CN115495859B - 一种基于遗传算法的仓网规划方法 - Google Patents
一种基于遗传算法的仓网规划方法 Download PDFInfo
- Publication number
- CN115495859B CN115495859B CN202211136006.2A CN202211136006A CN115495859B CN 115495859 B CN115495859 B CN 115495859B CN 202211136006 A CN202211136006 A CN 202211136006A CN 115495859 B CN115495859 B CN 115495859B
- Authority
- CN
- China
- Prior art keywords
- bin
- cost
- warehouse
- warehouses
- 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.)
- Active
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 230000000452 restraining effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于电子商务技术领域,提供了一种基于遗传算法的仓网规划算法,本算法基于遗传算法、贪婪算法的启发式规则,可以在分钟级的时间内完成对50+仓储备选地址、1500+需求点的仓网优化问题的求解。其中,遗传算法采用二次编码的形式,有效保证了所产生的初始种群、以及交叉变异产生个体中有效个体的比例,大幅提升了算法的收敛速度。可实现对多层次、多模式的仓库网络的系统规划,可以通过对模型输入流量阈值、仓库数量等参数对输出结果进行约束,实现多模式运输调货、仓库数量自定义的功能。只需对内层的成本评估模块的算法进行修改即可满足相应的业务需求。
Description
技术领域
本发明属于电子商务技术领域,尤其涉及一种基于遗传算法的仓网规划方法。
背景技术
随着电子商务的快速发展,不断变化的用户需求不仅影响仓储企业的物流模式,也要求仓储物流企业需要周期性地对现有仓储网络进行优化,以应对市场变化、提升货物周转效率、以及终端需求的满足率。
大规模的仓网优化问题涉及节点数量较多、复杂性较高,并且在统仓统配的大背景下,中心仓和前置仓的功能逐渐模糊,模型结构愈发复杂,难以基于人工方法统筹出最优方案。当前,已有部分专利提出采用启发式算法解决仓网优化问题。例如专利CN 110334853A公开了一种仿自然体优化方法,综合考虑需求量、运输距离、运输费用等影响因素,对物流配送中心仓库的选址进行选择;专利CN 114048924 A提出一种基于混合遗传算法的多配送中心选址‐配送路径规划方法,最小化配送总成本;专利CN 111275379 B提出采用多蚁群算法优化转运中心选址及客户分配问题。
然而,上述方法可解决的仓网结构节点规模有限、配送模式单一,并且算法架构可拓展能力较弱,难以满足更多的业务约束。因此,设计一个拓展性及适应性较强的智能算法,将有助于高效地解决仓网规划设计问题,提升企业统仓统配的服务能力。
发明内容
本发明提供一种基于遗传算法的仓网规划方法,旨在针对物流过程中的多层级仓库选址以及相关路由线路的设置进行系统规划,以降低物流成本,提升时效满足率。
本发明是这样实现的,一种基于遗传算法的仓网规划方法,包括如下步骤:
步骤S1、初始化,输入仓库备选地址,调用百度API计算距离矩阵;
步骤S2、决策优化算法模块,采用遗传算法对仓储决策编码,并进行迭代求解;
步骤S3、成本评估算法模块,给定建仓决策,在满足业务约束的基础上,基于贪婪算法选择最短路由,并评估解的成本;
步骤S4、结果输出及可视化;
其中在步骤S3中,判断是否符合终止条件,若符合则转入到步骤S4,若不符合则转入到步骤S2。
优选的,在步骤S2中包括如下步骤;
步骤S21、编码及产生初始群体;
步骤S22、计算各个个体的适应度值;
步骤S23、判断是否满足算法收敛准则,
若满足,则输出收敛结果,结束;
若不满足,则执行下一步;
步骤S24、执行选择操作;
步骤S25、执行交叉操作;
步骤S26、执行变异操作;
步骤S27、跳转到步骤S22。
优选的,在步骤S21的编码中,共设置(备选中心仓数量+备选前置仓数量+2)个编码,分为仓库选址编码、仓库数量编码两部分,均为取值在大小在[0,1]范围内的实整数。
优选的,在步骤S22、步骤S23以及步骤S24中,采用精英保留策略筛选适应度较高的个体,在进行种群的交叉、变异之前,先对种群进行复制,对复制出来的子代种群进行交叉、变异,而父代种群不作任何操作,然后将两个种群进行合并,对其全部个体的适应度进行计算、排序,筛选出适应度更大的一半个体作为新的种群。
优选的,在步骤S25和步骤S26中,采用两点交叉方法,设置交叉发生概率为0.7。
优选的,在步骤S2中还包括解码,分别对仓库数量、仓库选址进行解码操作,
