CN114723092A - 用于物流运输的配送路线规划方法 - Google Patents

Abstract

本发明提供了一种用于物流运输的配送路线规划方法，该方法包括：构建循环物流网络模型，以循环物流网络成本最小化为目标来建立目标函数并限定约束条件，通过对所述模型的目标函数进行求解，确定循环物流网络中物流设施的个数和位置。本发明提出了一种用于物流运输的配送路线规划方法，构建循环物流网络模型并对其优化，通过多种改进的求解算法进而得到成本最低的全局最优解。

Description

用于物流运输的配送路线规划方法

技术领域

本发明涉及智能物流，特别涉及一种用于物流运输的配送路线规划方法。

背景技术

循环物流是在当前经济发展形势下必须大力提倡的新型物流方式，它从根本上区别于纯粹追求经济利益和的效率传统单向物流，发展循环物流用于实现经济发展和环境资源保护的双赢。例如随着人们生活水平的提高，对快递包裹的需求量越来越大，有此所产生的废弃包装纸箱也越来越多。而这种纸箱在完成一次快递送达的使命后，仍有很大的回收再利用价值。废弃纸箱可被直接再次使用，或在经过厂商的分类处理后，再次生产新的纸箱再次使用。现有技术对循环物流的建立方法一般只考虑配送中心或回收中心的数量和位置确定问题。这些网络模型基本是在不改变原有正向物流网络的基础上进行构建的，而针对逆向物流网络的设计并不合理，提高了循环物流模型的总体成本。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种用于物流运输的配送路线规划方法，包括：

