CN116485061A - 一种以碳排放为限制的危化品多车辆运输的路径优化方法 - Google Patents
一种以碳排放为限制的危化品多车辆运输的路径优化方法 Download PDFInfo
- Publication number
- CN116485061A CN116485061A CN202310522450.6A CN202310522450A CN116485061A CN 116485061 A CN116485061 A CN 116485061A CN 202310522450 A CN202310522450 A CN 202310522450A CN 116485061 A CN116485061 A CN 116485061A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- transportation
- total
- 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.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 239000000126 substance Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000002922 simulated annealing Methods 0.000 claims abstract description 22
- 239000000446 fuel Substances 0.000 claims abstract description 14
- 241000257303 Hymenoptera Species 0.000 claims description 24
- 239000003016 pheromone Substances 0.000 claims description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 239000000383 hazardous chemical Substances 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 238000013439 planning Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 241000695274 Processa Species 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010792 warming Methods 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"
- G06Q10/047—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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种以碳排放为限制的危化品多车辆运输的路径优化方法,该方法包括如下步骤:综合考虑边缘人群、行驶距离、危化品等多方信息构建风险刻画模型;通过车辆运输路径来构建成本模型;利用燃料消耗率、CO2的排放率来构建碳排放模型;建立双目标优化模型,优化方向为两个目标同时最小化;将仓库、客户信息编码为网络图节点;构建混合智能算法来求解双目标优化模型,即基于模拟退火改进的混合蚁群算法:求得双目标帕累托最优解和最优路径。本发明主要在危化品多车辆运输的背景下,有效权衡风险、成本,并通过加入碳排放约束,提高了实际意义与参考价值。
Description
技术领域
本发明为一种以碳排放为限制的危化品多车辆运输的路径优化方法,属于危化品运输车辆路径问题领域,特别是研究了定量碳排放约束下在车辆路径规划策略,建立了双目标优化模型。
背景技术
化学产品应用广泛,在工业、农业、国防和人民日常生活中发挥着重要作用。随着经济的快速发展,化学产品的使用正在迅速增长。2021年,石油和化工行业规模以上企业26947家,累计实现营业收入14.45万亿元,实现利润总额1.16万亿元。通常,许多种类的化学产品由于其爆炸性、易燃性、毒性、腐蚀性和放射性特征而具有危险性。根据相关数据,中国危险化学品行业的总运输量持续增长,从2015年的13.6亿吨增至2020年的17.3亿吨。5000多种化学原料在我国的分布并不均匀,95%以上需要运输到不同的地方。在运输过程中一旦发生事故,将对人环境造成严重的后果。
