CN116187599B - 基于遗传算法的多式联运铁路物流中心布点方法及系统 - Google Patents
基于遗传算法的多式联运铁路物流中心布点方法及系统 Download PDFInfo
- Publication number
- CN116187599B CN116187599B CN202310483538.1A CN202310483538A CN116187599B CN 116187599 B CN116187599 B CN 116187599B CN 202310483538 A CN202310483538 A CN 202310483538A CN 116187599 B CN116187599 B CN 116187599B
- Authority
- CN
- China
- Prior art keywords
- city
- railway
- coefficient
- transportation
- model
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 230000002068 genetic effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims description 22
- 239000000427 antigen Substances 0.000 claims description 13
- 102000036639 antigens Human genes 0.000 claims description 13
- 108091007433 antigens Proteins 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010367 cloning Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000035755 proliferation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000010129 solution processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (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
本发明提供一种基于遗传算法的多式联运铁路物流中心布点方法及系统，属于多式联运数据规划技术领域，包括：采集多个目标城市的铁路物流关联数据集合，基于铁路物流关联数据集合划分多个目标城市的城市类型；根据城市类型获取多个目标城市的多式联运货运运输数据，利用多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；基于预设遗传算法求解多目标优化模型，得到最优推荐布点方案。本发明通过采集多个目标城市的铁路物流关联数据集合，输出不同城市的铁路运输等级，以运输距离、运输区域和运输时间为切入点建立多目标优化模型，输出多式联运物流中心的最优布点方案，具有较强的综合性和客观性。
Description
技术领域
本发明涉及多式联运数据规划技术领域，尤其涉及一种基于遗传算法的多式联运铁路物流中心布点方法及系统。
背景技术
随着经济的发展，对于铁路、水运、公路和航空等的货运的需求量也越来越大，并进一步发展出多式联运。当前的铁路规划建设已基本完成，为满足当前货运形势的要求，需要在既有的铁路线路和枢纽点上按照合理的规划和设计，对铁路物流中心的进行统筹配置，提高铁路的运输效率和运输满意度，支撑经济贸易发展。因此，如何规划出合适的物流中心布局是急需解决的问题。
目前，在城市中划分主要是以经济、货运量、人口密度等进行划分，物流中心选址主要为一个特定城市的物流配送中心的选址，物流中心布点选择不区分类别，物流中心以距离参数主要是单一距离为目的地，物流中心区域的选择均为单一城市的确定地点根据路径优化选择一个最优解。物流中心的运输时间为从物流中心根据不同的路径选择到达目的地的时间集合，而目前物流中心主要为单一物流中心的选择，参数和条件选择都只是单线进行，具有较强的局限性。
发明内容
本发明提供一种基于遗传算法的多式联运铁路物流中心布点方法及系统，用以解决现有技术中确定铁路物流中心存在较强的单一性和局限性的缺陷。
第一方面，本发明提供一种基于遗传算法的多式联运铁路物流中心布点方法，包括：
采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；
根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；
基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
第二方面，本发明还提供一种基于遗传算法的多式联运铁路物流中心布点系统，包括：
采集划分模块，用于采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；
获取建立模块，用于根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；
求解处理模块，用于基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于遗传算法的多式联运铁路物流中心布点方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于遗传算法的多式联运铁路物流中心布点方法。
本发明提供的基于遗传算法的多式联运铁路物流中心布点方法及系统，通过采集多个目标城市的铁路物流关联数据集合，输出不同城市的铁路运输等级，以运输距离、运输区域和运输时间为切入点建立多目标优化模型，输出多式联运物流中心的最优布点方案，在大多数铁路物流自动化设备上均可实施，无需人工干预，具有较强的综合性和客观性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于遗传算法的多式联运铁路物流中心布点方法的流程示意图之一；
