CN116307961A - 面向中断风险的物流能力储备及调度求解方法和系统 - Google Patents

面向中断风险的物流能力储备及调度求解方法和系统 Download PDF

Info

Publication number
CN116307961A
CN116307961A CN202211090686.9A CN202211090686A CN116307961A CN 116307961 A CN116307961 A CN 116307961A CN 202211090686 A CN202211090686 A CN 202211090686A CN 116307961 A CN116307961 A CN 116307961A
Authority
CN
China
Prior art keywords
point
reserve
disaster
logistic
scheduling
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
CN202211090686.9A
Other languages
English (en)
Inventor
胡小建
冯敬生
陈敬贤
张修磊
康敏
赵跃东
宋旭东
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202211090686.9A priority Critical patent/CN116307961A/zh
Publication of CN116307961A publication Critical patent/CN116307961A/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (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

本发明提供一种面向中断风险的物流能力储备及调度求解方法、系统、存储介质和电子设备，涉及物流调度技术领域。本发明包括，获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型，该模型可有效确定在各中断风险响应等级下应签约储备和调用的储备点、各类型汽车、司机数量以及优化物资调度策；采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案，使得算法寻优过程更加直观具体，求解过程具有较强的鲁棒性。

Description

面向中断风险的物流能力储备及调度求解方法和系统
技术领域
本发明涉及物流调度技术领域，具体涉及一种面向中断风险的物流能力储备及调度求解方法、系统、存储介质和电子设备。
背景技术
物流能力储备是应对供应链中断风险的关键因素，应急物资调配是缓解供应链中断风险的重要措施。国内外通过实验、理论等方法对物流能力储备及物资调度进行了大量研究工作。供应链中断风险的负面影响是长期且严重的，必要的物流能力储备及调度能够在关键时刻发挥不可或缺的作用。因此，面向中断风险的物流能力储备及调度问题研究已成为当今物流建设性发展的趋势。
目前，在研究紧急情况下物资配送的必要性的基础上，建立了应急救援物资配送的决策支持系统，从而在灾后辅助救援人员完成最优物资调度决策。然而研究多是储备点未中断情况下的单储备点、单车型的物资调配问题，例如考虑设施中断情境的应急物流网络优化，但多是偏向于灾后应急响应与处置，而面向中断风险的预前物流能力储备与调度问题的研究还较为鲜见，从实际角度出发，此类预案工作尤为重要。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种面向中断风险的物流能力储备及调度求解方法、系统、存储介质和电子设备，解决了未考虑面向中断风险的预前物流能力储备及调度的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种面向中断风险的物流能力储备及调度求解方法，包括：
S1、获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
S2、根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
S3、采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
优选的，获取所述S1中受灾点需求信息包括：
S10、根据中断风险的响应等级，获取受灾点的最低基本需求、偏离需求的最大扰动值；
S20、根据所述最低基本需求、偏离需求的最大扰动值，结合扰动比例系数获取受灾点的真实需求；
Dj＝dj+γd′j
其中，Dj表示经计算的受灾点j的真实需求；dj表示受灾点j的最低基本需求；γ表示扰动比例系数，γ∈(0,1)；d′j表示受灾点j处偏离需求的最大扰动值。
