CN114707918B - 一种铁路分级节点运输方法 - Google Patents
一种铁路分级节点运输方法 Download PDFInfo
- Publication number
- CN114707918B CN114707918B CN202111488174.3A CN202111488174A CN114707918B CN 114707918 B CN114707918 B CN 114707918B CN 202111488174 A CN202111488174 A CN 202111488174A CN 114707918 B CN114707918 B CN 114707918B
- Authority
- CN
- China
- Prior art keywords
- node
- transportation
- stage
- nodes
- transport
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铁路分级节点运输方法,包括两个阶段,阶段一对各运输节点进行分层分级,阶段二通过优化运输网络模型中节点链接关系,构建完整、具体的分级运输网络,该方法通过构建混合式运输网络模型,达到既整合运输量较小城市的运输需求,又通过直达运输模式保证运输需求量较大城市的运输时间要求,以契合铁路国际长途运输线路辐射范围广、货源地多而散的发展特性。在运输需求变化、货物时间价值变化的情况下,混合式运输网络具有更好的适应性,提高整个班列的掌控力度。
Description
技术领域
本发明涉及交通运输领域,具体涉及一种铁路分级节点运输方法。
背景技术
铁路运输领域通用的点对点直达运输网络结构在运输过程中的问题主要体现在以下若干方面:
(1)运营线路重复,运输资源利用率低。
(2)运输需求较少的货源地班列发车频率低,等待时间长,难以发挥班列运输的时间优势。
(3)点对点直达网络布局对货源的整合能力弱,难以适应市场需求。
(4)班列从特定口岸换装,其他口岸节点未充分利用,造成该特定口岸拥堵。
(5)货源端占运输全程总成本的比例较高,且运输网络布局不明。
各班列运营公司各自为政,无序竞争造成班列线路重复,运输资源利用率较低;班列在某一段运输成本在总成本所占比例偏高,如中欧班列(成都)欧洲端的运营成本占总成本的70%,主要原因是欧盟统一的货运基价是独联体各国的4倍多,是中国铁路的2倍多;班列在货源端运输网络布局不明,导致运输能力利用率有待提升;点对点直达网络布局对货源的整合能力弱,难以适应市场需求;班列缺少立足于实体节点在运输OD端进行品牌营销、推广和货物集散等作业;班列的运输服务多由运输代理提供,自主运营权的缺失导致集装箱、车底板、调装线等关键设备的信息流通渠道不畅,进而导致货源端运输把控不足、运输服务质量和运输效率无法进一步提高的问题日益突出,从而成为限制班列运输方式高质量发展的关键短板之一。
发明内容
针对现有技术中的上述不足,本发明提供了一种铁路分级节点运输方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种铁路分级节点运输方法,包括如下步骤:
S1、利用物流节点辐射范围分类方式对运输网络中的多个运输节点进行分层;
S2、根据分层后的各运输节点货源数据和货物运输需求,对各运输节点进行功能限定并分级,确定枢纽节点、非枢纽节点和口岸站;
S3、根据枢纽节点、非枢纽节点和口岸站之间的对应关系构建铁路运输网络模型,以运输成本和运输时间最小为目标函数优化所构建的铁路运输网络模型并利用遗传算法计算各运输节点的从属分配关系;
S4、根据优化后的铁路运输网络模型和运输节点的从属关系执行货物的分级节点运输。
上述方案的有益效果是,可依据运输节点分级结果构建混合式运输网络,在运输需求和货物时间价值往往具有波动性的现实环境中,该类运输网络可降低运输总成本,具备较好的适用性,既保障货源充足地区的货运时间效果,又兼顾满足货源不充足地区的货运需求,对货运市场需求的地理性浮动具有良好的弹性供给功能。
进一步的,所述S1对运输网络中的多个运输节点进行分层的方式采用系统聚类法对运输节点进行层级划分,具体方式为:
S11、获取运输节点的政治地位、经济指标和交通条件数据,采用零-均值规范化法对获取的数据进行标准化,表示为:
S12、计算经步骤S11标准化处理后的各数据的距离,采用零-均值规范化法数据标准化的处理,经标准化处理后的数据服从μ(0,1)分布即均值为0,标准差为1的标准正态分布,计算方式为:
其中,dcg为欧氏距离,k为指标编号,m为数据量;
S13、通过组之间的链接方法进行数据聚类,并按照聚类方式得到各运输节点划分为一级节点、二级节点和三级节点。
上述进一步方案的有益效果是,根据一定区域内运输网络中节点自身特性,将具备不同交通条件、运输服务规模等差异性的节点划分层次,为确定运输枢纽、边境口岸等具体角色提供节点备选集,为设计和优化运输网络模型界定清晰的节点功能定位。
进一步的,所述三级节点仅可通过两次以内的中转将货物集结至一级或二级节点,再通过一级节点或者二级节点将货物运输至目的城市;
所述二级节点可通过直达运输至目的城市,或将货物集结至一级节点或成为区域集散中心的二级节点,通过两次以内的中转将货物运输至目的城市;
所述一级节点可只集结三级节点的货物成为区域集散中心,或同时集结二级节点和三级节点的货物成为集散中心,并通过直达的方式将货物运输至目的城市。
上述进一步方案的有益效果是,直接明确各级节点所服务的货源集结组织模式,为运输网络模型构建提供先验条件。
进一步的,所述S3中铁运输网络模型的设置条件包括:
三级节点仅可通过枢纽节点中转将货物运输至目的城市,且三级节点可到达所有待成为枢纽节点的备选枢纽节点;
二级节点对应的虚拟货源节点仅可选择直达运输或两次以内的中转将货物运输至目的城市;
一级节点对应的虚拟货源节点仅可通过直达运输将货物运输至目的城市;
任意一对OD运输方案仅可在直达运输、经一级节点一次中转运输、经二级节点两次以内中转运输中选择一种且不能分批运输,且每个运输需求在节点间仅可选择一种运输方式;
备选枢纽节点仅在一级节点和二级节点上产生。
上述进一步方案的有益效果是,将枢纽节点、非枢纽节点的概念与上述一二三级节点直接联系起来,明确运输网络中各枢纽节点的遴选依据,以及各级节点在运输网络中的功能定位。
