CN114897217A - 一种生鲜电商前置仓选址-路径规划方法 - Google Patents
一种生鲜电商前置仓选址-路径规划方法 Download PDFInfo
- Publication number
- CN114897217A CN114897217A CN202210385751.4A CN202210385751A CN114897217A CN 114897217 A CN114897217 A CN 114897217A CN 202210385751 A CN202210385751 A CN 202210385751A CN 114897217 A CN114897217 A CN 114897217A
- Authority
- CN
- China
- Prior art keywords
- bin
- customer
- population
- fresh
- vehicle
- 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
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
- G06N3/12—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
- G06Q10/04—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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种生鲜电商前置仓选址‑路径规划方法,包括以下步骤;步骤S1、向数据准备模块录入研究区域内备选前置仓的选址集合数据和客户需求点集合数据;步骤S2、模型构建模块根据前置仓选址集合数据和客户需求点数据,以企业运营成本、客户时间窗、生鲜新鲜度要求指标为前提数据,构建使企业成本最小化和客户满意度最大化的多目标选址路径规划模型;步骤S3、算法求解模块采用带精英策略的快速非支配排序遗传算法求解所述多目标规划模型,获取前置仓选址路径方案;本发明解决了生鲜产品运输物流成本高、配送时间长和商品损失大的问题,可为生鲜电商前置仓选址和配送路径决策提供指导。
Description
技术领域
本发明涉及生鲜运输及仓储技术领域,尤其是一种生鲜电商前置仓选址-路径规划方法。
背景技术
近年来,我国生鲜电商行业渗透率不断上升,生鲜市场发展迅速,2020年中国生鲜电商市场的规模达到2628.4亿元。受新冠疫情影响,人们线上购买生鲜产品的频次明显上升,生鲜电商行业再次迎来新的发展契机。随着生鲜行业末端配送模式的创新,前置仓凭借其专业化程度高,距离客户近等优势,得到各大生鲜电商企业青睐,成为其大规模布局的基础设施之一。对于物流仓库的建设大多考虑成本因素,然而由于生鲜产品的特殊性,即易腐性和难保存性,企业决策者同样需要关注消费者对产品配送的时效性要求和产品质量的要求。
现有技术缺点在于:
(1)现有技术单独考虑配送路径与前置仓选址,忽略了两者之间的联系,增加了生鲜电商企业决策难度。
(2)现有技术没有考虑到客户在时间和产品质量方面的要求,忽略了客户满意度,不利于生鲜电商平台的客户留存和长期发展。
发明内容
本发明提出一种生鲜电商前置仓选址-路径规划方法,解决了生鲜产品运输物流成本高、配送时间长和商品损失大的问题,可为生鲜电商前置仓选址和配送路径决策提供指导。
本发明采用以下技术方案。
一种生鲜电商前置仓选址-路径规划方法,该方法基于包括数据准备模块、模型构建模块、算法求解模块和数据库的生鲜电商前置仓选址-路径规划系统;所述前置仓根据社区选点来建立仓库,并以周边小于五公里的范围为规划的研究区域,方法包括以下步骤;
步骤S1、向数据准备模块录入研究区域内备选前置仓的选址集合数据和客户需求点集合数据;
步骤S2、模型构建模块根据前置仓选址集合数据和客户需求点数据,以企业运营成本、客户时间窗、生鲜新鲜度要求指标为前提数据,构建使企业成本最小化和客户满意度最大化的多目标选址路径规划模型;
步骤S3、算法求解模块采用带精英策略的快速非支配排序遗传算法求解所述多目标规划模型,获取前置仓选址路径方案。
所述步骤S2中的多目标选址路径规划模型基于多目标选址路径规划模型目标函数,前置仓以配送车辆对客户进行配送,以公式表述为:
其中,公式一为目标函数1,表示成本函数最小化;