构建循环物流网络模型，

以循环物流网络成本最小化为目标来建立目标函数并限定约束条件，

通过对所述模型的目标函数进行求解，确定循环物流网络中物流设施的个数和位置。

优选地，所述循环物流网络包括可回收包装物生产商、可回收包装物使用商、配送仓库和分拨站。

优选地，所述以循环物流网络成本最小化为目标来建立目标函数，具体为根据以下公式建立目标函数min：

min＝∑_w∈W(s_w+f_w)z_w+∑_r∈R(s_r+f_r)g_r+∑_p∈Pc_bpx_bp

+∑_p∈P∑_w∈Wc_pwx_pw+∑_c∈C∑_w∈Wc_wcx_wc+∑_c∈C∑_r∈Rc_crx_cr

+∑_r∈Rc_rbx_rb+∑_w∈Wc_wh_w+∑_r∈Rc_rh_r-∑_r∈R∑_w∈Wwr；

其中x_bp为可回收包装物生产商b运往可回收包装物使用商p 的包装物配送数量；

x_pw为可回收包装物使用商w运往配送仓库w的商品配送数量；

x_wc为配送仓库w运往分拨站c的商品配送数量；

x_cr为分拨站c运往回收仓库r的商品配送数量；

x_rp为回收仓库r运往可回收包装物生产商p的包装物的回收数量；

h_w为配送仓库w的商品的存储数量；

h_r为回收仓库r存储包装物的存储数量；

z_w为若为1，配送仓库w打开；若为0，配送仓库w关闭；

g_r为若为1，回收仓库r打开；若为0，回收仓库r关闭；

c_bp为可回收包装物生产商b运往可回收包装物使用商的包装物的单位运输成本；

c_pw为可回收包装物使用商p运往配送仓库w的商品的单位运输成本；

c_wc为配送仓库w运往分拨站c的商品的单位运输成本；

c_cr为分拨站c运往回收仓库r的包装物的单位运输成本；

c_rp为回收仓库r运往可回收包装物生产商b的包装物的单位运输成本；

c_w为回收仓库w存储商品的单位仓储成本；

c_r为回收仓库r存储和处理包装物的单位仓储成本；

s_w为配送仓库w固定成本；

f_w为配送仓库w的运营费用；

s_r为回收仓库r的固定成本；

f_r为回收仓库r的运营费用；

wr为整合配送/回收仓库设施后节约的成本。

优选地，所述对所述模型的目标函数进行求解，进一步包括：

使用人工蜂群算法对所述模型的目标函数进行求解，所述人工蜂群算法的搜索跨度根据蜂群的信息素浓度来调节。

本发明相比现有技术，具有以下优点：

本发明提出了一种用于物流运输的配送路线规划方法，通过构建循环物流网络模型并对其优化，得到了全局最优的成本目标，在一定条件下花费最低的循环物流成本完成资源分配。

附图说明

图1是根据本发明实施例的用于物流运输的配送路线规划方法的流程图。

具体实施方式

下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明的一方面提供了一种用于物流运输的配送路线规划方法。图1是根据本发明实施例的用于物流运输的配送路线规划方法流程图。

本发明的模型将正向物流与逆向物流相整合针对可回收包装物的循环物流，逆向物流与正向物流共享运输路线，其网络规划综合考虑循环物流网络中每个节点的空间坐标和时间坐标之间的循环往复，对“可回收包装物生产商-可回收包装物使用商-配送仓库-分拨站”和“分拨站-回收仓库-可回收包装物生产商”这两条正逆向通路上的所有资源进行配置和优化的进程。

可回收包装物使用商提供的商品经由可回收包装物生产商生产的包装所包装后，通过配送仓库送到分拨站；然后，分拨站从用户手中回收使用过的可回收包装物，运至回收仓库经过分类后，将可回收包装物送回可回收包装物生产商处理加工成新的可回收包装物，再交付可回收包装物使用商包装使用。

在多个回收仓库和配送仓库的候选位置中，优选地，本发明将配送仓库和回收仓库二者进行整合。设定整个物流网络成本的最小化为规划目标。通过建立目标函数以及限定约束条件，确定网络中各物流设施的个数和位置。

因此本发明在进行可回收包装物循环物流网络的设计时，计算以下费用：循环物流网络中物流设施的固定成本和运营成本、商品和可回收包装物的运输成本、商品和可回收包装物的仓储成本。