在运输领域,车辆路径问题(Vehicle Routing Problem,VRP)受到人们的广泛关注,取得了许多研究成果。在危险化学品运输问题中,危险化学品车辆路径问题是在VRP问题上扩展的考虑了运输风险和运输距离的双目标问题。由于危险品的固有危险性和巨大的运输量,确保危险品的安全运输非常重要。近年来,全球变暖日益严重,减少碳排放的热点问题引起了全世界的关注。交通运输是碳排放的主要组成部分之一,占全球碳排放总量的14%。因此,危险化学品道路运输的目标不仅需考虑成本和危险风险,还应考虑CO2排放。
Pradhananga等(DOI:https://doi.org/10.1016/j.seps.2014.02.003)以最小化总行程时间和运输过程的总风险为目标,提出了一个基于帕累托的带时间窗口的危险品车辆路径和调度问题的双目标优化模型,设计了一种元启发式求解算法。Revelle等(DOI:https://doi.org/10.1287/trsc.25.2.138)结合暴露人群和危险品装载能力来衡量危险品运输的风险。袁文燕等(DOI:CNKI:SUN:SSJS.0.2016-14-023)针对危险品车辆路径问题中车辆访问多个需求点的特性,在风险度量方式上考虑了运输过程中车辆载重量的变化,建立了最小化总运输距离以及最小化运输风险的双目标优化模型。采用改进的蚁群算法对模型进行求解并获得优化问题的非支配解。陈高华等(CN 113343575 A)提出了一种配送总成本最小和碳排放最少的多目标车辆路径优化模型,并设计改进的蚁群算法来求解该优化问题。唐慧玲等(DOI:10.16381/j.cnki.issn1003-207x.2018.1405)考虑带有碳排放约束的车辆路径问题,以运输距离最短和碳排放最小为目标,构建了多目标车辆路径问题的非线性规划模型,通过引入一种混沌扰动机制提出了一种改进的蚁群算法对模型进行求解。
通过对上述文献的分析,可以发现尽管现有研究考虑了载重对危险品运输风险的影响,但在分析和评估过程中,载重量仅被视为一个常数。在危险品运输风险度量中鲜有考虑车辆载重量的动态变化;环境问题日益严重,旨在减少温室气体排放的绿色交通已经引起了极大关注,但是在危化品车辆路径问题中较少有研究涉及环境问题。
危化品运输是国民经济发展的一个重要环节。在权衡风险、成本的同时,通过加入碳排放约束来研究危化品车辆路径问题,以提高实际意义与参考价值。
参考文献如下:Pradhananga,R.,Taniguchi,E.,Yamada,T.,Qureshi,A.G.Bi-objective decision support system for routing and scheduling of hazardousmaterials[J].Socio-Economic Planning Sciences,2014,48(2),135-148.DOI:https://doi.org/10.1016/j.seps.2014.02.003.
ReVelle,C.,Cohon,J.,&Shobrys,D.Simultaneous siting and routing in thedisposal of hazardous wastes.Transportation Science,1991,25(2),138-145.DOI:https://doi.org/10.1287/trsc.25.2.138.
袁文燕,徐腾飞,杨丰梅等.基于新风险度量方式的危险品车辆路径双目标优化模型[J].数学的实践与认识,2016,46(14):275-284.DOI:CNKI:SUN:SSJS.0.2016-14-023.陈高华,郗传松,周子涵等.基于改进蚁群算法的多目标车辆路径优化方法[P].山西省:CN113343575A,2021-09-03.
唐慧玲,唐恒书,朱兴亮.基于改进蚁群算法的低碳车辆路径问题研究[J].中国管理科学,2021,29(07):118-127.DOI:10.16381/j.cnki.issn1003-207x.2018.1405.
发明内容
