CN114897307A - 一种基于合作的物流集配网络联盟优化方法 - Google Patents
一种基于合作的物流集配网络联盟优化方法 Download PDFInfo
- Publication number
- CN114897307A CN114897307A CN202210384189.3A CN202210384189A CN114897307A CN 114897307 A CN114897307 A CN 114897307A CN 202210384189 A CN202210384189 A CN 202210384189A CN 114897307 A CN114897307 A CN 114897307A
- Authority
- CN
- China
- Prior art keywords
- logistics
- particle
- vehicle
- value
- algorithm
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 121
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 48
- 239000002245 particle Substances 0.000 claims description 79
- 230000009977 dual effect Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 230000013016 learning Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009326 social learning Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 abstract 3
- 230000002776 aggregation Effects 0.000 abstract 3
- UBKQRASXZMLQRJ-UHFFFAOYSA-N 2-phenylsulfanylethanamine Chemical compound NCCSC1=CC=CC=C1 UBKQRASXZMLQRJ-UHFFFAOYSA-N 0.000 description 9
- 238000001637 plasma atomic emission spectroscopy Methods 0.000 description 9
- 229920000110 poly(aryl ether sulfone) Polymers 0.000 description 9
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于合作的物流集配网络联盟优化方法，获取相关数据，根据相关数据建立基于合作的物流集配网络联盟优化模型，利用客户聚类算法，生成多个表明物流设施与客户之间服务关系的客户聚类簇群，将所有的所述客户聚类簇群结合得到客户聚类结果，将基于合作的物流集配网络联盟优化模型与客户聚类结果输入至IMOPSO算法进行迭代优化，输出双目标函数值最优的车辆调度方案，确定车辆使用数量和车辆服务客户的行驶路径，并计算得到最小的物流运营成本，完成车辆路径的规划。本发明降低了物流集配网络运营成本，提高了物流集配网络的服务效率，为城市物流集配网络联盟优化的科学决策提供方法支撑和决策支持。
Description
技术领域
本发明属于物流网络技术领域，涉及一种基于合作的物流集配网络联盟优化方法。
背景技术
物流集配网络联盟优化是物流系统领域一个重要的决策问题。近年来，电子商务的蓬勃发展与居民消费的逐步升级，对城市物流收集与配送活动的及时性、协同性提出了更高的要求，迫切需要建立一体化运用、协同化发展、网络化经营的物流集配体系。在现行的物流配送企业与物流收集企业独立运营的模式下，物流集配网络呈现出严重的条块分割现象，物流标准难以统一，物流配送与收集车辆迂回运输、过远运输，物流成本高昂以及物流资源浪费等问题突出。借鉴共享经济与共享物流的理念，发展物流联盟的经营模式为突破物流企业独立经营瓶颈、推动物流企业智能化发展提供了新思路，并为加速整合物流集配网络有限的、分散的物流资源提供了有效途径。物流集配网络中的配送中心与收集中心能够通过组建物流集配网络联盟的形式，构建合作的物流集配网络体系，实现物流集配网络中的信息资源、运力资源的整合与共享，从而克服现行物流企业独立运营模式在物流成本与物流服务效率等方面的不足。因此，基于合作的物流集配联盟优化可以有效促进物流企业协作与物流资源共享，充分发挥物流配送企业、物流收集企业的网络、信息以及服务优势，从而形成物流配送企业与物流收集企业共同发展的良好态势。
基于合作的物流集配网络联盟优化问题是典型的NP-hard问题，难以运用精确算法进行求解，而单一的启发式智能求解算法在问题的适用性、求解的收敛速度以及求解寻优能力方面表示出不足。针对基于合作的物流集配网络联盟优化模型的目标函数与约束条件，选择适用的多目标启发式智能求解算法能够提高获得优质解的可能性，并结合聚类算法设计混合的多目标启发式智能求解算法能够克服单一的启发式智能求解算法在求解问题时的不足。根据物流集配网络实际结构，设计聚类算法将多中心的物流集配网络拆分为多个单中心的物流配送网络和物流收集网络，能够有效降低算法计算难度；根据物流集配网络联盟优化的目标，在多目标启发式智能求解算法中设计相应的寻优策略和选择策略，避免算法陷入局部最优解，提高算法寻优能力。设计适用于基于合作的物流集配网络联盟优化问题的混合多目标启发式智能求解算法，能够帮助从事物流配送与收集服务的第三方物流企业合理规划车辆调度方案，避免了依靠传统经验安排车辆调度方案的一系列弊端，并节省相关人力计算成本，提高物流集配网络整体运营效率。
发明内容
本发明的目的是提供一种基于合作的物流集配网络联盟优化方法，解决了上述背景技术中心提到的问题。