进一步的,所述S3中优化所构建的铁路运输网络模型的方式为:
S301、计算货物的时间价值,其计算方式表示为:
其中,β表示单位货物在途运输的单位时间价值;V为单位货物的价值,一般以运输货物的平均价格来表示;ρ为年货物持有成本系数;
S302、利用货物时间价值将各阶段运输时间函数转化为运输时间成本目标函数,表示为:
minTC=TC1+TC2+TC3;
其中,TC1为第一阶段运输时间成本、TC2为第二阶段运输时间成本、TC3为第三阶段运输时间成本;
S303、将各阶段运输成本和各阶段运输时间成本整合成单目标函数,表示为:
minz=minf+minTC=f1+f2+f3+TC1+TC2+TC3;
其中,minf为各阶段运输成本的最小化函数,f1为第一阶段运输成本,f2为第二阶段运输成本,f3为第三阶段运输成本,且minf=f1+f2+f3。
上述进一步方案的有益效果是,通过引入货物的时间价值概念,将运输时间和运输成本两个目标函数统一起来,转化为单目标规划问题,降低问题求解规模。
进一步的,所述第一阶段运输时间成本TC1包括第一阶段运输过程中节点间的在途运输时间成本和节点间的转运时间成本,其中,
第一阶段运输过程中节点间的在途运输时间成本表示为:
F1 1为第一阶段运输过程汇总节点间的在途运输时间成本,i、j、m为第一阶段的运输节点,L为第一阶段运输网络中成为备选枢纽节点的二级节点的集合且l∈L,M为第一阶段运输网络中成为备选枢纽节点的一级节点的集合且m∈M,J为第一阶段运输网络与第二阶段运输网络之间的边境口岸集合且j∈J,O为第一阶段运输网络中货源点集合且o∈O,X1oj为0-1变量,表示第一阶段运输网络中货源点o到节点j选择直达运输,T1oj为第一阶段运输网络中货源点o到节点j的运输时间,q1oj为第一阶段运输网络中货源点o到节点j的运量,X1ol为0-1变量,表示第一阶段运输网络中货源点o选择经过节点l中转到达下一阶段运输网络的口岸,T1ol表示第一阶段运输网络中货源点o到节点l的运输时间,q1ol表示第一阶段运输网络中货源点o到节点l的运量,X1om为0-1变量,表示第一阶段运输网络中货源点o到选择经节点m中转运输,T1om为第一阶段运输网络中货源点o到选择经节点m的时间,q1om为第一阶段运输网络中货源点o到选择经节点m的运量;
第一阶段运输过程中节点间的转运时间成本表示为:
F1 2=
β(∑o∈O∑l∈Lq1olTlYl+∑o∈O∑m∈Mq1omTmYm+∑l∈L∑m∈Mq1lmTmYm);
F1 2表示第一阶段运输过程中节点间的转运时间成本,Tl表示在节点l中转的时间,Yl为0-1变量,表示备选枢纽节点l被选为枢纽节点,Tm表示在节点m中转的时间,Ym为0-1变量,表示备选枢纽节点m被选为枢纽节点,q1lm表示从节点l运输至节点m的运量;
所述第二阶段运输时间成本TC2包括第二阶段运输过程中节点间的在途运输时间成本和第二阶段运输过程中口岸清关和换轨时间成本,其中,
第二阶段运输过程中节点间的在途运输时间成本表示为:
F2 1为第二阶段运输过程中节点间的在途运输时间成本,H表示第三阶段运输网络与第二阶段运输网络相接的口岸集合且h∈H,T2jh表示节点j到节点h的运输时间,X2jh为0-1变量,表示选择节点j到节点h的运输路线,q2jh表示节点j到节点h的运量;
第二阶段运输过程中口岸清关和换轨时间成本表示为:
F2 2=β(∑o∈O∑l∈L∑m∈M∑j∈Jq1ojTJj+q1ljTJj+q1mjTJj);
F2 2表示第二阶段运输过程中口岸清关和换轨时间成本,q1lj表示节点l到节点j的运量,TJj表示在节点j进行清关和换轨的时间,q1mj表示节点m到节点j的运量;
所述第三阶段运输时间成本TC3包括第三阶段运输网络中节点间的在途运输时间成本和第三阶段运输网络口岸站的清关和换轨时间成本,其中,
第三阶段运输网络中节点间的在途运输时间成本表示为:
F3 1=β∑h∈H∑d∈DT3hdX3hdq3hd;
F3 1表示第三阶段运输网络中节点间的在途运输时间成本,D为第三阶段运输网络中目的地的集合且d∈D,T3hd表示节点h到节点d的运输时间,X3hd为0-1变量,表示选择节点h到节点d的运输路线,q3hd表示节点h到节点d的运量;
第三阶段运输网络口岸站的清关和换轨时间成本表示为:
F3 2=β∑j∈J∑d∈Dq2jhTHh;
F3 2表示第三阶段运输网络口岸站的清关和换轨时间成本,q2jh表示从节点j到节点h的运量,THh表示在节点h进行清关和换轨的时间。
上述进一步方案的有益效果是,根据整个运输网络具备的分段运输特性,将全程按照运输区段分阶段计算运输时间成本,既包括在途运输的时间成本,也包括在节点处办理转关等必要业务手续的时间成本,是对目标函数中运输时间成本的细化和明确。
进一步的,所述S3中采用免疫遗传算法计算各运输节点的从属分配关系,具体方式为:
S311、对目标函数和运输节点进行识别;
S312、对识别到的运输节点进行分阶段整数编码,生成初始运输节点序列;
S313、对初始运输节点序列进行解码,计算运输节点运输成本和相似节点比例;
S314、利用运输成本低于设定阈值的节点序列代替运输成本高于设定阈值的运输节点序列,并对高于运输成本阈值的节点序列进行促进,对低于运输成本阈值的运输节点序列进行抑制,生成新的运输节点序列;
S315、在生成的新的运输节点序列中采用遗传变异操作选择父本并进行多次迭代,当达到最大遗传代数时输出运输节点序列。
上述进一步方案的有益效果是,根据已确定出的运输节点分级结果,以及模型优化目标函数,使用免疫遗传算法求解得到确切的节点链接方式,铺画出具体的运输网络。
进一步的,所述S312中生成初始运输节点序列的方式为:
S3121、在一级和二级节点中选择枢纽节点放入第一段编码中;
S3122、根据各级节点之间和各节点与口岸站的分配关系,在第二段和第三段中放入不同的节点作为后续编码;
S3123、通过运输方式编码将第一段、第二段和第三段编码合并,生成初始运输节点编码序列。
上述进一步方案的有益效果是,设计出运输节点序列中各位置数字的实际含义,为免疫遗传算法的迭代计算提供问题初始解。
进一步的,所述S313中具体包括:
