CN115619065A - 一种多式联运路径优化方法、系统、电子设备及介质 - Google Patents

一种多式联运路径优化方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN115619065A
CN115619065A CN202211628954.8A CN202211628954A CN115619065A CN 115619065 A CN115619065 A CN 115619065A CN 202211628954 A CN202211628954 A CN 202211628954A CN 115619065 A CN115619065 A CN 115619065A
Authority
CN
China
Prior art keywords
transportation
node
mode
time
transport
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
Application number
CN202211628954.8A
Other languages
English (en)
Inventor
杨洛郡
张�诚
郭军华
黄己酉
刘美玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202211628954.8A priority Critical patent/CN115619065A/zh
Publication of CN115619065A publication Critical patent/CN115619065A/zh
Pending legal-status Critical Current

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q10/08—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种多式联运路径优化方法、系统、电子设备及介质，属于路径优化领域，多式联运路径优化方法包括：获取起点到终点的运输方式集合、运输节点集合、运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合，并以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；采用改进模糊自适应遗传算法，计算路径优化模型的最优解，以得到起点到终点的最优路径；改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率。在满足运输时间的前提下，降低了多式联运的碳排放量及运输成本。

Description

一种多式联运路径优化方法、系统、电子设备及介质
技术领域
本发明涉及路径优化领域，特别是涉及一种考虑碳排放的改进遗传算法的多式联运路径优化方法、系统、电子设备及介质。
背景技术
事实证明，单一的运输方式很难满足市场、经济和环境多方面的要求。多式联运利用多种运输服务（铁路、公路、航空和海运），将商品从原产地运往目的地，由于多种运输服务的不同优势的结合，能够显著提高运输效率、降低物流距离、减少碳排放总量、增强运输力、扩大运输范围、带动沿线经济发展，符合可持续发展的理念。多式联运的路径优化研究将为多式联运的发展提供一定的理论依据，有利于促进综合交通运输体系的构建。
考虑服务质量方面，虽然大部分学者进行了路径整合方面的研究，但大部分只考虑运输成本这一个因素，而当下评价运输方案中的路径优劣往往考虑运输时间、运输费用、运输距离多个因素，故缺少综合性。当考虑了路径优化当中的多个因素时，但大都只考虑单一运输方式，没有结合当前物流发展形势从多式联运的角度考虑运输路径的综合优化问题。
考虑碳排放方面，现有的多式联运路径优化的方法主要集中在带时间窗约束的单任务问题模型和算法研究。虽然在物流运作等运输问题中考虑到了碳排放的影响，但其结合联运货物中换时间引入多式联运路径优化当中的研究尚处空白。在运输过程中不同运输工具的能源消耗所产生的碳排放量不同，运输距离与货物的重量也同样影响着碳排放量。
基于上述问题，亟需一种综合运输方式、运输时间、运输成本、运输距离、碳排放的路径规划方法。
发明内容
本发明的目的是提供一种多式联运路径优化方法、系统、电子设备及介质，可在满足运输时间的前提下，降低多式联运的碳排放量及运输成本。
为实现上述目的，本发明提供了如下方案：
一种多式联运路径优化方法，包括：
获取起点到终点的运输方式集合及运输节点集合；所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点；
获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合；所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离；所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间；所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间；所述碳排放量集合包括每种运输方式的单位碳排放量；
基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；所述运输时间包括在途运输时间及节点转换时间；
采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解；所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率；所述最优解表示起点到终点的最优路径。
可选地，所述路径优化模型的目标函数为：
Figure DEST_PATH_IMAGE001
；
Figure 680430DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
Figure 677336DEST_PATH_IMAGE004
；
其中，D为运输距离目标值，J为运输方式集合，n为运输节点集合，
Figure DEST_PATH_IMAGE005
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure 952197DEST_PATH_IMAGE006
，否则
Figure DEST_PATH_IMAGE007
，
Figure 718159DEST_PATH_IMAGE008
为节点i与节点j间采用第k种运输方式时的运输距离，T 1为在途运输时间目标值，
Figure DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T 2为节点转换时间目标值，q为货运量，