本发明所采用的技术方案是，一种基于合作的物流集配网络联盟优化方法，包括以下步骤：
步骤1、获取相关数据，相关数据包括客户数据、物流设施数据、车辆数据以及成本数据；
步骤2、根据步骤1获取的相关数据建立基于合作的物流集配网络联盟优化模型，基于合作的物流集配网络联盟优化模型包含最小化物流运营成本minf1和最小化车辆使用数量minf2两个目标函数，以及两个目标函数minf1、minf2的约束条件；
步骤3、将步骤1获取的客户数据和物流设施数据输入到客户聚类算法中，生成多个表明物流设施与客户之间服务关系的客户聚类簇群，将所有的客户聚类簇群结合得到客户聚类结果；
步骤4、将通过步骤2得到的基于合作的物流集配网络联盟优化模型，与通过步骤3得到客户聚类结果一起输入到IMOPSO算法中，在每一个客户聚类簇群中对车辆调度方案进行迭代优化，输出双目标函数值最优的车辆调度方案；
步骤5、根据步骤4得到的最优车辆调度方案中的车辆编号和车辆服务客户的顺序，确定车辆使用数量和车辆服务客户的行驶路径，并计算得到最小的物流运营成本，完成车辆路径的规划。
本发明的特点还在于：
步骤3包括以下步骤：
步骤3.1、确定客户聚类算法的参数，参数为客户数量为a，确定物流设施的总数量为n，设定初始聚类中心的数量为k，令k＝n；
步骤3.2、在所有的客户点中随机选择k个客户点作为初始聚类中心Seed；
步骤3.3、计算除了k个初始聚类中心Seed对应的k个客户点之外的a-k个客户点到这k个初始聚类中心的欧几里得距离；
步骤3.4、将a-k个客户点分配给欧几里得距离最小的初始聚类中心Seed，形成k个聚类簇群Cluster，更新k个聚类簇群Cluster，直到聚类中心Seed不再发生改变，则进行步骤3.5；
步骤3.5、计算k个聚类簇群Cluster中的聚类中心Seed与物流设施之间的欧几里得距离，分别将k个聚类簇群Cluster和聚类中心Seed分配给欧几里得距离最小的物流设施；
步骤3.6、将k个聚类簇群Cluster合并起来形成一个客户聚类结果。
步骤3.4包括以下步骤：
步骤3.4.1、对于每一个聚类簇群Cluster，依次将聚类簇群Cluster中除了初始聚类中心Seed对应的客户点以外的客户作为待选聚类中心Seed*；
步骤3.4.2、计算除了待选聚类中心Seed*以外的客户到待选聚类中心Seed*欧几里得距离，并求欧几里得距离的总和sum(d)；
步骤3.4.3、将欧几里得距离的总和sum(d)最小值对应的待选聚类中心Seed*与初始聚类中心Seed进行对比，判读待选聚类中心Seed*是否是初始聚类中心Seed，若不是，用待选聚类中心Seed*替换初始聚类中心Seed，若是，则不进行替换。
步骤4包括以下步骤：
步骤4.1、初始化IMOPSO算法的相关参数，相关参数包括最大迭代次数tmax，最大优化次数runmax，种群规模pop_size，个体学习加速因子c1，社会学习加速因子c2，[0,1]之间的随机数r1和r2，初始惯性权重值wini，迭代到最大迭代次数时的惯性权重值wend；
步骤4.2、随机生成种群规模为pop_size的初始粒子群，给初始粒子群中的每一个粒子i分配位置X与速度V的属性，设置算法优化次数run＝1，设置算法迭代次数t＝1；
步骤4.3、根据算法迭代次数t的数值计算线性递减惯性权重值w；
步骤4.4、计算粒子群中每一个粒子i的双目标函数值f1(i)和f2(i)，根据每一个粒子的双目标函数值f1和f2对粒子群进行从小到大的排序，得到排序解集，并将该排序解集中的每一个粒子i的当前位置
设置为粒子i的个体最优位置pbest；
步骤4.5、定义一个空的集合Archive作为储备集合，将步骤4.4得到的排序解集放到Archive储备集合中，计算Archive储备集合中每一个粒子i的拥挤度距离值，选择拥挤度距离值最大的粒子的当前位置
设置为粒子群的全局最优位置gbest；
步骤4.6、根据个体最优位置pbest和全局最优位置gbest更新每个粒子的速度V和位置X；
步骤4.7、重新计算粒子群中每一个粒子i的双目标函数值minf1(i)和minf2(i)，根据每一个粒子i的双目标函数值minf1(i)和minf2(i)，对粒子群进行从小到大的排序，得到排序解集，对比该排序解集中的每一个粒子i的双目标函数值minf1(i)和minf2(i)，和个体最优位置pbest中的双目标函数值minf1(pbest)和minf2(pbest)的大小，若粒子i的双目标函数值minf1(i)和minf2(i)小于个体最优位置pbest中的双目标函数值minf1(pbest)和minf2(pbest)，则更新粒子i的pbest，反之，则不更新；
步骤4.8、清空Archive储备集合，并将步骤4.7得到的排序解集放到Archive储备集合中，完成Archive储备集合的更新；
步骤4.9、设置算法迭代次数t＝t+1，判断是否满足判断条件t≤tmax，若满足，返回步骤4.3进行迭代，若不满足，进行步骤4.10；
步骤4.10、设置算法优化次数run＝run+1，判断是否满足判断条件run≤runmax，若满足，返回步骤4.2进行优化，若不满足，进行步骤4.11；
步骤4.11、输出粒子群的全局最优位置gbest。
步骤5包括以下步骤：
步骤5.1、根据步骤4.11得到的全局最优位置gbest，从gbest的第一行中找到最大的车辆编号；
步骤5.2、结合gbest的第一行中的车辆编号数据和第二行中的客户被车辆服务的顺序数据，得到车辆服务客户的行驶路径；
步骤5.3、根据步骤5.1得到的车辆数量和步骤5.2得到的车辆服务客户的行驶路径，根据目标函数f1计算得到最小的物流运营成本，形成物流运营成本最小、车辆数量最少的车辆行驶路径方案。
步骤4.3的线性递减惯性权重值w计算公式如下：
式(1)中，tmax为最大迭代次数，wini为初始惯性权重值，wend为算法迭代到最大迭代次数时的惯性权重值。
步骤4.5中拥挤度距离值的计算公式如下：
式(2)中，m为第m个目标函数，M为目标函数总数，
为第m个目标的最大值，
