CN116167245B - 基于多属性转运决策模型的多式联运粮食运输方法及系统 - Google Patents

基于多属性转运决策模型的多式联运粮食运输方法及系统 Download PDF

Info

Publication number
CN116167245B
CN116167245B CN202310429600.9A CN202310429600A CN116167245B CN 116167245 B CN116167245 B CN 116167245B CN 202310429600 A CN202310429600 A CN 202310429600A CN 116167245 B CN116167245 B CN 116167245B
Authority
CN
China
Prior art keywords
node
transit
transit node
attribute value
attribute
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
Application number
CN202310429600.9A
Other languages
English (en)
Other versions
CN116167245A (zh
Inventor
任勤雷
朱静
边卫民
徐鲁宁
周鸿茂
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.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
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 China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202310429600.9A priority Critical patent/CN116167245B/zh
Publication of CN116167245A publication Critical patent/CN116167245A/zh
Application granted granted Critical
Publication of CN116167245B publication Critical patent/CN116167245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多属性转运决策模型的多式联运粮食运输方法及系统，该方法包括：获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；根据归一化转运节点信息，并结合与归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，根据转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的综合评分进行排序；提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合。

Description

基于多属性转运决策模型的多式联运粮食运输方法及系统
技术领域
本发明属于粮食多式联运技术领域，更具体地，涉及一种基于多属性转运决策模型的多式联运粮食运输方法及系统。
背景技术
水铁公联运将公路运输与铁路运输有机组合在一起，由公铁联运经营人将货物从接管货物的地点运送至货物交付地点。货物的全程运输作为一个完整的单一运输过程来安排。多式联运由于涉及多种运输工具及相关流程，导致在两种载运工具交互作业时效率不高。
一般来说，粮食综合储备基地涉及的设备设施比较多：汽车接发设施、火车接发设施、码头装卸船设施、接收栈桥、发放栈桥、转接塔、计量塔、立筒仓、机械化平房仓等。
目前，现有技术中并没有比较成熟的技术，能够在水铁公联运的运输网络中，找到转运的最佳路径的技术方案。
发明内容
为解决以上技术问题，本发明提出一种基于多属性转运决策模型的多式联运粮食运输方法，包括：
获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
进一步的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
进一步的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
进一步的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_1
，
Figure SMS_2
，
Figure SMS_3
，
Figure SMS_4
，
Figure SMS_5
，
Figure SMS_6
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_8
为转运节点的成本的最大值，/>
Figure SMS_12
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_16
为转运节点的距离的最大值，/>
Figure SMS_10
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_13
为转运节点的转运时间的最大值，/>
Figure SMS_17
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_20
为转运节点的容量的最大值，
Figure SMS_7
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_11
为转运节点的运输能力的最大值，/>
Figure SMS_15
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_19
、/>
Figure SMS_9
、/>
Figure SMS_14
、/>
Figure SMS_18
和/>
Figure SMS_21
为属性值权重。
进一步的，多属性转运决策模型为：
Figure SMS_22
，
其中，
Figure SMS_23
为转运节点j的综合评分，/>
Figure SMS_24
为转运节点j的第i个属性的属性值权重，
Figure SMS_25
为转运节点j的转运节点属性值，/>
Figure SMS_26
为转运节点加权属性值。
本发明还提出一种基于多属性转运决策模型的多式联运粮食运输系统，包括：
转运节点信息模块，用于获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
转运节点属性值模块，用于根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
排序模块，用于建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
最佳运输路径模块，用于提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
进一步的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
进一步的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
进一步的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_27
，
Figure SMS_28
，
Figure SMS_29
，
Figure SMS_30
，
Figure SMS_31
，
Figure SMS_32
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_35
为转运节点的成本的最大值，/>
Figure SMS_40
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_44
为转运节点的距离的最大值，/>
Figure SMS_34
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_37
为转运节点的转运时间的最大值，/>
Figure SMS_42
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_46
为转运节点的容量的最大值，
Figure SMS_33
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_39
为转运节点的运输能力的最大值，/>
Figure SMS_43
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_47
、/>
Figure SMS_36
、/>
Figure SMS_38
、/>
Figure SMS_41
和/>
Figure SMS_45
为属性值权重。
进一步的，多属性转运决策模型为：
Figure SMS_48
，
其中，
Figure SMS_49
为转运节点j的综合评分，/>
Figure SMS_50
为转运节点j的第i个属性的属性值权重，
Figure SMS_51
为转运节点j的转运节点属性值，/>
Figure SMS_52
为转运节点加权属性值。
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，具有以下有益效果：
本发明是对多式联运的流程进行自动化控制，自动接收生产管理系统下达的作业计划指令及相关数据信息，基于作业计划指令进行作业流程自动操作，实现从货物接管端至货物交付地点整体流程的全自动化控制，并且能够根据每个转运节点的属性值计算最优路径。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
迪杰斯特拉算法(Dijkstra)是由荷兰计算机科学家狄克斯特拉于1959年提出的，因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始，采用贪心算法的策略，每次遍历到始点距离最近且未访问过的顶点的邻接节点，直到扩展到终点为止。
实施例1
如图1所示，本发明实施例提供一种基于多属性转运决策模型的多式联运粮食运输方法，包括：
步骤101，获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
具体的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
步骤102，根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
具体的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
步骤103，建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
具体的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_53
