CN115049314A - 一种干线运输自备车队规模优化方法 - Google Patents

Abstract

本发明公开了一种干线运输自备车队规模优化方法，包括：同时考虑多种车型、外包运输和回程运输的影响，以物流企业干线运输全年总利润最大化为目标函数，构建自备车队规模优化模型；基于月利润和年利润，构建内、外层嵌套寻优算法，利用嵌套寻优算法对目标函数进行优化，输出自备车队规模以及该自备车队规模下的各月最优运输计划。本发明同时考虑外包运输、多种车型及回程运输因素，以年利润最大化为目标构建数学模型，更接近干线运输场景下的实际情况；改进传统寻优算法，提出一种月和年目标嵌套寻优算法，能够有效求解上述提出的数学模型，解决了寻优效率低、容易陷入局部最优的问题。

Description

一种干线运输自备车队规模优化方法

技术领域

本发明涉及运力资源配置优化研究领域，特别涉及一种干线运输自备车队规模优化方法。

背景技术

物流企业是指提供物流活动的经济组织，近年来，在互联网+货运技术的支持下，越来越多的物流企业选择采用再外包的手段，通过整合自备运力与社会运力，实现自主结合外包的运输模式。物流企业通过这一策略，一方面满足随季节波动的运输需求，另一方面实现降本增效，提高企业市场竞争力，进而应对干线运输需求波动带来的风险。

对于物流企业而言，干线运输业务占有相当大的比重，但是，由于干线运输城市需求具有较大波动性，如果物流企业设有过多的运力配置，会造成运输车辆闲置、企业利润下降、灵活资产匮乏等问题；过少的运力配置，则需要大量外包，导致服务水平降低、市场竞争力变弱等问题。因此，物流企业如何合理配置参与干线运输的自备车队规模，成为亟待解决的问题。

目前，针对如何合理配置货车或客车车队规模已有研究，但是，有关车辆规模的现有研究多是针对某一行业展开，是整体的资源配置优化，例如针对某城市的公交车或出租车进行研究，但对特定物流企业的车队规模研究稀缺，仅有相关研究局限于测算合理自备车数量，未考虑采取运输外包并配置多种车型进行同时运输。

发明内容

发明目的：针对以上问题，本发明目的是提供一种干线运输自备车队规模优化方法，将外包运输纳入考虑，可以合理地配置参与干线运输的自备车队规模，帮助物流企业实现降本增效。

技术方案：本发明的一种干线运输自备车队规模优化方法，该方法包括：同时考虑多种车型、外包运输和回程运输的影响，以物流企业干线运输全年总利润最大化为目标函数，构建自备车队规模优化模型；

基于月利润和年利润，构建内、外层嵌套寻优算法，利用嵌套寻优算法对目标函数进行优化，输出自备车队规模以及该自备车队规模下的各月最优运输计划。

进一步，所述目标函数表达式为：

式中，F为全年总利润，Y为月份集合，R^y为第y月的收入，C^y为第y月的支出；

第y月的收入R^y包括物流企业的自备车去、回程运输的订单收入，以及外包运输的差价收益，表达式为：

式中，H为车型集合，r_h为运输量相关的运输收入系数，k为回程订单折扣，

为自备车型h第y月的最优发车次数，a_h为自备车型h的运价，d为干线运输距离，q^y为第y月的外包运输量，u为单位外包运输量产生的差价收益；

第y月的支出C^y包括车辆使用成本、长期闲置成本、短期闲置成本和延误惩罚成本，表达式为：

式中，b_h为自备车型h的使用成本，x_{l_h}为自备车型h的长期闲置成本，s_h’为自备车型h的初始车辆数，s_h为自备车型h的最优车辆数，

为向上取整符号，x_{s_h}为自备车型h的短期闲置成本，T为单次运输所需平均时间，f为延误惩罚成本，p₁自主运输的延误惩罚概率，p₂外包运输的延误惩罚概率，l_h为自备车型h的额定载重，

