CN116070814A - 基于大数据处理的多式联运路径多冲突目标动态优化方法 - Google Patents
基于大数据处理的多式联运路径多冲突目标动态优化方法 Download PDFInfo
- Publication number
- CN116070814A CN116070814A CN202310354645.4A CN202310354645A CN116070814A CN 116070814 A CN116070814 A CN 116070814A CN 202310354645 A CN202310354645 A CN 202310354645A CN 116070814 A CN116070814 A CN 116070814A
- Authority
- CN
- China
- Prior art keywords
- node
- transportation
- transport
- path
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 210000000349 chromosome Anatomy 0.000 claims abstract description 23
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 229910052742 iron Inorganic materials 0.000 claims abstract description 9
- 230000014759 maintenance of location Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 241000023813 Isia Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010076 replication Effects 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
- G06Q10/04—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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本发明公开一种基于大数据处理的多式联运路径多冲突目标动态优化方法，包括：首先采集铁水公的多式联运路径规划网络运输信息数据；建立多式联运运输标准路径求解模型；加入节点运力约束条件，进行优化路径规划，得到优化路径规划求解模型；基于标准路径求解模型，对标准路径进行目标函数计算，当因节点运力、运输班期、接驳运输等冲突因素对标准路径函数值产生较大偏差时，对标准路径进行运力冲突约束，采用非支配排序策略、拥挤度计算和精英保留策略得到优化路径染色体，在进行运力冲突约束的条件下得到优化路径；考虑节点运力、运输班期、接驳运输等冲突因素，优化出符合现实、更加高效的运输路径；对云数据的存储提供了安全保证。
Description
技术领域
本发明属于多式联运路径优化领域，特别涉及了一种基于大数据处理的多式联运路径多冲突目标动态优化方法。
背景技术
当下全球经济贸易飞速发展，与之密切相关的物流业也更趋于标准化、全球化、智能化。多式联运具有提高效益、绿色节能、优质服务等特点。目前国内外关于多式联运的路径优化模型往往没考虑到在实际的运输路径中，往往会受到多重冲突因素的阻碍的问题。
另一方面，多式联运运输网络由于其涵盖的公铁水三路运输网的数据十分庞大，云端数据的安全性显得至关重要。现有的云储存系统采用的技术主要基于加密、复制和纠删码的方法，随着运输数据的不断增多，现有方法越来越难以满足存储系统中对于安全性和可靠修复的要求。
发明内容
针对上述问题，发明提出了一种充分考虑节点运力、运输班期、接驳运输等冲突因素并满足存储系统中对于安全性和可靠修复的要求的多式联运路径多冲突目标动态优化方法。
针对现有技术的以上缺陷或改进需求，本发明具体涉及:一种基于大数据处理的多式联运路径多冲突目标动态优化方法，包括如下步骤：
步骤1：首先采集铁水公的多式联运路径规划网络运输信息数据；
步骤2：以综合成本最小为目标，建立多式联运运输标准路径求解模型；
步骤3：当标准路径在运输网络中因冲突因素产生运力冲突时，在步骤2得到的标准路径求解模型基础上，加入节点运力约束条件，进行优化路径规划，得到优化路径规划求解模型，其中，冲突因素包括节点运力、运输班期及接驳运输；
步骤4：基于标准路径求解模型，采用遗传和NSGA-II算法进行标准路径求解：首先仅进行编码与解码，将染色体微分运输节点和运输方式两部分分别采用实数编码，并进行多次决策选择，得到一条期望路径的初始染色体，在多式联运的运输网络中对不同节点选择进行编码，在进行解码后得到初始路径染色体；
对解码的初始染色体进行初始化、交叉与变异和基因修复操作得到标准规划路径；对初始染色体进行初始化赋值，按照约束条件将产生的随机值构成初始种群；其次通过交叉概率交换父代信息产生新个体并进行变异操作；进行基因修复处理得到标准路径；