本发明提出了一种以碳排放为限制的危化品多车辆运输模型与求解该问题的基于模拟退火改进的混合蚁群算法。本发明首先通过对危化品运输过程中的风险、成本、碳排放进行建模;同时为了契合该领域相关决策者的首要目标,提出了风险、成本双目标模型,并将碳排放加入到模型约束中;最终利用提出的混合智能算法求解该双目标模型,得出可以解决此问题的最优路径。本发明还通过设计算例验证了所提出的优化方法的有效性,更好的性能可以为决策者提供更优的选择方案。
本发明提出了一种以碳排放为限制的危化品多车辆运输的路径优化方法,包括以下步骤:
步骤一:确定决策变量xijk,表示车辆k是否通过边(i,j);
步骤二:建立风险量化模型,考虑车辆实际行驶距离来分析事故发生概率,并以车辆实际装载危化品的质量与周围边缘暴露人群数量来衡量事故的后果;
步骤三:建立成本量化模型,考虑不同车辆的在单位路径上的花费与路径长度作为成本,其中单位路径花费与车辆型号有关;
步骤四:设置约束条件,对于以碳排放为限制的危化品多车辆运输的路径问题,设置如下约束条件:限制车辆运输时二氧化碳的排放总量、保证车辆对每个客户的唯一性、限制路径中无回路、车辆的容量限制、车辆的总数限制;
步骤五:针对以碳排放为限制的危化品多车辆运输的路径问题,建立双目标优化模型,将所有车辆运输过程的总风险与总成本的同时最小化作为优化目标;
步骤六:构建混合智能算法来求解双目标优化模型,即通过模拟退火改进的蚁群算法,计算得到帕累托前沿解集,并根据要求提供最优的路径规划方案。
进一步的,所述的步骤二具体如下:
定义符号说明:
N=(V,E) 运输网络图
V={0,1,2,…,n} 图中的结点,即客户
E={(i,j)i,j∈V,i≠j} 图中的边
dij=dji(i,j∈V,i≠j) i到j的距离
qj 客户需求
Q 车的总载重量
K={1,2,…,m} 车辆集合,m为车辆总数
pij (i,j)边上的事故发生概率
cij (i,j)边上的事故发生造成的后果
ρij (i,j)边上边缘暴露人群数量
ωijk 车辆k在(i,j)边上的实际载重量
ωij 车辆在(i,j)边上的实际载重量
xijk 车辆k通过(i,j)边则为1,否则为0
事故的风险是实时变动的,其与事故发生概率与事故发生后果有关,所以车辆k访问过的(i,j)边的风险可以表示为:
因此所有车辆在运输路径上的总风险可以表示为:
进一步的,所述的步骤三具体如下:
对于车辆k在边(i,j)上的成本可以表示为α·dij·xijk,因此所有车辆在运输路径上的总运输成本可以表示为:
其中α为车辆运输的单位成本。
进一步的,所述的步骤四具体如下:
定义符号说明:
CER CO2的排放率
r0 空车时的燃料消耗率
r* 满载时的燃料消耗率
rijk 车辆k在边(i,j)上的燃料消耗率
eij 车辆k在边(i,j)上的碳排放量
车辆的载重量将会影响其在单位距离的燃料消耗率,将燃料消耗率定义为因此车辆k在边(i,j)上的碳排放与CER与边(i,j)的距离有关,即限制车辆运输时二氧化碳的排放总量的约束为:
其中Mc为二氧化碳总排放限制量。
进一步的,所述的步骤五提到的以总运输成本与总风险同时最小化为目标双目标优化模型具体如下:
s.t.
xijk∈{0,1} (13)
其中S表示需要满足运输服务的客户集合。
进一步的,所述的步骤六中求解该双目标模型的混合智能算法具体如下:
步骤6.1:随机初始化蚂蚁的初始路径,并进行信息素的首次更新,更新公式为:
τij(t+1)=(1-ρ)×τij(t)+Δτij(t) (14)
其中λ和μ为每个目标函数的权重,τij(t)为第t次迭代时边(i,j)的信息素量,ρ为挥发系数,τij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素量,Δτij(t)为第t次迭代时边(i,j)的信息素改变量,Δτij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素改变量,Antnum为蚂蚁数量,Fc和Fh分别为总运输成本与总风险,Qant为信息素释放系数;
步骤6.2:开始讲行正式迭代,在迭代过程中,计算所有蚂蚁的搜索路径中值,作为适应度;
步骤6.3:选择适应度最小的P只蚂蚁,P为进行模拟退火的蚂蚁数量,进行模拟退火处理,其中模拟退火是对多车辆路径中的Psa个车辆的路径进行二次优化,其中模拟退火的新解通过贪婪机制生成,即车辆转移时首先考虑最近的客户;Psa为模拟退火所选择的车辆个数;
步骤6.4:计算进行模拟退火的P只蚂蚁的新适应度,并更新原始适应度;