为所有车型的满载率；o_h为布尔变量变量，当车型h的车辆长期闲置时，即当s_h’≥s_h时，o_h＝1，否则，o_h＝0。

进一步，对目标函数设置如下约束条件：

式中，约束条件依次表示：制定的自主运输任务由物流企业的自备车全部完成；每个司机每日工作时长不得超过8小时；发车次数及车辆数量均为非负整数。

进一步，运输收入系数r_h使运输输入与运输量相关，且超出运输需求的运输供给不产生收入，则运输收入系数r_h计算表达式为：

式中，K^y为第y月的运输需求量；

外包运输量q^y是指物流企业的自备车运输量无法满足当月运输需求情况下外包车辆产生的运输量，外包运输量q^y的计算表达式为：

式中，λ^y为布尔变量，当第y月自备运力

无法满足运输需求量K^y、需要进行外包运输时，即当

时，λ^y＝1，否则，λ^y＝0。

进一步，内层采用遗传算法，外层采用自适应遗传算法。

进一步，所述嵌套寻优算法包括以下步骤：

步骤1，确定目标函数的两个决策变量，包括物流企业的各月运输计划和自备车队规模；各月运输计划作为内层遗传算法的决策变量，内层遗传算法的目标为各月利润最大化；自备车队规模作为外层遗传算法的决策变量，外层遗传算法的目标为全年总利润最大化；所述各月运输计划是指各月各车型的发车次数及外包运输量，所述自备车队规模是指物流企业所配置的参与干线运输全年各车型的车辆数；

步骤2，根据已知数据和约束条件设置内、外层遗传算法的参数，包括种群规模、决策变量数目及取值范围、交叉概率、变异概率和最大迭代次数；

步骤3，初始化外层种群，将外层种群个体带入内层，执行内层遗传算法，输出当月最优运输计划和当月最大利润；

步骤4，执行外层自适应遗传算法，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划。

进一步，所述步骤3包括如下步骤：

步骤31，根据带入的外层种群个体，初始化内层种群，使内层种群满足约束条件；

步骤32，计算内层适应度；所述内层适应度为物流企业当月干线运输利润；

步骤33，判断内层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉和变异操作，生成新一代种群，重新计算内层适应度；若满足，则终止迭代，输出当月最优运输计划和当月最大利润。

进一步，所述步骤4包括以下步骤：

步骤41，根据内层遗传算法的输出计算外层适应度：每个外层种群中的个体对应12个内层种群，则执行12次内层遗传算法后输出的各月最大利润之和为外层算法的适应度，以全年总利润最大化为目标进行寻优；

步骤42，自适应调节外层遗传算子：根据外层算法的适应度及当前外层算法的迭代次数，调节外层遗传算子，使外层算法在迭代初期增大优势个体被保留的概率，在迭代末期避免算法陷入局部最优；

步骤43，判断外层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉及变异操作，生成新一代种群，重新将新的种群个体带入内层，并返回步骤31；若满足，则终止迭代，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划。

有益效果：本发明与现有技术相比，其显著优点是：

1、本发明同时考虑外包运输、多种车型及回程运输因素，以年利润最大化为目标构建数学模型，更接近干线运输场景下的实际情况；

2、改进传统寻优算法，提出一种月和年目标嵌套寻优算法，能够有效求解上述提出的数学模型，解决了寻优效率低、容易陷入局部最优的问题。

附图说明

图1为本发明的总体流程图；

图2为数学模型示意图；

图3为嵌套寻优算法的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。

如图1流程图所示，本实施例所述的一种干线运输自备车队规模优化方法，该方法包括：同时考虑多种车型、外包运输和回程运输的影响，以物流企业干线运输全年总利润最大化为目标函数，构建自备车队规模优化模型，如图2所示；