S3131、对各段编码分别解码,先对第一段解码得到枢纽节点的编号,并同时对第二段和第三段编码序列进行解码,得到对应的节点编号并确定不同运输网络的边境口岸站对应关系;
S3132、计算所有运输节点序列中与选定运输节点序列相似的运输节点序列所占的比例,计算方式为:
其中,其中CONa指运输节点序列a的浓度,Sab表示运输节点序列a到运输节点序列b相似度,N为运输节点序列的总数,θ为相似度阈值。
上述进一步方案的有益效果是,确定免疫遗传算法在每次迭代中,所有可行解集合中相似解的数量,为剔除高度相似的解,丰富解集中可行解的多样性提供判断依据,提高免疫遗传算法寻找全局最优解的能力。
进一步的,所述S314采用分抗体浓度情况的计算方式生成新的运输节点序列,具体计算方法表示为:
其中,PCONa表示运输节点序列a的浓度选择概率,ξ为浓度阈值,K为浓度低于设定阈值的运输节点序列的个数。
上述进一步方案的有益效果是,根据每次算法迭代过程中某可行解存在的相似个体数量,有选择性的降低或提高这类解的个数,并生成新的可行解,从而丰富可行解多样性。
附图说明
图1为本发明一种铁路分级节点运输方式的流程示意图。
图2为本发明节点分级模型构建流程图。
图3为本发明免疫遗传算法实施流程图。
图4为本发明实施例备选节点分布示意图。
图5为本发明实施例运输节点序列编码规则释义图。
图6为本发明实施例运输节点序列交叉变异规则释义图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
为了使方案解释说明更加具体和清楚,本实施例以中欧班列的运输方式为例解释说明,后文中涉及的具体地理位置应理解为并不限制本方案的实施,若考虑区域性要求,本方案中的任意运输阶段和运输节点可以随意进行替换。
一种铁路分级节点运输方法,如图1所示,包括如下步骤:
S1、利用物流节点辐射范围分类方式对运输网络中的多个运输节点进行分层;
本专利方法设计的是混合式运输网络,故对三级节点各自的功能进行分情况讨论,具体各级节点的功能和运输模式如下表1所示,
表1中欧班列欧洲端各级节点功能设计
结合各级节点的功能,可知欧洲端的三级节点只能通过一次中转或者两次中转将货物集结至一级或者二级节点,在通过一级或者二级节点运输将货物运至国内城市;二级节点则既可以通过直达运输到达国内,也可以将货物集结至一级节点或者成为区域集散中心性质的二级节点,通过一次或者两次中转运输将货物运输至国内城市;一级节点则既可以只集结三级的货物,成为区域集散中心,也可以同时集结二级和三级节点的货物成为欧洲集散中心,具体各级节点可选择的运输模式如下表2所示。
表2各级节点可选择的运输模式
基于中欧班列节点指标的选取的科学性、系统性和针对性原则,综合考虑政治、经济、交通、中欧班列等中欧班列欧洲端运输网络布局的影响因素,建立“4+8”聚类指标体系如下表3所示。
表3节点聚类指标体系
在本实施例里,采用系统聚类法进行中欧班列欧洲端节点层级划分,其具体的步骤如图2所示,具体为:
S11、获取运输节点的政治地位、经济指标和交通条件数据,采用零-均值规范化法对获取的数据进行标准化,表示为:
S12、计算经步骤S11标准化处理后的各数据的距离,样本之间的距离是聚类分析法依据,距离衡量采用欧氏距离的平方。经在欧洲调研知,在中欧班列欧洲端节点聚类指标体系中,各个指标同等重要,且缺一不可。因此,对各个指标的赋予相同的权重,并采用下式计算样本之间的距离,计算方式为:
其中,dcg为欧氏距离,k为指标编号,m为数据量;
S13、通过组之间的链接方法进行数据聚类,并按照聚类方式得到各运输节点划分为一级节点、二级节点和三级节点,聚类得出各层节点的谱系图。
S2、根据分层后的各运输节点货源数据和货物运输需求,对各运输节点进行功能限定并分级,确定枢纽节点、非枢纽节点和口岸站;
对中欧班列欧洲端潜在运输节点进行必要的分级,并对其在整个运输网络中的功能进行界定,明确哪些非枢纽节点可开行直达运输,哪些节点可以成为备选枢纽节点即进行节点功能设计与分级;其二是在确定节点功能的基础上,确定中欧班列欧洲端运输网络中枢纽节点(区域集散中心和欧洲集散中心)的布局,以及枢纽节点、非枢纽节点、口岸站之间的对应关系,从而构建一张完整的中欧班列运输网络。
S3、根据枢纽节点、非枢纽节点和口岸站之间的对应关系构建铁路运输网络模型,以运输成本和运输时间最小为目标函数优化所构建的铁路运输网络模型并利用遗传算法计算各运输节点的从属分配关系;
在进行模拟前需要进行模型假设,模型假设的条件为:
三级节点仅可通过枢纽节点中转将货物运输至目的城市,且三级节点可到达所有待成为枢纽节点的备选枢纽节点;
二级节点对应的虚拟货源节点仅可选择直达运输或两次以内的中转将货物运输至目的城市;
一级节点对应的虚拟货源节点仅可通过直达运输将货物运输至目的城市;
任意一对OD运输方案仅可在直达运输、经一级节点一次中转运输、经二级节点两次以内中转运输中选择一种且不能分批运输,且每个运输需求在节点间仅可选择一种运输方式;
备选枢纽节点仅在一级节点和二级节点上产生。
对于本实施例而言,考虑具体的运输网络要求,其条件则为:
(1)三级节点只能通过枢纽节点中转将货物运输运至国内,即三级节点之间不发生转运。
(2)二级节点对应的虚拟货源节点可选择直达运输、一次或者两次中转运输将货物运至国内。
(3)一级节点对应的虚拟一级货源节点只能通过直达运输将货物运至国内。
(4)不考虑运输过程中可能发生的自然灾害等事故。
(5)对于任意一对OD只能选择一种运输方案:即在直达运输、经过一级节点一次中转、经过二级节点一次中转、经过两次中转选择一种,且不能分批运输。
(6)每个运输需求在节点之间只能选择一种运输方式。
(7)按照中欧班列实际运行情况,指定箱型为40ft集装箱,
(8)欧洲端直达发车的条件是达到编组数即41FEU。
(9)因为中欧班列为国际铁路联运,所以二级和一级节点经过口岸站直达国内城市的运输方式为铁路。
(10)三级节点可到达所有的备选枢纽节点。
(11)备选枢纽节点在一级和二级节点上产生。
模型建立之后需要对所构建的模型进行优化,本实施例是对中欧班列欧洲端运输网络进行优化,但是若以中欧班列欧洲端运输成本最低为目标函数,则只能保证局部最优,并不能保证中欧班列整体最优。因此,需要根据中欧班列从欧洲城市到国内城市的全程运输过程,构建目标函数,即将运输成本按照区段的不同划分成欧洲端(f1)、独联体国家部分(f2)、我国境内运输(f3)三个部分,其构建的成本最小函数表示为:
minf=f1+f2+f3 (5)
(1)f1为欧洲端的运输成本,由节点间的在途运输成本和节点的转运成本组成:
(2)f2为独联体国家运输段的运输成本,由节点间的在途运输成本和欧洲边境口岸的清关和换轨成本组成:
(3)f3为我国境内的运输成本由节点间运输成本和我国边境口岸的清关和换轨成本组成:
同运输成本一样,根据中欧班列的运输过程,将运输时间按照区段的不成划分成欧洲端(T1)、独联体国家部分(T2)、我国境内运输(T3)三个部分。
minT=T1+T2+T3 (12)
(4)T1为欧洲端的运输总时间,由节点间的在途运输时间和节点的转运时间组成:
(5)T2为独联体国家段的运输总时间,由在途运输时间和欧洲边境口岸的清关和换轨时间组成:
(6)T3由我国境内节点间的在途运输时间和我国边境口岸的清关和换轨时间组成:
考虑集装箱货物的时间价值是反映中欧班列品牌时效性的体现。因此本方法通过引入货物时间价值,将多目标函数转为单目标函数,具体方式为:
S301、计算货物的时间价值,货物的时间价值是指客户因货物在运输过程愿意为节约的运输时间所支付的金额,货物的时间价值一般用式(19)计算,其计算方式表示为:
其中,β表示单位货物在途运输的单位时间价值;V为单位货物的价值,一般以运输货物的平均价格来表示;ρ为年货物持有成本系数。
S302、利用货物时间价值将各阶段运输时间函数转化为运输时间成本目标函数,表示为:
minTC=TC1+TC2+TC3;
其中,TC1为第一阶段运输时间成本、TC2为第二阶段运输时间成本、TC3为第三阶段运输时间成本。
在本实施例里,利用货物时间价值概念,将运输时间的函数转化运输时间成本目标函数。
运输货物时间成本函数同样由欧洲端、独联体国家、我国境内运输三部分组成:
minTC=TC1+TC2+TC3 (20)
TC1为欧洲端的运输时间总成本,由节点间的在途运输时间成本和节点的转运时间成本组成:
TC2为独联体国家运输段运输时间总成本,由节点间在途运输时间成本和欧洲边境口岸的清关和换轨时间成本组成:
TC3为我国境内运输时间总成本,由节点间的在途运输时间成本和我国边境口岸的清关和换轨时间成本组成:
S303、将各阶段运输成本和各阶段运输时间成本整合成单目标函数,表示为:
minz=minf+minTC=f1+f2+f3+TC1+TC2+TC3 (27)
其中,minf为各阶段运输成本的最小化函数,f1为第一阶段运输成本,f2为第二阶段运输成本,f3为第三阶段运输成本,且minf=f1+f2+f3。
本实施例中,考虑运输的实际问题,需要设置多组约束条件,
(1)欧洲端经过直达运输、经过一次中转、经过两次中转的节点间运输成本
式(28)、式(29)、式(30)、式(31)分别表示在欧洲端经过直达运输、经过二级节点一次中转、经过一级节点一次中转、经过两次中转的运输成本。
(2)欧洲端经过直达运输、经过一次中转、经过两次中转的节点间运输时间
式(32)、式(33)、式(34)、式(35)分别表示在欧洲端经过直达运输、经过二级节点一次中转、经过一级节点一次中转、经过两次中转的运输时间。
(3)0-1变量之间的逻辑关系
式(36)、式(37)、式(38)、式(39)表示欧洲端0-1变量之间的逻辑关系;式(40)、(41)表示独联体段和国内段0-1变量之间的关系;式(42)、式(43)、式(44)表示若通过节点m、l节点进行货物集结,则其必须成为枢纽节点。
(4)节点之间的运量表示
式(45)、式(46)、式(47)、式(48)、式(49)、式(50)分别表示欧洲货源地到欧洲边境口岸、欧洲货源地到二级节点、欧洲货源地到一级节点、二级节点到欧洲边境口岸、一级节点到欧洲边境口岸的运输量;式(51)表示欧洲边境口岸与我国边境口岸之间的运输量;式(52)表示我国边境口岸与我国内陆城市之间的运输量。
(5)非起讫点流出运输量与流入运输量相等
式(53)、式(54)、式(55)、式(56)分别表示在二级节点、一级节点、欧洲边境口岸和我国边境口岸流入流出运输量相等。
(6)节点容量约束
式(57)、式(58)、式(59)、式(60)分别表示在二级节点、一级节点、欧洲边境口岸站和我国边境口岸站处理能力约束。
(7)运输方案选择约束
式(61)表示任意两个点之间只能选择一种运输方式,式(62)表示对中欧班列欧洲端任意一个城市只能在经过直达、经过二级节点一次集结、经过一级节点一次集结、经过两次中转四种运输方案选择一种;式(63)表示欧洲边境口岸只能选择一个我国边境口岸。
(8)折扣系数函数
(9)枢纽节点数量限制
(10)基于各级节点的功能,各级节点运输方案选择约束
式(66)表示三级节点只能通过一次中转或者两次中转集散运输的方式将货物运至欧洲边境口岸;式(67)表示未成为枢纽节点的二级节点对应的虚拟货源节点可以选择直达运输、经过成为枢纽节点的二级节点或一级节点一次中转、经过成为枢纽节点的二级节点和一级节点两次中转将货物运至欧洲边境口岸;式(68)表示成为枢纽节点的二级节点对应的虚拟货源节点可以选择直达运输、经过一级节点中转将货物运至欧洲边境口岸;式(69)表示一级节点的对应的虚拟货源地只能选择直达运输将货物欧洲边境口岸。
(11)0—1变量约束
上述公式中的参数描述如表4所示,决策变量描述如表5所示。
表4参数描述
表5决策变量描述
模型优化后,采用免疫遗传算法计算各运输节点的从属分配关系,具体方式如图3所示,
S311、对目标函数和抗原的识别,本实施例里,抗原即是单目标优化函数。
S312、对识别到的抗原生成抗体,本实施例里,抗体即为运输节点序列,,对于抗体采用分阶段整数编码的方式。
在图4的算例中,点1、2、3为三级节点,节点4、5为二级节点,6为一级节点,7为欧洲边境口岸,8为我国边境口岸,9、10为我国境内城市,其编码过程为:
S3121、在一级和二级节点中选择枢纽节点放入第一段编码中;第一段编码即枢纽节点编码。确定枢纽节点、一级节点、二级节点数量,在备选枢纽节点中产生枢纽节点。由于枢纽节点在一级和二级节点的产生,且一级节点的优先级高于二级节点,故枢纽节点的优先选择一级节点。具体在编码中的实现方式为:在确定枢纽数量的基础上,确保一级节点成为运输枢纽节点,剩下的枢纽节点再在二级节点中产生。