步骤6.5:根据蚂蚁的适应度对其进行信息素更新,保留单次迭代的最优结果;
步骤6.6:重复步骤6.2-步骤6.5直到迭代完成;
步骤6.7:输出所有迭代过程中最优的结果,获得帕累托前沿解集及相应的最优路径。
本发明相对于现有技术的改进与有益效果是:
1.相较于现有涉及碳排放的危化品运输模型,本发明选择将碳排放作为约束而非目标,不仅简化了优化目标的数量,并且相较于运输成本与风险而言,车辆碳排放实际占据成本较小,将其设为约束而非目标具有更高的应用价值。
2.本发明所构建的危化品运输路径规划模型,均考虑了实时性,以车辆当前运输距离与当前装载量求解车辆的成本、风险、碳排放量等指标,更加贴合实际。
3.基于多车辆的危化品运输路径规划问题,构建了双目标优化模型,从决策者的角度考虑同时使运输过程中的成本与风险最小化,找到两个目标的帕累托解集。
4.基于所构建的双目标优化模型,创新型的设计了一种混合智能算法,在传统蚁群算法的基础上,采用基于贪心机制改进的模拟退火算法对蚂蚁迭代结果进行二次优化,有效减少算法陷入局部最优解的情况,在运行结果上展现出稳定性与有效性,对应的优化结果可以为决策者提供更好的参考。
附图说明
图1是所提出的混合智能算法的流程图;
图2是一个简单案例下的模型所有路径的双目标模型计算结果可视化;
图3为所提出的混合智能算法、ACO、SA在A_n34_k5数据集上的帕累托前沿;
图4为所提出的混合智能算法、ACO、SA在A_n44_k6数据集上的帕累托前沿;
图5为所提出的混合智能算法、ACO、SA在A_n69_k9数据集上的帕累托前沿;
图6是所提出的混合智能算法在不同碳约束下的双目标帕累托前沿解可视化。
具体实施方式
下面将结合本发明中的附图,对以碳排放为限制的危化品多车辆运输的路径优化方法的具体实施方式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,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明提出的一种以碳排放为限制的危化品多车辆运输的路径优化方法,包括以下步骤实现:
(1)确定决策变量xijk,表示车辆k是否通过边(i,j);
(2)建立风险量化模型,考虑车辆实际行驶距离来分析事故发生概率,并以车辆实际装载危化品的质量与周围边缘暴露人群数量来衡量事故的后果;
具体步骤如下:
(1)定义符号说明
N=(V,E) 运输网络图
V={0,1,2,…,n} 图中的结点,即客户
E={(i,j)i,j∈V,i≠j} 图中的边
dij=dji(i,jV,i≠j) i到j的距离
qj 客户需求
Q 车的总载重量
K={1,2,…,m} 车辆集合,m为车辆总数
pij (i,j)边上的事故发生概率
cij (i,j)边上的事故发生造成的后果
ρij (i,j)边上边缘暴露人群数量
ωijk 车辆k在(i,j)边上的实际载重量
ωij 车辆在(i,j)边上的实际载重量
xijk 车辆k通过(i,j)边则为1,否则为0
事故的风险是实时变动的,其与事故发生概率与事故发生后果有关,所以车辆k访问过的(i,j)边的风险可以表示为:
因此所有车辆在运输路径上的总风险可以表示为:
(3)建立成本量化模型,考虑不同车辆的在单位路径上的花费与路径长度作为成本,其中单位路径花费与车辆型号有关;
对于车辆k在边(i,j)上的成本可以表示为α·dij·xijk,因此所有车辆在运输路径上的总运输成本可以表示为:
其中α为车辆运输单位成本。
(4)设置约束条件,对于以碳排放为限制的危化品多车辆运输的路径问题,设置如下约束条件:限制车辆运输时二氧化碳的排放总量、保证车辆对每个客户的唯一性、限制路径中无回路、车辆的容量限制、车辆的总数限制:
定义符号说明:
CER CO2的排放率
r0 空车时的燃料消耗率
r* 满载时的燃料消耗率
rijk 车辆k在边(i,j)上的燃料消耗率
eijk 车辆k在边(i,j)上的碳排放量
车辆的载重量将会影响其在单位距离的燃料消耗率,将燃料消耗率定义为因此车辆k在边(i,j)上的碳排放与CER与边(i,j)的距离有关,即限制车辆运输时二氧化碳的排放总量的约束为:
其中Mc为二氧化碳总排放限制量。
(5)针对以碳排放为限制的危化品多车辆运输的路径问题,建立双目标优化模型,将所有车辆运输过程的总风险与总成本的同时最小化作为优化目标;所述双目标优化模型具体表示如下:
s.t.