其中,仓库数量解码:读取设定仓库数量,或对仓库数量编码进行等比放大,变为[-0.5,备选中心仓数量/备选前置仓数量+0.5]范围内的实数变量,在仓库数量范围的均匀分布中抽取任意实数,四舍五入后取整作为选择的仓库数量;
其中,仓库选址解码:对仓库选址编码进行由大到小的排序,对前序相应仓库数量个仓库赋值为1,表示选用该仓库;对其余仓库数量个仓库赋值为0,表示不选用该仓库,后续在成本评估函数中,只对选用的仓库(即赋值为1的仓库)分配路由。
优选的,在步骤S3中包括如下具体步骤:
步骤S31、基于贪婪算法,对各节点选择距离最近的上层节点设置路由;
步骤S32、计算三种类型路由的出入库成本、干线成本和配送成本;
步骤S33、计算库存量、仓租成本、库存持有成本、仓库规划面积;
步骤S34、计算总成本及时效惩罚成本,输出结果。
优选的,在步骤S31中包括:
步骤S311、仓库至需求点路由设置;
步骤S312、基地仓/中心仓-前置仓路由设置;
步骤S313、基地仓-中心仓路由设置。
在步骤S32中包括:
步骤S321、计算中心仓/前置仓-需求点路由的成本;
步骤S322、计算基地仓/中心仓-前置仓路由的成本;
步骤S323、计算基地仓-中心仓路由的成本。
优选的,在步骤S33中:库存持有成本=每方产品价值×平均库存×12%(资金占用费率);
仓租成本=(规划平均库存/容积率)×市场均价;
仓库规划面积=规划平均库存/容积率;
在步骤S34中:总成本:仓网布局方案的总成本为配送成本、干线成本、出入库成本、仓租成本的累加总和;
时效惩罚成本:遍历所有需求点,若离当前需求点最近备选仓(中心仓、前置仓)的距离大于时效阈值,则单位配送成本增加到原来的N倍(N为惩罚系数)。
与现有技术相比,本发明的有益效果是:本发明的一种基于遗传算法的仓网规划方法,有如下特点:
(1)求解速度快:本算法基于遗传算法、贪婪算法的启发式规则,可以在分钟级的时间内完成对50+仓储备选地址、1500+需求点的仓网优化问题的求解。其中,遗传算法采用二次编码的形式,有效保证了所产生的初始种群、以及交叉变异产生个体中有效个体的比例(即满足约束条件的解的比例),大幅提升了算法的收敛速度。
(2)功能丰富:本算法可实现对多层次、多模式的仓库网络的系统规划,可以通过对模型输入流量阈值、仓库数量等参数对输出结果进行约束,实现多模式运输调货、仓库数量自定义的功能。
(3)可拓展性强:本算法的可拓展性强,只需对内层的成本评估模块的算法进行修改即可满足相应的业务需求,例如可修改路由设置步骤中的部分选仓逻辑,限制一部分需求点必须由同一仓库满足,对同区域配送的业务要求输出优化方案。
附图说明
图1为仓网结构的示意图;
图2模型输入输出示意图;
图3算法流程图;
图4外层决策优化算法流程图
图5编码结构图;
图6遗传算法解码流程图;
图7基地仓/中心仓至前置仓路由设置流程图;
图8基地仓至中心仓路由设置流程图;
图9算例测试的整体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1-9,本发明提供一种技术方案:
一种基于遗传算法的仓网规划方法,本算法主要分为两个模块,分别为外层决策优化算法和内层成本评估算法,算法整体流程请参阅图3算法流程图。
(一)外层-决策优化算法:根据内层算法返回仓库布置方案的成本,采用遗传算法对仓储决策编码,并迭代求解。遗传算法是一种通过模拟自然进化过程搜索最优解的方法,包括编码、选择、交叉及变异、解码、适应度评估共5个步骤,流程图及运行步骤,请参阅图4外层决策优化算法流程图。
(1)编码:共设置(备选中心仓数量+备选前置仓数量+2)个编码,分为仓库选址编码、仓库数量编码两部分,均为取值在大小在[0,1]范围内的实整数,具体请参阅图5编码结构图。
(2)选择:采用精英保留策略筛选适应度较高的个体。在进行种群的交叉、变异之前,先对种群进行复制,对复制出来的子代种群进行交叉、变异,而父代种群不作任何操作,然后将两个种群进行合并,对其全部个体的适应度进行计算、排序,筛选出适应度更大的一半个体作为新的种群;
(3)交叉及变异:采用两点交叉方法,设置交叉发生概率为0.7;
(4)解码:分别对仓库数量仓库选址进行解码操作,具体流程如图6遗传算法解码流程图。
a)仓库数量解码:读取设定仓库数量,或对仓库数量编码进行等比放大,变为[-0.5,备选中心仓数量/备选前置仓数量+0.5]范围内的实数变量,在仓库数量范围的均匀分布中抽取任意实数,四舍五入后取整作为选择的仓库数量;
b)仓库选址解码:对仓库选址编码进行由大到小的排序,对前序相应仓库数量个仓库赋值为1,表示选用该仓库;对其余仓库数量个仓库赋值为0,表示不选用该仓库。后续在成本评估函数中,只对选用的仓库(即赋值为1的仓库)分配路由。
(5)评估:调用成本评估模块中对结果进行评价,并输出当前最优结果,对编码方案的成本进行评估。
(二)内层-成本评估算法:本算法返回的成本作为外层决策优化算法的适应度函数。在给定一组建仓决策的情况下,综合考虑业务约束,基于贪婪算法设置路由,并对当前方案的成本进行评估。算法步骤为:
步骤1:基于贪婪算法,对各节点选择距离最近的上层节点设置路由。
a)仓库至需求点路由设置:遍历所有需求点,基于距离当前需求点最近的贪心规则,选择距离最近的备选仓(中心仓、前置仓)设置路由,即起点为选定的备选仓(中心仓、前置仓),终点为当前需求点,并记录路由距离;
b)基地仓/中心仓-前置仓路由设置:外层循环遍历所有前置仓,内层循环遍历所有货品品类,分别计算求得距离当前前置仓最近的基地仓和中心仓,并记录距离。比较两个距离,若最近的基地仓到前置仓的距离小于最近的中心仓到前置仓的距离,并且前置仓总流量满足基地仓直配阈值,则前置仓由基地仓直配发货;否则,设置前置仓由中心仓发货。相应流程图如下,图7基地仓/中心仓至前置仓路由设置流程图。
c)基地仓-中心仓路由设置:外层循环遍历所有中心仓,内层循环遍历所有货品品类,计算求得距离当前中心仓最近的基地仓,并记录距离。相应流程图如下,图8基地仓至中心仓路由设置流程图。
步骤2:计算三种类型路由的出入库成本、干线成本和配送成本。
a)计算中心仓/前置仓-需求点路由的成本:遍历所有需求点,基于需求点的需求数据,计算距离当前需求点最近的备选仓(中心仓、前置仓)累计的流量、出入库成本和配送成本;
b)计算基地仓/中心仓-前置仓路由的成本:外层循环遍历所有前置仓,内层循环遍历所有货品品类,计算距离当前前置仓最近的中心仓累计的流量、出入库成本和配送成本;若前置仓由基地仓直配,则计算距离当前前置仓最近的基地仓累计的流量、干线成本;
c)计算基地仓-中心仓路由的成本:外层循环遍历所有中心仓,内层循环遍历所有货品品类,计算距离当前中心仓最近的基地仓累计的流量、干线成本。
步骤3:计算库存量、仓租成本、库存持有成本、仓库规划面积。
遍历所有备选仓(中心仓、前置仓),计算每个备选仓(中心仓、前置仓)的库存量、仓租成本、库存持有成本和仓库规划面积。库存量与库存流量线性相关,其余变量的计算逻辑如下:
库存持有成本=每方产品价值×平均库存×12%(资金占用费率)
仓租成本=(规划平均库存/容积率)×市场均价
仓库规划面积=规划平均库存/容积率
步骤4:计算总成本及时效惩罚成本,输出结果。
a)总成本:仓网布局方案的总成本为配送成本、干线成本、出入库成本、库存持有成本、仓租成本的累加总和;
b)时效惩罚成本:遍历所有需求点,若离当前需求点最近备选仓(中心仓、前置仓)的距离大于时效阈值,则单位配送成本增加到原来的N倍(N为惩罚系数)。例如N取3,则超过时效阈值的路由单位配送成本变为原来的三倍。
结果展示
专利以某家电物流企业的仓库地址及用户需求作为算法的输入,根据不同的模型设置对本项目中提出的双层启发式算法进行测试与验证。算例测试的整体流程图如下,主要步骤包括数据准备、算法运行、方案对比三个环节。
请参阅图9算例测试的整体流程图。测试算例共向算法输入17个基地仓、67个备选仓库、7个商品品类、1776个需求点,最终在260s内选出9个基地仓、9个中心仓、12个前置仓的仓网规划方案。
本专利旨在针对物流过程中的多层级仓库选址以及相关路由线路的设置进行系统规划,以降低物流成本,提升时效满足率。问题界定如下:
(1)节点类型:主要分为基地仓、中心仓、前置仓、需求点共4个层次的节点。不同基地仓的工厂生产能力不同,通常只能生产1~2个品类的商品;仓库可用于所有品类商品的存储及配送;
(2)运输路线:本专利针对的仓储网络的结构为“基地仓-仓库-需求点”,其中仓库可分为两个层级,允许进行二级调货(“基地仓-中心仓-前置仓-需求点”),具体请参阅图1。
(3)成本分析:主要的成本包括物流运输成本(配送成本、支线成本、干线成本),出入库成本,仓租成本,库存持有成本。其中,配送成本表示C端用户需求履约产生的物流成本,支线成本表示中心仓-前置仓的运输线路产生的成本,干线成本表示从生产基地-中心仓/前置仓所产生的物流运输成本;出入库成本可根据“出入库方量×每方出入库单价”计算;
(4)时效分析:对于前置仓/中心仓,若需求点距离仓库小于x 公里范围内,那么认为可以实现当日达;若需求点距离仓库距离大于x公里,但小于y公里,那么认为可以实现次日达。基于上述规则计算时效满足率。
发明内容:基于遗传算法的仓网规划方法
本发明针对上述问题背景,提出一种基于遗传算法的双层启发式的优化算法,可在给定需求数据、仓库备选地址数据、仓干配成本数据、各类仓库数量的情况下,以建仓决策为决策变量,以物流成本、仓储成本、库存成本、时效惩罚成本为优化目标,输出仓库选址决策、运输线路决策、仓库面积决策、成本分解及可视化结果。具体请参阅图2模型输入输出示意图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于遗传算法的仓网规划方法,其特征在于:包括如下步骤:
步骤S1、初始化,输入仓库备选地址,调用百度API计算距离矩阵;
步骤S2、决策优化算法模块,采用遗传算法对仓储决策编码,并进行迭代求解;包括如下步骤;
步骤S21、编码及产生初始群体;在步骤S21的编码中,共设置(备选中心仓数量+备选前置仓数量+2)个编码,分为仓库选址编码、仓库数量编码两部分,均为取值在大小在[0,1]范围内的实整数;