图2是本发明提供的基于遗传算法的多式联运铁路物流中心布点方法的流程示意图之二；
图3是本发明提供的免疫遗传算法模型流程图；
图4是本发明提供的基于遗传算法的多式联运铁路物流中心布点系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1是本发明实施例提供的基于遗传算法的多式联运铁路物流中心布点方法的流程示意图之一，如图1所示，包括：
步骤100：采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；
步骤200：根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；
步骤300：基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
本发明实施例根据需要建立铁路物流中心的多个目标城市，采集铁路物流关联数据集合，根据该数据集合将多个城市划分为不同等级的城市类型，即满足不同的铁路物流运输需求。再根据划分后的城市类型获取每个城市的多式联运货运运输数据，将划分后的城市作为待选物流中心，提取多式联运货运运输数据中的多个待优化变量，建立多式联运多级物流中心的多目标优化模型。最后基于典型的遗传算法求解该多目标优化模型，得到多个等级的多式联运物流中心的最优推荐布点方案。
具体地，如图2所示，建立多式联运铁路物流，分别从货物吞吐量、人口密度和铁路站点数作为切入点，将多个城市划分为中心城市、枢纽城市和重点城市，由各城市中的铁路枢纽至最近港口距离以及铁路枢纽至最近航空基地距离确定运输距离，根据吞吐量城市环形圈确定运输区域，根据城市所在区域铁路站点数确定运输时间，进一步构建多目标优化模型。根据免疫遗传算法求解多目标优化模型，得到多个等级的物流中心，如一级物流中心、二级物流中心和三级物流货场，并可采用六面评价体系对得到的结果进行评估，满足要求就由智能转运设备、智能装卸设备或整列装卸实施执行，不满足要求则重新进行求解优化，能满足城市中铁路、航空、公路和水路与铁路物流中心的对接需求。
本发明根据货物吞吐量、人口密度、铁路枢纽和铁路站点数把全国范围内城市划分为三个等级分别为中心城市、枢纽城市、重点城市，三级城市对应三级不同的运输定位。为获取三种不同运输定位的一级多式联运物流中心、二级多式联运物流中心、三级多式联运货场的推荐布点，通过建立运输距离、运输区域、运输时间为因变量的多目标模型从中心城市优化得出一级多式联运物流中心、从枢纽城市优化得出二级多式联运物流中心、从重点城市优化得出三级多式联运货场，最后采用免疫遗传算法对不同等级铁路物流中心的模型算法优化得出全国范围内的多式联运一级物流中心、二级物流中心、三级物流货场的推荐布点。给出多式联运中铁路物流中心规划的依据，实现运输距离、运输区域、运输时间等多种待优化因素的协调，提高多式联运中铁路的利用率和运输效率，平衡多式联运过程中路网间的运力。
在上述实施例的基础上，所述采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型，包括：
获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分；
将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分相加得到各目标城市综合得分，根据所述各目标城市综合得分从高到低进行排序，分别按照预设划分比例得到中心城市、枢纽城市和重点城市。
具体地，分别采集多个目标城市的货物吞吐量、人口密度、铁路站点数，对上述指标进行量化打分，根据对三种类型的打分结果等分权重加和得到的总分对多个目标城市由高到低进行排序，根据排序结果将多个目标城市划分为中心城市、枢纽城市和重点城市。
例如，通过统计前三年内所有城市的平均的货物吞吐量、人口密度，获取所有城市铁路站点数，以最高货物吞吐量为一百分，其余按照与最高货物吞吐量的比值为得分，得到所有城市货物吞吐量评分结果；此处，人口密度和所有城市铁路站点数的评分方法与此相同，根据各城市三次评分加和得到的总分对所有城市由高到低进行排序，根据排序结果将所有城市划分为中心城市、枢纽城市和重点城市，中心城市、枢纽城市和重点城市的具体比例可根据需求调整。例如将排名前30的城市作为中心城市，排名前100的作为枢纽城市，前200作为重点城市，把全国范围内城市划分为三个等级。
在上述实施例的基础上，所述获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分之后，还包括：
将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分分别与货物吞吐量加权系数、人口密度加权系数和铁路站点数加权系数进行加权求和后得到各目标城市综合得分；
根据所述各目标城市综合得分从高到低进行排序，分别按照所述预设划分比例得到所述中心城市、所述枢纽城市和所述重点城市，或者结合所述预设划分比例与铁路枢纽数量得到所述中心城市、所述枢纽城市和所述重点城市。
可选地，在得到货物吞吐量、人口密度、城市铁路站点数评分结果之后，还可采用分别赋予不同权重进行加权求和后再进行排序。例如货物吞吐量加权系数为1.5，人口密度加权系数为1.2，城市铁路站点数加权系数为1，各权重可灵活调整。
此外，对于铁路枢纽数更多的城市，其对应承担的货运需求也更多，因此可适度提高该城市的定位等级，如将铁路枢纽数大于等于3的城市划为中心城市，将铁路枢纽数为0的城市划为重点城市，其余仍然按照评分排序结果进行划分。
本发明对于城市等级的确定，采用灵活的划分方法，既可采用综合评分进行排序，又可针对特定元素进行选择排序，具有较强的普适性，使模型求解的输入数据更准确。