基于月利润和年利润，构建内、外层嵌套寻优算法，利用嵌套寻优算法对目标函数进行优化，输出自备车队规模以及该自备车队规模下的各月最优运输计划。

其中目标函数表达式为：

式中，F为全年总利润，Y为月份集合，R^y为第y月的收入，C^y为第y月的支出；

第y月的收入R^y包括物流企业的自备车去、回程运输的订单收入，以及外包运输的差价收益，表达式为：

式中，H为车型集合，r_h为运输量相关的运输收入系数，k为回程订单折扣，

为自备车型h第y月的最优发车次数，a_h为自备车型h的运价，d为干线运输距离，q^y为第y月的外包运输量，u为单位外包运输量产生的差价收益；

第y月的支出C^y包括车辆使用成本、长期闲置成本、短期闲置成本和延误惩罚成本，表达式为：

式中，b_h为自备车型h的使用成本，x_{l_h}为自备车型h的长期闲置成本，s_h’为自备车型h的初始车辆数，s_h为自备车型h的最优车辆数，

为向上取整符号，x_{s_h}为自备车型h的短期闲置成本，T为单次运输所需平均时间，f为延误惩罚成本，p₁自主运输的延误惩罚概率，p₂外包运输的延误惩罚概率，l_h为自备车型h的额定载重，

为所有车型的满载率；o_h为布尔变量变量，当车型h的车辆长期闲置时，即当s_h’≥s_h时，o_h＝1，否则，o_h＝0。

对目标函数设置如下约束条件：

式中，约束条件依次表示：制定的自主运输任务由物流企业的自备车全部完成；每个司机每日工作时长不得超过8小时；发车次数及车辆数量均为非负整数。

运输收入系数r_h使运输输入与运输量相关，且超出运输需求的运输供给不产生收入，则运输收入系数r_h计算表达式为：

式中，K^y为第y月的运输需求量；

外包运输量q^y是指物流企业的自备车运输量无法满足当月运输需求情况下外包车辆产生的运输量，外包运输量q^y的计算表达式为：

式中，λ^y为布尔变量，当第y月自备运力

无法满足运输需求量K^y、需要进行外包运输时，即当

时，λ^y＝1，否则，λ^y＝0。

内层采用遗传算法，外层采用自适应遗传算法。

如图3所示，嵌套寻优算法包括以下步骤：

步骤1，确定目标函数的两个决策变量，包括物流企业的各月运输计划和自备车队规模。

各月运输计划作为内层遗传算法的决策变量，内层遗传算法的目标为各月利润最大化。自备车队规模作为外层遗传算法的决策变量，外层遗传算法的目标为全年总利润最大化。各月运输计划是指各月各车型的发车次数及外包运输量，自备车队规模是指物流企业所配置的参与干线运输全年各车型的车辆数。

各月最优运输计划会随着全年最优车队规模的不同而改变，两个决策变量存在相关性，若同时参与迭代，则会失去正常的对应关系，生成无效解，因此传统遗传算法无法求解。

步骤2，根据收集的干线运输历史订单数据和约束条件设置内、外层遗传算法的参数，包括种群规模、决策变量数目及取值范围、交叉概率、变异概率和最大迭代次数。

步骤3，初始化外层种群，将外层种群个体带入内层，执行内层遗传算法，输出当月最优运输计划和当月最大利润，具体包括以下步骤：

步骤31，根据带入的外层种群个体，初始化内层种群，使内层种群满足约束条件；

步骤32，计算内层适应度；所述内层适应度为物流企业当月干线运输利润，内层适应度的计算表达式为：

步骤33，判断内层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉和变异操作，生成新一代种群，重新计算内层适应度；若满足，则终止迭代，输出当月最优运输计划和当月最大利润。

步骤4，执行外层自适应遗传算法，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划，具体包括以下步骤：

步骤41，根据内层遗传算法的输出计算外层适应度：每个外层种群中的个体对应12个内层种群，则执行12次内层遗传算法后输出的各月最大利润之和为外层算法的适应度，以全年总利润最大化为目标进行寻优；

步骤42，自适应调节外层遗传算子：根据外层算法的适应度及当前外层算法的迭代次数，调节外层遗传算子，使外层算法在迭代初期增大优势个体被保留的概率，在迭代末期避免算法陷入局部最优。