优选的，所述S2中物流能力储备及调度模型包括，
以总成本最小化为目标的目标函数，总成本y由固定成本y1、变动成本y2和补贴成本y3三部分组成；
y＝y1+y2+y3
Figure SMS_1
Figure SMS_2
Figure SMS_3
其中，I表示储备点数量集合，共有m个储备点，I＝{i，i′|i，i′＝1，2，…，m，且i′≠i}；J表示受灾点数量集合，共有n个受灾点，J＝{j|j＝1，2，…，n}；K表示车辆数量集合；L表示车型的数量集合；
Ril表示储备点i内的l型车辆储备数；
ck1表示车辆k的单位固定成本；
ck2表示车辆k的单位变动成本；
Pl表示车型l的单位补贴成本；
rij表示储备点i到受灾点j的距离；
θi表示储备点i不发生供应中断的概率，θi∈[0，1]；
Yij为二元变量，
Figure SMS_4
Yi′j为二元变量，
Figure SMS_5
Figure SMS_6
Figure SMS_7
xi′jk为二元变量，
Figure SMS_8
Figure SMS_9
优选的，所述S2中物流能力储备及调度模型包括约束条件，
(1)所有储备点的车辆总数约束
Figure SMS_10
(2)各储备点调用车辆总数约束
Figure SMS_11
(3)所有储备点配送量约束
Figure SMS_12
(4)所有可用储备点储备量约束
Figure SMS_13
(5)车辆装载量约束
Figure SMS_14
(6)车辆服务受灾点后返回原储备点约束
Figure SMS_15
(7)各车辆司机补贴成本约束
Figure SMS_16
其中，yi表示储备点i内的车辆储备数；
Si表示储备点i的物资储备总量；
sij表示储备点i向受灾点j配送的物资量；
Q1k表示车辆k的额定载重量；
Q2l表示车型l的额定载重量；
G表示最大补贴成本。
优选的，所述S3具体包括：
S31、初始化算法参数；
S32、构造算法解空间，将Pop只蚂蚁随机放入各客户点，并将蚂蚁k，k＝1，2，…pop的起始点放入禁忌表tabuk，蚂蚁根据改进后的状态转移概率及所述物流能力储备及调度模型的约束条件选择下一客户点，禁忌表tabuk中存放各蚂蚁已经访问过的客户点，直至蚂蚁访问完所有客户点；所述客户点包括所有储备点和受灾点；
S33、局部信息素更新，若当前蚂蚁完成遍历，则执行基于莱维飞行策略的局部信息素更新策略，否则继续选择客户点；
S34、全局信息素更新，若所有蚂蚁完成遍历，根据所述物流能力储备及调度模型的目标函数比较各蚂蚁对应的总成本，选择当前最优解并执行基于莱维飞行策略的全局信息素更新策略，否则继续选择客户点；
S34、检查算法终止条件，判断若算法迭代次数小于算法预先设定的最大迭代次数Maxgen，则终止算法迭代，输出全局最优解，并作为最终的物流应急储备及调度方案；否则，清空算法的禁忌表tabuk，并返回至S32，直至算法结束。
优选的，所述S32中状态转移概率具体是指：
Figure SMS_17
Jk(g′)＝{1，2，…，n}-tabuk，ηgg′＝1/dgg′
wgg′(t))＝(wg+wg′)/Q1k，wgg′(t))∈[0，1]
其中，
Figure SMS_18
表示第k只蚂蚁在时刻t从客户点g到客户点g’的状态转移概率，Jk(g′)表示第k只蚂蚁下一步可能访问的客户点集合，s为待访问客户点集合中的其中一个客户点；wg表示配送车辆在客户点g的物资叠加承载量，wg′表示配送车辆在客户点g′的物资供给量；
α和β分别表示信息素和启发式因子的相对重要程度，启发因子ηgg′设为客户点g到客户点g’的距离dgg′的倒数，φ为可调节的与承重量有关的权重值。
优选的，所述S33中的局部信息素更新策略具体是指：
Δτgg′(t+1)＝ρgg′(t)+Δτgg′(t，t+1)
Figure SMS_19
Figure SMS_20
其中，ρgg′(t-1)、ρgg′(t)分别表示(t，t+1)、(t-1，t)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素挥散因子；δ是莱维飞行步长缩放因子，Levy(λ)是莱维飞行随机路径，
Figure SMS_21
是点对点的运算乘法符号；/>
Figure SMS_22
指在(t，t+1)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素增量，Δτgg′(t，t+1)即指所有蚂蚁在该路径上积累的信息素总和。
优选的，所述S34中的全局信息素更新策略具体是指：
τgg′(t+1)＝(1-ρgg′)τgg′(t)+ρgg′Δτgg′
Figure SMS_23
其中，若客户点g到客户点g’为最优路径时，则Δτgg′＝Q/Lk，否则，Δτgg′＝0，Lk为全局最优解，Q为信息素更新参数且为正数。
一种面向中断风险的物流能力储备及调度求解系统，包括：
获取模块，用于获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