成本函数包括以下部分:前置仓的建设成本、运营成本、运输成本以及车辆使用成本;O表示备选前置仓集合;D表示客户需求点集合;K表示所有配送车辆集合;Ci1表示前置仓i的建设成本;Ci2表示前置仓i的运用成本;CT表示配送车辆的单位运输成本;CV表示车辆的固定成本;yi=1表示备选前置仓i被选中,否则yi=0;xiik=1表示车辆k从节点i到达节点j,否则xijk=0;dij表示节点i和节点j之间的距离。公式(2)为目标2,表示平均客户满意度最大化。n表示客户数量;λ表示时间满意度权重;ti表示车辆到达节点i所需的时间。满意度函数由两部分组成,分别是客户时间满意度(f1)和产品新鲜度满意度(f2),且符合以下公式
公式三表示客户时间满意度函数,其中Ej表示客户要求时间窗的最早时间;Li客户时间窗的最晚时间;Rj表示客户拒绝接受服务的时间;
公式四表示产品的新鲜度函数,μ表示产品变质率;
公式五表示客户对产品的新鲜度满意度函数,其中Gi表示最高满意水平的新鲜度上限;Wj表示最低满意水平的新鲜度下限;l表示最低新鲜度满意度;
在生鲜产品配送过程中,配送车辆需满足以下约束公式:
其中约束公式六表示车辆载重约束,每辆车配送时的载重不超过其最大容量限制;qj表示客户j的需求量;Qk表示配送车辆k的最大容量限制;
约束公式七表示客户仅被一辆车服务一次,且其为进出平衡约束;
约束公式八表示表示每辆车仅有一条服务路径,且从前置仓出发,配送完后要返回原前置仓;
每个前置仓服务的客户不能超过其容量约束,以公式表述为:
所述前置仓的服务范围为3至5公里;在研究区域内,每个客户有且只有一个前置仓为其提供服务;所述企业为生鲜电商企业,其用于建设前置仓的企业成本预算以公式表述为∑i∈OCi1yi≤B,其中B表示企业建设前置仓的预算;
配送车辆到达两个连续的客户需求点之间的时间满足约束:
其中M是一个无穷大的正数;Sj表示客户j的服务时间;v表示配送车辆的行驶速度;
多目标选址路径规划模型的总决策变量约束为
约束公式九表示车辆k是否从点i到达点j;约束公式十表示前置仓i是否被选中;约束公式十一表示前置仓i是否服务于客户j。
当前置仓的服务范围为4公里以内时,
所述方法还包括程序寄存器、数据寄存器、多个处理器和可执行程序的电子设备;所述程序执行时所需的数据由数据寄存器存储,可执行程序由程序寄存器存储,该寄存器被存储的程序配置成可调用一个或多个处理器执行其相应程序功能;
所述数据库用于储存规划区域内的备选前置仓和客户需求点信息,并将数据库信息储存在相应的数据寄存器中。
在步骤S3中,针对前置仓的选址路径规划模型,设计带精英策略的快速非支配排序遗传算法,编写可执行程序储存于程序寄存器中。调用一个或多个处理器对数据寄存器和程序寄存器中的数据和可执行程序进行处理,从而得到最终的前置仓选址-路径方案。
所述带精英策略的快速非支配排序遗传算法,其遗传算法执行时包括以下步骤;
步骤A1、初始化种群,对最大迭代次数、交叉和变异概率进行设置,设置进化代数Gen=1;在该步骤中,染色体编码采用自然数编码,每个基因代表一个客户,在客户编号中插入备选前置仓编号,并对前置仓编号添加用于区分前置仓与客户编号的区分代码;
步骤A2、判断是否生成第一代子种群,生成则令进化代数Gen=2;否则对初始种群进行非支配排序和选择、交叉、变异操作,生成第一代种群并使得进化代数Gen=2;步骤A3、将父代种群和子代种群进行合并;
步骤A4、判断是否生成新的父代种群,若没有,则计算种群中个体的目标函数并进行快速非支配排序和拥挤度计算,执行精英策略生成新的父代种群;否则进入步骤A5;
步骤A5、对生成的父代种群进行选择、交叉、变异操作,生成子代种群;
步骤A6、判断Gen是否小于最大进化代数,若小于则Gen=Gen+1并返回步骤3;若等于或大于最大进化代数,则结束运行;
步骤A2中,通过快速非支配排序对所有种群个体进行排序,将解归属到不同的层级,层级越低,解的优先级越高;步骤A2的非支配排序具体包括以下步骤:
步骤B1、对于种群P中的每个个体p,计算p在种群P中被支配的个体数np,将这些被p支配的个体存入集合Sp中;
步骤B2、此时层级layer=1;
步骤B3、将种群中所有np=0的个体,保存在当前集合Flayer中;
步骤B4、对于Flayer中的每个个体p的支配集Sp,遍历Sp中的每个个体l,执行nl=nl-1;
步骤B5、使layer=layer+1;执行循环;
步骤B6、重复步骤B3至步骤B5,直到所有的个体群被分级。