步骤5：对标准路径进行目标函数计算，当因冲突因素对标准路径函数值产生较大偏差时，对标准路径进行运力冲突约束，采用非支配排序策略、拥挤度计算和精英保留策略得到优化路径染色体，重复步骤4中步骤，在进行运力冲突约束的条件下得到优化路径。
进一步的，所述步骤1中运输信息数据包括以各运输方式的运输能力及成本、各节点运输中转成本及等待成本信息。
进一步的，所述步骤2中以综合成本最小为目标，建立多式联运运输路径求解模型的方法为：构建基运输成本C1、转换成本C2、等待成本C3、惩罚成本C4的目标路径函数，目标函数为四项成本之和最小，如下所示：
，
式中：：运输系数，第m项任务由k运输方式从i至
j节点为1，否则为0；：运输方式转换系数，第m项任务在i节点由w运输方式转为k为1，否则为0；：延迟系数，第m项任务延迟达到终点为1，否则为0；：提前系数，第m项任务提前达到终点为1，否则为0；
：第
m项运输任务的集装箱数量；：第
m项运输任务以
k运输方式从
i至
j节点的运输成本；：第
m项运输任务在
i节点上从
w转换
k运输方式的中转成本；：以
k运输方式在节点等待的时间成本；min表示最小；
：第
m项运输任务以
k运输方式从
i至
j节点时的等待时间；：提前到达的惩罚函数；：延迟到达的乘法函数。
进一步的，所述步骤3的节点运力约束条件包括：
① 到达时间点：由离开上一节点的时间点加上两个节点之间的运输时间得到:
,
② 离开时间点：由到达该节点的时间点加上在该节点处转换时间得到
,
③ 选择发运班期：结合节点转换时间选择合适班期
,
④ 等待时间：由合适班期时间减去离开节点时间得到
,
还包括以下约束：货物在运输过程中进入和离开节点的货运量相等、每一对
i，
j间最多只能选择一种运输方式、每一天离开节点的货运量要小于节点的运输能力；
其中：
V:节点集合，
i为中间节点，
i+，i-分别为
i节点的后一节点和前一节点；
K:运输方式集合，分别代表公路、铁路、水路；
E：火车和轮船固定发运班期集合；
M:运输任务的集合；：第m项任务在i节点由
w运输方式转为
k为1，否则为0；：第
m项运输任务以
k运输方式离开
i节点的时间点；：第
m项运输任务以
w运输方式离开
i节点的时间点；：第
m项运输任务以
k运输方式到达i节点的时间点；：运输任务以
k运输方式在
i，
j节点间的运输距离；：运输任务以
k运输方式在
i，
i-两个节点间的运输距离；：
k运输方式的运输速度；：第
m运输任务在
i节点由
w运输方式转换到
k运输方式所需中转时间，当
w=
k时，=0；：第
m运输任务以
w运输方式从
i节点出发的第
p个固定发运时间，
k=2,3；：第
m运输任务以
k运输方式从
i节点出发的第
p个固定发运时间;：运输任务以
k运输方式从
i节点出发的
n个固定发运时间；：第
m项运输任务以
k运输方式在
i节点的等待时间。
进一步的，所述多式联运路径规划网络运输信息数据、标准路径求解模型及优化路径规划求解模型中的数据通过云数据安全存储系统以数据冗余形式储存在数据库中。
进一步的，所述云数据安全存储系统包括用户访问模块、文件划分模块、网络编码模块、数据分配模块、数据修复模块及系统检测模块。
进一步的，所述云数据安全存储系统的用户在将运输数据上传到云存储系统之前需要进行身份验证；数据上传到服务器集群后，将源文件分为N块数据块；通过MSBR编码方法对数据进行编码；基于NCA算法对编码数据块进行数量分配。
进一步的，所述通过MSBR编码方法对数据进行编码；基于NCA算法（近邻成分分析算法）对编码数据块进行数量分配的方法包括如下步骤：
（1）首先将多式联运运输网络中的数据上传到云储存系统中，对大小为M的文件均等划分为N块数据块；采用MSBR编码（MSBR编码为现有技术的编码方法）对N块数据块根据存储系统带宽资源的占用情况选择编码比例，编码后得到N’编码1数据块，然后存储到云存储节点上；
（2）得到N’块数据块后基于每个存储节点的NCA的值进行获取分析决定每个节点存储的数据块快输以及存储的副本数量确保多式联训数据存储的安全性，通过测量间隔
k个时间单位△t的存储节点的NCA平均值得到系统节点安全存储阈值γ（0＜γ＜1）；
（3）在数据块放置模块，将N’块编码后的数据块通过对比NCA值与γ决定分配的数据块数量来存储到云存储系统；
（4）根据实际系统的要求，设定浮动调整参数
μ（0＜
μ＜1）；
当时，节点的综合能力高，在该节点上存储运输网络中用户路径信息数据块的编码数据块；
时，节点的存储能力值在安全存储范围内，按照NCA值进行排序，对公、水、铁三大运输网中历史和当下运输信息的编码数据块依次进行分配；
时，存储节点综合存储能力值低，可能对云储存库的安全有威胁，不存储编码数据块；
通过节点的NCA值和系统安全存储阈值来对多式联运数据库中数据块进行分配，使得NCA值高的节点放置的数据块越多，提高了用户运输信息的安全性。