构建模块，用于根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
求解模块，用于采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
一种存储介质，其存储有用于面向中断风险的物流能力储备及调度求解的计算机程序，其中，所述计算机程序使得计算机执行如上所述的物流能力储备及调度求解方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的物流能力储备及调度求解方法。
(三)有益效果
本发明提供了一种面向中断风险的物流能力储备及调度求解方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明包括，获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型，该模型可有效确定在各中断风险响应等级下应签约储备和调用的储备点、各类型汽车、司机数量以及优化物资调度策略；采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案，使得算法寻优过程更加直观具体，求解过程具有较强的鲁棒性。
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为本发明实施例提供的一种面向中断风险的物流能力储备及调度求解方法的流程示意图；
图2为本发明实施例提供的一种蚁群算法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本申请实施例通过提供一种面向中断风险的物流能力储备及调度求解方法，解决了未考虑面向中断风险的预前物流能力储备及调度的技术问题，保证了中断风险事件处理高效便捷。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
针对现有技术的不足，本发明针对面向中断风险的物流能力储备及调度问题开展研究，以含有补贴模式的物流能力储备为例：
(1)本发明实施例构建了考虑中断情景的多储备点、多车型物流能力储备及调度优化模型，可协助确定应签约储备和调用的储备点、各类型汽车、司机数量及优化物资调度策略；
(2)考虑中断风险发生后的物资运输具有储备点中断和受灾点需求不确定两大特征，通过扰动比例系数确定受灾点需求，解决了需求不确定的物流能力储备及调度问题；
(3)通过改进蚁群算法求解该模型，可有效协助总结应对不同中断风险事件的灾前应急预防和灾后应急处置的方法策略，为其科学管理中断风险提供针对性措施借鉴和有效样板，具有一定的建议指导作用。
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进行详细的说明。
实施例1：
如图1所示，本发明实施例提供了一种面向中断风险的物流能力储备及调度求解方法，包括：
S1、获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
S2、根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
S3、采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
本发明实施例构建的面向中断风险的物流能力储备及调度模型可有效确定在各中断风险响应等级下应签约储备和调用的储备点、各类型汽车、司机数量以及优化物资调度策略；采用改进蚁群算法求解所述物流能力储备及调度模型，使得算法寻优过程更加直观具体，求解过程具有较强的鲁棒性。
下面将结合具体内容详细介绍上述技术方案的各个步骤：
首先需要给出的是，本发明实施例构建的模型中所涉及的参数说明具体如下：
yi表示储备点i内的车辆储备数；
Ril表示储备点i内的l型车辆储备数；
Si表示储备点i的物资储备总量；
sij表示储备点i向受灾点j配送的物资量；
dj表示受灾点j的最低基本需求；
d′j表示受灾点j处偏离需求的最大扰动值；
Dj表示受灾点j的真实需求；
γ表示中断风险扰动比例系数，γ∈(0，1)；
ck1表示车辆k的单位固定成本；
ck2表示车辆k的单位变动成本；
Q1k表示车辆k的额定载重量；
Q2l表示车型l的额定载重量；
Pl表示车型l的单位补贴成本；
G表示最大补贴成本；
rij表示储备点i到受灾点j的距离；
θi表示储备点i不发生供应中断的概率，θi∈[0，1]；
Figure SMS_24
Yij′为二元变量，
Figure SMS_25
Figure SMS_26
xijk为二元变量，
Figure SMS_27
xi′jk为二元变量，
Figure SMS_28
Figure SMS_29
其次，为了便于对该问题进行分析和求解，还需要对该问题作出如下假设(具体可以参见模型的约束条件部分内容)：