为第m个目标的最小值，fm(i+1)为第i+1个粒子的第m个目标函数值，fm(i-1)为第i-1个粒子的第m个目标函数值。
步骤4.6的速度V更新公式如下：
位置X更新公式如下：
式(3)、(4)中，c1为个体学习加速因子，c2为社会学习加速因子，r1和r2为[0,1]之间的随机数，w为线性递减惯性权重值。
本发明的有益效果是：
1、本发明从城市物流配送与收集活动的实际背景出发，对合作的物流集配网络进行总体设计，通过配送中心与收集中心合作从而建立物流集配网络联盟，实现物流集配网络中的客户信息共享与车辆资源共享，以降低物流集配网络总运营成本和车辆数量为优化目标。
2、本发明构建基于合作的物流集配网络联盟优化模型，并设计用于求解优化模型的基于K-medoids聚类算法的IMOPSO混合启发式算法，对物流集配网络中的车辆路径方案进行决策，有效地避免了传统物流集配网络中依靠经验优化车辆路径的诸多弊端，降低了物流集配网络运营成本，提高了物流集配网络的服务效率，为城市物流集配网络联盟优化的科学决策提供方法支撑和决策支持。
附图说明
图1是本发明一种基于合作的物流集配网络联盟优化方法的整体流程图；
图2是本发明一种基于合作的物流集配网络联盟优化方法的细化流程图；
图3是本发明实施例1的配送中心与收集中心以及客户位置坐标图；
图4是本发明实施例1的合作的物流集配网络中配送中心与收集中心服务范围；
图5是本发明实施例1的物流集配网络优化前后的各项成本对比图；
图6是本发明实施例1的不同物流集配网络联盟形式下的网络总运营成本与车辆数对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于合作的物流集配网络联盟优化方法，步骤如图1、2所示，包括以下步骤：
步骤1、获取相关数据，相关数据包括客户数据、物流设施数据、车辆数据以及成本数据；
客户数据包括客户需求、客户时间窗、客户位置、客户数量等；
物流数据包括配送中心位置、收集中心位置、配送中心时间窗、收集中心时间窗等；
车辆数据包括小型车辆载重、大型卡车载重、小型车辆最大行程时间等；
成本数据包括运输费用、合作费用等、固定费用、惩罚费用等。
步骤2、根据步骤1获取的相关数据建立基于合作的物流集配网络联盟优化模型，完成物流集配网络联盟优化的建模过程。
基于合作的物流集配网络联盟优化模型包含两个目标函数：
一、最小化物流运营成本minf1的表达式如下：
二、最小化车辆使用数量minf2的表达式如下：
两个目标函数的约束条件包括：
其中，f1为物流网络总运营成本；f2为配送车辆与收集车辆数目；D为配送中心的集合，d∈D；P为收集中心的集合，p∈P；N为配送中心和收集中心组成的集合，N＝DUP；C为所有客户的集合，c∈C；Cd为配送中心的集合，
Cp为收集中心的集合，
C′d为共享线路上的配送中心的集合，
C′p为共享线路上的收集中心的集合，
V为车辆的集合，v∈V；s为卡车的集合，s∈S；K为服务周期，k∈K；
为车辆v服务的配送客户节点i的集合，
为车辆v服务的收集客户节点j的集合，
Qv为车辆的最大允许载重，v∈V；Qs为卡车的最大允许载重，s∈S；fv为车辆的百公里燃油消耗率，v∈V；fs为卡车的百公里燃油消耗率，s∈S；pv为车辆的汽油价格，v∈V；ps为卡车的柴油价格，s∈S；Fi为配送中心与收集中心的固定成本，i∈N；Gi为配送中心与收集中心节点i加入合作的合作成本，i∈N；ue为车辆提早到达客户的惩罚成本；ud为车辆延迟到达客户的惩罚成本；
为卡车在第k周期从节点i行驶到节点j，k∈K，i，j∈N；
为车辆在第k周期从节点i行驶到节点j，k∈K，i，j∈C；
为卡车s在第k周期从节点i运输到节点j的货运量，k∈K，i，j∈N；
为车辆v在第k周期服务的节点i的需求量，k∈K，i∈C，v∈V；
为车辆v服务的节点i之后的配送需求量，i∈Cd，v∈V；
为车辆v服务的节点j之后的收集需求量，j∈Cp，v∈V；[αik，βik]为配送中心在第k个周期的时间窗，i∈D，k∈K；[αjk，βjk]为收集中心在第k个周期的时间窗，j∈P，k∈K；[α′ik，β′ik]为配送客户在第k个周期的时间窗，i∈Cd，k∈K；[α′jk，β′jk]为收集客户在第k个周期的时间窗，i∈Cp，k∈K；
为卡车在第k个周期到达配送中心节点i的时间，i∈D，k∈K，s∈S；
为卡车在第k个周期到达收集中心节点j的时间，j∈P，k∈K，s∈S；
为车辆在第k个周期到达配送客户节点i的时间，i∈Cd，k∈K，v∈V；
为车辆在第k个周期到达收集客户节点j的时间，j∈Cp，k∈K，v∈V；
为卡车在第k个周期离开配送中心节点i的时间，i∈D，k∈K，s∈S；
为卡车在第k个周期离开收集中心节点j的时间，j∈P，k∈K，s∈S；
为车辆在第k个周期离开配送客户节点i的时间，i∈Cd，k∈K，v∈V；
为车辆在第k个周期离开收集客户节点j的时间，j∈Cp，k∈K，v∈V；
为卡车s在第k个周期从节点i行驶到节点j的旅行时间，i，j∈N，k∈K，s∈S；
为车辆v在第k个周期从节点i行驶到节点j的旅行时间，i，j∈C，k∈K，v∈V；
为卡车s在第k个周期从节点i行驶到节点j，i，j∈N，k∈K，s∈S；
为车辆v在第k个周期从节点i行驶到节点j，i，j∈C，k∈K，v∈V；
为车辆v从配送中心节点i出发进行服务，i∈D，v∈V；
为车辆v从收集中心节点j出发进行服务，i∈P，v∈V；
为卡车s从配送节点i出发进行服务，i∈D，s∈S；
为卡车s从收集中心节点j出发进行服务，i∈P，s∈S；
为客户c在第k个周期内由节点i服务改变为由节点j服务；zi为配送中心节点或收集中心节点i同意进行合作。
步骤3、将步骤1获取的客户数据和物流设施数据输入到客户聚类算法中，对物流设施与客户之间的服务关系进行优化，生成多个表明物流设施与客户之间服务关系的客户聚类簇群，将所有的所述客户聚类簇群结合起来形成客户聚类结果，完成客户聚类过程，具体按照以下步骤实施：
步骤3.1、将获取的客户数据和物流设施数据输入到客户聚类算法中，确定客户数量为a，确定物流设施的总数量为n，设定初始聚类中心的数量为k，令k＝n；