作为本发明的另一方面，还涉及一种基于大数据处理的多式联运路径多冲突目标动态优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的基于大数据处理的多式联运路径多冲突目标动态优化方法。作为本发明的另一方面，还涉及一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的基于大数据处理的多式联运路径多冲突目标动态优化方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）本发明的大数据处理的多式联运路径多冲突目标动态优化方法，考虑节点运力、运输班期、接驳运输等冲突因素，优化出符合现实、更加高效的运输路径。
（2）本发明的大数据处理的多式联运路径多冲突目标动态优化方法，基于SBR编码和NCA算法的云数据存储库，对云数据的存储提供了安全保证。
附图说明
图1为本发明较佳实施例的流程图；
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用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1：
请参考图1，本发明具体涉及一种基于大数据处理的多式联运路径多冲突目标动态优化方法，包括如下步骤：
步骤1：首先采集铁水公的多式联运路径规划网络运输信息数据；运输信息数据具体包括以各运输方式的运输能力及成本、各节点运输中转成本及等待成本信息。
步骤2：以综合成本最小为目标，建立多式联运运输标准路径求解模型；
具体方法为：构建基运输成本C1、转换成本C2、等待成本C3、惩罚成本C4的目标路径函数，目标函数为四项成本之和最小，如下所示：
，
式中：：运输系数，第m项任务由k运输方式从i至
j节点为1，否则为0；：运输方式转换系数，第m项任务在i节点由w运输方式转为k为1，否则为0；：延迟系数，第m项任务延迟达到终点为1，否则为0；：提前系数，第m项任务提前达到终点为1，否则为0；
：第
m项运输任务的集装箱数量；：第
m项运输任务以
k运输方式从
i至
j节点的运输成本；：第
m项运输任务在
i节点上从
w转换
k运输方式的中转成本；：以
k运输方式在节点等待的时间成本；
：第
m项运输任务以
k运输方式从
i至
j节点时的等待时间；：提前到达的惩罚函数；：延迟到达的乘法函数。
步骤3：当标准路径在运输网络中因冲突因素产生运力冲突时，在步骤2得到的标准路径求解模型基础上，加入节点运力约束条件，进行优化路径规划，得到优化路径规划求解模型，其中，冲突因素包括节点运力、运输班期及接驳运输；
具体的，所述节点运力约束条件包括：
① 到达时间点：由离开上一节点的时间点加上两个节点之间的运输时间得到
,
② 离开时间点：由到达该节点的时间点加上在该节点处转换时间得到
,
③ 选择发运班期：结合节点转换时间选择合适班期
,
④ 等待时间：由合适班期时间减去离开节点时间得到
,
还包括以下约束：货物在运输过程中进入和离开节点的货运量相等、每一对
i，
j间最多只能选择一种运输方式、每一天离开节点的货运量要小于节点的运输能力。
其中：
V:节点集合，
i为中间节点，
i+，i-分别为
i节点的后一节点和前一节点；
K:运输方式集合，分别代表公路、铁路、水路；
E：火车和轮船固定发运班期集合；
M:运输任务的集合；：第m项任务在i节点由
w运输方式转为
k为1，否则为0；：第
m项运输任务以
k运输方式离开
i节点的时间点；：第
m项运输任务以
w运输方式离开
i节点的时间点；：第
m项运输任务以
k运输方式到达i节点的时间点；：运输任务以
k运输方式在
i，
j节点间的运输距离；：运输任务以
k运输方式在
i，
i-两个节点间的运输距离；：
k运输方式的运输速度；：第
m运输任务在
i节点由
w运输方式转换到
k运输方式所需中转时间，当
w=
k时，=0；：第
m运输任务以
w运输方式从
i节点出发的第
p个固定发运时间，
k=2,3；：第
m运输任务以
k运输方式从
i节点出发的第
p个固定发运时间;：运输任务以
k运输方式从
i节点出发的
n个固定发运时间；：第
m项运输任务以
k运输方式在
i节点的等待时间。
步骤4：基于标准路径求解模型，采用遗传和NSGA-II算法进行标准路径求解：首先仅进行编码与解码，将染色体微分运输节点和运输方式两部分分别采用实数编码，并进行多次决策选择，得到一条期望路径的初始染色体，在多式联运的运输网络中对不同节点选择进行编码，在进行解码后得到初始路径染色体；
对解码的初始染色体进行初始化、交叉与变异和基因修复操作得到标准规划路径；对初始染色体进行初始化赋值，按照约束条件将产生的随机值构成初始种群；其次通过交叉概率交换父代信息产生新个体并进行变异操作；进行基因修复处理得到标准路径；
步骤5：对标准路径进行目标函数计算，当因冲突因素对标准路径函数值产生较大偏差时，对标准路径进行运力冲突约束，采用非支配排序策略、拥挤度计算和精英保留策略得到优化路径染色体，重复步骤4中步骤，在进行运力冲突约束的条件下得到优化路径。
本实施例中，作为优选的方案，所述多式联运路径规划网络运输信息数据、标准路径求解模型及优化路径规划求解模型中的数据通过云数据安全存储系统以数据冗余形式储存在数据库中。其中，云数据安全存储系统包括用户访问模块、文件划分模块、网络编码模块、数据分配模块、数据修复模块及系统检测模块。
云数据安全存储系统的用户在将运输数据上传到云存储系统之前需要进行身份验证；数据上传到服务器集群后，将源文件分为N块数据块；通过MSBR编码方法对数据进行编码；基于NCA算法对编码数据块进行数量分配。