1)各储备点车辆完成配送任务后，返回原储备点；
2)各储备点可调用各类型的车辆，不同类型车辆的载重、成本等不同；
3)各储备点和潜在受灾点位置已知；
4)各储备点可同时服务多个受灾点，且各受灾点可依次就近接受多个开放且未中断的储备点。
在步骤S1中，获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求。
本步骤中应对中断风险时，可以使用GPS定位系统确定供应中断的储备点和受灾点的具体位置。
而受灾点需求信息的获取过程包括：
S10、根据中断风险的响应等级，获取受灾点的最低基本需求、偏离需求的最大扰动值；
例如，可以根据《国家自然灾害救助应急预案》确定中断风险的响应等级，再结合专家经验和以往应急储备及调度数据库确定当前相应等级对应的受灾点的最低基本需求、偏离需求的最大扰动值，所述以往应急储备及调度数据库是根据以往案例数据正反馈物流能力储备及调度决策，并不断优化反馈而来。
S20、根据所述最低基本需求、偏离需求的最大扰动值，结合扰动比例系数获取受灾点的真实需求；
Dj＝dj+γd′j
其中，Dj表示经计算的受灾点j的真实需求；dj表示受灾点j的最低基本需求；γ表示扰动比例系数，γ∈(0，1)；d′j表示受灾点j处偏离需求的最大扰动值。
实际案例中，中断大风险发生概率小，需求巨大；中断小风险发生概率大，但需求较小，因此可通过改变γ的取值来确定各中断风险下的受灾点需求。在一定程度上消除需求不确定对物资储备和调配造成的影响，可较大幅度提升模型的最优性和鲁棒性。但是不建议γ取0时，Dj仅满足受灾点j的最低基本需求，容易造成物资供应严重不足；或者γ取1时，储备量过于保守，失去了最优储备量的价值。
在步骤S2中，根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型。
所述S2中面向中断风险的物流能力储备及调度模型包括，
以总成本最小化为目标的目标函数，总成本y由固定成本y1、变动成本y2和补贴成本y3三部分组成。
其中，一是固定成本y1，当储备点各类型车辆配送物资时，就会产生固定成本，包括折旧费用等。多车型情况下，各储备点不同类型的车辆固定成本不同，但固定成本只与车辆是否用于物资配送有关，与行驶距离和服务受灾点数量均无关。
二是变动成本y2，变动成本是储备点各类型车辆在物资运输过程中产生的成本，该成本与物资运输距离有关。在多车型情况下，不同类型的载货汽车的单位变动成本不同。因此，变动成本不仅与车型有关，而且和运输距离也有关；
三是补贴成本y3，补贴成本可以是属地政府与各储备车辆司机签订的合同补贴成本，即只要签订相应的合同，就会产生此成本。因为若车辆未使用时，属地政府给予一定的补贴，以减少各储备点车辆司机的损失。因此，补贴成本只与车型和合同数量有关，与是否调用的各类型车辆数量无关。
相关公式具体表达如下：
y＝y1+y2+y3
Figure SMS_30
Figure SMS_31
Figure SMS_32
其中，I表示储备点数量集合，共有m个储备点，I＝{i，i′|i，i′＝1，2，…，m，且i′≠i}；J表示受灾点数量集合，共有n个受灾点，J＝{j|j＝1，2，…，n}。
面向中断风险的物流能力储备及调度模型还包括约束条件，
(1)所有储备点的车辆总数约束，即各储备点的各类型车辆数量是固定的，故所有储备点车辆数应为所有签约的各类型车辆总数：
Figure SMS_33
(2)各储备点调用车辆总数约束，即各储备点调用的各类型车辆的数目不超过该储备点的车辆总数：
Figure SMS_34
(3)所有储备点配送量约束，与前文对应的通过需求扰动比例系数确定受灾点中断风险情况下的需求为Dj＝dj+γd′j，所有可用储备点的配送量要满足受灾点的预测需求量：
Figure SMS_35
(4)所有可用储备点储备量约束，即从储备点运出的物资总量应不大于所有可用储备点的储备量：
Figure SMS_36
(5)车辆装载量约束，即载货汽车从各储备点出发时，必须保证其服务受灾点的物资需求总量不超过该车辆的额定载重量：
Figure SMS_37
(6)车辆服务受灾点后返回原储备点约束，即完成任务后，车辆须返回原储备点，从而保证各储备点配备一定数目的车辆：
Figure SMS_38
(7)对各车辆司机补贴成本约束，即对签约车辆司机的补贴成本应不大于其愿意支出的最大补贴成本(补贴成本约束能够有效防止签约数量过多，储备太过保守而失去最优解)：
Figure SMS_39
在步骤S3中，采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
需要补充说明的是，本发明实施例中储备点车辆遍历路径情况有三种：第一种情况是车辆从储备点到受灾点出发送货，第二种情况是车辆受灾点到下一受灾点连续送货，第三种情况是车辆从受灾点返回到储备点重新载货。因此，为方便算法描述，本步骤中引入变量g和g′，统一描述为从客户点g到客户点g′，其中所述客户点包括所有储备点和受灾点。
