路径优化目标函数，并利用拉格朗日罚函数方法对多目标函数进行求解计算，将求解计算的结果作为物流规划路径，从而实现物流路径优化。

Description

一种多目标物流路径优化方法
技术领域
本发明涉及路径优化的技术领域，尤其涉及一种多目标物流路径优化方法。
背景技术
随着我国经济的日益繁荣，人民大众生活水平显著提高，因此，物流的重要性进一步呈现出来。但由于物流行业的特殊性，使其在发展过程中遇到许多问题，例如物流产业缺乏统筹规划，信息沟通不畅等，同时，我国物流发展较晚，商品从生产开始，经包装、运输、销售等环节最终送达消费者手中，众多环节的紧密衔接使得物流形成了一张复杂性的网络，而诸多有待完善之处使得物流网络非常脆弱，很容易受外部环境等因素的影响，如何对当前物流运输路径进行优化成为当前研究的热门话题。
鉴于此，本发明提出一种多目标物流路径优化方法，通过构建多目标的物流路径优化目标函数，并利用拉格朗日罚函数方法对多目标函数进行求解计算，将求解计算的结果作为物流规划路径，从而实现物流路径优化。
发明内容
本发明提供一种多目标物流路径优化方法，目的在于(1)实现多目标的物流路径优化目标函数构建；(2)对多目标函数进行求解计算，将求解计算的结果作为物流规划路径。
实现上述目的，本发明提供的一种多目标物流路径优化方法，包括以下步骤：
S1：生成物流网络，并基于物流网络构建物流模型；
S2：根据物流模型确定物流路径优化的多目标函数和约束条件；
S3：利用拉格朗日罚函数方法对多目标函数进行求解计算；
S4：将求解计算的结果作为物流规划路径。
作为本发明的进一步改进方法：
所述S1步骤中生成物流网络，包括：
利用图网络模型对物流进行表示，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；
在本发明一个具体实施例中，所述物流运输中心节点中的主节点与其他节点互为竞争中心，物流运输客户节点最多只可与一个物流运输中心节点相连，且物流运输客户节点只可与物流运输中心节点相连，物流运输中心节点只可与物流运输客户节点相连；
所述物流网络结构的构建流程为：
1)初始化物流网络中的节点数为e0，边数为v0；
2)计算当前物流网络中的节点度阈值
Figure BDA0003513033850000011
对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值
Figure BDA0003513033850000012
则选择概率最高的
Figure BDA0003513033850000013
个可连接节点进行连接，所述连接概率的计算公式为：
Figure BDA0003513033850000014
其中：
Figure BDA0003513033850000015
di表示节点ai的度，ti表示节点ai加入物流网络的时间；
Figure BDA0003513033850000016
表示节点ai的节点度阈值；
在本发明一个具体实施例中，物流运输中心节点的节点度阈值范围为[10,20]，物流运输客户节点的节点度阈值为1；
3)当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；
4)与物流运输中心主节点相连的客户节点为物流运输路径目标。
所述S1步骤中构建物流车辆运输成本模型，包括：
所述物流运输目标的位置集合为：
{(x0,y0),(x1,y2),…,(xk,yk),…,(xn,yn)}
其中：
(x0,y0)表示物流运输中心主节点的位置坐标；
{(x1,y2),…,(xk,yk),…,(xn,yn)}表示与主节点相连的物流运输客户的位置坐标，n表示物流运输客户的总数；
所述构建的物流车辆运输成本模型为：
Figure BDA0003513033850000021
其中：
Cost1表示物流车辆运输成本模型；
Figure BDA0003513033850000022
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure BDA0003513033850000023
hcost表示单位重量运输货物的运输价格；
disij表示客户目标i和客户目标j之间的欧式距离；
qi表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
所述S1步骤中构建物流顾客满意度模型，包括：
所述构建的物流顾客满意度模型为：
Figure BDA0003513033850000024
其中：
Cost2表示物流顾客满意度模型；
ri表示客户目标i希望运输货物到达的最早时间，zi表示客户目标i希望运输货物到达的最晚时间；
εi表示客户目标i的运输货物到达的时间；
θ1,θ2均为惩罚系数，将θ1设置为1，θ2设置为3。
所述S1步骤中构建物流运输货损模型，包括：
所述构建的物流运输货损模型为：
Figure BDA0003513033850000025
其中：
Cost3表示物流运输货损模型。
所述S1步骤中构建物流模型，包括：
所述构建的物流模型C为：
C＝Cost1+Cost2+Cost3
其中：
Cost1表示物流车辆运输成本模型；
Cost2表示物流顾客满意度模型；
Cost3表示物流运输货损模型。
所述S2步骤中确定物流路径优化的多目标函数和约束条件，包括：
根据所构建的物流模型C，确定物流路径优化的多目标函数：
F(L)＝minCost1+minCost2+minCost3
其中：
L表示物流运输路径方案，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径；
所述多目标函数的约束条件为：
Figure BDA0003513033850000031
qi≥0
ri≤εi≤zi
Figure BDA0003513033850000032
其中：
Figure BDA0003513033850000033
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure BDA0003513033850000034
qi表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
所述S3步骤中利用拉格朗日罚函数方法对多目标函数进行求解，包括：
利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：