具体的，通过MSBR编码方法对数据进行编码；基于NCA算法（NCA算法即近邻成分分析算法，邻里成分分析算法是一种距离度量学习方法，其目的在于通过在训练集上学习得到一个线性空间转移矩阵，在新的转换空间中最大化平均留一分类效果。该算法的关键是与空间转换矩阵相关的的一个正定矩阵A，该矩阵A可以通过定义A的一个可微的目标函数并利用迭代法（如共轭梯度法、共轭梯度下降法等）求解得到。该算法的好处之一是类别数K可以用一个函数f（确定标量常数）来定义。因此该算法可以用来解决模型选择的问题）对编码数据块进行数量分配的方法包括如下步骤：
（1）首先将多式联运运输网络中的数据上传到云储存系统中，对大小为M的文件均等划分为N块数据块；采用MSBR编码（MSBR编码为现有技术的编码方法）对N块数据块根据存储系统带宽资源的占用情况选择编码比例，编码后得到N’编码1数据块，然后存储到云存储节点上；
（2）得到N’块数据块后基于每个存储节点的NCA的值进行获取分析决定每个节点存储的数据块快输以及存储的副本数量确保多式联训数据存储的安全性，通过测量间隔
k个时间单位△t的存储节点的NCA平均值得到系统节点安全存储阈值γ（0＜γ＜1）；
（3）在数据块放置模块，将N’块编码后的数据块通过对比NCA值与γ决定分配的数据块数量来存储到云存储系统；
（4）根据实际系统的要求，设定浮动调整参数
μ（0＜
μ＜1）；
当时，节点的综合能力高，在该节点上存储运输网络中用户路径信息数据块的编码数据块（这里的NCA即表示NCA值，NCA值为近邻成分分析算法中目标函数的值）；
时，节点的存储能力值在安全存储范围内，按照NCA值进行排序，对公、水、铁三大运输网中历史和当下运输信息的编码数据块依次进行分配；
时，存储节点综合存储能力值低，可能对云储存库的安全有威胁，不存储编码数据块；
通过节点的NCA值和系统安全存储阈值来对多式联运数据库中数据块进行分配，使得NCA值高的节点放置的数据块越多，提高了用户运输信息的安全性。
实施例2：
作为本发发明的另一方面，还涉及一种基于大数据处理的多式联运路径多冲突目标动态优化装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1所述的基于大数据处理的多式联运路径多冲突目标动态优化方法。
实施例3：
作为本发发明的另一方面，还涉及一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1所述的基于大数据处理的多式联运路径多冲突目标动态优化方法。
本发明提供一种多式联运路径多冲突目标动态优化方法，为目标群体而更加合理高效的运输路径、并对多式联运运输网络中的云数据存储进行安全化设计。该方法基于公铁水三方运输数据汇总的多式联运运输网络的平台，通过遗传算法和NSGA-II算法建立数路径计算模型。在得到运输目标的运输起始点、终点、运输时间等运输信息后，计算网络模型会进行解码、编码操作生成初始路径染色体，再进行初始化、变异和修正后，生成标准运输路径。当标准运输路径中存在运输节点转换、运输方法班次、运输运力等冲突因素影响路径轨迹时，计算模型会引入运输冲突约束，适当调整运输起始时间、运输节点运输方式以及运输节点转发方式，对路径染色体进行非支配排序策略、拥挤度计算和精英保留策略得到优化路径染色体，最终得到优化运输路径。该方法提出了MSBR编码的云数据安全存储模型和基于节点综合能力（NCA）算法的数据块分配方法，根据多式联运运输网络中的带宽资源和存储空间选择编码系数，在带宽资源和存储空间利用率最大的基础上使用了较小的修复带宽和存储开销。提出了NCA算法的数据块方式方法，根据当前存储时间对接点的NCA值求出安全存储阈值，通过NCA和阈值的比较进行数据编码块的分配和副本的放置数量，对云数据的存储提供了安全保证。
通过结合MSR和MBR的MSBR编码方法能根据多式联运平台的带宽资源和存储空间调整编码系数，分块对云数据进行编码，相比传统的基于复制和纠删码的储存修复方法具有降低存储开销和修复带宽的优势；
通过NCA算法计算每个节点的NCA值和系统存储阈值，根据NCA值对编码数据块进行存放，可以有效提供多联式平台数据的安全性和稳定性；
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，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 (10)
1.一种基于大数据处理的多式联运路径多冲突目标动态优化方法，包括如下步骤：
步骤1：首先采集铁水公的多式联运路径规划网络运输信息数据；
步骤2：以综合成本最小为目标，建立多式联运运输标准路径求解模型；
步骤3：当标准路径在运输网络中因冲突因素产生运力冲突时，在步骤2得到的标准路径求解模型基础上，加入节点运力约束条件，进行优化路径规划，得到优化路径规划求解模型，其中，冲突因素包括节点运力、运输班期及接驳运输；
步骤4：基于标准路径求解模型，采用遗传和NSGA-II算法进行标准路径求解：首先仅进行编码与解码，将染色体微分运输节点和运输方式两部分分别采用实数编码，并进行多次决策选择，得到一条期望路径的初始染色体，在多式联运的运输网络中对不同节点选择进行编码，在进行解码后得到初始路径染色体；