自适应遗传算法相较于传统遗传算法的改进在于交叉算子及变异算子的自适应调节，调节交叉算子P_c及变异算子P_m的自适应调节公式如下：

式中，P_c为自适应交叉概率，P_c-max与P_c-min分别为最大最小交叉概率，it_max为最大迭代次数，it_er为当前迭代次数，f_er为当前个体适应度，f_av为种群平均适应度值，P_m为自适应变异概率，P_m-max与P_m-min分别为最大、最小变异概率。

通过上述自适应调节，一方面可以避免算法陷入局部最优，另一方面可以保留优势种群个体，使种群更快的向全局最优进化，提高寻优效率。

步骤43，判断外层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉及变异操作，生成新一代种群，重新将新的种群个体带入内层，并返回步骤31；若满足，则终止迭代，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划。

通过以下示例进一步验证本发明干线运输自备车队规模优化方法所产生的效果。本实施例以上海市某物流企业为例，详细说明此方法。

上海市某物流企业是一家现代化第三方物流企业，采用“自主+外包”的合作运输模式，为客户提供以卡车运输为主的高效、可靠、专业的多元化物流服务。通过调查，该企业主要运营上海—深圳及上海—重庆两条运输干线，订单量占企业干线运输总订单量的90％。

通过调查两条干线的运输订单详情并进行预测，获得2022年市场运输需求预测数据，如表1所示。已知，上海—深圳干线运输距离d为1470km，所配置的初始自备车队规模为：5t车3辆、10t车3辆、28t车12辆；上海—重庆干线运输距离d为1700km，所配置的初始自备车队规模为：5t车1辆、10t车4辆、28t车16辆。干线运输其余的相关参数，如表2所示，其中自备车型h取1、2、3时分别表示5t车、10t车和28t车的车型。

表1 2022年运输需求预测数据

表2干线运输相关参数

经过反复测试，嵌套寻优算法的参数设置如下：内层算法种群规模为30，最大迭代次数为50，交叉概率为0.9，变异概率为0.05；外层自适应遗传算法种群规模为50，最大迭代次数为200，最大交叉概率P_c-max为0.9，最小交叉概率P_c-min为0.5，最大变异概率P_m-max为0.1，最小变异概率P_m-min为0.02。

经过嵌套寻优算法之后，输出全年最优车队规模和全年最大总利润，如表3所示，并记录该自备车队规模下的最优运输计划，如表4所示。

表3 2022年最优自备车队规模

表4 2022年最优运输计划

为了验证优化方案的有效性，将优化前后的干线运输运营情况进行对比，如表5所示，通过分别对两条运输干线的自备车队规模进行优化，上海—深圳干线的最大年利润提高了8.9％，上海—重庆干线的最大年利润提高了8.6％。

表5优化前后干线运输运营情况对比

综上，利用嵌套考虑月和年利润目标的干线运输自备车队规模优化方法，物流企业可以事先完成合理配置从事干线运输自备车队规模的工作，达到降本增效的目的。总体而言，本发明提出的方法能够有效对参与干线运输的自备车队规模进行优化。

Claims (8)

1.一种干线运输自备车队规模优化方法，其特征在于，该方法包括：同时考虑多种车型、外包运输和回程运输的影响，以物流企业干线运输全年总利润最大化为目标函数，构建自备车队规模优化模型；

基于月利润和年利润，构建内、外层嵌套寻优算法，利用嵌套寻优算法对目标函数进行优化，输出自备车队规模以及该自备车队规模下的各月最优运输计划。

2.根据权利要求1所述的干线运输自备车队规模优化方法，其特征在于，所述目标函数表达式为：

式中，F为全年总利润，Y为月份集合，R^y为第y月的收入，C^y为第y月的支出；

第y月的收入R^y包括物流企业的自备车去、回程运输的订单收入，以及外包运输的差价收益，表达式为：

式中，H为车型集合，r_h为运输量相关的运输收入系数，k为回程订单折扣，

为自备车型h第y月的最优发车次数，a_h为自备车型h的运价，d为干线运输距离，q^y为第y月的外包运输量，u为单位外包运输量产生的差价收益；

第y月的支出C^y包括车辆使用成本、长期闲置成本、短期闲置成本和延误惩罚成本，表达式为：

式中，b_h为自备车型h的使用成本，x_{l_h}为自备车型h的长期闲置成本，s_h’为自备车型h的初始车辆数，s_h为自备车型h的最优车辆数，

为向上取整符号，x_{s_h}为自备车型h的短期闲置成本，T为单次运输所需平均时间，f为延误惩罚成本，p₁自主运输的延误惩罚概率，p₂外包运输的延误惩罚概率，l_h为自备车型h的额定载重，