步骤3.2、在所有的客户点中随机选择k个客户点作为初始聚类中心Seed；
步骤3.3、计算除了k个初始聚类中心Seed对应的k个客户点之外的a-k个客户点到这k个初始聚类中心的欧几里得距离；
步骤3.4、将a-k个客户点分配给欧几里得距离最小的初始聚类中心Seed，形成k个聚类簇群Cluster，即每个簇群Cluster中的客户由欧几里得距离最小的初始聚类中心Seed进行服务，更新k个聚类簇群Cluster，直到聚类中心Seed不再发生改变，则进行步骤3.5；
步骤3.5、计算k个聚类簇群Cluster中的聚类中心Seed与物流设施之间的欧几里得距离，分别将k个聚类簇群Cluster和聚类中心Seed分配给欧几里得距离最小的物流设施；
步骤3.6、将k个聚类簇群Cluster合并起来形成一个客户聚类结果。该客户聚类结果中包含了客户数据和物流设施数据，表明a个客户分别由哪个物流设施进行服务。
步骤4、将通过步骤2得到的基于合作的物流集配网络联盟优化模型，与通过步骤3得到客户聚类结果一起输入到IMOPSO算法中，在每一个客户聚类簇群中对车辆调度方案进行迭代优化，输出双目标函数值最优的车辆调度方案，具体按照以下步骤实施：
步骤4.1、通过步骤2得到的基于合作的物流集配网络联盟优化模型，与通过步骤3得到客户聚类结果一起输入到IMOPSO算法中，并初始化IMOPSO算法的相关参数，所述相关参数包括最大迭代次数tmax，最大优化次数runmax，种群规模pop_size，个体学习加速因子c1，社会学习加速因子c2，[0,1]之间的随机数r1和r2，初始惯性权重值wini，迭代到最大迭代次数时的惯性权重值wend；
步骤4.2、随机生成种群规模为pop_size的初始粒子群，即初始粒子群中一共个pop_size个粒子，初始粒子群中的每一个粒子代表了一个车辆调度方案，在形式上表现为一个2×a的矩阵，该矩阵的第一行表示使用的车辆编号，第二行表示客户被车辆服务的顺序，a列表示一共有a个客户。给初始粒子群中的每一个粒子i分配位置X与速度V的属性，即第i个粒子在第t代的位置
和第i个粒子在第t代的速度
位置记录每一个粒子表示的车辆调度方案的相关数据；即客户编号、车辆编号以及客户被车辆服务的顺序，速度表示每一个粒子在算法中优化的方向，设置算法优化次数run＝1，设置算法迭代次数t＝1；
步骤4.3、根据算法迭代次数t的数值计算线性递减惯性权重值w；计算公式如下：
式(1)中，tmax为最大迭代次数，wini为初始惯性权重值，wend为算法迭代到最大迭代次数时的惯性权重值；
步骤4.4、计算粒子群中每一个粒子i的双目标函数值f1(i)和f2(i)，根据每一个粒子的双目标函数值f1和f2对粒子群进行从小到大的排序，得到排序解集，并将该排序解集中的每一个粒子i的当前位置
设置为粒子i的个体最优位置pbest；pbest中包含了该粒子i在第t代优化过程中的最优的车辆调度方案的相关数据，即客户编号、车辆编号、客户被车辆服务的顺序以及双目标函数值f1(i)和f2(i)。
步骤4.5、定义一个空的集合Archive作为储备集合，将步骤4.4得到的排序解集放到Archive储备集合中，计算所述Archive储备集合中每一个粒子i的拥挤度距离值，选择拥挤度距离值最大的粒子的当前位置
设置为粒子群的全局最优位置gbest；gbest中包含了该粒子群在第t代优化过程中的最优车辆调度方案的相关数据，即客户编号、车辆编号、客户被车辆服务的顺序。
拥挤度距离值的计算公式为
式(2)中，m为第m个目标函数，M为目标函数总数，
为第m个目标的最大值，
为第m个目标的最小值，fm(i+1)为第i+1个粒子的第m个目标函数值，fm(i-1)为第i-1个粒子的第m个目标函数值。
步骤4.6、根据个体最优位置pbest和全局最优位置gbest更新每个粒子的速度V和位置X；
速度V更新公式为
位置X更新公式为
式(3)、(4)中，c1为个体学习加速因子，c2为社会学习加速因子，r1和r2为[0,1]之间的随机数，w为线性递减惯性权重值。
步骤4.7、重新计算粒子群中每一个粒子i的双目标函数值f1(i)和f2(i)，根据每一个粒子i的双目标函数值f1(i)和f2(i)对粒子群进行从小到大的排序，得到排序解集，对比该排序解集中的每一个粒子i的双目标函数值f1(i)和f2(i)和与个体最优位置pbest中的双目标函数值f1(pbest)和f2(pbest)大小，若粒子i的双目标函数值f1(i)和f2(i)对小于个体最优位置pbest中的双目标函数值f1(pbest)和f2(pbest)，则更新粒子i的pbest，反之，则不更新；
步骤4.8、清空Archive储备集合，并将步骤4.7得到的排序解集放到Archive储备集合中，完成Archive储备集合的更新；
步骤4.9、设置算法迭代次数t＝t+1，判断是否满足判断条件t≤tmax，若满足，返回步骤4.3进行迭代，若不满足，进行步骤4.10；
步骤4.10、设置算法优化次数run＝run+1，判断是否满足判断条件run≤runmax，若满足，返回步骤4.2进行优化，若不满足，进行步骤4.11；
步骤4.11、输出粒子群的全局最优位置gbest。
gbest在形式上表示为一个2×a的矩阵，矩阵第一行包含了最优车辆调度方案中的车辆编号，矩阵第二行包含了最优车辆调度方案中的客户被车辆服务的顺序，矩阵每一列表示一个客户。
步骤5、根据步骤4得到的最优车辆调度方案中的车辆编号和车辆服务客户的顺序，确定车辆使用数量和车辆服务客户的行驶路径，并计算得到最小的物流运营成本，完成车辆路径的规划，具体按照以下步骤实施：
步骤5.1、根据步骤4.11得到的全局最优位置gbest，从gbest的第一行中找到最大的车辆编号；
步骤5.2、结合gbest的第一行中的车辆编号数据和第二行中的客户被车辆服务的顺序数据，得到车辆服务客户的行驶路径；
步骤5.3、根据步骤5.1得到的车辆数量和步骤5.2得到的车辆服务客户的行驶路径，根据目标函数f1计算得到最小的物流运营成本，形成物流运营成本最小、车辆数量最少的车辆行驶路径方案。