Figure 905426DEST_PATH_IMAGE010
为在节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 888164DEST_PATH_IMAGE012
，否则
Figure DEST_PATH_IMAGE013
，E为碳排放量目标值，e k 为第k种运输方式的单位碳排放量。
可选地，所述路径优化模型的约束条件包括：运输方式约束、运输连续性约束、碳排放量约束及时间约束；
所述运输方式约束用于限定两个相邻节点间采用同一种运输方式，且一个节点最多转换一次运输方式；
所述运输连续性约束用于限定货物运输的连续性；
所述碳排放量约束用于限定起点到终点的总碳排放量小于碳排放量最大值；
所述时间约束用于限定起点到终点的在途运输时间和节点转换时间之和在设定的时间窗内。
可选地，所述运输方式约束为：
Figure 920711DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
；
其中，
Figure 275600DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure DEST_PATH_IMAGE017
，否则
Figure 883036DEST_PATH_IMAGE018
，
Figure 261059DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 300559DEST_PATH_IMAGE012
，否则
Figure 696906DEST_PATH_IMAGE013
，n为运输节点集合。
可选地，所述运输连续性约束为：
Figure DEST_PATH_IMAGE019
；
其中，
Figure 225976DEST_PATH_IMAGE020
为节点i-1与节点i间运输方式的决策变量，当节点i-1与节点i间采用第k种运输方式时
Figure DEST_PATH_IMAGE021
，否则
Figure 668459DEST_PATH_IMAGE022
，
Figure 229759DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure 559240DEST_PATH_IMAGE017
，否则
Figure 665736DEST_PATH_IMAGE018
，
Figure 533198DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 898189DEST_PATH_IMAGE012
，否则
Figure 269128DEST_PATH_IMAGE013
，J为运输方式集合，n为运输节点集合。
可选地，所述时间约束为：
Figure DEST_PATH_IMAGE023
；
Figure 359575DEST_PATH_IMAGE024
；
其中，S j 为货物到达节点j的时间，S i 为货物到达节点i的时间，J为运输方式集合，n为运输节点集合，
Figure 963600DEST_PATH_IMAGE005
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure DEST_PATH_IMAGE025
，否则
Figure 696064DEST_PATH_IMAGE007
，
Figure 452667DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 415813DEST_PATH_IMAGE012
，否则
Figure 523446DEST_PATH_IMAGE013
，
Figure 731705DEST_PATH_IMAGE010
为节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure 77236DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T min 为货物从起点运输到终点所允许的时间下限，T max 为货物从起点运输到终点所允许的时间上限。
可选地，所述采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解，具体包括：
对所述路径优化模型的决策变量进行二进制编码，产生初始种群，并设置进化代数；所述路径优化模型的决策变量包括任意两个节点间运输方式的决策变量和各节点转换运输方式的决策变量；
计算初始种群中每个个体的适应度；
针对第a次迭代，根据第a代种群中每个个体的适应度确定第a代种群的平均适应度；a>0，第1代种群为初始种群；种群中的个体为路径优化模型的决策变量；
根据第a代种群中每个个体的适应度及第a代种群的平均适应度，计算第a代种群的方差；
根据第a代种群的方差，采用模糊系统确定交叉概率的模糊语言变量值和变异概率的模糊语言变量值；
分别将所述交叉概率的模糊语言变量值及所述变异概率的模糊语言变量值进行反模糊化，得到交叉概率及变异概率；
基于所述交叉概率及所述变异概率，对第a代种群进行遗传操作，确定第a+1代种群，并计算第a+1代种群中每个个体的适应度；
判断迭代次数是否等于进化代数，若是，则第a+1代种群中适应度最大的个体为最优解，否则进行第a+1次迭代。
为实现上述目的，本发明还提供了如下方案：
一种多式联运路径优化系统，包括：
第一集合获取单元，用于获取起点到终点的运输方式集合及运输节点集合；所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点；
第二集合获取单元，用于获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合；所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离；所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间；所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间；所述碳排放量集合包括每种运输方式的单位碳排放量；
模型建立单元，分别与所述第一集合获取单元及所述第二集合获取单元连接，用于基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；所述运输时间包括在途运输时间及节点转换时间；
路径确定单元，与所述模型建立单元连接，用于采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解；所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率；所述最优解表示起点到终点的最优路径。