定义位置变量：

b＝1：可回收包装物生产商的位置；

p＝{1，2，…，P}：可回收包装物使用商的位置；

w＝{1，2，…，W}：配送仓库位置和可能的配送仓库位置；

r＝{1，2，…，R}：回收仓库位置和可能的回收仓库位置；

c＝{1，2，…，C}：商品分拨站的位置；

定义决策变量：

x_bp：可回收包装物生产商b运往可回收包装物使用商p的包装物配送数量；

x_pw：可回收包装物使用商w运往配送仓库w的商品配送数量；

x_wc：配送仓库w运往分拨站c的商品配送数量；

x_cr：分拨站c运往回收仓库r的商品配送数量；

x_rp：回收仓库r运往可回收包装物生产商p的包装物的回收数量；

h_w：配送仓库w的商品的存储数量；

h_r：回收仓库r存储包装物的存储数量；

z_w：若为1，配送仓库w打开；若为0，配送仓库w关闭；

g_r：若为1，回收仓库r打开；若为0，回收仓库r关闭；

定义成本参数：

c_bp：可回收包装物生产商b运往可回收包装物使用商的包装物的单位运输成本；

c_pw：可回收包装物使用商p运往配送仓库w的商品的单位运输成本；

c_wc：配送仓库w运往分拨站c的商品的单位运输成本；

c_cr：分拨站c运往回收仓库r的包装物的单位运输成本；

c_rp：回收仓库r运往可回收包装物生产商b的包装物的单位运输成本；

c_w：回收仓库w存储商品的单位仓储成本；

c_r：回收仓库r存储和处理包装物的单位仓储成本；

s_w：配送仓库w固定成本；

f_w：配送仓库w的运营费用；

s_r：回收仓库r的固定成本；

f_r：回收仓库r的运营费用；

wr：整合配送/回收仓库设施后节约的成本；

m_b：可回收包装物生产商b的最大产能；

m_p：可回收包装物使用商的最大产能；

m_w：配送仓库w的最大存储能力；

m_c：分拨站c的最大存储能力；

n_w：配送仓库w的期内最大配送处理能力；

m_r：回收仓库r的最大存储能力；

n_r：回收仓库r的期内最大回收处理能力；

d_c：分拨站c对商品的需求量；

o_c：分拨站c对包装物的回收率；

r_b：可回收包装物生产商回收利用比

q_c：分拨站c的销售率；

设置可回收包装物循环物流网络成本最小化的目标函数为：

min＝∑_w∈W(s_w+f_w)z_w+∑_r∈R(s_r+f_r)g_r+∑_p∈Pc_bpx_bp

+∑_p∈P∑_w∈Wc_pwx_pw+∑_c∈C∑_w∈Wc_wcx_wc+∑_c∈C∑_r∈Rc_crx_cr

+∑_r∈Rc_rbx_rb+∑_w∈Wc_wh_w+∑_r∈Rc_rh_r-∑_r∈R∑_w∈Wwr

上述目标函数包括以下各项：新建和运营多个配送仓库的成本；新建和运营多个回收仓库的成本；从可回收包装物生产商到可回收包装物使用商的运输成本；从可回收包装物使用商到配送仓库的运输成本；从配送仓库到分拨站的运输成本；配送仓库的仓储成本；从分拨站到回收仓库的运输成本；从回收仓库到可回收包装物生产商的运输成本；回收仓库的仓储成本；整合配送仓库及回收仓库所节约的成本。

然后设置约束条件：

∑_p∈Px_bp≤m_b；

∑_w∈Wx_pw≤m_p，p∈P；

∑_w∈Wx_wc≥d_c，c∈C；

∑_p∈Px_pw-∑_w∈Wx_wc＝h_w，c∈C；

∑_p∈Px_pw+∑_c∈Cx_wc≤n_wz_w，w∈W

h_w≤m_w；h_r≤m_rg_r；

∑_r∈Rx_cr＝d_co_c，c∈C；

∑_c∈Cx_cr+∑_p∈Px_rp≤n_rg_r；

∑_r∈Rx_rb≤m_br_b；

(1-q_c)∑_w∈Wx_wc≤m_c；

∑_p∈Px_pw≤∑_p∈Px_bp

x_pw(1-z_w)＝0；x_wc(1-z_w)＝0；

x_cr(1-g_r)＝0；x_rp(1-g_r)＝0；

z_w，g_r∈{0，1}，w∈W，r∈R

上述条件用于保证可回收包装物生产商向可回收包装物使用商配送的包装总量不超过该生产商的产能；所有可回收包装物使用商向配送仓库运输的商品总量均不超过该生产商的产能；网络内的所有分拨站对任一种商品的需求均得到满足；流入配送仓库的物流量与流出配送仓库的物流量之差为配送仓库的库存量；计划期内所有配送仓库的正向配送总量均不超过其最大配送处理能力；保证所有配送仓库的存储容量均不超过配送仓库的最大仓储能力；从某一分拨站运往回收仓库的物流量等于该分拨站的回收数量，也即回收物流将分拨站的回收的包装物都清空；所有回收仓库的存储容量均不超过回收仓库的最大存储能力；计划期内所有回收仓库的逆向配送总量均不超过其最大配送处理能力；计划期内提供的商品不超过生产商的产能；运往分拨站的商品与分拨站的需求量之差小于各个分拨站的库存；回收包装量大于等于使用的包装量；配送仓库打开时才产生正向物流量；回收仓库打开时才产生逆向物流量。