步骤A4中,若计算出的两解属于同一帕累托前沿,则通过拥挤度比较确定解的优先级,优先选择拥挤距离大的解以保证种群的多样性。拥挤度计算具体包括以下步骤:
步骤C1、根据单个目标函数值对同一前沿面上的解进行升序排序;
步骤C2、将两个极值点的拥挤距离设为无穷大;
步骤C3、在这个目标上计算每个个体相邻两个个体之间的距离,并进行归一化处理;
步骤C4、遍历所有目标,将已经归一化的拥挤距离相加;
所述精英策略的执行步骤包括;
步骤D1、首先将第t代产生的子代种群Q和父代种群P组合成Rt,种群大小为2N;
步骤D2、对Rt进行快速非支配排序,产生一系列非支配集Zi并计算拥挤度;
步骤D3、将Z1放入新的父代种群Pt+1中,如果种群个体数小于N,则继续将Z2放入新的父代种群Pt+1中,直到添加到Zi时,种群个体数超过N,此时对Zi中个体进行拥挤度比较,选择较优个体加入,使得Pt+1的个体数量达到N。
所述生鲜电商前置仓有以下约束;
A、生鲜电商前置仓货物种类和单位归一化,即仓内的生鲜产品品种单一,新鲜度随时间变化不一,本发明实施例仅考虑单一品种的生鲜产品。
B、生鲜电商前置仓对应的客户需求、配送时间窗和新鲜度要求为已知数据,客户需求在预设时间内不会发生变化,每个需求点仅由一个前置仓进行配送。
C、生鲜电商前置仓的每辆车可为配送范围内的多个客户点进行配送,但每个客户点只对应一辆车为其提供服务。
D、每个前置仓拥有足够数量的配送车辆提供配送服务,且每个前置仓所使用车辆型号相同。
本发明综合考虑了生鲜电商前置仓选址和配送时,企业端对于成本的考虑以及客户满对时间和商品质量的要求,结合带精英策略的快速非支配排序遗传算法的多目标求解方法,解决了生鲜产品运输物流成本高、配送时间长和商品损失大的问题,可为生鲜电商前置仓选址和配送路径决策提供指导。
本发明根据备选前置仓集合和客户需求点集合,在考虑企业成本和客户时间窗及新鲜度要求的前提下,构建企业成本最小化和客户满意度最大化的多目标选址路径规划模型;采用带精英策略的快速非支配排序遗传算法求解所述多目标模型,获取前置仓的最优选址方案和配送路径方案。结合实际情况,在企业角度,考虑了成本要求,具体包括了前置仓的建设成本、运营成本、车辆使用成本和运输成本;在客户角度,结合生鲜产品特性,考虑了满意度要求,包括时间满意度和产品新鲜度满意度。同时带精英策略的快速非支配排序遗传算法中快速非支配排序算子降低了算法计算复杂度,指引搜索向Pareto最优解集方向进行;个体拥挤距离算子的设计使得计算结果在目标空间比较均匀地分布,维持了群体的多样性;精英策略选择算子的设计扩大了采样空间,有效防止了Pareto最优解丢失。最终获得满足企业成本最低、客户平均满意度最大的生鲜电商前置仓选址和配送路径方案集合,决策者可根据具体企业具体情况选择适合企业的方案。
本发明设计了模型构建模块,能在模型构建过程中,考虑了生鲜产品的特殊性,分别从企业成本和客户对时间和产品质量要求两方面着手,构建多目标选址-路径模型。
本发明设计了算法计算模块,能使用带精英策略的快速非支配排序遗传算法降低了算法计算复杂度、扩大了采样空间、维持了群体的多样性,最终获得满足企业成本最低、客户平均满意度最大的生鲜电商前置仓选址和配送路径方案集合。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明的流程示意图;
附图2是本发明的系统原理示意图;
附图3是本发明的带精英策略的快速非支配排序遗传算法的流程示意图;
附图4是非支配排序的示意图;
附图5是拥挤度计算的示意图;
附图6是精英选择策略的示意图;
具体实施方式
如图所示,一种生鲜电商前置仓选址-路径规划方法,该方法基于包括数据准备模块、模型构建模块、算法求解模块和数据库的生鲜电商前置仓选址-路径规划系统;所述前置仓根据社区选点来建立仓库,并以周边小于五公里的范围为规划的研究区域,方法包括以下步骤;
步骤S1、向数据准备模块录入研究区域内备选前置仓的选址集合数据和客户需求点集合数据;
步骤S2、模型构建模块根据前置仓选址集合数据和客户需求点数据,以企业运营成本、客户时间窗、生鲜新鲜度要求指标为前提数据,构建使企业成本最小化和客户满意度最大化的多目标选址路径规划模型;
步骤S3、算法求解模块采用带精英策略的快速非支配排序遗传算法求解所述多目标规划模型,获取前置仓选址路径方案。
所述步骤S2中的多目标选址路径规划模型基于多目标选址路径规划模型目标函数,前置仓以配送车辆对客户进行配送,以公式表述为:
其中,公式一为目标函数1,表示成本函数最小化;