在上述实施例的基础上，所述根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，包括：
根据待选物流中心的铁路与最近航空货运基地距离和最近港口集装箱堆场距离，获得运输距离系数，基于所述运输距离系数建立第一系数模型；
获取待选物流中心的货运吞吐量等级建立多级运输环形圈，确定所述多级运输环形圈对应权重得到运输区域系数，基于所述运输区域系数建立第二系数模型；
根据待选物流中心的铁路枢纽与铁路车站数量获得运输时间系数，基于所述运输时间系数建立第三系数模型。
具体地，本发明实施例以中心城市为待选一级多式联运物流中心、以枢纽城市为待选二级多式联运物流中心、以重点城市为待选三级多式联运物流中心。
由待选物流中心的货运运输距离、运输区域、运输时间和多式联运货运交通情况，得到第一系数模型、第二系数模型和第三系数模型。
根据待选物流中心的铁路距离最近航空货运基地和最近港口集装箱堆场的距离进行量化打分得到运输距离系数，建立第一系数模型。待选物流中心的运输距离系数以第一系数模型表示。
划分待选物流中心的货运吞吐量等级建立运输环形圈，得到运输区域系数，建立第二系数模型。以待选物流中心为中心建立四级运输环形圈，对四级运输环形圈赋予不同的权重得到运输区域系数，运输区域系数以第二系数模型表示。
根据待选物流中心的铁路枢纽与铁路车站数量进行量化打分得到运输时间系数，建立第三系数模型。待选物流中心的运输时间系数以第三系数模型表示。
在上述实施例的基础上，所述利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型，包括：
所述多目标优化模型包括待选物流中心等级确定系数；
所述多目标优化模型的约束条件包括任一待选物流中心到最近港口距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值，以及任一待选物流中心到最近航空货运基地距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值；
所述多目标优化模型的目标函数等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值。
具体地，根据第一系数模型、第二系数模型和第三系数模型和多式联运货运交通情况，以待选物流中心的货运运输距离、运输区域、运输时间为优化变量，建立多式联运三级物流中心多目标优化模型，包括：
多式联运三级物流中心多目标优化模型为：
当/>时，多式联运三级物流中心多目标优化模型为一级多式联运物流中心的函数模型；当/>时，多式联运三级物流中心多目标优化模型为二级多式联运物流中心的函数模型；当/>时，多式联运三级物流中心多目标优化模型为三级多式联运货场的函数模型；
其中，、/>和/>分别为第一系数模型、第二系数模型和第三系数模型，/>为待选物流中心到最近港口（对应下角标为/>）或最近航空货运基地（对应下角标为/>）的运输距离系数，/>为待选物流中心可装卸转运集装箱的港口数量；/>为待选物流中心可装卸转运集装箱的航空货运基地数量；/>为全国集装箱货运量等级数，/>为集装箱最大数量等级，/>为集装箱最小数量等级；/>为待选物流中心到最近港口的距离，/>为待选物流中心数量；/>为待选物流中心到最近航空货运基地的距离，/>为待选物流中心数量且/>；/>为中心城市、枢纽城市、重点城市的集装箱转运量；为中心城市、枢纽城市、重点城市的铁路枢纽与车站数量的统计值，/>为中心城市、枢纽城市、重点城市数量；/>为以中心城市建立的4层运输环形圈进行辐射全国的运输区域系数。
需要说明的是，在本发明实施例中，将中心城市、枢纽城市、重点城市的集装箱转运量被划分为均等分的100个等级，每个等级之间的差值为。
对应的约束条件为：
，/>；
对应的目标函数为：
。
在上述实施例的基础上，所述基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案，包括：
确定所述目标函数与所述约束条件为免疫遗传算法中的抗原，所述多目标优化模型的解为所述免疫遗传算法中的抗体；
基于最近运输距离和最大集装箱转运量的优化初始结果原则，采用混合方法确定预设比例的初始种群，采用多次迭代随机生成剩余种群，在每次迭代中保留具有预设高亲和力的抗体，将预设低亲和力的抗体在迭代过程进行替换，直至达到预设规模种群；
计算所述抗体与所述抗原之间的欧氏距离，由所述欧氏距离得到亲和力，根据抗原亲和力、抗体亲和力、抗体总数、第一调节系数、第二调节系数确定抗体浓度，基于所述亲和力、所述抗体浓度和所述抗体总数得到抗体期望繁殖概率；
基于所述抗体期望繁殖概率进行免疫选择，采用克隆、变异和克隆抑制进行种群刷新，调整种群中的抗体浓度；
基于所述抗体的平均亲和力，将未满足预设要求的抗体进行分割和交叉变异操作；
提取刷新后种群中最优解，重复上述免疫操作，直至求解得到所述最优推荐布点方案。
具体地，本发明实施例基于遗传算法分别求解、/>和/>时的多目标优化模型，分别得到一级多式联运物流中心、二级多式联运物流中心和三级多式联运货场。
此处采用免疫遗传算法求解多目标优化模型，分别从中心城市、枢纽城市、重点城市中优化求解得到一级多式联运物流中心、二级多式联运物流中心、三级多式联运货场的最优推荐布点，具体求解过程如图3所示：
步骤1：进行抗原识别，抗原对应多目标优化模型求解问题的目标函数与约束条件，抗体对应解决问题过程中产生的所有可行的解。
其中，目标函数为：
；
约束条件为：
，/>；
；/>；/>；
；/>；
；
其中，通过实际的转运数量统计而来；/>通过车站数统计而来，均为正整数。
步骤2：种群初始化，将最近的运输距离和最大的集装箱转运量作为优化初始结果的原则，采用混合方法产生例如65%的初始种群，剩余35%，采用多次迭代随机生成的方法，在每次生成抗体群中保留部分亲和力较高的抗体，并将抗体群中亲和力较弱的抗体，在下次迭代过程中进行替代，以此为循环，直至达到随机生成的种群规模。