步骤S22、计算各个个体的适应度值;
步骤S23、判断是否满足算法收敛准则,
若满足,则输出收敛结果,结束;
若不满足,则执行下一步;
步骤S24、执行选择操作;
步骤S25、执行交叉操作;
步骤S26、执行变异操作;
步骤S27、跳转到步骤S22;
在步骤S2中还包括解码,分别对仓库数量、仓库选址进行解码操作,
其中,仓库数量解码:读取设定仓库数量,或对仓库数量编码进行等比放大,变为[-0.5,备选中心仓数量/备选前置仓数量+0.5]范围内的实数变量,在仓库数量范围的均匀分布中抽取任意实数,四舍五入后取整作为选择的仓库数量;
其中,仓库选址解码:对仓库选址编码进行由大到小的排序,对前序相应仓库数量个仓库赋值为1,表示选用该仓库;对其余仓库数量个仓库赋值为0,表示不选用该仓库,后续在成本评估函数中,只对选用的仓库分配路由,所述选用的仓库为赋值为1的仓库;
步骤S3、成本评估算法模块,给定建仓决策,在满足业务约束的基础上,基于贪婪算法选择最短路由,并评估解的成本;包括如下具体步骤:
步骤S31、基于贪婪算法,对各节点选择距离最近的上层节点设置路由,包括:
a)仓库至需求点路由设置:遍历所有需求点,基于距离当前需求点最近的贪心规则,选择距离最近的备选仓设置路由,所述备选仓为中心仓或前置仓,即起点为选定的备选仓,终点为当前需求点,并记录路由距离;
b)基地仓/中心仓-前置仓路由设置:外层循环遍历所有前置仓,内层循环遍历所有货品品类,分别计算求得距离当前前置仓最近的基地仓和中心仓,并记录距离;比较两个距离,若最近的基地仓到前置仓的距离小于最近的中心仓到前置仓的距离,并且前置仓总流量满足基地仓直配阈值,则前置仓由基地仓直配发货;否则,设置前置仓由中心仓发货;
c)基地仓-中心仓路由设置:外层循环遍历所有中心仓,内层循环遍历所有货品品类,计算求得距离当前中心仓最近的基地仓,并记录距离;
步骤S32、计算三种类型路由的出入库成本、干线成本和配送成本;在步骤S32中包括:
步骤S321、计算中心仓/前置仓-需求点路由的成本;
步骤S322、计算基地仓/中心仓-前置仓路由的成本;
步骤S323、计算基地仓-中心仓路由的成本;
步骤S33、计算库存量、仓租成本、库存持有成本、仓库规划面积;在步骤S33中:库存持有成本=每方产品价值×平均库存×12%(资金占用费率);
仓租成本=(规划平均库存/容积率)×市场均价;
仓库规划面积=规划平均库存/容积率;
步骤S34、计算总成本及时效惩罚成本,输出结果;在步骤S34中:总成本:仓网布局方案的总成本为配送成本、干线成本、出入库成本、仓租成本的累加总和;
时效惩罚成本:遍历所有需求点,若离当前需求点最近备选仓的距离大于时效阈值,则单位配送成本增加到原来的N倍,N为惩罚系数;
步骤S4、结果输出及可视化;
其中,在步骤S3中,判断是否符合终止条件,若符合则转入到步骤S4,若不符合则转入到步骤S2。
2.如权利要求1所述的一种基于遗传算法的仓网规划方法,其特征在于:在步骤S22、步骤S23以及步骤S24中,采用精英保留策略筛选适应度较高的个体,在进行种群的交叉、变异之前,先对种群进行复制,对复制出来的子代种群进行交叉、变异,而父代种群不作任何操作,然后将两个种群进行合并,对其全部个体的适应度进行计算、排序,筛选出适应度更大的一半个体作为新的种群。
3.如权利要求1所述的一种基于遗传算法的仓网规划方法,其特征在于:在步骤S25和步骤S26中,采用两点交叉方法,设置交叉发生概率为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136006.2A CN115495859B (zh) | 2022-09-19 | 2022-09-19 | 一种基于遗传算法的仓网规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136006.2A CN115495859B (zh) | 2022-09-19 | 2022-09-19 | 一种基于遗传算法的仓网规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115495859A CN115495859A (zh) | 2022-12-20 |
CN115495859B true CN115495859B (zh) | 2023-11-03 |
Family
ID=84469810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211136006.2A Active CN115495859B (zh) | 2022-09-19 | 2022-09-19 | 一种基于遗传算法的仓网规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495859B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557200A (zh) * | 2024-01-10 | 2024-02-13 | 宁波安得智联科技有限公司 | 仓库调整计划评估方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102282810A (zh) * | 2009-01-19 | 2011-12-14 | 惠普开发有限公司 | 负载平衡 |