如图2所示，所述S3具体包括：
S31、初始化算法参数；
S32、构造算法解空间，将Pop只蚂蚁随机放入各客户点，并将蚂蚁k，k＝1，2，…pop的起始点放入禁忌表tabuk(记录了模型中车辆配送的优化路径)，蚂蚁根据改进后的状态转移概率及所述物流能力储备及调度模型的约束条件选择下一客户点，禁忌表tabuk中存放各蚂蚁已经访问过的客户点，直至蚂蚁访问完所有客户点；
本发明实施例所提出的改进蚁群算法增加了状态转移概率公式中对车辆载重量的权重设置，从而更加真实地反映实际状况，所述状态转移概率具体是指：
Figure SMS_40
Jk(g′)＝{1，2，…，n}-tabuk，ηgg′＝1/dgg′
wgg′(t))＝(wg+wg′)/Q1k，wgg′(t))∈[0，1]
其中，
Figure SMS_41
表示第k只蚂蚁在时刻t从客户点g到客户点g’的状态转移概率，Jk(g′)表示第k只蚂蚁下一步可能访问的客户点集合，s为待访问客户点集合中的其中一个客户点；wg表示配送车辆在客户点g的物资叠加承载量，wg′表示配送车辆在客户点g′的物资供给量；
α和β分别表示信息素和启发式因子的相对重要程度，启发因子ηgg′设为客户点g到客户点g’的距离dgg′的倒数，φ为可调节的与承重量有关的权重值。
此外，本发明实施例提出的局部和全局信息素更新策略避免算法陷入局部最优，提升了寻优质量，具体如下：
S33、局部信息素更新，若当前蚂蚁完成遍历，则执行基于莱维飞行策略的局部信息素更新策略，否则继续选择客户点；
所述局部信息素更新策略具体是指：
Δτgg′(t+1)＝ρgg′(t)+Δτgg′(t，t+1)
Figure SMS_42
Figure SMS_43
其中，ρgg′(t-1)、ρgg′(t)分别表示(t，t+1)、(t-1，t)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素挥散因子；δ是莱维飞行步长缩放因子，Levy(λ)是莱维飞行随机路径，
Figure SMS_44
是点对点的运算乘法符号；/>
Figure SMS_45
指在(t，t+1)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素增量，Δτgg′(t，t+1)即指所有蚂蚁在该路径上积累的信息素总和。
S34、全局信息素更新，若所有蚂蚁完成遍历，根据所述物流能力储备及调度模型的目标函数比较各蚂蚁对应的总成本，选择当前最优解并执行基于莱维飞行策略的全局信息素更新策略，否则继续选择客户点；
所述全局信息素更新策略具体是指：
τgg′(t+1)＝(1-ρgg′)τgg′(t)+ρgg′Δτgg′
Figure SMS_46
其中，若客户点g到客户点g’为最优路径时，则Δτgg′＝Q/Lk，否则，Δτgg′＝0，Lk为全局最优解，Q为信息素更新参数且为正数。
S34、检查算法终止条件，判断若算法迭代次数小于算法预先设定的最大迭代次数Maxgen，则终止算法迭代，输出全局最优解，并作为最终的物流应急储备及调度方案；否则，清空算法的禁忌表tabuk，并返回至S32，直至算法结束。
本发明实施例面向中断风险的物流能力储备及优化调度问题，相较于单储备点、单车型车辆路径问题更加复杂，求解难度和复杂度更高，采用改进蚁群算法求解本问题，使得算法寻优过程更加直观具体，求解过程具有较强的鲁棒性。
本发明实施例提供了一种面向中断风险的物流能力储备及调度求解系统，包括：
获取模块，用于获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
构建模块，用于根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
求解模块，用于采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
本发明实施例提供了一种存储介质，其存储有用于面向中断风险的物流能力储备及调度求解的计算机程序，其中，所述计算机程序使得计算机执行如上所述的物流能力储备及调度求解方法。
本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的物流能力储备及调度求解方法。
可理解的是，本发明实施例提供的面向中断风险的物流能力储备及调度求解系统、存储介质和电子设备与本发明实施例提供的面向中断风险的物流能力储备及调度求解方法相对应，其有关内容的解释、举例和有益效果等部分可以参考物流能力储备及调度求解方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例构建的面向中断风险的物流能力储备及调度模型有效确定在各中断风险响应等级下应签约储备和调用的储备点、各类型汽车、司机数量以及优化物资调度策略。