步骤3：进行抗体多样性评价，采用欧几里得距离作为衡量抗体与抗原亲和力的重要指标。针对整数编码，抗体与抗原/>之间的欧氏距离为：
亲和力为：
其中，反映了抗体v与抗原r之间的差异度，当/>=0，/>=1时抗体与抗原匹配度最高。
抗体浓度反映种群中相似抗体所占的比例，即：
其中，，/>是抗原亲和力，/>是抗体亲和力；为抗体总数，/>与/>为调节系数，/>稍小于1通常取0.8~1，/>稍大于1通常取1~1.2，这样抗体浓度的计算既考虑相同抗体又考虑了相似抗体。
在种群中，抗体的期望繁殖概率由抗体与抗原的亲和力/>和抗体浓度/>共同决定，即：
其中，。
步骤4：免疫操作，克隆选择，按照保留精英进行克隆选择，这样在每次更新记忆库时，先将亲和力较高的抗体进行保存，再按照期望繁殖概率大小将种群中优秀抗体存入记忆库。自适应交叉、变异的概率调整种群中的抗体浓度。
步骤5：种群分割，以抗体的平均亲和力作为标准，把未满足要求的抗体分割出来进行交叉变异操作。
步骤6：克隆记忆。将大量的可行解中效果最好的值作为目标函数，与记忆库中的抗体进行比较，如果大于记忆库中抗体的亲和力则替换相应的记忆细胞，然后对其进行克隆操作，直至获得最优解。
可以理解的是，求解多式联运三级物流中心多目标优化模型：当时，多式联运三级物流中心多目标优化模型为一级多式联运物流中心的函数模型；当/>时，多式联运三级物流中心多目标优化模型为二级多式联运物流中心的函数模型；当/>时，多式联运三级物流中心多目标优化模型为三级多式联运货场的函数模型；分别求解r=1,2,3时的函数模型，得出理论条件下一级多式联运物流中心、二级多式联运物流中心三级多式联运货场的最优推荐布点，根据最优推荐布点可得到多式联运物流中心布点图。
在上述实施例的基础上，所述基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案之后，还包括：
若确定所述最优推荐布点方案满足预设优化目标，则通过转运设备、装卸设备和整列装卸设备执行所述最优推荐布点方案，否则继续采用所述预设遗传算法求解所述多目标优化模型。
可选地，在得到最优推荐布点之后，可采用一定的评价体系来判断布点优化效果，如图2所示，如果判断评价结果不满足要求，可重新进行模型求解，直到满足要求。
本发明实施例中，对最优推荐布点的结果，可通过智能装卸设备、智能转运设备、整列装卸等设备和工艺实现多式联运各个运输方式的物理上对接、信息上联通、数据上共享，为目前铁路物流中心布点提供理论支持，在平衡区域、需求、效率条件下提高多式联运的转运效率。
下面对本发明提供的基于遗传算法的多式联运铁路物流中心布点系统进行描述，下文描述的基于遗传算法的多式联运铁路物流中心布点系统与上文描述的基于遗传算法的多式联运铁路物流中心布点方法可相互对应参照。
图4是本发明实施例提供的基于遗传算法的多式联运铁路物流中心布点系统的结构示意图，如图4所示，包括：采集划分模块41、获取建立模块42和求解处理模块43，其中：
采集划分模块41用于采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；获取建立模块42用于根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；求解处理模块43用于基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于遗传算法的多式联运铁路物流中心布点方法，该方法包括：采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
此外，上述的存储器530中的逻辑指令可以通过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该技术方案的部分可以以软件产品的形式体现出来，该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（可以是个人计算机，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、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于遗传算法的多式联运铁路物流中心布点方法，该方法包括：采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运多级物流中心的多目标优化模型；基于预设遗传算法求解所述多目标优化模型，得到多级多式联运物流中心的最优推荐布点方案。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，包括：
采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；
根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型；
基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案；
所述根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，包括：
根据待选物流中心的铁路与最近航空货运基地距离和最近港口集装箱堆场距离，获得运输距离系数，基于所述运输距离系数建立第一系数模型；
获取待选物流中心的货运吞吐量等级建立多级运输环形圈，确定所述多级运输环形圈对应权重得到运输区域系数，基于所述运输区域系数建立第二系数模型；
根据待选物流中心的铁路枢纽与铁路车站数量获得运输时间系数，基于所述运输时间系数建立第三系数模型；
所述利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型，包括：