成本函数包括以下部分:前置仓的建设成本、运营成本、运输成本以及车辆使用成本;O表示备选前置仓集合;D表示客户需求点集合;K表示所有配送车辆集合;Ci1表示前置仓i的建设成本;Ci2表示前置仓i的运用成本;CT表示配送车辆的单位运输成本;CV表示车辆的固定成本;yi=1表示备选前置仓i被选中,否则yi=0;xijk=1表示车辆k从节点i到达节点j,否则xijk=0;dij表示节点i和节点j之间的距离。公式(2)为目标2,表示平均客户满意度最大化。n表示客户数量;λ表示时间满意度权重;ti表示车辆到达节点i所需的时间。满意度函数由两部分组成,分别是客户时间满意度(f1)和产品新鲜度满意度(f2),且符合以下公式
公式三表示客户时间满意度函数,其中Ej表示客户要求时间窗的最早时间;Lj客户时间窗的最晚时间;Rj表示客户拒绝接受服务的时间;
公式四表示产品的新鲜度函数,μ表示产品变质率;
公式五表示客户对产品的新鲜度满意度函数,其中Gj表示最高满意水平的新鲜度上限;Wj表示最低满意水平的新鲜度下限;l表示最低新鲜度满意度;
在生鲜产品配送过程中,配送车辆需满足以下约束公式:
其中约束公式六表示车辆载重约束,每辆车配送时的载重不超过其最大容量限制;qj表示客户j的需求量;Qk表示配送车辆k的最大容量限制;
约束公式七表示客户仅被一辆车服务一次,且其为进出平衡约束;
约束公式八表示表示每辆车仅有一条服务路径,且从前置仓出发,配送完后要返回原前置仓;
每个前置仓服务的客户不能超过其容量约束,以公式表述为:
所述前置仓的服务范围为3至5公里;在研究区域内,每个客户有且只有一个前置仓为其提供服务;所述企业为生鲜电商企业,其用于建设前置仓的企业成本预算以公式表述为∑i∈OCi1yi≤B,其中B表示企业建设前置仓的预算;
配送车辆到达两个连续的客户需求点之间的时间满足约束:
其中M是一个无穷大的正数;Sj表示客户j的服务时间;v表示配送车辆的行驶速度;
多目标选址路径规划模型的总决策变量约束为
约束公式九表示车辆k是否从点i到达点j;约束公式十表示前置仓i是否被选中;约束公式十一表示前置仓i是否服务于客户j。
当前置仓的服务范围为4公里以内时,
所述方法还包括程序寄存器、数据寄存器、多个处理器和可执行程序的电子设备;所述程序执行时所需的数据由数据寄存器存储,可执行程序由程序寄存器存储,该寄存器被存储的程序配置成可调用一个或多个处理器执行其相应程序功能;
所述数据库用于储存规划区域内的备选前置仓和客户需求点信息,并将数据库信息储存在相应的数据寄存器中。
在步骤S3中,针对前置仓的选址路径规划模型,设计带精英策略的快速非支配排序遗传算法,编写可执行程序储存于程序寄存器中。调用一个或多个处理器对数据寄存器和程序寄存器中的数据和可执行程序进行处理,从而得到最终的前置仓选址-路径方案。
所述带精英策略的快速非支配排序遗传算法,其遗传算法执行时包括以下步骤;
步骤A1、初始化种群,对最大迭代次数、交叉和变异概率进行设置,设置进化代数Gen=1;在该步骤中,染色体编码采用自然数编码,每个基因代表一个客户,在客户编号中插入备选前置仓编号,并对前置仓编号添加用于区分前置仓与客户编号的区分代码;
步骤A2、判断是否生成第一代子种群,生成则令进化代数Gen=2;否则对初始种群进行非支配排序和选择、交叉、变异操作,生成第一代种群并使得进化代数Gen=2;
步骤A3、将父代种群和子代种群进行合并;
步骤A4、判断是否生成新的父代种群,若没有,则计算种群中个体的目标函数并进行快速非支配排序和拥挤度计算,执行精英策略生成新的父代种群;否则进入步骤A5;
步骤A5、对生成的父代种群进行选择、交叉、变异操作,生成子代种群;
步骤A6、判断Gen是否小于最大进化代数,若小于则Gen=Gen+1并返回步骤3;若等于或大于最大进化代数,则结束运行;
步骤A2中,通过快速非支配排序对所有种群个体进行排序,将解归属到不同的层级,层级越低,解的优先级越高;步骤A2的非支配排序具体包括以下步骤:
步骤B1、对于种群P中的每个个体p,计算p在种群P中被支配的个体数np,将这些被p支配的个体存入集合Sp中;
步骤B2、此时层级layer=1;
步骤B3、将种群中所有np=0的个体,保存在当前集合Flayer中;
步骤B4、对于Flayer中的每个个体p的支配集Sp,遍历Sp中的每个个体l,执行nl=nl-1;
步骤B5、使layer=layer+1;执行循环;
步骤B6、重复步骤B3至步骤B5,直到所有的个体群被分级。