为所有车型的满载率；o_h为布尔变量变量，当车型h的车辆长期闲置时，即当s_h’≥s_h时，o_h＝1，否则，o_h＝0。

3.根据权利要求2所述的干线运输自备车队规模优化方法，其特征在于，对目标函数设置如下约束条件：

式中，约束条件依次表示：制定的自主运输任务由物流企业的自备车全部完成；每个司机每日工作时长不得超过8小时；发车次数及车辆数量均为非负整数。

4.根据权利要求3所述的干线运输自备车队规模优化方法，其特征在于，运输收入系数r_h使运输输入与运输量相关，且超出运输需求的运输供给不产生收入，则运输收入系数r_h计算表达式为：

式中，K^y为第y月的运输需求量；

外包运输量q^y是指物流企业的自备车运输量无法满足当月运输需求情况下外包车辆产生的运输量，外包运输量a^y的计算表达式为：

式中，λ^y为布尔变量，当第y月自备运力

无法满足运输需求量K^y、需要进行外包运输时，即当

时，λ^y＝1，否则，λ^y＝0。

5.根据权利要求1所述的干线运输自备车队规模优化方法，其特征在于，内层采用遗传算法，外层采用自适应遗传算法。

6.根据权利要求5所述的干线运输自备车队规模优化方法，其特征在于，所述嵌套寻优算法包括以下步骤：

步骤1，确定目标函数的两个决策变量，包括物流企业的各月运输计划和自备车队规模；各月运输计划作为内层遗传算法的决策变量，内层遗传算法的目标为各月利润最大化；自备车队规模作为外层遗传算法的决策变量，外层遗传算法的目标为全年总利润最大化；所述各月运输计划是指各月各车型的发车次数及外包运输量，所述自备车队规模是指物流企业所配置的参与干线运输全年各车型的车辆数；

步骤2，根据已知数据和约束条件设置内、外层遗传算法的参数，包括种群规模、决策变量数目及取值范围、交叉概率、变异概率和最大迭代次数；

步骤3，初始化外层种群，将外层种群个体带入内层，执行内层遗传算法，输出当月最优运输计划和当月最大利润；

步骤4，执行外层自适应遗传算法，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划。

7.根据权利要求6所述的干线运输自备车队规模优化方法，其特征在于，所述步骤3包括如下步骤：

步骤31，根据带入的外层种群个体，初始化内层种群，使内层种群满足约束条件；

步骤32，计算内层适应度；所述内层适应度为物流企业当月干线运输利润；

步骤33，判断内层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉和变异操作，生成新一代种群，重新计算内层适应度；若满足，则终止迭代，输出当月最优运输计划和当月最大利润。

8.根据权利要求7所述的干线运输自备车队规模优化方法，其特征在于，所述步骤4包括以下步骤：

步骤41，根据内层遗传算法的输出计算外层适应度：每个外层种群中的个体对应12个内层种群，则执行12次内层遗传算法后输出的各月最大利润之和为外层算法的适应度，以全年总利润最大化为目标进行寻优；

步骤42，自适应调节外层遗传算子：根据外层算法的适应度及当前外层算法的迭代次数，调节外层遗传算子，使外层算法在迭代初期增大优势个体被保留的概率，在迭代末期避免算法陷入局部最优；

步骤43，判断外层迭代次数是否满足终止条件，若不满足，则依次进行选择、交叉及变异操作，生成新一代种群，重新将新的种群个体带入内层，并返回步骤31；若满足，则终止迭代，输出优化后参与干线运输的自备车队规模，以及该自备车队规模下的各月最优运输计划。

Images