其中，分别代表所述多目标优化模型为一级多式联运物流中心的函数模型、二级多式联运物流中心的函数模型和三级多式联运货场的函数模型；/>、/>和/>分别为第一系数模型、第二系数模型和第三系数模型，/>为待选物流中心到最近港口的运输距离系数，/>为最近航空货运基地的运输距离系数，/>为待选物流中心可装卸转运集装箱的港口数量，/>为待选物流中心可装卸转运集装箱的航空货运基地数量，/>为全国集装箱货运量等级数，/>为集装箱最大数量等级，/>为集装箱最小数量等级，/>为待选物流中心到最近港口的距离，其中/>，/>为待选物流中心数量，/>为待选物流中心到最近航空货运基地的距离，其中/>，/>为待选物流中心数量且/>；/>为中心城市、枢纽城市、重点城市的集装箱转运量，/>为中心城市、枢纽城市、重点城市的铁路枢纽与车站数量的统计值，其中/>，/>为中心城市、枢纽城市、重点城市数量，/>为以中心城市建立的4层运输环形圈进行辐射全国的运输区域系数，其中/>；
其中，所述多目标优化模型包括待选物流中心等级确定系数，表示每个等级最大值，/>表示每个等级最小值；
所述多目标优化模型的约束条件包括任一待选物流中心到最近港口距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值，以及任一待选物流中心到最近航空货运基地距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值：
，/>
所述多目标优化模型的目标函数等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值：
。
2.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型，包括：
获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分；
将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分相加得到各目标城市综合得分，根据所述各目标城市综合得分从高到低进行排序，分别按照预设划分比例得到中心城市、枢纽城市和重点城市。
3.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型，还包括：
获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分；
将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分分别与货物吞吐量加权系数、人口密度加权系数和铁路站点数加权系数进行加权求和后得到各目标城市综合得分；
根据所述各目标城市综合得分从高到低进行排序，分别按照预设划分比例得到所述中心城市、所述枢纽城市和所述重点城市，或者结合所述预设划分比例与铁路枢纽数量得到所述中心城市、所述枢纽城市和所述重点城市。
4.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案，包括：
步骤1：确定所述目标函数与所述约束条件为免疫遗传算法中的抗原，所述多目标优化模型的解为所述免疫遗传算法中的抗体；
步骤2：基于最近运输距离和最大集装箱转运量的优化初始结果原则，采用混合方法确定预设比例的初始种群，采用多次迭代随机生成剩余种群，在每次迭代中保留具有预设高亲和力的抗体，将预设低亲和力的抗体在迭代过程进行替换，直至达到预设规模种群；
步骤3：计算所述抗体与所述抗原之间的欧氏距离，由所述欧氏距离得到亲和力，根据抗原亲和力、抗体亲和力、抗体总数、第一调节系数、第二调节系数确定抗体浓度，基于所述亲和力、所述抗体浓度和所述抗体总数得到抗体期望繁殖概率；
步骤4：基于所述抗体期望繁殖概率进行免疫选择，采用克隆、变异和克隆抑制进行种群刷新，调整种群中的抗体浓度；
步骤5：基于所述抗体的平均亲和力，将未满足预设要求的抗体进行分割和交叉变异操作；
步骤6：提取刷新后种群中最优解；
重复步骤4至步骤6，直至求解得到所述最优推荐布点方案。
5.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案之后，还包括：
若确定所述最优推荐布点方案满足预设优化目标，则通过转运设备、装卸设备和整列装卸设备执行所述最优推荐布点方案，否则继续采用所述预设遗传算法求解所述多目标优化模型。
6.一种基于遗传算法的多式联运铁路物流中心布点系统，其特征在于，包括：
采集划分模块，用于采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；
获取建立模块，用于根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型；
求解处理模块，用于基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案；
所述获取建立模块中的根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，包括：
根据待选物流中心的铁路与最近航空货运基地距离和最近港口集装箱堆场距离，获得运输距离系数，基于所述运输距离系数建立第一系数模型；
获取待选物流中心的货运吞吐量等级建立多级运输环形圈，确定所述多级运输环形圈对应权重得到运输区域系数，基于所述运输区域系数建立第二系数模型；
根据待选物流中心的铁路枢纽与铁路车站数量获得运输时间系数，基于所述运输时间系数建立第三系数模型；
所述获取建立模块中的利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型，包括：