步骤A4中,若计算出的两解属于同一帕累托前沿,则通过拥挤度比较确定解的优先级,优先选择拥挤距离大的解以保证种群的多样性。拥挤度计算具体包括以下步骤:
步骤C1、根据单个目标函数值对同一前沿面上的解进行升序排序;
步骤C2、将两个极值点的拥挤距离设为无穷大;
步骤C3、在这个目标上计算每个个体相邻两个个体之间的距离,并进行归一化处理;
步骤C4、遍历所有目标,将已经归一化的拥挤距离相加;
所述精英策略的执行步骤包括;
步骤D1、首先将第t代产生的子代种群Q和父代种群P组合成Rt,种群大小为2N;
步骤D2、对Rt进行快速非支配排序,产生一系列非支配集Zi并计算拥挤度;
步骤D3、将Z1放入新的父代种群Pt+1中,如果种群个体数小于N,则继续将Z2放入新的父代种群Pt+1中,直到添加到Zi时,种群个体数超过N,此时对Zi中个体进行拥挤度比较,选择较优个体加入,使得Pt+1的个体数量达到N。
所述生鲜电商前置仓有以下约束;
A、生鲜电商前置仓货物种类和单位归一化,即仓内的生鲜产品品种单一,新鲜度随时间变化不一,本发明实施例仅考虑单一品种的生鲜产品。
B、生鲜电商前置仓对应的客户需求、配送时间窗和新鲜度要求为已知数据,客户需求在预设时间内不会发生变化,每个需求点仅由一个前置仓进行配送。
C、生鲜电商前置仓的每辆车可为配送范围内的多个客户点进行配送,但每个客户点只对应一辆车为其提供服务。
D、每个前置仓拥有足够数量的配送车辆提供配送服务,且每个前置仓所使用车辆型号相同。
实施例1:
所述步骤A2中,非支配排序如图4所示,对于多目标函数且均为求最小值问题(本实施例中使用“1-F2”将最大值问题转化为最小值),图中每个点都对应一个选址-路径方案,对于c点而言,a点和b点的两个目标函数值都较优,所以c点被a和b两点支配,即nc=2,Sa={c,d,e}。遍历每个个体p,计算出所有个体对应的np和Sp,按上述步骤进行排序,直到所有个体被分到对应的层级中,得到F1优先于F2。
实施例2:
所述步骤A4中,如图5所示:a点的拥挤距离为同一层级上以其相邻两点为顶点构成的矩形的边长之和。
Claims (9)
1.一种生鲜电商前置仓选址-路径规划方法,其特征在于:该方法基于包括数据准备模块、模型构建模块、算法求解模块和数据库的生鲜电商前置仓选址-路径规划系统;所述前置仓根据社区选点来建立仓库,并以周边小于五公里的范围为规划的研究区域,方法包括以下步骤;
步骤S1、向数据准备模块录入研究区域内备选前置仓的选址集合数据和客户需求点集合数据;
步骤S2、模型构建模块根据前置仓选址集合数据和客户需求点数据,以企业运营成本、客户时间窗、生鲜新鲜度要求指标为前提数据,构建使企业成本最小化和客户满意度最大化的多目标选址路径规划模型;
步骤S3、算法求解模块采用带精英策略的快速非支配排序遗传算法求解所述多目标规划模型,获取前置仓选址路径方案。
2.根据权利要求1所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:所述步骤S2中的多目标选址路径规划模型基于多目标选址路径规划模型目标函数,前置仓以配送车辆对客户进行配送,以公式表述为:
其中,公式一为目标函数1,表示成本函数最小化;
成本函数包括以下部分:前置仓的建设成本、运营成本、运输成本以及车辆使用成本;O表示备选前置仓集合;D表示客户需求点集合;K表示所有配送车辆集合;Ci1表示前置仓i的建设成本;Ci2表示前置仓i的运用成本;CT表示配送车辆的单位运输成本;Cv表示车辆的固定成本;yi=1表示备选前置仓i被选中,否则yi=0;xijk=1表示车辆k从节点i到达节点j,否则xijk=0;dij表示节点i和节点j之间的距离。公式(2)为目标2,表示平均客户满意度最大化。n表示客户数量;λ表示时间满意度权重;ti表示车辆到达节点i所需的时间。满意度函数由两部分组成,分别是客户时间满意度(f1)和产品新鲜度满意度(f2),且符合以下公式
公式三表示客户时间满意度函数,其中Ej表示客户要求时间窗的最早时间;Lj客户时间窗的最晚时间;Rj表示客户拒绝接受服务的时间;
公式四表示产品的新鲜度函数,μ表示产品变质率;
公式五表示客户对产品的新鲜度满意度函数,其中Gj表示最高满意水平的新鲜度上限;Wj表示最低满意水平的新鲜度下限;l表示最低新鲜度满意度;
在生鲜产品配送过程中,配送车辆需满足以下约束公式:
其中约束公式六表示车辆载重约束,每辆车配送时的载重不超过其最大容量限制;qj表示客户j的需求量;Qk表示配送车辆k的最大容量限制;