对解码的初始染色体进行初始化、交叉与变异和基因修复操作得到标准规划路径；对初始染色体进行初始化赋值，按照约束条件将产生的随机值构成初始种群；其次通过交叉概率交换父代信息产生新个体并进行变异操作；进行基因修复处理得到标准路径；
步骤5：对标准路径进行目标函数计算，当因冲突因素对标准路径函数值产生较大偏差时，对标准路径进行运力冲突约束，采用非支配排序策略、拥挤度计算和精英保留策略得到优化路径染色体，重复步骤4中步骤，在进行运力冲突约束的条件下得到优化路径。
2.根据权利要求1所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述步骤1中运输信息数据包括以各运输方式的运输能力及成本、各节点运输中转成本及等待成本信息。
3.根据权利要求1所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述步骤2中以综合成本最小为目标，建立多式联运运输路径求解模型的方法为：构建基运输成本C1、转换成本C2、等待成本C3、惩罚成本C4的目标路径函数，目标函数为四项成本之和最小，如下所示 ：
式中：：运输系数，第m项任务由k运输方式从i至j节点为1，否则为0；：运输方式转换系数，第m项任务在i节点由w运输方式转为k为1，否则为0；：延迟系数，第m项任务延迟达到终点为1，否则为0； ：提前系数，第m项任务提前达到终点为1，否则为0；
：第m项运输任务的集装箱数量；：第m项运输任务以k运输方式从i至j节点的运输成本； ：第m项运输任务在i节点上从w转换k运输方式的中转成本； ：以k运输方式在节点等待的时间成本；
：第m项运输任务以k运输方式从i至j节点时的等待时间；：提前到达的惩罚函数； ：延迟到达的乘法函数。
4.根据权利要求3所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述步骤3的节点运力约束条件包括：
① 到达时间点：由离开上一节点的时间点加上两个节点之间的运输时间得到：
,
② 离开时间点：由到达该节点的时间点加上在该节点处转换时间得到
,
③ 选择发运班期：结合节点转换时间选择合适班期
,
④ 等待时间：由合适班期时间减去离开节点时间得到
,
还包括以下约束：货物在运输过程中进入和离开节点的货运量相等、每一对i，j间最多只能选择一种运输方式、每一天离开节点的货运量要小于节点的运输能力；
其中：V:节点集合，i为中间节点，i+，i-分别为i节点的后一节点和前一节点；K:运输方式集合，分别代表公路、铁路、水路；E：火车和轮船固定发运班期集合；M:运输任务的集合；：第m项任务在i节点由w运输方式转为k为1，否则为0； ：第m项运输任务以k运输方式离开i节点的时间点； ：第m项运输任务以w运输方式离开i节点的时间点； ：第m项运输任务以k运输方式到达i节点的时间点； ：运输任务以k运输方式在i，j节点间的运输距离；：运输任务以k运输方式在i，i-两个节点间的运输距离； ：k运输方式的运输速度；：第m运输任务在i节点由w运输方式转换到k运输方式所需中转时间，当w=k时，=0；：第m运输任务以w运输方式从i节点出发的第p个固定发运时间，k=2,3；：第m运输任务以k运输方式从i节点出发的第p个固定发运时间; ：运输任务以k运输方式从i节点出发的n个固定发运时间；：第m项运输任务以k运输方式在i节点的等待时间。
5.根据权利要求1所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述多式联运路径规划网络运输信息数据、标准路径求解模型及优化路径规划求解模型中的数据通过云数据安全存储系统以数据冗余形式储存在数据库中。
6.根据权利要求5所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述云数据安全存储系统包括用户访问模块、文件划分模块、网络编码模块、数据分配模块、数据修复模块及系统检测模块。
7.根据权利要求6所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述云数据安全存储系统的用户在将运输数据上传到云存储系统之前需要进行身份验证；数据上传到服务器集群后，将源文件分为N块数据块；通过MSBR编码方法对数据进行编码；基于NCA算法对编码数据块进行数量分配。
8.根据权利要求7所述的基于大数据处理的多式联运路径多冲突目标动态优化方法，其特征在于：所述通过MSBR编码方法对数据进行编码；基于NCA算法对编码数据块进行数量分配的方法包括如下步骤：
（1）首先将多式联运运输网络中的数据上传到云储存系统中，对大小为M的文件均等划分为N块数据块；采用MSBR编码对N块数据块根据存储系统带宽资源的占用情况选择编码比例，编码后得到N’编码1数据块，然后存储到云存储节点上；
（2）得到N’块数据块后基于每个存储节点的NCA的值进行获取分析决定每个节点存储的数据块快输以及存储的副本数量确保多式联训数据存储的安全性，通过测量间隔k个时间单位△t的存储节点的NCA平均值得到系统节点安全存储阈值γ，0＜γ＜1；