为实现上述目的，本发明还提供了如下方案：
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的多式联运路径优化方法。
为实现上述目的，本发明还提供了如下方案：
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的多式联运路径优化方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
基于起点到终点的运输方式集合、运输节点集合、运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；采用改进模糊自适应遗传算法，计算路径优化模型的最优解，以得到起点到终点的最优路径；其中，改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率。优化得到的路径能够实现在满足运输时间的前提下，降低多式联运的碳排放量及运输成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明多式联运路径优化方法的流程图；
图2为模糊自适应遗传算法计算路径优化模型最优解的流程图；
图3为普通遗传算法优化NC至BL多式联运网络的示意图；
图4为自适应遗传算法优化NC至BL多式联运网络的示意图；
图5为模糊自适应遗传算法优化NC至BL多式联运网络的示意图；
图6为普通遗传算法、自适应遗传算法和模糊自适应遗传算法算法适应度迭代对比曲线图；
图7为本发明多式联运路径优化系统的模块示意图。
符号说明：
第一集合获取单元-1，第二集合获取单元-2，模型建立单元-3，路径确定单元-4。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
多式联运需在满足客户时间及运输起讫点需求的前提下，针对物流企业对碳排放的要求，旨在减少碳排放量得出一条从起点到目的的最优运输路径，本发明针对集装箱多式联运结果复杂效率低、环境污染严重等问题，建立考虑距离、时间、碳排放三目标及多约束的多式联运综合路径优化模型，引入模糊系统采用改进的遗传算法优化多式联运路径，以引导多式联运调整运输方案，减少碳排放量，为物流企业开展多式联运运输提供可供参考的依据。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
考虑碳排放的多式联运路径优化需要解决的问题可以描述为：在多式联运网络上，找到一条列车开行径路覆盖网络全部中间节点，以运输距离、运输时间和碳排放量为目标函数，以碳排放，运送时间窗，运输方式等为约束，计算列车服务频率，以最小运输距离满足货物运输需求。
为了更贴切所描述的运输问题，同时也为了便于本发明路径优化模型的构建与求解，本发明首先对运输问题做如下假设：
（1）不考虑运输线路和转运节点的容量限制。
（2）在运输过程中，不考虑货物的增加或减少，货运量保持固定不变。
（3）相邻两个节点间的运输方式不可分割，即只能选择一种运输方式。
（4）货物的中转只出现在节点处，且一个节点最多发生一次中转过程。
（5）运输中不考虑货物损坏、道路拥堵、自然灾害等情况。
实施例一
如图1所示，本实施例提供的多式联运路径优化方法包括：
S1：获取起点到终点的运输方式集合及运输节点集合。所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点。节点表示城市或中转站。
S2：获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合。所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离。所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间。所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间；所述碳排放量集合包括每种运输方式的单位碳排放量。
S3：基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型。其中，运输时间包括在途运输时间和节点转换时间。
本发明仅研究多式联运运输过程中所产生的碳排放量，不同运输工具的能源消耗所产生的碳排放量不同，运输距离与货物的重量也同样影响着碳排放量。通过结合这些影响因素计算碳排放量。
具体地，所述路径优化模型的目标函数为：
Figure 742441DEST_PATH_IMAGE026
；
Figure DEST_PATH_IMAGE027
；
Figure 884841DEST_PATH_IMAGE003
；
Figure 614899DEST_PATH_IMAGE028
；
其中，D为运输距离目标值，J为运输方式集合，n为运输节点集合，
Figure 860942DEST_PATH_IMAGE005
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure 651043DEST_PATH_IMAGE006
，否则
Figure DEST_PATH_IMAGE029
，
Figure 749580DEST_PATH_IMAGE030
为节点i与节点j间采用第k种运输方式时的运输距离，T 1为在途运输时间目标值，
Figure 548909DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T 2为节点转换时间目标值，q为货运量（单位：吨），
Figure DEST_PATH_IMAGE031
为在节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure 180616DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 407198DEST_PATH_IMAGE032
，否则
Figure DEST_PATH_IMAGE033
，E为碳排放量目标值，e k 为第k种运输方式的单位碳排放量。作为一种具体地实施方式，运输方式包括公路运输和铁路运输。k=1代表铁路运输，k=2代表公路运输。
所述路径优化模型的约束条件包括：运输方式约束、运输连续性约束、碳排放量约束及时间约束。
（1）运输方式约束用于限定两个相邻节点间只能采用一种运输方式，且一个节点最多转换一次运输方式。
具体地，运输方式约束为：
Figure 993032DEST_PATH_IMAGE014
；
Figure 64893DEST_PATH_IMAGE015
；
其中，
Figure 285527DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure 417431DEST_PATH_IMAGE017