约束公式七表示客户仅被一辆车服务一次,且其为进出平衡约束;
约束公式八表示表示每辆车仅有一条服务路径,且从前置仓出发,配送完后要返回原前置仓;
每个前置仓服务的客户不能超过其容量约束,以公式表述为:
3.根据权利要求2所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:所述前置仓的服务范围为3至5公里;在研究区域内,每个客户有且只有一个前置仓为其提供服务;所述企业为生鲜电商企业,其用于建设前置仓的企业成本预算以公式表述为∑i∈OCi1yi≤B,其中B表示企业建设前置仓的预算;
配送车辆到达两个连续的客户需求点之间的时间满足约束:
其中M是一个无穷大的正数;Sj表示客户j的服务时间;v表示配送车辆的行驶速度;
多目标选址路径规划模型的总决策变量约束为
约束公式九表示车辆k是否从点i到达点j;约束公式十表示前置仓i是否被选中;约束公式十一表示前置仓i是否服务于客户j。
当前置仓的服务范围为4公里以内时,
4.根据权利要求1所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:所述方法还包括程序寄存器、数据寄存器、多个处理器和可执行程序的电子设备;所述程序执行时所需的数据由数据寄存器存储,可执行程序由程序寄存器存储,该寄存器被存储的程序配置成可调用一个或多个处理器执行其相应程序功能;所述数据库用于储存规划区域内的备选前置仓和客户需求点信息,并将数据库信息储存在相应的数据寄存器中。
5.根据权利要求4所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:在步骤S3中,针对前置仓的选址路径规划模型,设计带精英策略的快速非支配排序遗传算法,编写可执行程序储存于程序寄存器中。调用一个或多个处理器对数据寄存器和程序寄存器中的数据和可执行程序进行处理,从而得到最终的前置仓选址-路径方案。
6.根据权利要求1所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:所述带精英策略的快速非支配排序遗传算法,其遗传算法执行时包括以下步骤;
步骤A1、初始化种群,对最大迭代次数、交叉和变异概率进行设置,设置进化代数Gen=1;在该步骤中,染色体编码采用自然数编码,每个基因代表一个客户,在客户编号中插入备选前置仓编号,并对前置仓编号添加用于区分前置仓与客户编号的区分代码;
步骤A2、判断是否生成第一代子种群,生成则令进化代数Gen=2;否则对初始种群进行非支配排序和选择、交叉、变异操作,生成第一代种群并使得进化代数Gen=2;
步骤A3、将父代种群和子代种群进行合并;
步骤A4、判断是否生成新的父代种群,若没有,则计算种群中个体的目标函数并进行快速非支配排序和拥挤度计算,执行精英策略生成新的父代种群;否则进入步骤A5;
步骤A5、对生成的父代种群进行选择、交叉、变异操作,生成子代种群;
步骤A6、判断Gen是否小于最大进化代数,若小于则Gen=Gen+1并返回步骤3;若等于或大于最大进化代数,则结束运行。
7.根据权利要求6所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:步骤A2中,通过快速非支配排序对所有种群个体进行排序,将解归属到不同的层级,层级越低,解的优先级越高;步骤A2的非支配排序具体包括以下步骤:
步骤B1、对于种群P中的每个个体p,计算p在种群P中被支配的个体数np,将这些被p支配的个体存入集合Sp中;
步骤B2、此时层级layer=1;
步骤B3、将种群中所有np=0的个体,保存在当前集合Flayer中;
步骤B4、对于Flayer中的每个个体p的支配集Sp,遍历Sp中的每个个体l,执行nl=nl-1;
步骤B5、使layer=layer+1;执行循环;
步骤B6、重复步骤B3至步骤B5,直到所有的个体群被分级。
8.根据权利要求6所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:步骤A4中,若计算出的两解属于同一帕累托前沿,则通过拥挤度比较确定解的优先级,优先选择拥挤距离大的解以保证种群的多样性。拥挤度计算具体包括以下步骤:
步骤C1、根据单个目标函数值对同一前沿面上的解进行升序排序;
步骤C2、将两个极值点的拥挤距离设为无穷大;
步骤C3、在这个目标上计算每个个体相邻两个个体之间的距离,并进行归一化处理;
步骤C4、遍历所有目标,将已经归一化的拥挤距离相加;