，
Figure SMS_54
，
Figure SMS_55
，
Figure SMS_56
，
Figure SMS_57
，
Figure SMS_58
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_61
为转运节点的成本的最大值，/>
Figure SMS_63
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_67
为转运节点的距离的最大值，/>
Figure SMS_62
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_64
为转运节点的转运时间的最大值，/>
Figure SMS_69
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_73
为转运节点的容量的最大值，
Figure SMS_59
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_65
为转运节点的运输能力的最大值，/>
Figure SMS_70
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_71
、/>
Figure SMS_60
、/>
Figure SMS_66
、/>
Figure SMS_68
和/>
Figure SMS_72
为属性值权重。
具体的，多属性转运决策模型为：
Figure SMS_74
，
其中，
Figure SMS_75
为转运节点j的综合评分，/>
Figure SMS_76
为转运节点j的第i个属性的属性值权重，
Figure SMS_77
为转运节点j的转运节点属性值，/>
Figure SMS_78
为转运节点加权属性值。
步骤104，提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
实施例2
如图2所示，本发明实施例还提供一种基于多属性转运决策模型的多式联运粮食运输系统，包括：
转运节点信息模块，用于获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
具体的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
转运节点属性值模块，用于根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
具体的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
排序模块，用于建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
具体的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_79
，
Figure SMS_80
，
Figure SMS_81
，
Figure SMS_82
，
Figure SMS_83
，
Figure SMS_84
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_86
为转运节点的成本的最大值，/>
Figure SMS_90
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_95
为转运节点的距离的最大值，/>
Figure SMS_88
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_92
为转运节点的转运时间的最大值，/>
Figure SMS_93
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_99
为转运节点的容量的最大值，
Figure SMS_85
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_89
为转运节点的运输能力的最大值，/>
Figure SMS_96
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_98
、/>
Figure SMS_87
、/>
Figure SMS_91
、/>
Figure SMS_94
和/>
Figure SMS_97
为属性值权重。
具体的，多属性转运决策模型为：
Figure SMS_100
，
其中，
Figure SMS_101
为转运节点j的综合评分，/>
Figure SMS_102
为转运节点j的第i个属性的属性值权重，
Figure SMS_103
为转运节点j的转运节点属性值，/>
Figure SMS_104
为转运节点加权属性值。
最佳运输路径模块，用于提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于多属性转运决策模型的多式联运粮食运输方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
具体的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
步骤102，根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
具体的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
步骤103，建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
具体的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_105
，
Figure SMS_106
，
Figure SMS_107
，
Figure SMS_108
，
Figure SMS_109
，
Figure SMS_110
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_113
为转运节点的成本的最大值，/>
Figure SMS_115
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_121
为转运节点的距离的最大值，/>
Figure SMS_114
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_116
为转运节点的转运时间的最大值，/>
Figure SMS_119
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_123
为转运节点的容量的最大值，
Figure SMS_111
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_118
为转运节点的运输能力的最大值，/>
Figure SMS_122
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_125
、/>
Figure SMS_112
、/>
Figure SMS_117
、/>
Figure SMS_120
和/>
Figure SMS_124
为属性值权重。
具体的，多属性转运决策模型为：
Figure SMS_126
，
其中，
Figure SMS_127
为转运节点j的综合评分，/>
Figure SMS_128
为转运节点j的第i个属性的属性值权重，
Figure SMS_129
为转运节点j的转运节点属性值，/>
Figure SMS_130
为转运节点加权属性值。
步骤104，提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于多属性转运决策模型的多式联运粮食运输方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于多属性转运决策模型的多式联运粮食运输方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于多属性转运决策模型的多式联运粮食运输方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
具体的，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
步骤102，根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值；
具体的，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值。
步骤103，建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序；
具体的，分别计算每个转运节点的转运节点属性值包括：
Figure SMS_131
，
Figure SMS_132
，
Figure SMS_133
，
Figure SMS_134
，
Figure SMS_135
，
Figure SMS_136
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure SMS_139
为转运节点的成本的最大值，/>
Figure SMS_141
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure SMS_145
为转运节点的距离的最大值，/>
Figure SMS_138
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure SMS_144
为转运节点的转运时间的最大值，/>
Figure SMS_147
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure SMS_151
为转运节点的容量的最大值，
Figure SMS_137
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure SMS_143
为转运节点的运输能力的最大值，/>
Figure SMS_148
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure SMS_150
、/>
Figure SMS_140
、/>
Figure SMS_142
、/>
Figure SMS_146
和/>
Figure SMS_149
为属性值权重。
具体的，多属性转运决策模型为：
Figure SMS_152
，
其中，
Figure SMS_153
为转运节点j的综合评分，/>
Figure SMS_154
为转运节点j的第i个属性的属性值权重，
Figure SMS_155
为转运节点j的转运节点属性值，/>
Figure SMS_156
为转运节点加权属性值。
步骤104，提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (4)