，否则
Figure 959402DEST_PATH_IMAGE018
，
Figure 100534DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 644516DEST_PATH_IMAGE012
，否则
Figure 212901DEST_PATH_IMAGE013
，n为运输节点集合。
（2）运输连续性约束用于限定货物运输的连续性。
具体地，运输连续性约束为：
Figure 711010DEST_PATH_IMAGE019
；
其中，
Figure 390253DEST_PATH_IMAGE020
为节点i-1与节点i间运输方式的决策变量，当节点i-1与节点i间采用第k种运输方式时
Figure 539474DEST_PATH_IMAGE021
，否则
Figure 348203DEST_PATH_IMAGE022
，
Figure 582875DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure 82121DEST_PATH_IMAGE017
，否则
Figure 397433DEST_PATH_IMAGE018
，
Figure 776462DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 780321DEST_PATH_IMAGE012
，否则
Figure 801367DEST_PATH_IMAGE013
，J为运输方式集合，n为运输节点集合。
（3）碳排放量约束用于限定起点到终点的总碳排放量小于碳排放量最大值。碳排放量约束为：E≤E max ，其中，E max 为运输过程所允许的碳排放量最大值。
（4）时间约束用于限定起点到终点的在途运输时间和节点转换时间之和在设定的时间窗内。采用递推的方法表达出货物运输到各个地点的时间。
具体地，时间约束为：
Figure 659601DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE035
；
其中，S j 为货物到达节点j的时间，S i 为货物到达节点i的时间，J为运输方式集合，n为运输节点集合，
Figure 52274DEST_PATH_IMAGE036
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure DEST_PATH_IMAGE037
，否则
Figure 543430DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 679751DEST_PATH_IMAGE040
，否则
Figure 392492DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE041
为节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure 723110DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T min 为货物从起点运输到终点所允许的时间下限，T max 为货物从起点运输到终点所允许的时间上限。
此外，限定决策变量的取值为0或1，即
Figure 419671DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
。
S4：采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解。所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率；所述最优解表示起点到终点的最优路径。
在本实施例中，改进的GA（Genetic Algorithm，遗传算法）在模糊控制器中取梯形隶属函数。交叉概率和变异概率的大小基于当前种群的状态，选取重载列车运行曲线中每个个体生成的种群方差（V）作为模糊系统的输入变量，当种群中的大部分个体趋向一致时，为了保持种群中个体的多样性，可以增大运行曲线中个体的变异概率P m 减小交叉概率P c ，以避免算法陷入早熟，而当种群较为分散时，则减小变异概率P m 增大交叉概率P c 的值，使种群可以尽快集中。具体地，根据进化代数的不同，采取不同的交叉、变异概率，采用以下公式自适应地改变交叉概率P c 和变异概率P m 的大小：
Figure 94103DEST_PATH_IMAGE044
；
其中，P c (a)为第a次迭代时的交叉概率，P m (a)为第a次迭代时的变异概率，P c (a-1)为第a-1次迭代时的交叉概率，P m (a-1)为第a-1次迭代时的变异概率，
Figure DEST_PATH_IMAGE045
为第a次迭代时交叉概率的变化值，
Figure 5559DEST_PATH_IMAGE046
为第a次迭代时变异概率的变化值。
通过以上分析确定具有如下形式的模糊规则：
规则q：如果V是Q q1，则P c 是W q1，P m 是W q2。
其中，q表示第q个模糊规则，V表示种群方差，Q q1表示第q个模糊规则描述种群方差V的模糊语言。W q1表示交叉概率P c 的模糊语言，W q2表示变异概率P m 的模糊语言。进而得到如下模糊规则：
如果种群方差V是小，则交叉概率P c 是大，变异概率P m 是小。
如果种群方差V是中，则交叉概率P c 是中，变异概率P m 是中。
如果种群方差V是大，则交叉概率P c 是小，变异概率P m 是大。
具体应用中，首先需要定义遗传算法的编码与染色体，将运输路径根据停站点（节点）划分为若干个不同的M个区间，而这每个区间就定义为遗传算法的染色体。
进一步地，如图2所示，步骤S4包括：
S41：对所述路径优化模型的决策变量进行二进制编码，产生初始种群，并设置进化代数。所述路径优化模型的决策变量包括任意两个节点间运输方式的决策变量和各节点转换运输方式的决策变量。
S42：计算初始种群中每个个体的适应度。
S43：针对第a次迭代，根据第a代种群中每个个体的适应度确定第a代种群的平均适应度；a>0，第1代种群为初始种群；种群中的个体为路径优化模型的决策变量。
S44：根据第a代种群中每个个体的适应度及第a代种群的平均适应度，计算第a代种群的方差。
S45：根据第a代种群的方差，采用模糊系统确定交叉概率的模糊语言变量值和变异概率的模糊语言变量值。
S46：分别将所述交叉概率的模糊语言变量值及所述变异概率的模糊语言变量值进行反模糊化，得到交叉概率及变异概率。
S47：基于所述交叉概率及所述变异概率，对第a代种群进行遗传操作，确定第a+1代种群，并计算第a+1代种群中每个个体的适应度。具体地，遗传操作包括依次进行选择、交叉、变异。在对第a代种群进行遗传操作后，选出满足运输距离、运输时间及碳排放三个目标函数优秀的N个个体，组成第a+1代种群。