在建立上述物流模型之后，本发明优选地使用人工蜂群算法，根据蜂群的信息素浓度自适应调节搜索跨度，促使算法较快地收敛至全局最优解，增强了算法的寻优能力。

现有人工蜂群算法在搜索指定的跨度值较大时可能错过最优解，从而导致算法收敛至局部最优解。因此本发明改进的算法中首先根据蜂群的信息素浓度动态地调节搜索跨度，然后在自适应搜索跨度的引导下更新蜂群位置，同时提高了算法的全局和局部搜索最优解的能力。最后以实际的循环物流调度数据为实例，采用该算法进行求解。该算法的步骤如下。

步骤a1：初始化参数和蜂群的位置。将一个蜜蜂个体映射为一个解。设置蜂群的规模N、算法的最大世代数G、蜂群的初始位置 (X_axis，Y_axis)和蜂群的信息素浓度。

X_axis＝rand()

Y_axis＝rand()

其中，rand()表示[0，1]的随机数。

步骤a2：更新搜索跨度，根据信息素浓度动态地修正第i个蜜蜂的搜索跨度V_i。

当Taste_i≥Taste_avg时:

V_i＝V₂-[(V₂-V₁)(Taste_i-Taste_avg)]/Taste_max-Taste_avg()

当Taste_i＜Taste_avg时:

V_i＝V₂

其中，V_i和Taste_i分别为第i个蜂群的跨度和信息素浓度。V₁和V₂分别为搜索跨度变化范围的边界值。Taste_avg和Taste_max分别为种群中信息素浓度的均值和最大值。

算法初始阶段，蜂群距离最优解较远，信息素浓度较小，此时，搜索跨度应较大，促使蜂群快速地向食物移动，从而提高算法的搜索速度和全局寻优能力。随着算法的演化迭代，蜂群逐渐集中在最优解附近，搜索跨度应逐步减小，从而提高算法的收敛精度和局部寻优能力。

步骤a3：更新蜂群位置。在搜索跨度V_i的引导下，动态更新第 i个蜜蜂的位置(X_i，Y_i)：

X_i＝X_axis+V_i

Y_i＝Y_axis+V_i，

步骤a4：计算信息素浓度参数。信息素浓度参数S_i为蜂群距离最优解的值，蜂群和原点距离值为Dit_i为

S_i＝1/Dit_i

步骤a5：计算信息素浓度。信息素浓度函数Taste_i表示蜂群寻优的效果，将可回收包装物循环物流网络的所述目标函数min作为信息素浓度函数。

步骤a6：确定最优蜂群，根据步骤a5的结果，搜索当前种群中拥有最小信息素浓度值的蜂群，并将该蜂群作为最优蜂群。

[optiTaste，optiIndex]＝min[Taste_i()]，

步骤a7：记录最优解信息，根据步骤a6的结果，记录最优蜂群的信息素浓度值和位置。

Tasteopti＝optiTaste，

X_axis＝X(optiIndex)，

Y_axis＝Y(optiIndex)，

步骤a8：当算法演化至指定的世代数时，算法结束，输出结果。否则，重复步骤a3-a6。

可选地，针对传统优化算法过早收敛和全局寻优成功率不高的情况，因此本发明在可选实施例中，采用改进的粒子群算法对上述模型进行求解。具体求解过程如下：

步骤b1：初始化粒子群，计算初始位置：

x_ij(t)＝γ_ij(t)K_ij(t)+[1-γ_ij(t)]K_gj(t)

i＝1，2，…，N j＝1，2，…，D

其中：N为种群规模；D为搜索空间的维数；γ_ij(t)为均匀分布在[0，1]的随机数；K_i为个体最优；K_g为全局最优。

在t次搜索后第t+1时所处的位置为：

x_ij(t+1)＝x_ij(t)±ε|m_optij-x_ij(t)|ln[1/γ_ij(t)]

其中：ε为收缩扩张系数；m_opti为平均最优搜索位置，即

然后进行参数优化：

步骤b2：引入动态权值，对收缩扩张系数进行动态化调节，表示为

ε＝ε_min+(ε_max-ε_min)sin((π/4)×(t/t_max))