1.一种基于多属性转运决策模型的多式联运粮食运输方法，其特征在于，包括：
获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值，其中，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值；
分别计算每个转运节点的转运节点属性值包括：
Figure QLYQS_1
，
Figure QLYQS_2
，
Figure QLYQS_3
，
Figure QLYQS_4
，
Figure QLYQS_5
，
Figure QLYQS_6
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure QLYQS_9
为转运节点的成本的最大值，/>
Figure QLYQS_13
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure QLYQS_17
为转运节点的距离的最大值，/>
Figure QLYQS_10
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure QLYQS_14
为转运节点的转运时间的最大值，/>
Figure QLYQS_18
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure QLYQS_21
为转运节点的容量的最大值，
Figure QLYQS_7
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure QLYQS_11
为转运节点的运输能力的最大值，/>
Figure QLYQS_15
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure QLYQS_19
、/>
Figure QLYQS_8
、/>
Figure QLYQS_12
、/>
Figure QLYQS_16
和
Figure QLYQS_20
为属性值权重；
建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序，其中，多属性转运决策模型为：
Figure QLYQS_22
，
其中，
Figure QLYQS_23
为转运节点j的综合评分，/>
Figure QLYQS_24
为转运节点j的第i个属性的属性值权重，/>
Figure QLYQS_25
为转运节点j的转运节点属性值，/>
Figure QLYQS_26
为转运节点加权属性值；
提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
2.如权利要求1所述的一种基于多属性转运决策模型的多式联运粮食运输方法，其特征在于，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
3.一种基于多属性转运决策模型的多式联运粮食运输系统，其特征在于，包括：
转运节点信息模块，用于获取粮食从始发地运输到目的地的所有转运节点的转运节点信息，并进行归一化处理，生成归一化转运节点信息；
转运节点属性值模块，用于根据所述归一化转运节点信息，并结合与所述归一化转运节点信息相对应的属性值权重，分别计算每个转运节点的转运节点属性值，其中，转运节点属性值包括：
成本属性值、距离属性值、转运时间属性值、容量属性值和运输能力属性值；
分别计算每个转运节点的转运节点属性值包括：
Figure QLYQS_27
，
Figure QLYQS_28
，
Figure QLYQS_29
，
Figure QLYQS_30
，
Figure QLYQS_31
，
Figure QLYQS_32
，
其中，CV为成本属性值，DV为距离属性值，TV为转运时间属性值，KV为容量属性值，YV为运输能力属性值，C为转运节点的成本，
Figure QLYQS_34
为转运节点的成本的最大值，/>
Figure QLYQS_38
为转运节点的成本的最小值，D为转运节点的距离，/>
Figure QLYQS_42
为转运节点的距离的最大值，/>
Figure QLYQS_35
为转运节点的距离最小值，T为转运节点的转运时间，/>
Figure QLYQS_39
为转运节点的转运时间的最大值，/>
Figure QLYQS_43
为转运节点的转运时间的最小值，K为转运节点的容量，/>
Figure QLYQS_46
为转运节点的容量的最大值，
Figure QLYQS_33
为转运节点的容量的最小值，Y为转运节点的运输能力，/>
Figure QLYQS_37
为转运节点的运输能力的最大值，/>
Figure QLYQS_41
为转运节点的运输能力的最小值，S为转运节点属性值，/>
Figure QLYQS_45
、/>
Figure QLYQS_36
、/>
Figure QLYQS_40
、/>
Figure QLYQS_44
和
Figure QLYQS_47
为属性值权重；
排序模块，用于建立多属性转运决策模型，计算每个转运节点的转运节点加权属性值，并根据所述转运节点加权属性值，计算每个转运节点的综合评分，对每个转运节点的所述综合评分进行排序，其中，多属性转运决策模型为：
Figure QLYQS_48
,
其中，
Figure QLYQS_49
为转运节点j的综合评分，/>
Figure QLYQS_50
为转运节点j的第i个属性的属性值权重，/>
Figure QLYQS_51
为转运节点j的转运节点属性值，/>
Figure QLYQS_52
为转运节点加权属性值；
最佳运输路径模块，用于提取所有转运节点及彼此相连的路径，生成粮食从始发地运输到目的地的运输拓扑图，根据迪杰斯特拉算法计算运输拓扑图的最短路径，将最短路径与每个转运节点的综合评分相结合，获取多式联运粮食运输的最佳运输路径。
4.如权利要求3所述的一种基于多属性转运决策模型的多式联运粮食运输系统，其特征在于，所述归一化转运节点信息包括：
转运节点的成本、转运节点的距离、转运节点的转运时间、转运节点的容量、转运节点的运输能力。
CN202310429600.9A 2023-04-21 2023-04-21 基于多属性转运决策模型的多式联运粮食运输方法及系统 Active CN116167245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310429600.9A CN116167245B (zh) 2023-04-21 2023-04-21 基于多属性转运决策模型的多式联运粮食运输方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310429600.9A CN116167245B (zh) 2023-04-21 2023-04-21 基于多属性转运决策模型的多式联运粮食运输方法及系统