S48：判断迭代次数是否等于进化代数，若是，则第a+1代种群中适应度最大的个体为最优解，否则进行第a+1次迭代。
本发明建立的路径优化模型从根本上讲是多个目标和多个约束相互组合的优化问题，属于一个综合NP-hard问题，即所有NP（non-deterministic polynomial）问题都能在多项式时间复杂度内归约到的问题。基于多目标多式联运的路径优化模型具有变量较多，网络布局非常复杂，空间复杂度高等特点，同时可能会存在组合爆炸的极端情况，所以当求解这类问题时，大多数研究一般采用启发式搜索算法，而遗传算法是以决策变量的编码作为运算对象具有进行全局搜索求解比较合适的特点。减小搜索的空间，尽快找到较优解。
相比其他传统启发式搜索算法，本发明所提出的FAGA（fuzzy adaptive geneticagorithm，模糊自适应遗传）算法基于标准的遗传算法采用模糊系统技术来自适应估计交叉概率和变异概率，保证种群的多样性，其优化性能比传统的GA（Genetic Algorithms，遗传算法）、AGA（Adaptive Genetic Algorithm，自适应遗传算法）算法有大幅度地提升，收敛速度快。可以引导多式联运调整运输方案，减少二氧化碳的排放量，为物流企业开展多式联运运输提供了可供参考的依据。
下面采用包括公路、铁路2种运输方式的运输网络来验证本发明提供的FAGA算法的有效性。具体实施中本发明采用Matlab对案例模型进行求解，采用普通GA和AGA与本算法的路径优化效果进行对比分析。
图3至图5中的NC、WH、ZZ、XA、CQ、HH、GY、CD、NN、BH、KM、GZ、SH、MZ、EL、AL、KS、GD、YG、MG、HZ、XJ、LT、HB、HS、DY、BL代表不同的城市。
图3为普通GA算法优化NC至BL多式联运网络，由图可以看出NC为始发城市，BL为终点城市，依次途径WH、ZZ、CQ、HH、GY、NN、BH、KM、GZ、SH、MZ、EL、AL、KS、GD、YG、MG、HZ、XJ、LT、HB、HS、DY共23个城市。在转换运输方式为公路运输从MZ至EL，从EL至AL，从AL至KS，从GD至YG，从YG至MG，从MG至HZ，最后公路运输由从HB运输至HS。其他运输方式为铁路运输。
图4为AGA算法优化NC至BL多式联运网络，由图可以看出NC为始发城市，BL为终点城市，依次途径WH、ZZ、XA、HH、GY、NN、BH、KM、GZ、SH、MZ、EL、AL、KS、GD、YG、MG、HZ、XJ、LT、HB、HS、DY共23个城市。在转换运输方式为公路运输从EL至AL，从AL至KS，最后公路运输由从MG运输HZ。其他运输方式为铁路运输。
图5为FAGA算法优化NC至BL多式联运网络，由图可以看出NC为始发城市，BL为终点城市，依次途径WH、ZZ、CQ、HH、NN、BH、KM、GZ、SH、MZ、EL、AL、KS、GD、YG、MG、XJ、LT、HB、HS、DY共21个城市。在转换运输方式为公路运输从NC至WH，从BH至KM，从KM至GZ，从MZ至EL，从GD至YG，从LT至HB，从HS到DY，最后公路运输由从DY至BL。其他运输方式为铁路运输。
图6为普通遗传GA、AGA、FAGA算法的适应度曲线图对比图，由对比可得FAGA算法适应度函数在迭代105代FAGA算法基本收敛至6714，AGA算法在120代左右收敛至6720，而GA算法在130代左右收敛至6775。可见FAGA算法收敛速度快，收敛效果好，优化质量好。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种多式联运路径优化系统。
如图7所示，本实施例提供的多式联运路径优化系统包括：第一集合获取单元1、第二集合获取单元2、模型建立单元3及路径确定单元4。
其中，第一集合获取单元1用于获取起点到终点的运输方式集合及运输节点集合。所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点。
第二集合获取单元2用于获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合。所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离。所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间。所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间。所述碳排放量集合包括每种运输方式的单位碳排放量。
模型建立单元3分别与所述第一集合获取单元1及所述第二集合获取单元2连接，模型建立单元3用于基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型。
路径确定单元4与所述模型建立单元3连接，路径确定单元4用于采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解。所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率。所述最优解表示起点到终点的最优路径。
实施例三
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的多式联运路径优化方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的多式联运路径优化方法。
本发明针对公铁多式联运的运输目标，建立运输距离，运输时间，碳排放三个目标函数，以货物的连续性，时间窗等为约束构建多目标路径优化模型。结合基于Mamdani模糊推理系统，选取梯形隶属度函数和种群的方差作为模糊系统的输入变量，自适应改变交叉和变异概率，用来提高遗传算法的种群多样性，减少计算复杂度，提高收敛速度，为决策者提供更多更优的解集，优化运输路径，提高了多式联运运输方式和路径优化的可靠性和实用性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多式联运路径优化方法，其特征在于，所述多式联运路径优化方法包括：
获取起点到终点的运输方式集合及运输节点集合；所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点；
获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合；所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离；所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间；所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间；所述碳排放量集合包括每种运输方式的单位碳排放量；