对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
Figure BDA0003513033850000035
P(L)＝P1(L)+P2(L)
Figure BDA0003513033850000036
Figure BDA0003513033850000037
对罚函数进行解析：
Figure BDA0003513033850000038
令
Figure BDA0003513033850000039
且σ→+∞，最终求解得到的结果为L。
所述S4步骤中将求解计算的结果作为物流车辆规划路径，包括：
将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
相对于现有技术，本发明提出一种多目标物流路径优化方法，该技术具有以下优势：
首先，本方案提出一种物流网络生成方法，通过利用图网络模型对物流进行表示，从而本方案实现对物流网络演化的表征，在物流网络演化过程中，实时利用多目标物流路径优化方法对物流运输问题进行优化求解，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；所述物流网络结构的构建流程为：初始化物流网络中的节点数为e0，边数为v0；计算当前物流网络中的节点度阈值
Figure BDA0003513033850000041
对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值
Figure BDA0003513033850000042
则选择概率最高的
Figure BDA0003513033850000043
个可连接节点进行连接，所述连接概率的计算公式为：
Figure BDA0003513033850000044
其中：
Figure BDA0003513033850000045
di表示节点ai的度，ti表示节点ai加入物流网络的时间；
Figure BDA0003513033850000046
表示节点ai的节点度阈值；当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；与物流运输中心主节点相连的客户节点为物流运输路径目标。
同时，本方案提出一种多目标的物流路径优化目标函数，所述目标函数的优化目标为保证物流运输成本、货损最小，客户满意度最高；所述多目标函数的约束条件为：
Figure BDA0003513033850000047
qi≥0
ri≤εi≤zi
Figure BDA0003513033850000048
其中：
Figure BDA0003513033850000049
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure BDA00035130338500000410
qi表示客户目标i对运输货物的需求量；S表示物流运输中心的车辆数目。利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
Figure BDA00035130338500000411
P(L)＝P1(L)+P2(L)
Figure BDA00035130338500000412
Figure BDA00035130338500000413
对罚函数进行解析：
Figure BDA00035130338500000414
令
Figure BDA00035130338500000415
且σ→+∞，最终求解得到的结果为L。将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，从而实现多目标的物流运输路径优化，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
附图说明
图1为本发明一实施例提供的一种多目标物流路径优化方法的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：生成物流网络，并基于物流网络构建物流模型。
所述S1步骤中生成物流网络，包括：
利用图网络模型对物流进行表示，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；
在本发明一个具体实施例中，所述物流运输中心节点中的主节点与其他节点互为竞争中心，物流运输客户节点最多只可与一个物流运输中心节点相连，且物流运输客户节点只可与物流运输中心节点相连，物流运输中心节点只可与物流运输客户节点相连；
所述物流网络结构的构建流程为：
1)初始化物流网络中的节点数为e0，边数为v0；
2)计算当前物流网络中的节点度阈值
Figure BDA0003513033850000051
对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值
Figure BDA0003513033850000052
则选择概率最高的
Figure BDA0003513033850000053
个可连接节点进行连接，所述连接概率的计算公式为：
Figure BDA0003513033850000054
其中：
Figure BDA0003513033850000055
di表示节点ai的度，ti表示节点ai加入物流网络的时间；
Figure BDA0003513033850000056
表示节点ai的节点度阈值；
在本发明一个具体实施例中，物流运输中心节点的节点度阈值范围为[10,20]，物流运输客户节点的节点度阈值为1；
3)当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；
4)与物流运输中心主节点相连的客户节点为物流运输路径目标。
所述S1步骤中构建物流车辆运输成本模型，包括：
所述物流运输目标的位置集合为：
{(x0,y0),(x1,y2),…,(xk,yk),…,(xn,yn)}
其中：
(x0,y0)表示物流运输中心主节点的位置坐标；
{(x1,y2),…,(xk,yk),…,(xn,yn)}表示与主节点相连的物流运输客户的位置坐标，n表示物流运输客户的总数；
所述构建的物流车辆运输成本模型为：
Figure BDA0003513033850000057
其中：
Cost1表示物流车辆运输成本模型；
Figure BDA0003513033850000058