CN107274039A (zh) * | 2017-07-31 | 2017-10-20 | 中国地质大学(武汉) | 一种井位不确定环境下的油田仓库选址方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN113947348A (zh) * | 2021-09-27 | 2022-01-18 | 华为技术有限公司 | 一种订单分配方法及装置 |
CN114580695A (zh) * | 2020-12-02 | 2022-06-03 | 中国科学院深圳先进技术研究院 | 多车任务分配与路径优化仿真平台及其实现方法 |
CN114611830A (zh) * | 2022-03-28 | 2022-06-10 | 重庆邮电大学 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
CN114897217A (zh) * | 2022-04-13 | 2022-08-12 | 福建工程学院 | 一种生鲜电商前置仓选址-路径规划方法 |
CN114926109A (zh) * | 2022-03-31 | 2022-08-19 | 中国科学技术大学 | 仓库选址方法 |
CN114936690A (zh) * | 2022-05-16 | 2022-08-23 | 北京交通大学 | 仓店一体模式下前置仓选址与路径联合优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7062561B2 (ja) * | 2018-09-06 | 2022-05-06 | 株式会社日立製作所 | 在庫配置設計装置および在庫配置設計方法 |
-
2022
- 2022-09-19 CN CN202211136006.2A patent/CN115495859B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102282810A (zh) * | 2009-01-19 | 2011-12-14 | 惠普开发有限公司 | 负载平衡 |
CN107274039A (zh) * | 2017-07-31 | 2017-10-20 | 中国地质大学(武汉) | 一种井位不确定环境下的油田仓库选址方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN114580695A (zh) * | 2020-12-02 | 2022-06-03 | 中国科学院深圳先进技术研究院 | 多车任务分配与路径优化仿真平台及其实现方法 |
WO2022116225A1 (zh) * | 2020-12-02 | 2022-06-09 | 中国科学院深圳先进技术研究院 | 多车任务分配与路径优化仿真平台及其实现方法 |
CN113947348A (zh) * | 2021-09-27 | 2022-01-18 | 华为技术有限公司 | 一种订单分配方法及装置 |
CN114611830A (zh) * | 2022-03-28 | 2022-06-10 | 重庆邮电大学 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
CN114926109A (zh) * | 2022-03-31 | 2022-08-19 | 中国科学技术大学 | 仓库选址方法 |
CN114897217A (zh) * | 2022-04-13 | 2022-08-12 | 福建工程学院 | 一种生鲜电商前置仓选址-路径规划方法 |
CN114936690A (zh) * | 2022-05-16 | 2022-08-23 | 北京交通大学 | 仓店一体模式下前置仓选址与路径联合优化方法 |
Non-Patent Citations (2)
Title |
---|
加强的混合遗传算法求解能力约束弧路径问题;刘天堂;《上海交通大学学报》;619-625 * |
家庭护理中心选址-路径启发式算法研究;钱智浩;《工业工程与管理》;130-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN115495859A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giallanza et al. | Fuzzy green vehicle routing problem for designing a three echelons supply chain | |