基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；所述运输时间包括在途运输时间及节点转换时间；
采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解；所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率；所述最优解表示起点到终点的最优路径。
2.根据权利要求1所述的多式联运路径优化方法，其特征在于，所述路径优化模型的目标函数为：
Figure 955883DEST_PATH_IMAGE001
；
Figure 154914DEST_PATH_IMAGE002
；
Figure 465810DEST_PATH_IMAGE003
；
Figure 657757DEST_PATH_IMAGE004
；
其中，D为运输距离目标值，J为运输方式集合，n为运输节点集合，
Figure 3288DEST_PATH_IMAGE005
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure 606176DEST_PATH_IMAGE006
，否则
Figure 404368DEST_PATH_IMAGE007
，
Figure 134427DEST_PATH_IMAGE008
为节点i与节点j间采用第k种运输方式时的运输距离，T 1为在途运输时间目标值，
Figure 334464DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T 2为节点转换时间目标值，q为货运量，
Figure 609718DEST_PATH_IMAGE010
为在节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure 160785DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 428956DEST_PATH_IMAGE012
，否则
Figure 732767DEST_PATH_IMAGE013
，E为碳排放量目标值，e k 为第k种运输方式的单位碳排放量。
3.根据权利要求1所述的多式联运路径优化方法，其特征在于，所述路径优化模型的约束条件包括：运输方式约束、运输连续性约束、碳排放量约束及时间约束；
所述运输方式约束用于限定两个相邻节点间采用同一种运输方式，且一个节点最多转换一次运输方式；
所述运输连续性约束用于限定货物运输的连续性；
所述碳排放量约束用于限定起点到终点的总碳排放量小于碳排放量最大值；
所述时间约束用于限定起点到终点的在途运输时间和节点转换时间之和在设定的时间窗内。
4.根据权利要求3所述的多式联运路径优化方法，其特征在于，所述运输方式约束为：
Figure 693770DEST_PATH_IMAGE014
；
Figure 466554DEST_PATH_IMAGE015
；
其中，
Figure 272836DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure 198198DEST_PATH_IMAGE017
，否则
Figure 64522DEST_PATH_IMAGE018
，
Figure 590182DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 200155DEST_PATH_IMAGE012
，否则
Figure 744137DEST_PATH_IMAGE019
，n为运输节点集合。
5.根据权利要求3所述的多式联运路径优化方法，其特征在于，所述运输连续性约束为：
Figure 46943DEST_PATH_IMAGE020
；
其中，
Figure 810630DEST_PATH_IMAGE021
为节点i-1与节点i间运输方式的决策变量，当节点i-1与节点i间采用第k种运输方式时
Figure 755453DEST_PATH_IMAGE022
，否则
Figure 639095DEST_PATH_IMAGE023
，
Figure 627648DEST_PATH_IMAGE016
为节点i与节点i+1间运输方式的决策变量，当节点i与节点i+1间采用第k种运输方式时
Figure 596741DEST_PATH_IMAGE017
，否则
Figure 79675DEST_PATH_IMAGE018
，
Figure 99715DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 744323DEST_PATH_IMAGE024
，否则
Figure 466291DEST_PATH_IMAGE019
，J为运输方式集合，n为运输节点集合。
6.根据权利要求3所述的多式联运路径优化方法，其特征在于，所述时间约束为：
Figure 2184DEST_PATH_IMAGE025
；
Figure 860418DEST_PATH_IMAGE026
；
其中，S j 为货物到达节点j的时间，S i 为货物到达节点i的时间，J为运输方式集合，n为运输节点集合，
Figure 426660DEST_PATH_IMAGE005
为节点i与节点j间运输方式的决策变量，当节点i与节点j间采用第k种运输方式时
Figure 370345DEST_PATH_IMAGE027
，否则
Figure 195082DEST_PATH_IMAGE028
，
Figure 907823DEST_PATH_IMAGE011
为节点i转换运输方式的决策变量，当节点i由第k种运输方式转换为第l种运输方式时
Figure 143501DEST_PATH_IMAGE024
，否则
Figure 840062DEST_PATH_IMAGE029
，
Figure 219222DEST_PATH_IMAGE010
为节点i由第k种运输方式转换为第l种运输方式的单位运输时间，
Figure 52048DEST_PATH_IMAGE009
为节点i到节点j间采用第k种运输方式时的运输时间，T min 为货物从起点运输到终点所允许的时间下限，T max 为货物从起点运输到终点所允许的时间上限。
7.根据权利要求1所述的多式联运路径优化方法，其特征在于，所述采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解，具体包括：
对所述路径优化模型的决策变量进行二进制编码，产生初始种群，并设置进化代数；所述路径优化模型的决策变量包括任意两个节点间运输方式的决策变量和各节点转换运输方式的决策变量；