2、本发明实施例所提出的改进蚁群算法增加了状态转移概率公式中对车辆载重量的权重设置，从而更加真实地反映实际状况。
3、本发明实施例提出的局部和全局信息素更新策略避免算法陷入局部最优，提升了寻优质量。
4、本发明实施例面向中断风险的物流能力储备及优化调度问题，相较于单储备点、单车型车辆路径问题更加复杂，求解难度和复杂度更高，采用改进蚁群算法求解本问题，使得算法寻优过程更加直观具体，求解过程具有较强的鲁棒性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (10)

1.一种面向中断风险的物流能力储备及调度求解方法，其特征在于，包括：
S1、获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
S2、根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
S3、采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
2.如权利要求1所述的物流能力储备及调度求解方法，其特征在于，获取所述S1中受灾点需求信息包括：
S10、根据中断风险的响应等级，获取受灾点的最低基本需求、偏离需求的最大扰动值；
S20、根据所述最低基本需求、偏离需求的最大扰动值，结合扰动比例系数获取受灾点的真实需求；
Dj＝dj+γd′j
其中，Dj表示经计算的受灾点j的真实需求；dj表示受灾点j的最低基本需求；γ表示扰动比例系数，γ∈(0，1)；d′j表示受灾点j处偏离需求的最大扰动值。
3.如权利要求2所述的物流能力储备及调度求解方法，其特征在于，所述S2中物流能力储备及调度模型包括，
以总成本最小化为目标的目标函数，总成本y由固定成本y1、变动成本y2和补贴成本y3三部分组成；
y＝y1+y2+y3
Figure FDA0003837131100000021
Figure FDA0003837131100000022
Figure FDA0003837131100000023
其中，I表示储备点数量集合，共有m个储备点，I＝{i，i′|i，i′＝1，2，…，m，且i′≠i}；J表示受灾点数量集合，共有n个受灾点，J＝{j|j＝1，2，…，n}；K表示车辆数量集合；L表示车型的数量集合；
Ril表示储备点i内的l型车辆储备数；
ck1表示车辆k的单位固定成本；
ck2表示车辆k的单位变动成本；
Pl表示车型l的单位补贴成本；
rij表示储备点i到受灾点j的距离；
θi表示储备点i不发生供应中断的概率，θi∈[0，1]；
Yij为二元变量，
Figure FDA0003837131100000024
Yi′j为二元变量，
Figure FDA0003837131100000025
Figure FDA0003837131100000026
Figure FDA0003837131100000027
xi′jk为二元变量，
Figure FDA0003837131100000028
Figure FDA0003837131100000031
4.如权利要求3所述的物流能力储备及调度求解方法，其特征在于，所述S2中物流能力储备及调度模型包括约束条件，
(1)所有储备点的车辆总数约束
Figure FDA0003837131100000032
(2)各储备点调用车辆总数约束
Figure FDA0003837131100000033
(3)所有储备点配送量约束
Figure FDA0003837131100000034
(4)所有可用储备点储备量约束
Figure FDA0003837131100000035
(5)车辆装载量约束
Figure FDA0003837131100000036
(6)车辆服务受灾点后返回原储备点约束
Figure FDA0003837131100000037
(7)各车辆司机补贴成本约束
Figure FDA0003837131100000038
其中，yi表示储备点i内的车辆储备数；
Si表示储备点i的物资储备总量；
sij表示储备点i向受灾点j配送的物资量；
Q1k表示车辆k的额定载重量；
Q2l表示车型l的额定载重量；
G表示最大补贴成本。
5.如权利要求4所述的物流能力储备及调度求解方法，其特征在于，所述S3具体包括：
S31、初始化算法参数；
S32、构造算法解空间，将Pop只蚂蚁随机放入各客户点，并将蚂蚁k，k＝1，2，…pop的起始点放入禁忌表tabuk，蚂蚁根据改进后的状态转移概率及所述物流能力储备及调度模型的约束条件选择下一客户点，禁忌表tabuk中存放各蚂蚁已经访问过的客户点，直至蚂蚁访问完所有客户点；所述客户点包括所有储备点和受灾点；
S33、局部信息素更新，若当前蚂蚁完成遍历，则执行基于莱维飞行策略的局部信息素更新策略，否则继续选择客户点；
S34、全局信息素更新，若所有蚂蚁完成遍历，根据所述物流能力储备及调度模型的目标函数比较各蚂蚁对应的总成本，选择当前最优解并执行基于莱维飞行策略的全局信息素更新策略，否则继续选择客户点；