其中，ε_max与ε_min分别为ε的最大值与最小值。

在搜索初期迭代次数较少时，ε与ε_max相近，保证算法的全局寻优搜索能力；随着后期迭代次数递增，ε以非线性变化递减，可确保局部寻优搜索能力；

步骤b3：计算种群粒子最优平均值m_opti的演化因数μ_t，即：

μ_t＝1+m₁[K_t(0，1)+m₂G_t(0，1)]

其中：K_t(0，1)和G_t(0，1)为基于Gaussian分布的[0，1]范围内产生的随机数；m₁、m₂为加扰因数，计算如下

其中：m_1max、m_1min、m_2max、m_2min分别为m₁、m₂的最大值与最小值；t_max为更新次数的最大值。

引入演化因数后，种群粒子平均迭代最优位置为：

m_opti′＝m_opti×μ_t

步骤b4：计算出粒子适应度值；将新粒子的适应度值对比当前最优值，若更优则进行如下更新。个体最优与全局最优的更新方程分别如下：

K_i(t+1)＝x_i(t+1) g(x_i(t+1))<g(K_i(t))

K_i(t+1)＝K_i(t) g(x_i(t+1))≥g(K_i(t))

K_g(t+1)＝argmin_1≤i≤N[g(K_i(t))]

其中，g()为适应度函数。

步骤b5：判断各变量是否超出其取值范围，若否，则迭代上述步骤b1-b4，在达到预设最大迭代次数时结束该过程。

综上所述，本发明提出了一种用于物流运输的配送路线规划方法，构建循环物流网络模型并对其优化，通过多种改进的求解算法进而得到成本最低的全局最优解。

显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (4)

1.一种用于物流运输的配送路线规划方法，其特征在于，包括：

构建循环物流网络模型，

以循环物流网络成本最小化为目标来建立目标函数并限定约束条件，

通过对所述模型的目标函数进行求解，确定循环物流网络中物流设施的个数和位置。

2.根据权利要求1所述的方法，其特征在于，所述循环物流网络包括可回收包装物生产商、可回收包装物使用商、配送仓库和分拨站。

3.根据权利要求2所述的方法，其特征在于，所述以循环物流网络成本最小化为目标来建立目标函数，具体为根据以下公式建立目标函数min：

其中x_bp为可回收包装物生产商b运往可回收包装物使用商p的包装物配送数量；

x_pw为可回收包装物使用商w运往配送仓库w的商品配送数量；

x_wc为配送仓库w运往分拨站c的商品配送数量；

x_cr为分拨站c运往回收仓库r的商品配送数量；

x_rp为回收仓库r运往可回收包装物生产商p的包装物的回收数量；

h_w为配送仓库w的商品的存储数量；

h_r为回收仓库r存储包装物的存储数量；

z_w为若为1，配送仓库w打开；若为0，配送仓库w关闭；

g_r为若为1，回收仓库r打开；若为0，回收仓库r关闭；

c_bp为可回收包装物生产商b运往可回收包装物使用商的包装物的单位运输成本；

c_pw为可回收包装物使用商p运往配送仓库w的商品的单位运输成本；

c_wc为配送仓库w运往分拨站c的商品的单位运输成本；

c_cr为分拨站c运往回收仓库r的包装物的单位运输成本；

c_rp为回收仓库r运往可回收包装物生产商b的包装物的单位运输成本；

c_w为回收仓库w存储商品的单位仓储成本；

c_r为回收仓库r存储和处理包装物的单位仓储成本；

s_w为配送仓库w固定成本；

f_w为配送仓库w的运营费用；

s_r为回收仓库r的固定成本；

f_r为回收仓库r的运营费用；

wr为整合配送/回收仓库设施后节约的成本。

4.根据权利要求1所述的方法，其特征在于，所述对所述模型的目标函数进行求解，进一步包括：

使用人工蜂群算法对所述模型的目标函数进行求解，所述人工蜂群算法的搜索跨度根据蜂群的信息素浓度来调节。

Images