计算初始种群中每个个体的适应度；
针对第a次迭代，根据第a代种群中每个个体的适应度确定第a代种群的平均适应度；a>0，第1代种群为初始种群；种群中的个体为路径优化模型的决策变量；
根据第a代种群中每个个体的适应度及第a代种群的平均适应度，计算第a代种群的方差；
根据第a代种群的方差，采用模糊系统确定交叉概率的模糊语言变量值和变异概率的模糊语言变量值；
分别将所述交叉概率的模糊语言变量值及所述变异概率的模糊语言变量值进行反模糊化，得到交叉概率及变异概率；
基于所述交叉概率及所述变异概率，对第a代种群进行遗传操作，确定第a+1代种群，并计算第a+1代种群中每个个体的适应度；
判断迭代次数是否等于进化代数，若是，则第a+1代种群中适应度最大的个体为最优解，否则进行第a+1次迭代。
8.一种多式联运路径优化系统，其特征在于，所述多式联运路径优化系统包括：
第一集合获取单元，用于获取起点到终点的运输方式集合及运输节点集合；所述运输方式集合包括多种运输方式，所述运输节点集合包括起点到终点之间的多个节点；
第二集合获取单元，用于获取起点到终点的运输距离集合、在途运输时间集合、节点转换时间集合及碳排放量集合；所述运输距离集合包括任意两个节点间采用每种运输方式的运输距离；所述在途运输时间集合包括任意两个节点间采用每种运输方式的运输时间；所述节点转换时间集合包括在每个节点转换运输方式时的单位运输时间；所述碳排放量集合包括每种运输方式的单位碳排放量；
模型建立单元，分别与所述第一集合获取单元及所述第二集合获取单元连接，用于基于所述运输方式集合、所述运输节点集合、所述运输距离集合、所述在途运输时间集合、所述节点转换时间集合及所述碳排放量集合，以运输距离最短、运输时间最短且碳排放量最少为目标，建立路径优化模型；所述运输时间包括在途运输时间及节点转换时间；
路径确定单元，与所述模型建立单元连接，用于采用改进模糊自适应遗传算法，计算所述路径优化模型的最优解；所述改进模糊自适应遗传算法为在模糊自适应遗传算法的交叉和变异过程中，根据种群方差采用模糊系统调整交叉概率和变异概率；所述最优解表示起点到终点的最优路径。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的多式联运路径优化方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的多式联运路径优化方法。
CN202211628954.8A 2022-12-19 2022-12-19 一种多式联运路径优化方法、系统、电子设备及介质 Pending CN115619065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211628954.8A CN115619065A (zh) 2022-12-19 2022-12-19 一种多式联运路径优化方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211628954.8A CN115619065A (zh) 2022-12-19 2022-12-19 一种多式联运路径优化方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN115619065A true CN115619065A (zh) 2023-01-17

Family

ID=84879968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211628954.8A Pending CN115619065A (zh) 2022-12-19 2022-12-19 一种多式联运路径优化方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115619065A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983755A (zh) * 2023-01-19 2023-04-18 中南大学 一种多式联运路径优化方法
CN116934205A (zh) * 2023-09-15 2023-10-24 成都工业职业技术学院 一种公铁空轴辐式物流网络优化方法
CN118071233A (zh) * 2024-04-19 2024-05-24 港华能源创科(深圳)有限公司 运输方案的确定方法及其确定工具、电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
US20160334235A1 (en) * 2013-03-19 2016-11-17 The Florida International University Board Of Trustees Itpa informed traveler program and application
CN107092979A (zh) * 2017-04-07 2017-08-25 东南大学 考虑碳排放的转运网络选址方法
CN108399464A (zh) * 2017-09-27 2018-08-14 圆通速递有限公司 一种多式联运路径优化方法和系统
CN112330070A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
CN112836858A (zh) * 2021-01-07 2021-05-25 哈尔滨工业大学 一种集装箱多式联运减排路径选择方法、系统及装置
CN113033885A (zh) * 2021-03-17 2021-06-25 长沙理工大学 多式联运路径优化方法、系统、存储介质、计算机设备
CN113177757A (zh) * 2021-04-23 2021-07-27 浙江工商大学 一种调度方法
CN113392958A (zh) * 2021-06-02 2021-09-14 湖南大学 一种模糊神经网络fnn的参数优化及应用方法与系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
US20160334235A1 (en) * 2013-03-19 2016-11-17 The Florida International University Board Of Trustees Itpa informed traveler program and application
CN107092979A (zh) * 2017-04-07 2017-08-25 东南大学 考虑碳排放的转运网络选址方法
CN108399464A (zh) * 2017-09-27 2018-08-14 圆通速递有限公司 一种多式联运路径优化方法和系统