其中，分别代表所述多目标优化模型为一级多式联运物流中心的函数模型、二级多式联运物流中心的函数模型和三级多式联运货场的函数模型；/>、/>和/>分别为第一系数模型、第二系数模型和第三系数模型，/>为待选物流中心到最近港口的运输距离系数，/>为最近航空货运基地的运输距离系数，/>为待选物流中心可装卸转运集装箱的港口数量，/>为待选物流中心可装卸转运集装箱的航空货运基地数量，/>为全国集装箱货运量等级数，/>为集装箱最大数量等级，/>为集装箱最小数量等级，/>为待选物流中心到最近港口的距离，其中/>，/>为待选物流中心数量，/>为待选物流中心到最近航空货运基地的距离，其中/>，/>为待选物流中心数量且/>；/>为中心城市、枢纽城市、重点城市的集装箱转运量，/>为中心城市、枢纽城市、重点城市的铁路枢纽与车站数量的统计值，其中/>，/>为中心城市、枢纽城市、重点城市数量，/>为以中心城市建立的4层运输环形圈进行辐射全国的运输区域系数，其中/>；
其中，所述多目标优化模型包括待选物流中心等级确定系数，表示每个等级最大值，/>表示每个等级最小值；
所述多目标优化模型的约束条件包括任一待选物流中心到最近港口距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值，以及任一待选物流中心到最近航空货运基地距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值：
，/>
所述多目标优化模型的目标函数等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值：
。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于遗传算法的多式联运铁路物流中心布点方法。
8.一种非暂态计算机可读存储介质，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至5任一项所述基于遗传算法的多式联运铁路物流中心布点方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483538.1A CN116187599B (zh) | 2023-05-04 | 2023-05-04 | 基于遗传算法的多式联运铁路物流中心布点方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483538.1A CN116187599B (zh) | 2023-05-04 | 2023-05-04 | 基于遗传算法的多式联运铁路物流中心布点方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187599A CN116187599A (zh) | 2023-05-30 |
| CN116187599B true CN116187599B (zh) | 2023-07-28 |
Family
ID=86446642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310483538.1A Active CN116187599B (zh) | 2023-05-04 | 2023-05-04 | 基于遗传算法的多式联运铁路物流中心布点方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187599B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502976B (zh) * | 2023-06-27 | 2023-11-03 | 中铁第四勘察设计院集团有限公司 | 一种多式联运枢纽工艺布局方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919388A (zh) * | 2019-03-15 | 2019-06-21 | 江苏师范大学 | 基于指数型归一化的多目标铁路物流中心功能区布局方法 |
| CN113343400A (zh) * | 2021-06-23 | 2021-09-03 | 北京航空航天大学 | 一种城市群综合客运枢纽协同布局优化方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100298268B1 (ko) * | 1999-08-16 | 2001-11-14 | 이정욱 | 컨테이너 터미널의 규모 예측 방법 |
| US9479390B2 (en) * | 2012-11-14 | 2016-10-25 | Accuzip, Inc. | Automatic initiation of a response action when an event associated with an item in transit is based on logistical node scan data |
| US20170249582A1 (en) * | 2016-02-29 | 2017-08-31 | Eric Paul Mademann | Intermodal delivery optimization |
| WO2019079352A1 (en) * | 2017-10-17 | 2019-04-25 | Enjoy Technology, Inc. | PLATFORMS, SYSTEMS, SUPPORTS AND METHODS FOR LOGISTICS OF EXPERTS OF HIGH-USE PRODUCTS |
| CN108009677B (zh) * | 2017-11-29 | 2021-11-30 | 黑龙江鑫联华信息股份有限公司 | 一种选址方法 |
| RU2695051C1 (ru) * | 2018-08-07 | 2019-07-18 | Общество с ограниченной ответственностью "Цифровые ЭкоСистемы" | Способ и система автоматического формирования мультимодальных сервисов грузоперевозок в режиме реального времени |