为了验证所述IMOPSO混合算法的有效性，将IMOPSO混合算法与多目标进化算法(MOEA)和Pareto存档进化策略算法(PAES)进行比较。实验数据采用Cordeau标准算例，并根据合作的物流集配网络特征进行修改，如表1所示。根据相关研究文献，对算法参数进行设置，如表2所示。考虑到IMOPSO、MOEA和PAES均为启发式算法，其结果存在随机性,因而每组实验进行10次运算，并选取10次运算结果中的最优的成本与车辆数以及对应的运算时间进行对比，如表3所示。
表1数据集特征
表2混合算法参数设置
表3三种算法的计算结果对比
由上表的数据可见，IMOPSO混合算法与MOEA和PAES求解所得的成本结果的p值分别为4.23E-09和1.96E-06,表明IMOPSO混合算法与MOEA和PAES求解的成本结果存在显著性差异。在成本求解方面，IMOPSO混合算法求解的物流成本平均值为2760.26元，比MOEA求解的物流成本平均值2888.69元减少了128.43元，比PAES求解的物流成本平均值2933.46元减少了137.2元；在车辆数量求解方面，MOEA和PAES求解所得的车辆数量平均值均为17辆，而IMOPSO混合算法求解的车辆数量平均值为16辆；在算法求解速度方面，IMOPSO混合算法的平均运算时间为155.3秒，比NSGA-Ⅱ的平均运算时间168.05秒节约了7.6％，比MOGA的平均运算时间171.45秒节约了9.4％。研究结果表明，本文所述IMOPSO混合算法相对于MOEA和PAES在解的求解和运算速度方面表现出了更好的搜索性能和寻优性能。
综上，本发明针对基于合作的物流集配网络联盟优化问题，首先，构建了最小化网络运营总成本和车辆使用数量的双目标整数规划模型；其次，提出了结合k-medoids聚类算法和IMOPSO算法的混合启发式算法，设计k-medoids聚类算法降低混合算法计算难度，并在IMOPSO算法中采用线性递减权值策略和基于拥挤度距离的选择策略提高算法收敛性能和寻优性能；最后，将IMOPSO混合算法与MOEA和PAES在物流成本的求解、车辆使用数量的求解和算法运行时间方面进行对比分析，验证了IMOPSO混合算法的有效性。
实施例1
某物流集配网络包含3个物流设施和60个客户，其中DC1、DC2分别表示2个配送中心，PC1表示1个收集中心，C1～C60表示配送客户和收集客户。在该物流集配网络中，配送中心与收集中心地理位置、配送中心与收集中心时间窗、客户需求、地理位置以及时间窗已知；由配送中心和收集中心组织小型车队为配送与收集客户提供相应服务；小型车辆选用相同车型以确保小型车辆载重量相同；小型车辆必须在客户的时间窗内为其提供配送与收集服务，任何提前到达或延迟到达客户的情况，都将承担相应的时间窗惩罚成本。在非合作的物流集配网络中，各配送中心、收集中心等设施独立运营，配送中心只为自己的配送客户服务，收集中心只为自己的收集客户服务。在合作的物流集配网络中，配送中心与收集中心之间可以达成构建物流集配网络联盟以便共享它们的客户信息和车辆资源。在物流集配网络联盟中，各配送中心与收集中心间的货物调运由大型卡车负责。
在实例1中，设定参数Qv＝200，Qs＝1200，fs＝12.4，fv＝8.2，ps＝7.9，pv＝6.4，F1＝100，F2＝150，F3＝125，G1＝55，G2＝60，G3＝45，ue＝0.25，ud＝0.45,pop_size＝100，tmax＝120，runmax＝5，wini＝0.9,wend＝0.4,c1＝2,c2＝2。首先，应用K-medoids聚类算法对配送与收集客户进行合理的分配，得到的合作的物流集配网络中的客户分布，表4展示了配送中心与收集中心合作前后的客户分布对比，相应的，合作的物流集配网络中的配送中心与收集中心服务范围如图4所示。
表4配送中心与收集中心合作前后的客户分布对比
其次，应用IMOPSO算法对合作的物流集配网络中的小型车辆的行驶路径进行求解，得到优化前后的物流集配网络的车辆行驶路径如表5所示。
表5物流集配网络优化前后车辆行驶路径对比
由表5可知，基于合作的物流集配网络优化，通过采用大型卡车对配送中心与收集中心间货物进行集中调运的策略，能够有效协调各个服务区域间的货物需求，从而避免物流集配网络中的不合理配送与收集现象，如交叉运输与迂回运输，并且采用小型车队对临近的配送与收集客户进行服务的策略，有利于满足各个客户的时间窗需求，提高配送与收集效率。如C44和C59原本由PC1直接进行服务，在客户聚类后改为距离它们更近的DC1进行服务，车辆2从DC1出发经过路线C22-C15-C9-C20-C18-C44-C23-C17-C1-C3-C48和车辆4从DC1出发经过路线C16-C13-C59-C60-C2-C7-C58对C44和C59进行了服务，节约了PC1到C44和C59的超长的运输距离。物流集配网络优化前后的各项指标对比情况如表6和图5所示。
表6物流集配网络优化前后指标对比
由表6和图5中可知，优化前和优化后的物流集配网络的各项成本和车辆使用数量有显著不同。DC1、DC2和PC1通过组建物流集配网络联盟实现资源共享，能够使车辆数量从12辆下降至8辆，下降率达到33.33％；使物流集配网络的总运营成本从1394元下降至1118元，下降率达到19.80％。研究结果表明，本发明能够实现物流集配网络联盟的构建从而有效优化物流集配网络。
为进一步探讨不同物流集配网络联盟形式对物流集配网络优化的影响，我们分别对不同的物流集配网络联盟形式下的网络成本和车辆数量进行分析。将该物流集配网络联盟分为DC1和PC1组成的物流集配网络联盟(Casea)，DC2和PC2组成的物流集配网络联盟(Caseb)，DC1、DC2和PC1组成的物流集配网络(Casec)。各物流集配网络的指标对比情况如表7和图6所示。
表7不同物流集配网络联盟形式下的物流集配网络指标对比