xijk∈{0,1} (13)
其中S表示需要满足运输服务的客户集合。
(6)构建混合智能算法来求解双目标优化模型,为了求解该双目标优化模型,设计了一种混合智能算法,即通过模拟退火改进的蚁群算法,计算得到帕累托解集,并根据不同决策者的需求偏好提供最优的路径规划方案,其求解步骤如附图1所示,步骤描述如下:
算法步骤1:随机初始化蚂蚁的初始路径,并进行信息素的首次更新,更新公式为:
τij(t+1)=(1-ρ)×τij(t)+Δτij(t) (14)
其中λ和μ为每个目标函数的权重,τij(t)为第t次迭代时边(i,j)的信息素量,ρ为挥发系数,τij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素量,Δτij(t)为第t次迭代时边(i,j)的信息素改变量,Δτij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素改变量,Antnum为蚂蚁数量,Fc和Fh分别为总运输成本与总风险,Qant为信息素释放系数;
算法步骤2:开始进行正式迭代,在迭代过程中,计算所有蚂蚁的搜索路径中值,作为适应度;
算法步骤3:选择适应度最小的P只蚂蚁,P为进行模拟退火的蚂蚁数量,进行模拟退火处理,其中模拟退火是对多车辆路径中的Psa个车辆的路径进行二次优化,其中模拟退火的新解通过贪婪机制生成,即车辆转移时首先考虑最近的客户;Psa为模拟退火所选择的车辆个数;
算法步骤4:计算进行模拟退火的P只蚂蚁的新适应度,并更新原始适应度;
算法步骤5:根据蚂蚁的适应度对其进行信息素更新,保留单次迭代的最优结果;
算法步骤6:重复算法步骤2-算法步骤5直到迭代完成;
算法步骤7:输出所有迭代过程中最优的结果,获得帕累托最优解及相应的最优路径。
实施例1
以一个仓库,三个客户点的危化品车辆路径规划问题为例,对本发明进行更为具体的分析。首先,在客户-仓库网络图上对所有节点间的距离、边缘人口、事故发生概率等信息进行搜集,对客户-仓库网络图进行初始化,同时对碳排放率、车辆燃料消耗率等信息进行搜集。相关的客户-仓库信息如下表1所示:
表1简单案例所使用的数据
设定决策变量xijk,表示车辆k是否路过边(i,j)。构建风险量化模型与成本量化模型,用于度量车辆路径的总风险与总成本。如果有Cus个客户,Cus为客户数量,则所有路径结果有Cus!种,对每种路径通过风险度量模型与成本量化模型计算风险与成本,附图2展示出了该实施例的所有的路径情况,其中Fc为成本、Fh为风险、Fe为碳排放总量。设置调整约束条件的约束强度,得到满足条件的可行解。构建成本-风险双目标优化模型,最后利用混合智能算法来求解模型,得到最优解。结果如下表2所示:
表2满足不同碳排放约束下的解集数量
为了充分验证算法的性能,本发明对带容量约束的车辆路径优化问题中常用的A_n34_k5、A_n44_k6和A_n69_k9三个算例进行了对比试验。确定决策变量xijk,表示车辆k是否路过边(i,j)。构建风险量化模型与成本量化模型,用于度量车辆路径的总风险与总成本。对每个算例设置约束条件,使碳排放限制在一个合理范围内,并对每个算例分别构建双目标优化模型。
在算法参数设置相同的情况下,将混合智能算法(ACO-SA)与蚁群算法(ACO)、模拟退火算法(SA)以及利用贪心算法初始化的模拟退火算法(SA-greedy)来分别求解不同算例下的双目标优化模型,并对算法性能进行对比。通过重复运行500次的方式以确保实验结果的有效性与可信度。
表3为算法结果进行具体量化表示。实验结果的帕累托前沿可视化于附图3、附图4、附图5中展示,由于SA算法的性能相对于其他三种来说差异较大,因此在图中的SA的结果为SA-greedy算法的结果。图中横坐标为路径运输成本,纵坐标为路径运输风险,矩形为ACO-SA算法的结果,圆形表示ACO算法的运行结果,倒三角代表SA-greedy算法的结果。从附图3、附图4及附图5的结果中可以发现,ACO-SA求解这三个算例所构建的双目标优化模型所得到的帕累托前沿显著由于其他几种对比算法,表明本发明所提出的混合智能算法性能优异。
表3不同算法的结果对比
附图6为本发明所提出的混合蚁群算法在不同碳排放约束下的帕累托前沿可视化结果,约束强度分别为650、700、750。其中横坐标为风险量化模型计算结果,纵坐标为成本量化模型计算结果,不同的标志代表不同的碳排放约束强度下的帕累托前沿结果。从附图中可以发现,随着约束力度增大,帕累托解逐渐向右上移动,即风险随着碳排放约束增大而增大,运输成本随着碳排放的增大而减小。