S34、检查算法终止条件，判断若算法迭代次数小于算法预先设定的最大迭代次数Maxgen，则终止算法迭代，输出全局最优解，并作为最终的物流应急储备及调度方案；否则，清空算法的禁忌表tabuk，并返回至S32，直至算法结束。
6.如权利要求5所述的物流能力储备及调度求解方法，其特征在于，所述S32中状态转移概率具体是指：
Figure FDA0003837131100000051
Jk(g′)＝{1，2，…，n}-tabuk，ηgg′＝1/dgg′
wgg′(t)＝(wg+wg′)/Q1k，wgg′(t)∈[0，1]
其中，
Figure FDA0003837131100000052
表示第k只蚂蚁在时刻t从客户点g到客户点g’的状态转移概率，Jk(g′)表示第k只蚂蚁下一步可能访问的客户点集合，s为待访问客户点集合中的其中一个客户点；wg表示配送车辆在客户点g的物资叠加承载量，wg′表示配送车辆在客户点g′的物资供给量；
α和β分别表示信息素和启发式因子的相对重要程度，启发因子ηgg′设为客户点g到客户点g’的距离dgg′的倒数，φ为可调节的与承重量有关的权重值。
7.如权利要求6所述的物流能力储备及调度求解方法，其特征在于，
所述S33中的局部信息素更新策略具体是指：
Δτgg′(t+1)＝ρgg′(t)+Δτgg′(t，t+1)
Figure FDA0003837131100000053
Figure FDA0003837131100000054
其中，ρgg′(t-1)、ρgg′(t)分别表示(t，t+1)、(t-1，t)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素挥散因子；δ是莱维飞行步长缩放因子，Levy(λ)是莱维飞行随机路径，
Figure FDA0003837131100000061
是点对点的运算乘法符号；/>
Figure FDA0003837131100000062
指在(t，t+1)时间段内蚂蚁k从客户点g到客户点g’的路径上的信息素增量，Δτgg′(t，t+1)即指所有蚂蚁在该路径上积累的信息素总和；
和/或所述S34中的全局信息素更新策略具体是指：
τgg′(t+1)＝(1-ρgg′)τgg′(t)+ρgg′Δτgg′
Figure FDA0003837131100000063
其中，若客户点g到客户点g’为最优路径时，则Δτgg′＝Q/Lk，否则，Δτgg′＝0，Lk为全局最优解，Q为信息素更新参数且为正数。
8.一种面向中断风险的物流能力储备及调度求解系统，其特征在于，包括：
获取模块，用于获取储备点和受灾点的位置信息，并确定供应中断的储备点以及受灾点的真实需求；
构建模块，用于根据所述供应中断的储备点以及受灾点的真实需求，构建面向中断风险的物流能力储备及调度模型；
求解模块，用于采用改进蚁群算法求解所述物流能力储备及调度模型，获取物流应急储备及调度方案。
9.一种存储介质，其特征在于，其存储有用于面向中断风险的物流能力储备及调度求解的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一项所述的物流能力储备及调度求解方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一项所述的物流能力储备及调度求解方法。
CN202211090686.9A 2022-09-07 2022-09-07 面向中断风险的物流能力储备及调度求解方法和系统 Pending CN116307961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211090686.9A CN116307961A (zh) 2022-09-07 2022-09-07 面向中断风险的物流能力储备及调度求解方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211090686.9A CN116307961A (zh) 2022-09-07 2022-09-07 面向中断风险的物流能力储备及调度求解方法和系统

Publications (1)

Publication Number Publication Date
CN116307961A true CN116307961A (zh) 2023-06-23

Family

ID=86832855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211090686.9A Pending CN116307961A (zh) 2022-09-07 2022-09-07 面向中断风险的物流能力储备及调度求解方法和系统

Country Status (1)

Country Link