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure BDA0003513033850000059
hcost表示单位重量运输货物的运输价格；
disij表示客户目标i和客户目标j之间的欧式距离；
qi表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
所述S1步骤中构建物流顾客满意度模型，包括：
所述构建的物流顾客满意度模型为：
Figure BDA0003513033850000061
其中：
Cost2表示物流顾客满意度模型；
ri表示客户目标i希望运输货物到达的最早时间，zi表示客户目标i希望运输货物到达的最晚时间；
εi表示客户目标i的运输货物到达的时间；
θ1,θ2均为惩罚系数，将θ1设置为1，θ2设置为3。
所述S1步骤中构建物流运输货损模型，包括：
所述构建的物流运输货损模型为：
Figure BDA0003513033850000062
其中：
Cost3表示物流运输货损模型。
所述S1步骤中构建物流模型，包括：
所述构建的物流模型C为：
C＝Cost1+Cost2+Cost3
其中：
Cost1表示物流车辆运输成本模型；
Cost2表示物流顾客满意度模型；
Cost3表示物流运输货损模型。
S2：根据物流模型确定物流路径优化的多目标函数和约束条件。
所述S2步骤中确定物流路径优化的多目标函数和约束条件，包括：
根据所构建的物流模型C，确定物流路径优化的多目标函数：
F(L)＝minCost1+minCost2+minCost3
其中：
L表示物流运输路径方案，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径；
所述多目标函数的约束条件为：
Figure BDA0003513033850000063
qi≥0
ri≤εi≤zi
Figure BDA0003513033850000064
其中：
Figure BDA0003513033850000065
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure BDA0003513033850000066
qi表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
S3：利用拉格朗日罚函数方法对多目标函数进行求解计算。
所述S3步骤中利用拉格朗日罚函数方法对多目标函数进行求解，包括：
利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：
对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
Figure BDA0003513033850000071
P(L)＝P1(L)+P2(L)
Figure BDA0003513033850000072
Figure BDA0003513033850000073
对罚函数进行解析：
Figure BDA0003513033850000074
令
Figure BDA0003513033850000075
且σ→+∞，最终求解得到的结果为L。
S4：将求解计算的结果作为物流规划路径。
所述S4步骤中将求解计算的结果作为物流车辆规划路径，包括：
将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种多目标物流路径优化方法，其特征在于，所述方法包括：
S1：生成物流网络，并基于物流网络构建物流模型，所述生成物流网络，包括：
利用图网络模型对物流进行表示，所述基于图网络模型的物流网络结构为
Figure DEST_PATH_IMAGE002
，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边，物流运输中心节点中的主节点与其他节点互为竞争中心，物流运输客户节点最多只可与一个物流运输中心节点相连，且物流运输客户节点只可与物流运输中心节点相连，物流运输中心节点只可与物流运输客户节点相连；
所述物流网络结构的构建流程为：
1）初始化物流网络中的节点数为
Figure DEST_PATH_IMAGE004
，边数为
Figure DEST_PATH_IMAGE006
；
2）计算当前物流网络中的节点度阈值
Figure DEST_PATH_IMAGE008
，对于物流网络中新加入的节点
Figure DEST_PATH_IMAGE010
，计算新加入节点
Figure 299618DEST_PATH_IMAGE010
与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值
Figure DEST_PATH_IMAGE011
，则选择概率最高的
Figure DEST_PATH_IMAGE012
个可连接节点进行连接，所述连接概率的计算公式为：
Figure DEST_PATH_IMAGE014
其中：
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
表示节点
Figure 301963DEST_PATH_IMAGE010
的度，
Figure DEST_PATH_IMAGE020
表示节点
Figure 878438DEST_PATH_IMAGE010
加入物流网络的时间；
Figure DEST_PATH_IMAGE022
表示节点
Figure 86697DEST_PATH_IMAGE010
的节点度阈值；
3）当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；
4）与物流运输中心主节点相连的客户节点为物流运输路径目标；
S2：根据物流模型确定物流路径优化的多目标函数和约束条件；
S3：利用拉格朗日罚函数方法对多目标函数进行求解计算；
S4：将求解计算的结果作为物流规划路径。
2.如权利要求1所述的一种多目标物流路径优化方法，其特征在于，所述S1步骤中构建物流车辆运输成本模型，包括：
物流运输目标的位置集合为：
Figure DEST_PATH_IMAGE024
其中：
Figure DEST_PATH_IMAGE026
表示物流运输中心主节点的位置坐标；
Figure DEST_PATH_IMAGE028
表示与主节点相连的物流运输客户的位置坐标，n表示物流运输客户的总数；
所述构建的物流车辆运输成本模型为：
Figure DEST_PATH_IMAGE030