由表7和图6中可知，构建物流集配网络联盟有利于物流集配网络的资源共享，降低物流集配网络的总运营成本和车辆使用数量。物流集配网络联盟{DC1,PC1}和物流集配网络联盟{DC2,PC1}下的网络总运营成本与车辆数量对比结果表明，在构建物流集配网络联盟时，联盟成员的选择对物流集配网络的总运营成本与车辆数量有一定影响，物流集配网络联盟{DC1,PC1}形式下的网络总成本和车辆数量分别为1264元和11辆，而物流集配网络联盟{DC2,PC1}下的网络总运营成本和车辆数量分别为1236元和10辆。此外，物流集配网络联盟{DC1,PC1}、物流集配网络联盟{DC2,PC1}以及物流集配网络联盟{DC1,DC2,PC1}的总运营成本与车辆数量对比情况表明，当物流集配网络中的所有物流设施加入联盟，能够降低物流集配网络的总运营成本和车辆数量。由此可见，构建所有物流设施参与合作的物流集配网络联盟，更能充分优化物流集配网络，提高物流网络服务效率以及降低网络运营成本，本发明提出的基于合作的物流集配网络联盟优化方法是有效的。
Claims (8)
1.一种基于合作的物流集配网络联盟优化方法，其特征在于，包括以下步骤：
步骤1、获取相关数据，所述相关数据包括客户数据、物流设施数据、车辆数据以及成本数据；
步骤2、根据步骤1获取的相关数据建立基于合作的物流集配网络联盟优化模型；所述基于合作的物流集配网络联盟优化模型包含最小化物流运营成本minf1和最小化车辆使用数量minf2以及minf1、minf2的约束条件；
步骤3、将步骤1获取的客户数据和物流设施数据输入到客户聚类算法中，生成多个表明物流设施与客户之间服务关系的客户聚类簇群，将所有的所述客户聚类簇群结合得到客户聚类结果；
步骤4、将所述基于合作的物流集配网络联盟优化模型与所述客户聚类结果输入至IMOPSO算法中，在每一个客户聚类簇群中对车辆调度方案进行迭代优化，输出双目标函数值最优的车辆调度方案；
步骤5、根据步骤4得到的最优车辆调度方案中的车辆编号和车辆服务客户的顺序，确定车辆使用数量和车辆服务客户的行驶路径，并计算得到最小的物流运营成本，完成车辆路径的规划。
2.根据权利要求1所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤3包括以下步骤：
步骤3.1、确定客户聚类算法的参数，所述参数为客户数量为a，确定物流设施的总数量为n，设定初始聚类中心的数量为k，令k＝n；
步骤3.2、在所有的客户点中随机选择k个客户点作为初始聚类中心Seed；
步骤3.3、计算除了k个初始聚类中心Seed对应的k个客户点之外的a-k个客户点到这k个初始聚类中心的欧几里得距离；
步骤3.4、将a-k个客户点分配给欧几里得距离最小的初始聚类中心Seed，形成k个聚类簇群Cluster，更新所述k个聚类簇群Cluster，直到聚类中心Seed不再发生改变，则进行步骤3.5；
步骤3.5、计算k个聚类簇群Cluster中的聚类中心Seed与物流设施之间的欧几里得距离，分别将k个聚类簇群Cluster和聚类中心Seed分配给欧几里得距离最小的物流设施；
步骤3.6、将k个聚类簇群Cluster合并起来形成一个客户聚类结果。
3.根据权利要求2所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤3.4包括以下步骤：
步骤3.4.1、对于每一个聚类簇群Cluster，依次将所述聚类簇群Cluster中除了初始聚类中心Seed对应的客户点以外的客户作为待选聚类中心Seed*；
步骤3.4.2、计算除了待选聚类中心Seed*以外的客户到待选聚类中心Seed*欧几里得距离，并求欧几里得距离的总和sum(d)；
步骤3.4.3、将欧几里得距离的总和sum(d)最小值对应的待选聚类中心Seed*与初始聚类中心Seed进行对比，判读待选聚类中心Seed*是否是初始聚类中心Seed，若不是，用待选聚类中心Seed*替换初始聚类中心Seed，若是，则不进行替换。
4.根据权利要求1所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1、初始化IMOPSO算法的相关参数，所述相关参数包括最大迭代次数tmax，最大优化次数runmax，种群规模pop_size，个体学习加速因子c1，社会学习加速因子c2，[0,1]之间的随机数r1和r2，初始惯性权重值wini，迭代到最大迭代次数时的惯性权重值wend；
步骤4.2、随机生成种群规模为pop_size的初始粒子群，给所述初始粒子群中的每一个粒子i分配位置X与速度V的属性，设置算法优化次数run＝1，设置算法迭代次数t＝1；
步骤4.3、根据算法迭代次数t的数值计算线性递减惯性权重值w；
步骤4.4、计算粒子群中每一个粒子i的双目标函数值f1(i)和f2(i)，根据每一个粒子的双目标函数值f1和f2对粒子群进行从小到大的排序，得到排序解集，并将该排序解集中的每一个粒子i的当前位置
设置为粒子i的个体最优位置pbest；
步骤4.5、定义一个空的集合Archive作为储备集合，将步骤4.4得到的排序解集放到Archive储备集合中，计算所述Archive储备集合中每一个粒子i的拥挤度距离值，选择拥挤度距离值最大的粒子的当前位置
设置为粒子群的全局最优位置gbest；
步骤4.6、根据个体最优位置pbest和全局最优位置gbest更新每个粒子的速度V和位置X；
步骤4.7、重新计算粒子群中每一个粒子i的双目标函数值minf1(i)和minf2(i)，根据每一个粒子i的双目标函数值minf1(i)和minf2(i)，对粒子群进行从小到大的排序，得到排序解集，对比该排序解集中的每一个粒子i的双目标函数值minf1(i)和minf2(i)，和个体最优位置pbest中的双目标函数值minf1(pbest)和minf2(pbest)的大小，若粒子i的双目标函数值minf1(i)和minf2(i)小于个体最优位置pbest中的双目标函数值minf1(pbest)和minf2(pbest)，则更新粒子i的pbest，反之，则不更新；
步骤4.8、清空Archive储备集合，并将步骤4.7得到的排序解集放到Archive储备集合中，完成Archive储备集合的更新；