CN (1) CN116307961A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562595A (zh) * 2023-07-07 2023-08-08 四川师范大学 一种应急物资配送车辆调度方法
CN117455211A (zh) * 2023-12-26 2024-01-26 济南大学 应急物资跨区域调度方法、系统、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562595A (zh) * 2023-07-07 2023-08-08 四川师范大学 一种应急物资配送车辆调度方法
CN116562595B (zh) * 2023-07-07 2023-09-15 四川师范大学 一种应急物资配送车辆调度方法
CN117455211A (zh) * 2023-12-26 2024-01-26 济南大学 应急物资跨区域调度方法、系统、电子设备及存储介质
CN117455211B (zh) * 2023-12-26 2024-03-15 济南大学 应急物资跨区域调度方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN116307961A (zh) 面向中断风险的物流能力储备及调度求解方法和系统
US20240054444A1 (en) Logistics scheduling method and system for industrial park based on game theory
Chew et al. Travel time analysis for general item location assignment in a rectangular warehouse
CN108022061B (zh) 库存管理系统和方法
Benoist et al. Randomized local search for real-life inventory routing
Hung et al. Dynamic inventory rationing for systems with multiple demand classes and general demand processes
CN111695842B (zh) 配送方案确定方法、装置、电子设备及计算机存储介质
CN110751441A (zh) 一种优化物流仓储系统中储位的方法及装置
Koev et al. Resource strategy for enterprise management as a tool to ensure its competitiveness
US20240028989A1 (en) Forecasting system
Naumov et al. Model of the Delivery Routes Forming Process as a Service Provided by Forwarding Companies
Kapalka et al. Retail inventory control with lost sales, service constraints, and fractional lead times
CN115271187A (zh) 物流中转站关键指标的预测方法、装置、设备及存储介质
EP3472762A1 (en) Vehicle fleet control systems and methods
Seo et al. Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning
CN113780913B (zh) 一种安全库存信息的生成方法和装置
Perrucci et al. Temporary housing operations: A simulation-based inventory management approach using the newsvendor model
CN115564359B (zh) 汽车售后备件的库存预测方法、设备和存储介质
CN116228069A (zh) 库存路径规划方法及其装置、电子设备及存储介质
JPH07219920A (ja) 最適化問題解決処理方法および装置
CN111210179A (zh) 快递柜制冷控制方法及装置、可读存储介质和终端
CN113642958B (zh) 基于大数据的仓库补货方法、装置、设备及存储介质
CN115965140A (zh) 一种库存最优规划方法、系统、设备和存储介质
CN117236824B (zh) 一种用于农产品在线交易平台的物流调度方法
CN116137181B (zh) 一种疫苗接种指挥调度方法及系统

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