其中：
Figure DEST_PATH_IMAGE032
表示物流车辆运输成本模型；
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE036
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure DEST_PATH_IMAGE038
；
Figure DEST_PATH_IMAGE040
表示单位重量运输货物的运输价格；
Figure DEST_PATH_IMAGE042
表示客户目标i和客户目标j之间的欧式距离；
Figure DEST_PATH_IMAGE044
表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
3.如权利要求1所述的一种多目标物流路径优化方法，其特征在于，所述S1步骤中构建物流顾客满意度模型，包括：
所述构建的物流顾客满意度模型为：
Figure DEST_PATH_IMAGE046
其中：
Figure DEST_PATH_IMAGE048
表示物流顾客满意度模型；
Figure DEST_PATH_IMAGE050
表示客户目标i希望运输货物到达的最早时间，
Figure DEST_PATH_IMAGE052
表示客户目标i希望运输货物到达的最晚时间；
Figure DEST_PATH_IMAGE054
表示客户目标i的运输货物到达的时间；
Figure DEST_PATH_IMAGE056
均为惩罚系数，将
Figure DEST_PATH_IMAGE058
设置为1，
Figure DEST_PATH_IMAGE060
设置为3。
4.如权利要求1所述的一种多目标物流路径优化方法，其特征在于，所述S1步骤中构建物流运输货损模型，包括：
所述构建的物流运输货损模型为：
Figure DEST_PATH_IMAGE062
其中：
Figure DEST_PATH_IMAGE064
表示物流运输货损模型；
Figure 819511DEST_PATH_IMAGE034
，
Figure 173132DEST_PATH_IMAGE036
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure 971324DEST_PATH_IMAGE038
；
Figure 452115DEST_PATH_IMAGE040
表示单位重量运输货物的运输价格；
Figure 652152DEST_PATH_IMAGE042
表示客户目标i和客户目标j之间的欧式距离；
Figure 911095DEST_PATH_IMAGE044
表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
5.如权利要求2-4任一项所述的一种多目标物流路径优化方法，其特征在于，所述S1步骤中构建物流模型，包括：
所述构建的物流模型C为：
Figure DEST_PATH_IMAGE066
其中：
Figure 508167DEST_PATH_IMAGE032
表示物流车辆运输成本模型；
Figure 573075DEST_PATH_IMAGE048
表示物流顾客满意度模型；
Figure 378351DEST_PATH_IMAGE064
表示物流运输货损模型。
6.如权利要求5所述的一种多目标物流路径优化方法，其特征在于，所述S2步骤中确定物流路径优化的多目标函数和约束条件，包括：
根据所构建的物流模型C，确定物流路径优化的多目标函数：
Figure DEST_PATH_IMAGE068
其中：
L表示物流运输路径方案，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径；
所述多目标函数的约束条件为：
Figure DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE076
其中：
Figure 962523DEST_PATH_IMAGE034
，
Figure 735307DEST_PATH_IMAGE036
表示车辆s从物流运输中心出发到客户目标i、j，否则
Figure 541589DEST_PATH_IMAGE038
；
Figure 466951DEST_PATH_IMAGE044
表示客户目标i对运输货物的需求量；
S表示物流运输中心的车辆数目。
7.如权利要求6所述的一种多目标物流路径优化方法，其特征在于，所述S3步骤中利用拉格朗日罚函数方法对多目标函数进行求解，包括：
利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：
对于待求解的多目标函数
Figure DEST_PATH_IMAGE078
，构建多目标函数
Figure DEST_PATH_IMAGE079
的罚函数
Figure DEST_PATH_IMAGE081
：
Figure DEST_PATH_IMAGE083
Figure DEST_PATH_IMAGE085
Figure DEST_PATH_IMAGE087
Figure DEST_PATH_IMAGE089
对罚函数进行解析：
Figure DEST_PATH_IMAGE091
令
Figure DEST_PATH_IMAGE093
，且
Figure DEST_PATH_IMAGE095
，最终求解得到的结果为L。
8.如权利要求7所述的一种多目标物流路径优化方法，其特征在于，所述S4步骤中将求解计算的结果作为物流车辆规划路径，包括：
将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
CN202210156669.4A 2022-02-21 2022-02-21 一种多目标物流路径优化方法 Active CN114493465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210156669.4A CN114493465B (zh) 2022-02-21 2022-02-21 一种多目标物流路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210156669.4A CN114493465B (zh) 2022-02-21 2022-02-21 一种多目标物流路径优化方法