Golsefidi et al. | A robust optimization approach for the production-inventory-routing problem with simultaneous pickup and delivery | |
Mirakhorli | Fuzzy multi-objective optimization for closed loop logistics network design in bread-producing industries | |
CN111553507B (zh) | 基于多商品流的中欧集装箱运输方案优化方法 | |
CN102262702B (zh) | 一种中小跨径混凝土桥梁养护的决策方法 | |
Billal et al. | Multi-objective optimization for multi-product multi-period four echelon supply chain problems under uncertainty | |
CN107153880A (zh) | 一种调拨采购方法、装置和设备 | |
CN115495859B (zh) | 一种基于遗传算法的仓网规划方法 | |
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
Karimi et al. | Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment | |
Su et al. | Integrated partner selection and production–distribution planning for manufacturing chains | |
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 | |
Zhou et al. | An adaptive artificial bee colony algorithm enhanced by Deep Q-Learning for milk-run vehicle scheduling problem based on supply hub | |
CN115965172A (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
Li et al. | Design of a Multiobjective Reverse Logistics Network Considering the Cost and Service Level. | |
Shamshirband et al. | A solution for multi-objective commodity vehicle routing problem by NSGA-II | |
Fallah et al. | A green competitive vehicle routing problem under uncertainty solved by an improved differential evolution algorithm | |
Wang et al. | Two‐Stage Solution for Meal Delivery Routing Optimization on Time‐Sensitive Customer Satisfaction | |
Gökçe | A revised ant colony system approach to vehicle routing problems | |
CN114708045B (zh) | 一种基于消费者偏好的多周期供应链网络设计方法及系统 | |
WO2023082315A1 (zh) | 电子固废回收全流程智能解析方法及系统 | |
Ye et al. | A fuzzy vehicle routing assignment model with connection network based on priority-based genetic algorithm | |
CN114519297A (zh) | 基于嵌套nsga-ii的多目标双层交互式优化方法 | |
Sun et al. | Hybrid evolutionary algorithm for integrated supply chain network design with assembly line balancing | |
Rizkiani et al. | A Genetic Algorithm Based Approach for the Maritime Inventory Routing Problem |
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 |