步骤4.9、设置算法迭代次数t＝t+1，判断是否满足判断条件t≤tmax，若满足，返回步骤4.3进行迭代，若不满足，进行步骤4.10；
步骤4.10、设置算法优化次数run＝run+1，判断是否满足判断条件run≤runmax，若满足，返回步骤4.2进行优化，若不满足，进行步骤4.11；
步骤4.11、输出粒子群的全局最优位置gbest。
5.根据权利要求4所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤5具体按照以下步骤实施：
步骤5.1、根据步骤4.11得到的全局最优位置gbest，从gbest的第一行中找到最大的车辆编号；
步骤5.2、结合gbest的第一行中的车辆编号数据和第二行中的客户被车辆服务的顺序数据，得到车辆服务客户的行驶路径；
步骤5.3、根据步骤5.1得到的车辆数量和步骤5.2得到的车辆服务客户的行驶路径，根据目标函数f1计算得到最小的物流运营成本，形成物流运营成本最小、车辆数量最少的车辆行驶路径方案。
6.根据权利要求4所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤4.3的线性递减惯性权重值w计算公式如下：
式(1)中，tmax为最大迭代次数，wini为初始惯性权重值，wend为算法迭代到最大迭代次数时的惯性权重值。
7.根据权利要求4所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤4.5中拥挤度距离值的计算公式如下：
式(2)中，m为第m个目标函数，M为目标函数总数，
为第m个目标的最大值，
为第m个目标的最小值，fm(i+1)为第i+1个粒子的第m个目标函数值，fm(i-1)为第i-1个粒子的第m个目标函数值。
8.根据权利要求4所述的一种基于合作的物流集配网络联盟优化方法，其特征在于，所述步骤4.6的速度V更新公式如下：
位置X更新公式如下：
式(3)、(4)中，c1为个体学习加速因子，c2为社会学习加速因子，r1和r2为[0,1]之间的随机数，w为线性递减惯性权重值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384189.3A CN114897307A (zh) | 2022-04-13 | 2022-04-13 | 一种基于合作的物流集配网络联盟优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384189.3A CN114897307A (zh) | 2022-04-13 | 2022-04-13 | 一种基于合作的物流集配网络联盟优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897307A true CN114897307A (zh) | 2022-08-12 |
Family
ID=82718018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210384189.3A Pending CN114897307A (zh) | 2022-04-13 | 2022-04-13 | 一种基于合作的物流集配网络联盟优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897307A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115358686A (zh) * | 2022-10-24 | 2022-11-18 | 深圳联友科技有限公司 | 整车物流网络的优化方法、装置及存储介质 |
| CN116208669A (zh) * | 2023-04-28 | 2023-06-02 | 湖南大学 | 基于智慧灯杆的车载异构网络协同任务卸载方法及系统 |
| CN117113608A (zh) * | 2023-10-23 | 2023-11-24 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020140560A1 (zh) * | 2019-05-31 | 2020-07-09 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
| CN113344267A (zh) * | 2021-05-31 | 2021-09-03 | 重庆交通大学 | 一种基于合作的物流网络资源配置优化方法 |
-
2022
- 2022-04-13 CN CN202210384189.3A patent/CN114897307A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020140560A1 (zh) * | 2019-05-31 | 2020-07-09 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
| CN113344267A (zh) * | 2021-05-31 | 2021-09-03 | 重庆交通大学 | 一种基于合作的物流网络资源配置优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG YONG等: "Collaboration and Resource Sharing in the Multidepot Multiperiod Vehicle Routing Problem with Pickups and Deliveries" * |
| WANG YONG等: "Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state-space-time networks" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115358686A (zh) * | 2022-10-24 | 2022-11-18 | 深圳联友科技有限公司 | 整车物流网络的优化方法、装置及存储介质 |