Publications (2)

Publication Number Publication Date
CN116167245A CN116167245A (zh) 2023-05-26
CN116167245B true CN116167245B (zh) 2023-06-27

Family

ID=86414917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310429600.9A Active CN116167245B (zh) 2023-04-21 2023-04-21 基于多属性转运决策模型的多式联运粮食运输方法及系统

Country Status (1)

Country Link
CN (1) CN116167245B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689304B (zh) * 2024-02-04 2024-05-31 交通运输部规划研究院 公路大件运输通行路线确定方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100297094B1 (ko) * 1999-08-16 2001-11-01 이정욱 컨테이너 터미널의 하역 이송 경로망 설계 방법
CN114219162A (zh) * 2021-12-21 2022-03-22 暨南大学 一种基于多属性决策的海岛垃圾中转站选址优化方法
CN115511213A (zh) * 2022-10-24 2022-12-23 长江勘测规划设计研究有限责任公司 一种运输水电设备的路径优化方法、装置、媒体及系统

Also Published As

Publication number Publication date
CN116167245A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN116167245B (zh) 基于多属性转运决策模型的多式联运粮食运输方法及系统
CN111126688B (zh) 配送路线确定方法、装置、电子设备及可读存储介质
JP2021519735A (ja) 商品棚を搬送する方法および装置
CN107230028A (zh) 车辆路径规划方法及装置
CN107220796A (zh) 一种配送商的货品运输方法及装置
CN103069421A (zh) 用于处理针对分区式索引的搜索请求的方法和装置
CN107153926A (zh) 一种基于标准箱的货品分配方法、系统及订单管理服务器
CN113762830B (zh) 订单拆分处理方法、装置、设备及可读存储介质
CN111598324A (zh) 配载车线优化方法、装置、设备及存储介质
CN113222205A (zh) 一种路径规划的方法和装置
CN114611794A (zh) 基于亚启发式算法的车机协同取送货路径优化方法和系统
CN104267985A (zh) 一种软件加载方法和设备
CN111105095B (zh) 一种配送路线确定方法、装置及电子设备
CN107944798A (zh) 智能配货方法和系统
CN110428089B (zh) 一种单车场物流运输调度的方法、系统及设备
Takoudjou et al. A hybrid multistart heuristic for the pickup and delivery problem with and without transshipment
CN104065642B (zh) 内容分发系统、内容分发服务器以及内容分发方法
CN110147873B (zh) 卷积神经网络的处理器及训练方法
CN112085359A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN112884388B (zh) 管理策略生成模型的训练方法、装置以及设备
CN109451016A (zh) 数据下载管理方法、系统及相关设备
CN116307999B (zh) 一种基于水铁公多式联运的运输方式调度方法及系统
CN116108550B (zh) 一种基于bim的多式联运的动态优化方法及系统
CN117474734B (zh) 既有线改造与城市线网线路及车站多要素融合方法及系统
CN104572316A (zh) 游戏程序与运行平台交互的方法和系统

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