| CN109711596B (zh) * | 2018-09-20 | 2021-12-07 | 湘潭大学 | 一种多目标进化的物流配送中心选址优化方法及系统 |
| CN109858688A (zh) * | 2019-01-18 | 2019-06-07 | 东南大学 | 一种集装箱多式联运枢纽选址方法 |
| CN109858858A (zh) * | 2019-01-21 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种地下物流网络节点分级与选址系统及方法 |
| CN114926195A (zh) * | 2022-04-24 | 2022-08-19 | 中国铁路兰州局集团有限公司 | 铁路物流中心选址方法 |
-
2023
- 2023-05-04 CN CN202310483538.1A patent/CN116187599B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919388A (zh) * | 2019-03-15 | 2019-06-21 | 江苏师范大学 | 基于指数型归一化的多目标铁路物流中心功能区布局方法 |
| CN113343400A (zh) * | 2021-06-23 | 2021-09-03 | 北京航空航天大学 | 一种城市群综合客运枢纽协同布局优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187599A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101585453B (zh) | 集装箱码头出口箱堆场自动分配方法 | |
| 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 | |
| CN107798187A (zh) | 一种高效卫星星座多目标优化方法 | |
| CN108038578B (zh) | 基于需求预测和中心辐射网络的公共自行车静态调度方法 | |
| 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 | |
| CN108647821B (zh) | 一种基于参数自学习的差分进化物流配送路径优化方法 | |
| CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
| CN110659769A (zh) | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 | |
| Haklı et al. | Genetic algorithm supported by expert system to solve land redistribution problem | |
| CN111340303A (zh) | 基于新型混合蛙跳算法的旅行商路线规划方法 | |
| CN116205559B (zh) | 基于最优前沿的多式联运货运设施布点优化方法及系统 | |
| CN116307330A (zh) | 基于大数据处理的多式联运组织模式动态优化方法 | |
| Alaia et al. | Genetic algorithm for multi-criteria optimization of multi-depots pick-up and delivery problems with time windows and multi-vehicles | |
| CN116797126A (zh) | 一种基于双层规划的农村末端物流选址-路径规划方法 | |
| CN102663230A (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
| CN112700190B (zh) | 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法 | |
| CN102663562A (zh) | 一种基于克隆选择算法的土地资源评价因子级别划分方法 | |
| CN114118600A (zh) | 一种用于城市垃圾收集的路线规划方法 | |
| CN117236545B (zh) | 基于大数据的物流运输路径规划系统及方法 | |
| Branković et al. | Modal Shift Modelling on the TEN-T Corridor in Bosnia and Herzegovina | |
| Zhang et al. | Location optimization of fresh food e-commerce front warehouse | |
| CN113240225B (zh) | 基于模糊最劣指标的输变电工程造价风险定级方法 | |
| Brands et al. | Multi-objective transportation network design: Accelerating search by applying ε-NSGAII | |
| CN117195010A (zh) | 一种基于混合聚类算法进行物流中心选址的方法 | |
| Xiao et al. | Optimization Model and Algorithm of Cigarette Distribution Route Based on Cluster Analysis |
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 |