CN112330070A (zh) * 2020-11-27 2021-02-05 科技谷（厦门）信息技术有限公司 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
CN112836858A (zh) * 2021-01-07 2021-05-25 哈尔滨工业大学 一种集装箱多式联运减排路径选择方法、系统及装置
CN113033885A (zh) * 2021-03-17 2021-06-25 长沙理工大学 多式联运路径优化方法、系统、存储介质、计算机设备
CN113177757A (zh) * 2021-04-23 2021-07-27 浙江工商大学 一种调度方法
CN113392958A (zh) * 2021-06-02 2021-09-14 湖南大学 一种模糊神经网络fnn的参数优化及应用方法与系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAOLEI LIANG等: "Multi-Objective Green Multimodal Transport Path Optimization with the Participation of High-Speed Railway" *
李慧芳等: "考虑碳排放的混合轴辐式多式联运网络枢纽扩增选址－路径问题" *
熊桂武, 西南交通大学出版社 *
田东平;: "一种改进的模糊自适应遗传算法" *
郑燕等: "长江流域汽车整车运输路径选择研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983755A (zh) * 2023-01-19 2023-04-18 中南大学 一种多式联运路径优化方法
CN116934205A (zh) * 2023-09-15 2023-10-24 成都工业职业技术学院 一种公铁空轴辐式物流网络优化方法
CN116934205B (zh) * 2023-09-15 2024-04-19 成都工业职业技术学院 一种公铁空轴辐式物流网络优化方法
CN118071233A (zh) * 2024-04-19 2024-05-24 港华能源创科(深圳)有限公司 运输方案的确定方法及其确定工具、电子设备

Similar Documents

Publication Publication Date Title
CN115619065A (zh) 一种多式联运路径优化方法、系统、电子设备及介质
Luo et al. Charging scheduling strategy for different electric vehicles with optimization for convenience of drivers, performance of transport system and distribution network
CN104766484B (zh) 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法
Barán et al. A multiobjective ant colony system for vehicle routing problem with time windows.
CN113033885A (zh) 多式联运路径优化方法、系统、存储介质、计算机设备
CN108647221A (zh) 一种基于gis的公交路径规划方法
CN113052537B (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
WO2023245740A1 (zh) 一种基于蚁群算法的第四方物流运输路径规划方法
CN116127857B (zh) 面向分类的生活垃圾收运路径多目标优化方法及系统
CN110909952A (zh) 一种带移动配送站的城市两级配送及调度方法
CN111680413B (zh) 基于双层算法的有轨电车定时节能运行优化方法及其系统
CN114971011A (zh) 一种基于改进遗传模拟退火算法的多式联运路径优化方法
CN107292440A (zh) 一种基于ba无标度网络理论的集装箱班轮航线优化方法
CN116307330A (zh) 基于大数据处理的多式联运组织模式动态优化方法
Wang et al. An improved greedy genetic algorithm for solving travelling salesman problem
Min et al. A three-stage approach for split delivery vehicle routing problem solving
Wang et al. Location-routing optimization problem of country-township-village three-level green logistics network considering fuel-electric mixed fleets under carbon emission regulation
CN108021976A (zh) 一种用于0-1规划的ab-dpso优化算法
CN113642954A (zh) 一种运输能力不确定的多式联运运输路径鲁棒优化方法
Zhang et al. Three-stage multi-modal multi-objective differential evolution algorithm for vehicle routing problem with time windows
Guo et al. An urban metro network-based method to evaluate carbon emission and distribution cost of express delivery
CN113344304A (zh) 一种新型煤矿井下机车调度优化方法
CN111723981A (zh) 一种基于多条件约束的叉车式agv最优路径规划方法
Chunyu et al. Research on multi-vehicle and multi-depot vehicle routing problem with time windows for electronic commerce
Zhu et al. A hybrid genetic algorithm for the multiple depot capacitated arc 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230117

RJ01 Rejection of invention patent application after publication