Publications (2)

Publication Number Publication Date
CN114493465A CN114493465A (zh) 2022-05-13
CN114493465B true CN114493465B (zh) 2022-09-16

Family

ID=81483360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210156669.4A Active CN114493465B (zh) 2022-02-21 2022-02-21 一种多目标物流路径优化方法

Country Status (1)

Country Link
CN (1) CN114493465B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217396B (zh) * 2023-09-12 2024-06-11 广西交科集团有限公司 一种基于路网的多目标派送路径存在判定方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368931B (zh) * 2017-08-09 2020-10-09 西南交通大学 基于大数据分析技术的物流配送路径动态规划方法及系统
CN109685243B (zh) * 2018-11-05 2023-03-31 南京航空航天大学 一种基于遗传算法的作业车间物流配送路径优化方法
US20200380452A1 (en) * 2019-05-30 2020-12-03 Oracle International Corporation Inventory Allocation and Pricing Optimization System
CN110443412B (zh) * 2019-07-18 2021-11-02 华中科技大学 动态优化加工过程中物流调度及路径规划的强化学习方法
CN110705798A (zh) * 2019-10-09 2020-01-17 四川大学 仓配装一体化产品配送路线和技术人员调度优化方法
CN111768149A (zh) * 2020-06-23 2020-10-13 华院数据技术(上海)有限公司 一种快递物流网络规划优化方法及系统
CN111967828A (zh) * 2020-08-20 2020-11-20 北京交通大学 一种面向全程物流的公铁联运产品协同优化方法
CN113361073B (zh) * 2021-05-10 2023-03-31 上海工程技术大学 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
CN113570308B (zh) * 2021-07-27 2023-08-04 重庆大学 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
CN113673932B (zh) * 2021-08-24 2024-06-18 北京京东振世信息技术有限公司 一种物流网络规划方法和装置
CN113988425A (zh) * 2021-10-29 2022-01-28 浙江百世技术有限公司 物流网络发车方案测算方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN114493465A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN109034468B (zh) 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
US20240054444A1 (en) Logistics scheduling method and system for industrial park based on game theory
US10318921B1 (en) Forecasting returns for retail demand planning
CN114493465B (zh) 一种多目标物流路径优化方法
CN112001064A (zh) 一种集装箱码头间全自主水上运输调度方法及系统
CN112418536A (zh) 一种基于大数据的物流到货时长实时监测预估系统
Zhang et al. A dual-colony ant algorithm for the receiving and shipping door assignments in cross-docks
CN110232540A (zh) 业务订单撮合方法及装置
US11755967B2 (en) Time-based decomposition for supply chain optimization problem
US20240169294A1 (en) System and Method for Automatic Parameter Tuning of Campaign Planning with Hierarchical Linear Programming Objectives
CN113902529B (zh) 基于大数据分析的商品运损少货订单管理方法、系统及介质
US20210133677A1 (en) Apparatus and methods for determining delivery routes and times based on generated machine learning models
CN113570169A (zh) 货物运送规划方法、设备及可读存储介质
Ji-li et al. A new mathematical model of vehicle routing problem based on milk-run
Reiyas et al. Modeling of stochastic arrivals depending on base stock inventory system with a retrial queue
CN115358813A (zh) 一种跨境电商平台智能运营系统
Makui et al. A multi-objective robust optimization model for the capacitated P-hub location problem under uncertainty
Shi et al. An integer l-shaped method for dynamic order dispatching in autonomous last-mile delivery with demand uncertainty
CN112907193A (zh) 基于大数据和物联网的智慧物流运输管理系统
Lu et al. Solving a supply-chain management problem using a bilevel approach
Piechnik et al. Innovative Consolidation Techniques for Improved Transportation Efficiency
CN117541029B (zh) 一种基于多渠道物流大数据分析推算系统
Africa et al. Design of an aerial drone delivery system
Wan et al. Research on Delivery Mode of Fresh E-commerce Under Uncertain Delivery-pickup Time
CN114693402B (zh) 一种基于电子商务平台的商品销售管理方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A multi-objective logistics path optimization method

Granted publication date: 20220916

Pledgee: Shenzhen small and medium sized small loan Co.,Ltd.

Pledgor: Shenzhen jialida Supply Chain Management Co.,Ltd.

Registration number: Y2024980007309

PE01 Entry into force of the registration of the contract for pledge of patent right