所述精英策略的执行步骤包括;
步骤D1、首先将第t代产生的子代种群Q和父代种群P组合成Rt,种群大小为2N;
步骤D2、对Rt进行快速非支配排序,产生一系列非支配集Zi并计算拥挤度;
步骤D3、将Z1放入新的父代种群Pt+1中,如果种群个体数小于N,则继续将Z2放入新的父代种群Pt+1中,直到添加到Zi时,种群个体数超过N,此时对Zi中个体进行拥挤度比较,选择较优个体加入,使得Pt+1的个体数量达到N。
9.根据权利要求1所述的一种生鲜电商前置仓选址-路径规划方法,其特征在于:所述生鲜电商前置仓有以下约束;
A、生鲜电商前置仓货物种类和单位归一化,即仓内的生鲜产品品种单一,新鲜度随时间变化不一;
B、生鲜电商前置仓对应的客户需求、配送时间窗和新鲜度要求为已知数据,客户需求在预设时间内不会发生变化,每个需求点仅由一个前置仓进行配送;
C、生鲜电商前置仓的每辆车可为配送范围内的多个客户点进行配送,但每个客户点只对应一辆车为其提供服务;
D、每个前置仓拥有足够数量的配送车辆提供配送服务,且每个前置仓所使用车辆型号相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385751.4A CN114897217A (zh) | 2022-04-13 | 2022-04-13 | 一种生鲜电商前置仓选址-路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385751.4A CN114897217A (zh) | 2022-04-13 | 2022-04-13 | 一种生鲜电商前置仓选址-路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897217A true CN114897217A (zh) | 2022-08-12 |
Family
ID=82717418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385751.4A Pending CN114897217A (zh) | 2022-04-13 | 2022-04-13 | 一种生鲜电商前置仓选址-路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897217A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
CN115841287A (zh) * | 2023-02-21 | 2023-03-24 | 山东科技大学 | 一种混合车队动态路径规划方法及设备 |
CN116307134A (zh) * | 2023-02-28 | 2023-06-23 | 中国人民解放军陆军工程大学 | 城市地下垃圾中转站选址方法、系统、电子设备和存储介质 |
CN116629480A (zh) * | 2023-07-19 | 2023-08-22 | 济南餐农网络科技有限公司 | 一种食材配送系统及配送方法 |
CN117350631A (zh) * | 2023-10-11 | 2024-01-05 | 广州丰石科技有限公司 | 一种大数据前置仓选址方法及装置 |
-
2022
- 2022-04-13 CN CN202210385751.4A patent/CN114897217A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
CN115495859B (zh) * | 2022-09-19 | 2023-11-03 | 上海交通大学 | 一种基于遗传算法的仓网规划方法 |
CN115841287A (zh) * | 2023-02-21 | 2023-03-24 | 山东科技大学 | 一种混合车队动态路径规划方法及设备 |
CN116307134A (zh) * | 2023-02-28 | 2023-06-23 | 中国人民解放军陆军工程大学 | 城市地下垃圾中转站选址方法、系统、电子设备和存储介质 |
CN116307134B (zh) * | 2023-02-28 | 2024-03-22 | 中国人民解放军陆军工程大学 | 城市地下垃圾中转站选址方法、系统、设备和存储介质 |
CN116629480A (zh) * | 2023-07-19 | 2023-08-22 | 济南餐农网络科技有限公司 | 一种食材配送系统及配送方法 |