S3122、根据各级节点之间和各节点与口岸站的分配关系,在第二段和第三段中放入不同的节点作为后续编码;
第二段和第三段确定各级节点之间、节点和口岸站的分配关系,此处分类别说明,
①针对三级节点,因为其不可以通过直达运输到达国内,故其对应的节点只能是枢纽节点。
②针对二级节点,其又分为成为枢纽节点的二级节点和没有成为枢纽节点的二级节点,故在二级节点的编码中,需进行分情况讨论。针对成为枢纽节点的二级节点,其可以选择通过一级节点再次进行转运到达国内,也可以选择直接在欧洲边境口岸站进行换装到达国内,因此其对应的节点为一级节点和欧洲边境口岸站的并集。针对未成为枢纽节点的二级节点,其可以选择通过枢纽节点(包含一级枢纽节点和成为枢纽节点的二级节点)再次进行转运到达国内,也可以选择直接在口岸站进行换装到达国内,因此其对应的节点为枢纽节点和欧洲边境口岸站的并集。
③针对一级节点,其对应的是欧洲边境口岸的选择,故其对应抗体的编码是欧洲边境口岸的编号。
④针对欧洲与独联体国家边境口岸,其对应的是我国边境口岸的编号。
S3123、通过运输方式编码将第一段、第二段和第三段编码合并,生成初始运输节点编码序列。
中欧班列运输在独联体国家段只能选择铁路,为提高抗体的合理性,选择欧洲边境口岸和我国边境口岸的节点对应的运输方式只能是2。此外,对于其他部分的运输部分编码,首先对各节点存在的运输方式进行统计,在此范围之内再随机生成运输方式。
S313、对初始运输节点序列进行解码,计算运输节点运输成本和相似节点比例,本实施例里,以图4假定的各节点相对位置为例,
S3131、对各段编码分别解码,先对第一段解码得到枢纽节点的编号,并同时对第二段和第三段编码序列进行解码,得到对应的节点编号并确定不同运输网络的中口岸站对应关系。
①第一阶段解码,第一阶段所对应的数字为对应的枢纽节点编号。如图5的算例的第一阶段编码表示选择节点4、6作为枢纽节点。
②第二阶段和第三阶段同时解码,第二段的第一个编号表示节点1选择的枢纽节点,第三阶段的第一个编号表示表示节点1和其选择的枢纽节点的运输所选择运输方式,依次进行解码,直至明确欧洲边境口岸和我国边境口岸站的对应关系。
③确定我国边境口岸站和国内开行城市的关系。通过步骤②可确定欧洲各级节点和我国边境口岸站所对应关系。与此同时,通过需求表可知欧洲各个节点和国内节点之间的运输量,因此,边境口岸与国内城市的运输量等于对应同一个我国边境口岸的欧洲节点与该国内城市的运输量之和。
通过引入货物时间价值将多目标函数转化为单目标函数,且求解的是目标函数最低值,因此将目标函数的倒数作为适应度。此外,随机生成的运输方案满足运输需求约束,但是未考虑节点容量限制,因此按照运输路径和运输方式的选择信息,对节点之间的运输量和节点上的运输量进行计算,对未满足节点容量约束的个体,其目标函数乘系数5作为罚函数。
S3132、计算所有运输节点序列中与选定运输节点序列相似的运输节点序列所占的比例,计算方式为:
其中,CONa指运输节点序列a的浓度,Sab表示运输节点序列a到运输节点序列b相似度,N为运输节点序列的总数,θ为相似度阈值。
S314、利用运输成本低于设定阈值的节点代替运输成本高于设定阈值的运输节点序列,并对高于运输成本阈值的节点序列进行促进,对低于运输成本阈值的运输节点序列进行抑制,生成新的运输节点序列,即是记忆细胞更新和抗体的促进和抑制,本实施例里,通过分抗体浓度情况计算以达到对低浓度个体促进,高浓度抑制的作用,具体如下式(72)所示。
其中,PCONa表示运输节点序列a的浓度选择概率,ξ为浓度阈值,K为浓度低于设定阈值的运输节点序列的个数,特别的,当K取值为N/2的时候,为浓度临界值。
S315、在生成的新的运输节点序列中采用遗传变异操作选择父本并进行多次迭代,当达到最大遗传代数时输出运输节点序列,具体方式为
选择操作,通过免疫遗传算法选择适应度高(运输成本低)浓度较低的个体。主要通过一下两个方式实现:其一,通过轮盘赌策略,综合抗体浓度和适应度来选择父代个体,具体如下式(73)、式(74)所示;另一方面,加入精英选择策略以保留最优个体。此外,需要选择运输成本低的抗体,若直接以运输总成本值计算抗体被选择的概率,则成本较低的个体选择概率越小,故以运输成本的倒数作为计算抗体适应度概率计算的参数。
式(73)和式(74)中Pa为抗体a被选择的概率,pfa抗体i适应度概率,fa抗体i的目标函数值,μ为在选择中适应度值所在的比重;
交叉操作,通过单点交叉的方式进行抗体之间的交叉,如图6所示。
交异操作,通过单点变异的方式进行抗体之间的变异。
若达到最大遗传代数,则输出运输路线结果。
S4、根据优化后的铁路运输网络模型和运输节点的从属关系执行货物的分级节点运输。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种铁路分级节点运输方法,其特征在于,包括如下步骤:
S1、利用物流节点辐射范围分类方式对运输网络中的多个运输节点进行分层,采用系统聚类法对运输节点进行层级划分,具体方式为:
S11、获取运输节点的政治地位、经济指标和交通条件数据,采用零-均值规范化法对获取的数据进行标准化,表示为:
S12、计算经步骤S11标准化处理后的各数据的距离,采用零-均值规范化法数据标准化的处理,经标准化处理后的数据服从μ(0,1)分布即均值为0,标准差为1的标准正态分布,计算方式为:
其中,dcg为欧氏距离,k为指标编号,m为数据量;
S13、通过组之间的链接方法进行数据聚类,并按照聚类方式得到各运输节点划分为一级节点、二级节点和三级节点,所述三级节点仅可通过两次以内的中转将货物集结至一级或二级节点;
所述二级节点可通过直达方式将货物运输至目的城市,或将货物集结至一级节点,或成为区域集散中心,通过在二级节点间两次以内的中转将货物运输至目的城市;
所述一级节点可只集结三级节点的货物成为区域集散中心,或同时集结二级节点和三级节点的货物成为集散中心,并通过直达的方式将货物运输至目的城市;
S2、根据分层后的各运输节点货源数据和货物运输需求,对各运输节点进行功能限定并分级,确定枢纽节点、非枢纽节点和口岸站;
S3、根据枢纽节点、非枢纽节点和口岸站之间的对应关系构建铁路运输网络模型,以运输成本和运输时间最小为目标函数优化所构建的铁路运输网络模型并利用遗传算法计算各运输节点的从属分配关系,铁路运输网络模型的设置条件包括:
三级节点仅可通过枢纽节点中转将货物运输至目的城市,且三级节点可到达所有待成为枢纽节点的备选枢纽节点;
二级节点对应的虚拟货源节点仅可选择直达运输或两次以内的中转将货物运输至目的城市;
一级节点对应的虚拟货源节点仅可通过直达运输将货物运输至目的城市;
任意一对OD运输方案仅可在直达运输、经一级节点一次中转运输、经二级节点两次以内中转运输中选择一种且不能分批运输,且每个运输需求在节点间仅可选择一种运输方式;
备选枢纽节点仅在一级节点和二级节点上产生;
优化所构建的铁路运输网络模型的方式为:
S301、计算货物的时间价值,其计算方式表示为:
其中,β表示单位货物在途运输的单位时间价值;V为单位货物的价值;ρ为年货物持有成本系数;
S302、利用货物时间价值将各阶段运输时间函数转化为运输时间成本目标函数,表示为:
minTC=TC1+TC2+TC3;
其中,TC1为第一阶段运输时间成本、TC2为第二阶段运输时间成本、TC3为第三阶段运输时间成本,具体而言,第一阶段运输时间成本TC1包括第一阶段运输过程中节点间的在途运输时间成本和节点间的转运时间成本,其中,
第一阶段运输过程中节点间的在途运输时间成本表示为:
F1 1=β(∑o∈O∑j∈JX1ojT1ojq1oj+∑o∈O∑l∈LX1olT1olq1ol+∑o∈O∑m∈MX1omT1omq1om);
F1 1为第一阶段运输过程汇总节点间的在途运输时间成本,i、j、m为第一阶段的运输节点,L为第一阶段运输网络中成为备选枢纽节点的二级节点的集合且l∈L,M为第一阶段运输网络中成为备选枢纽节点的一级节点的集合且m∈M,J为第一阶段运输网络与第二阶段运输网络之间的边境口岸集合且j∈J,O为第一阶段运输网络中货源点集合且o∈O,X1oj为0-1变量,表示第一阶段运输网络中货源点o到节点j选择直达运输,T1oj为第一阶段运输网络中货源点o到节点j的运输时间,q1oj为第一阶段运输网络中货源点o到节点j的运量,X1ol为0-1变量,表示第一阶段运输网络中货源点o选择经过节点l中转到达下一阶段运输网络的口岸,T1ol表示第一阶段运输网络中货源点o到节点l的运输时间,q1ol为第一阶段运输网络中货源点o到节点l的运量,X1om为0-1变量,表示第一阶段运输网络中货源点o到选择经节点m中转运输,T1om为第一阶段运输网络中货源点o到选择经节点m的时间,q1om为第一阶段运输网络中货源点o到选择经节点m的运量;
第一阶段运输过程中节点间的转运时间成本表示为:
F1 2=β(∑o∈O∑l∈Lq1olTlYl+∑o∈O∑m∈Mq1omTmYm+∑l∈L∑m∈Mq1lmTmYm);
F1 2表示第一阶段运输过程中节点间的转运时间成本,Tl表示在节点l中转的时间,Yl为0-1变量,表示备选枢纽节点l被选为枢纽节点,Tm表示在节点m中转的时间,Ym为0-1变量,表示备选枢纽节点m被选为枢纽节点,q1lm表示从节点l运输至节点m的运量;
所述第二阶段运输时间成本TC2包括第二阶段运输过程中节点间的在途运输时间成本和第二阶段运输过程中口岸清关和换轨时间成本,其中,
第二阶段运输过程中节点间的在途运输时间成本表示为:
F2 1为第二阶段运输过程中节点间的在途运输时间成本,H表示第三阶段运输网络与第二阶段运输网络相接的口岸集合且h∈H,T2jh表示节点j到节点h的运输时间,X2jh为0-1变量,表示选择节点j到节点h的运输路线,q2jh表示节点j到节点h的运量;
第二阶段运输过程中口岸清关和换轨时间成本表示为:
F2 2表示第二阶段运输过程中口岸清关和换轨时间成本,q1lj表示节点l到节点j的运量,TJj表示在节点j进行清关和换轨的时间,q1mj表示节点m到节点j的运量;
所述第三阶段运输时间成本TC3包括第三阶段运输网络中节点间的在途运输时间成本和第三阶段运输网络口岸站的清关和换轨时间成本,其中,
第三阶段运输网络中节点间的在途运输时间成本表示为:
F3 1=β∑h∈H∑d∈DT3hdX3hdq3hd;
F3 1表示第三阶段运输网络中节点间的在途运输时间成本,D为第三阶段运输网络中目的地的集合且d∈D,T3hd表示节点h到节点d的运输时间,X3hd为0-1变量,表示选择节点h到节点d的运输路线,q3hd表示节点h到节点d的运量;
第三阶段运输网络口岸站的清关和换轨时间成本表示为:
F3 2=β∑j∈J∑d∈Dq2jhTHh;
F3 2表示第三阶段运输网络口岸站的清关和换轨时间成本,q2jh表示从节点j到节点h的运量,THh表示在节点h进行清关和换轨的时间;
S303、将各阶段运输成本和各阶段运输时间成本整合成单目标函数,表示为:
minz=minf+minTC=f1+f2+f3+TC1+TC2+TC3;
其中,minf为各阶段运输成本的最小化函数,f1为第一阶段运输成本,f2为第二阶段运输成本,f3为第三阶段运输成本,且minf=f1+f2+f3;
所述S3中采用免疫遗传算法计算各运输节点的从属分配关系,具体方式为:
S311、对目标函数和步骤S303中的单目标函数进行识别;
S312、对识别到的单目标函数生成初始运输节点序列,生成初始运输节点序列的方式为:
S3121、在一级和二级节点中选择枢纽节点放入第一段编码中;
S3122、根据各级节点之间和各节点与口岸站的分配关系,在第二段和第三段中放入不同的节点作为后续编码;
S3123、通过运输方式编码将第一段、第二段和第三段编码合并,生成初始运输节点编码序列;
S313、对初始运输节点序列进行解码,计算各可行运输节点序列所耗费的运输成本和各序列中的相似节点比例,具体包括:
S3131、对各段编码分别解码,先对第一段解码得到枢纽节点的编号,并同时对第二段和第三段编码序列进行解码,得到对应的节点编号并确定不同运输网络的边境口岸站对应关系;
S3132、计算所有运输节点序列中与选定运输节点序列相似的运输节点序列所占的比例,计算方式为:
其中,CONa指运输节点序列a的浓度,Sab表示运输节点序列a到运输节点序列b相似度,N为运输节点序列的总数,θ为相似度阈值;
S314、利用运输成本低于设定阈值的节点序列代替运输成本高于设定阈值的运输节点序列,并对高于运输成本阈值的节点序列进行促进,对低于运输成本阈值的运输节点序列进行抑制,采用区分运输节点序列浓度情况的计算方式生成新的运输节点序列,具体计算方法表示为:
其中,PCONa表示运输节点序列a的浓度选择概率,ξ为浓度阈值,K为浓度低于设定阈值的运输节点序列的个数;
S315、在生成的新的运输节点序列中采用遗传变异操作选择父本并进行多次迭代,当达到最大遗传代数时输出运输节点序列;
S4、根据优化后的铁路运输网络模型和运输节点的从属关系执行货物的分级节点运输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488174.3A CN114707918B (zh) | 2021-12-07 | 2021-12-07 | 一种铁路分级节点运输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488174.3A CN114707918B (zh) | 2021-12-07 | 2021-12-07 | 一种铁路分级节点运输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707918A CN114707918A (zh) | 2022-07-05 |
CN114707918B true CN114707918B (zh) | 2023-04-07 |
Family
ID=82167586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488174.3A Active CN114707918B (zh) | 2021-12-07 | 2021-12-07 | 一种铁路分级节点运输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707918B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542476B (zh) * | 2023-05-09 | 2023-11-28 | 重庆赛迪奇智人工智能科技有限公司 | 一种铁水运输车辆的调度方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5301906A (en) * | 1992-06-17 | 1994-04-12 | Union Switch & Signal Inc. | Railroad interlocking control system having shared control of bottleneck areas |
CN110516869A (zh) * | 2019-08-22 | 2019-11-29 | 西南交通大学 | 一种针对货运领域的空铁联运枢纽网络规划方法 |
CN111475898A (zh) * | 2020-03-09 | 2020-07-31 | 西南交通大学 | 考虑枢纽节点失效的中欧班列运输网络构建方法 |
CN112763975A (zh) * | 2020-12-30 | 2021-05-07 | 中国铁路设计集团有限公司 | 顾及铁路带状特征的铁路框架基准网区块间拼接方法 |
CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MXPA02008486A (es) * | 2000-02-29 | 2002-12-13 | United Parcel Service Inc | Sistema y metodo para entrega de vehiculos y similares. |
CA2482709A1 (en) * | 2004-09-28 | 2006-03-28 | Brandt Road Rail Corporation | Method and apparatus for adaptive distribution of materials in railway maintenance and other applications |
-
2021
- 2021-12-07 CN CN202111488174.3A patent/CN114707918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5301906A (en) * | 1992-06-17 | 1994-04-12 | Union Switch & Signal Inc. | Railroad interlocking control system having shared control of bottleneck areas |
CN110516869A (zh) * | 2019-08-22 | 2019-11-29 | 西南交通大学 | 一种针对货运领域的空铁联运枢纽网络规划方法 |
CN111475898A (zh) * | 2020-03-09 | 2020-07-31 | 西南交通大学 | 考虑枢纽节点失效的中欧班列运输网络构建方法 |
CN112763975A (zh) * | 2020-12-30 | 2021-05-07 | 中国铁路设计集团有限公司 | 顾及铁路带状特征的铁路框架基准网区块间拼接方法 |
CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
Non-Patent Citations (1)
Title |
---|
任刚等.考虑多周期和混合时间窗的中欧电子产品多式联运路径选择优化.《系统工程》.2019,第37卷(第6期),第67-73页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114707918A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Network planning method for capacitated metro-based underground logistics system | |