| CN115358686B (zh) * | 2022-10-24 | 2023-02-03 | 深圳联友科技有限公司 | 整车物流网络的优化方法、装置及存储介质 |
| CN116208669A (zh) * | 2023-04-28 | 2023-06-02 | 湖南大学 | 基于智慧灯杆的车载异构网络协同任务卸载方法及系统 |
| CN116208669B (zh) * | 2023-04-28 | 2023-06-30 | 湖南大学 | 基于智慧灯杆的车载异构网络协同任务卸载方法及系统 |
| CN117113608A (zh) * | 2023-10-23 | 2023-11-24 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
| CN117113608B (zh) * | 2023-10-23 | 2024-02-13 | 四川港投新通道物流产业投资集团有限公司 | 一种冷链物流网络节点布局方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114897307A (zh) | 一种基于合作的物流集配网络联盟优化方法 | |
| US20220172175A1 (en) | Transportation system and method for allocating frequencies of transit services therein | |
| Naso et al. | Genetic algorithms for supply-chain scheduling: A case study in the distribution of ready-mixed concrete | |
| CN112085271B (zh) | 一种基于众包模式的传统产业集群集货路径优化方法 | |
| Wang et al. | Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows | |
| US20210256646A1 (en) | Diversified and connected freight allocation system and method | |
| CN108256969A (zh) | 一种公共自行车租赁点调度区域划分方法 | |
| CN110674968A (zh) | 一种快递配送途中客户需求动态变更的车辆路径优化方法 | |
| CN109934380A (zh) | 基于双层规划的共享电动汽车车辆及人员调度优化方法 | |
| CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
| CN108764800B (zh) | 一种基于众包公共交通系统实现包裹快速递送的方法 | |
| Wang et al. | Collaborative multicenter reverse logistics network design with dynamic customer demands | |
| CN114529241A (zh) | 一种基于运筹学理论的公路零担货运物流路径规划算法 | |
| CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
| CN113379102B (zh) | 一种多网干线运输优化方法、计算机设备及存储介质 | |
| Zhang et al. | Combining affinity propagation with differential evolution for three-echelon logistics distribution optimization | |
| CN112613701B (zh) | 一种成品卷烟物流调度方法 | |
| CN113935685A (zh) | 实现物流末端差异化分拨的方法及系统 | |
| Cui et al. | A time-dependent vehicle routing problem for instant delivery based on memetic algorithm | |
| LU504987B1 (en) | An optimization method of logistics centralized distribution network alliance based on cooperation | |
| Zhou et al. | Two-echelon time-dependent vehicle routing problem with simultaneous pickup and delivery and satellite synchronization | |
| Wang et al. | A Multi-objective Task-Driven Vehicle Routing Problem with Recirculating Delivery and its Solution Approaches | |
| CN115841287B (zh) | 一种混合车队动态路径规划方法及设备 | |
| Yahong | Cold Chain Distribution Routes optimization for Fresh Agricultural Products | |
| CN115034522B (zh) | 基于员工下班时间及下车站点的通勤班车动态调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220812 |