（3）在数据块放置模块，将N’块编码后的数据块通过对比NCA值与γ决定分配的数据块数量来存储到云存储系统；
（4）根据实际系统的要求，设定浮动调整参数μ，0＜μ＜1；
当时，节点的综合能力高，在该节点上存储运输网络中用户路径信息数据块的编码数据块；
当时，节点的存储能力值在安全存储范围内，按照NCA值进行排序，对公、水、铁三大运输网中历史和当下运输信息的编码数据块依次进行分配；
时，存储节点综合存储能力值低，可能对云储存库的安全有威胁，不存储编码数据块；
通过节点的NCA值和系统安全存储阈值来对多式联运数据库中数据块进行分配，使得NCA值高的节点放置的数据块越多。
9.一种基于大数据处理的多式联运路径多冲突目标动态优化装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一权利要求所述的基于大数据处理的多式联运路径多冲突目标动态优化方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8任一权利要求所述的基于大数据处理的多式联运路径多冲突目标动态优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310354645.4A CN116070814A (zh) | 2023-04-06 | 2023-04-06 | 基于大数据处理的多式联运路径多冲突目标动态优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310354645.4A CN116070814A (zh) | 2023-04-06 | 2023-04-06 | 基于大数据处理的多式联运路径多冲突目标动态优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116070814A true CN116070814A (zh) | 2023-05-05 |
Family
ID=86183997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310354645.4A Pending CN116070814A (zh) | 2023-04-06 | 2023-04-06 | 基于大数据处理的多式联运路径多冲突目标动态优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117915432A (zh) * | 2024-03-19 | 2024-04-19 | 中铁四局集团有限公司 | 一种中继网络传输优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805484A (zh) * | 2018-04-26 | 2018-11-13 | 中铁第四勘察设计院集团有限公司 | 基于物联网技术的铁路冷链工艺过程管理系统及控制方法 |
| CN111553507A (zh) * | 2020-03-09 | 2020-08-18 | 西南交通大学 | 基于多商品流的中欧集装箱运输方案优化方法 |
| 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 |
| CN115796418A (zh) * | 2022-12-05 | 2023-03-14 | 青岛日日顺物流有限公司 | 一种考虑道路通行约束的应急物资调度方法 |
-
2023
- 2023-04-06 CN CN202310354645.4A patent/CN116070814A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805484A (zh) * | 2018-04-26 | 2018-11-13 | 中铁第四勘察设计院集团有限公司 | 基于物联网技术的铁路冷链工艺过程管理系统及控制方法 |
| CN111553507A (zh) * | 2020-03-09 | 2020-08-18 | 西南交通大学 | 基于多商品流的中欧集装箱运输方案优化方法 |
| 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 |
| CN115796418A (zh) * | 2022-12-05 | 2023-03-14 | 青岛日日顺物流有限公司 | 一种考虑道路通行约束的应急物资调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 綦潘安等: "考虑多任务集装箱多式联运路径优化方案研究", 《工业工程与管理》, pages 54 - 63 * |
| 胡桉瑜: "基于MSBR编码的云数据存储及修复研究", 《中国优秀硕士学位论文全文数据库计算机科学与技术》, pages 7 - 34 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117915432A (zh) * | 2024-03-19 | 2024-04-19 | 中铁四局集团有限公司 | 一种中继网络传输优化方法 |