CN116629480B (zh) * | 2023-07-19 | 2023-10-27 | 济南餐农网络科技有限公司 | 一种食材配送系统及配送方法 |
CN117350631A (zh) * | 2023-10-11 | 2024-01-05 | 广州丰石科技有限公司 | 一种大数据前置仓选址方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
Ahmadizar et al. | Two-level vehicle routing with cross-docking in a three-echelon supply chain: A genetic algorithm approach | |
Maiti et al. | Fuzzy inventory model with two warehouses under possibility constraints | |
CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
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 | |
CN113780676B (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
CN110276488A (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
CN115965172B (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
CN115495859B (zh) | 一种基于遗传算法的仓网规划方法 | |
CN115345549B (zh) | 结合装载方案的车辆路径调整方法及系统 | |
CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和系统 | |
CN113408771B (zh) | 物品出库调度方法、装置以及存储介质 | |
CN115689412A (zh) | 一种多周期运费定价和物流网络规划方法 | |
Agárdi et al. | Two-echelon vehicle routing problem with recharge stations | |
Jun et al. | Evolutionary neural network for learning of scalable heuristics for pickup and delivery problems with time windows | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
XueJing et al. | Application of Genetic Algorithm in Logistics Path Optimization | |
WO2023082315A1 (zh) | 电子固废回收全流程智能解析方法及系统 | |
CN115146866A (zh) | 一种考虑实际多约束的多条等效最优路径规划方法 | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 | |
CN115204482A (zh) | 一种基于多变量lstm的铁路货运运价浮动预测方法 | |
CN115358455A (zh) | 考虑电池更换和混合时间窗约束的电动车路径优化方法 | |
Galindres-Guancha et al. | A biobjective capacitated vehicle routing problem using metaheuristic ILS and decomposition | |
Sutthibutr et al. | Fuzzy multi-objective optimization with α-cut analysis for supply chain master planning problem | |
CN111652550A (zh) | 一种智能寻找最佳环线集合的方法、系统及设备 |
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 |