Pourghader Chobar et al. | A novel multi-objective model for hub location problem considering dynamic demand and environmental issues | |
Wang et al. | Collaborative multi-depot pickup and delivery vehicle routing problem with split loads and time windows | |
Lee et al. | A hybrid hub-and-spoke postal logistics network with realistic restrictions: A case study of Korea Post | |
Mahdi Amiripour et al. | Optimal modification of urban bus network routes using a genetic algorithm | |
Chang et al. | Multiobjective location routing problem considering uncertain data after disasters | |
CN114707918B (zh) | 一种铁路分级节点运输方法 | |
Sedehzadeh et al. | Optimization of a multi-modal tree hub location network with transportation energy consumption: A fuzzy approach | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、系统、设备及存储介质 | |
CN115689412A (zh) | 一种多周期运费定价和物流网络规划方法 | |
Zhang et al. | Combining affinity propagation with differential evolution for three-echelon logistics distribution optimization | |
Rožić et al. | Modelling inland terminal locations based on transport cost optimisation | |
Tian et al. | Optimization study of line planning for high speed railway based on an improved multi-objective differential evolution algorithm | |
Malairajan et al. | CLING: heuristic to solve integrated resource allocation and routing problem with time window | |
Sun et al. | Two-stage vehicle routing optimization for logistics distribution based on HSA-HGBS algorithm | |
Rožić et al. | Container transport flows as a prerequisite for determination of inland terminal location | |
Ge et al. | Proactive two-level dynamic distribution routing optimization based on historical data | |
Nozari et al. | A Comprehensive Strategic-Tactical Multi-Objective Sustainable Supply Chain Model with Human Resources Considerations | |
CN116187889A (zh) | 全链条铁水联运方案系统及评价方法 | |
Xie et al. | Research on the optimization of cross-border logistics paths of the “belt and road” in the inland regions | |
Park et al. | Multiobjective approach to the transit network design problem with variable demand considering transit equity | |
Taheri et al. | Integrated multi-level intermodal network design problem: a sustainable approach, based on competition of rail and road transportation systems | |
Shi et al. | Operational planning of international freight trains considering the dynamic demands and capacities of border ports | |
Tang et al. | Research on delivery problem based on two-stage multi-objective optimization for takeout riders | |
Hu et al. | Reliable design of urban surface-underground integrated logistics system network with stochastic demand and social-environmental concern |
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 |