| CN117915432B (zh) * | 2024-03-19 | 2024-06-07 | 中铁四局集团有限公司 | 一种中继网络传输优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Danloup et al. | A comparison of two meta-heuristics for the pickup and delivery problem with transshipment | |
| CN111783357B (zh) | 一种基于减少旅客延误的中转行程优化方法及系统 | |
| CN116070814A (zh) | 基于大数据处理的多式联运路径多冲突目标动态优化方法 | |
| CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
| CN114298419A (zh) | 一种多式联运运输规划方法和装置、电子设备、存储介质 | |
| Chang et al. | Multiobjective location routing problem considering uncertain data after disasters | |
| Rodriguez-Molins et al. | Robust scheduling for berth allocation and quay crane assignment problem | |
| CN113962481B (zh) | 一种应急物资的资源配置方法、装置和服务器 | |
| CN116307330A (zh) | 基于大数据处理的多式联运组织模式动态优化方法 | |
| CN115829183B (zh) | 冷链物流路径规划方法、装置、设备及可读存储介质 | |
| Liu et al. | Rolling horizon based robust optimization method of quayside operations in maritime container ports | |
| CN114519463A (zh) | 一种众包通勤公交调度问题的嵌入式降维组合优化方法 | |
| Tan et al. | The optimization of bus scheduling based on genetic algorithm | |
| JP2023021150A (ja) | コンテナ積載計画装置、方法、および、プログラム | |
| CN115271130A (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
| Song et al. | Model analysis of traffic emergency dispatching in intelligent transportation system under cloud computing | |
| CN116187599B (zh) | 基于遗传算法的多式联运铁路物流中心布点方法及系统 | |
| Zhou et al. | Optimization for service routes of pallet service center based on the pallet pool mode | |
| CN116882883A (zh) | 一种利用大数据的电网物资配送路径规划方法 | |
| Zhou et al. | A new separable piecewise linear learning algorithm for the stochastic empty container repositioning problem | |
| Wang et al. | Efficient Intelligent Optimized Algorithm for Dynamic Vehicle Routing Problem. | |
| Ge et al. | Proactive Two‐Level Dynamic Distribution Routing Optimization Based on Historical Data | |
| CN114707918B (zh) | 一种铁路分级节点运输方法 | |
| Liu et al. | Comparison of Two Algorithms for Multiline Bus Dynamic Dispatching | |
| Li et al. | Two-stage dynamic optimization on station-to-door delivery with uncertain freight operation time in urban logistics |
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: 20230505 |
|
| RJ01 | Rejection of invention patent application after publication |