本发明提出了一种以碳排放为限制的危化品多车辆运输的双目标模型与求解该模型的混合智能算法。与现有几乎不同,该双目标模型通过引入代表碳排放的约束来考虑成本和危险风险,考虑了车辆负荷变化引起的风险和二氧化碳排放的动态变化。此外,本发明所提出的混合智能算法不仅采用模拟退火作为优化算子,对蚁群算法获得的每条路径进行优化,使得解的质量更优,还提出了一种新的信息素更新方法来解决双目标问题。综上所述,本发明主要在危化品多车辆运输的背景下,有效权衡风险、成本,并通过加入碳排放约束,提高了实际意义与参考价值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于,包括以下步骤:
步骤一:确定决策变量xijk,表示车辆k是否通过边(i,j);
步骤二:建立风险量化模型,考虑车辆实际行驶距离来分析事故发生概率,并以车辆实际装载危化品的质量与周围边缘暴露人群数量来衡量事故的后果;
步骤三:建立成本量化模型,考虑不同车辆的在单位路径上的花费与路径长度作为成本,其中单位路径花费与车辆型号有关;
步骤四:设置约束条件,对于以碳排放为限制的危化品多车辆运输的路径问题,设置如下约束条件:限制车辆运输时二氧化碳的排放总量、保证车辆对每个客户的唯一性、限制路径中无回路、车辆的容量限制、车辆的总数限制;
步骤五:针对以碳排放为限制的危化品多车辆运输的路径问题,建立双目标优化模型,将所有车辆运输过程的总风险与总成本的同时最小化作为优化目标;
步骤六:构建混合智能算法来求解双目标优化模型,即通过模拟退火改进的蚁群算法,计算得到帕累托解集,并根据要求提供最优的路径规划方案。
2.根据权利要求1所述的一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于:步骤二中,风险量化模型具体表述如下:
定义符号说明:
N=(V,E) 运输网络图
V={0,1,2,…,n} 图中的结点,即:客户
E={(i,j)i,j∈V,i≠j} 图中的边
dij=dji(i,j∈V,i≠j) i到j的距离
qj 客户需求
Q 车的总载重量
K={1,2,…,m} 车辆集合,m为车辆总数
pij (i,j)边上的事故发生概率
cij (i,j)边上的事故发生造成的后果
ρij (i,j)边上边缘暴露人群数量
ωijk 车辆k在(i,j)边上的实际载重量
wij 车辆在(i,j)边上的实际载重量
xijk 车辆k通过(i,j)边则为1,否则为0
事故的风险是实时变动的,其与事故发生概率与事故发生后果有关,所以车辆k从客户i到客户j的风险可以表示为:
因此所有车辆在运输路径上的总风险可以表示为:
3.根据权利要求2所述的一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于:步骤三中,成本量化模型构建如下:
对于车辆k在边(i,j)上的成本可以表示为α·dij·xijk,因此所有车辆在运输路径上的总运输成本可以表示为:
其中α为车辆运输的单位成本。
4.根据权利要求3所述的一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于:步骤四中,关于约束条件定义过程具体表述如下:
定义符号说明:
CER CO2的排放率
r0 空车时的燃料消耗率
r* 满载时的燃料消耗率
rijk 车辆k在边(i,j)上的燃料消耗率
eijk 车辆k在边(i,j)上的碳排放量
车辆的载重量将会影响其在单位距离的燃料消耗率,将燃料消耗率定义为因此车辆k在边(i,j)上的碳排放与CER与边(i,j)的距离有关,即限制车辆运输时二氧化碳的排放总量的约束为:
其中Mc为二氧化碳总排放限制量。
5.根据权利要求4所述的一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于:步骤五中以总运输成本与总风险同时最小化为目标的双目标优化模型具体表示如下:
xijk∈{0,1} (13)
其中S表示需要满足运输服务的客户集合。
6.根据权利要求2所述的一种以碳排放为限制的危化品多车辆运输的路径优化方法,其特征在于:步骤六中的混合智能算法求解双目标优化模型的具体步骤如下:
步骤6.1:随机初始化蚂蚁的初始路径,并进行信息素的首次更新,更新公式为:
τij(t+1)=(1-ρ)×τij(t)+Δτij(t) (14)
其中λ和μ为每个目标函数的权重,τij(t)为第t次迭代时边(i,j)的信息素量,ρ为挥发系数,τij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素量,Δτij(t)为第t次迭代时边(i,j)的信息素改变量,Δτij s(t)为第t次迭代时蚂蚁s在边(i,j)的信息素改变量,Antnum为蚂蚁数量,Fc和Fh分别为总运输成本与总风险,Qant为信息素释放系数;
步骤6.2:开始进行正式迭代,在迭代过程中,计算所有蚂蚁的搜索路径中值,作为适应度;
步骤6.3:选择适应度最小的P只蚂蚁,P为进行模拟退火的蚂蚁数量,进行模拟退火处理,其中模拟退火是对多车辆路径中的Psa个车辆的路径进行二次优化,其中模拟退火的新解通过贪婪机制生成,即车辆转移时首先考虑最近的客户;Psa为模拟退火所选择的车辆个数;
步骤6.4:计算进行模拟退火的P只蚂蚁的新适应度,并更新原始适应度;
步骤6.5:根据蚂蚁的适应度对其进行信息素更新,保留单次迭代的最优结果;
步骤6.6:重复步骤6.2-步骤6.5直到迭代完成;
步骤6.7:输出所有迭代过程中最优的结果,获得帕累托前沿解集及相应的最优路径。
7.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至6中任意一项所述的方法。
8.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522450.6A CN116485061A (zh) | 2023-05-10 | 2023-05-10 | 一种以碳排放为限制的危化品多车辆运输的路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522450.6A CN116485061A (zh) | 2023-05-10 | 2023-05-10 | 一种以碳排放为限制的危化品多车辆运输的路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485061A true CN116485061A (zh) | 2023-07-25 |
Family
ID=87219491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310522450.6A Pending CN116485061A (zh) | 2023-05-10 | 2023-05-10 | 一种以碳排放为限制的危化品多车辆运输的路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485061A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078141A (zh) * | 2023-09-08 | 2023-11-17 | 兰州交通大学 | 一种多车型危险品满载配送车辆调度方法 |
CN117094524A (zh) * | 2023-09-13 | 2023-11-21 | 北京化工大学 | 一种基于云平台的碳收集及服务系统 |
-
2023
- 2023-05-10 CN CN202310522450.6A patent/CN116485061A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078141A (zh) * | 2023-09-08 | 2023-11-17 | 兰州交通大学 | 一种多车型危险品满载配送车辆调度方法 |
CN117094524A (zh) * | 2023-09-13 | 2023-11-21 | 北京化工大学 | 一种基于云平台的碳收集及服务系统 |
CN117094524B (zh) * | 2023-09-13 | 2024-03-19 | 北京化工大学 | 一种基于云平台的碳收集及服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485061A (zh) | 一种以碳排放为限制的危化品多车辆运输的路径优化方法 | |
He et al. | The two-echelon multi-trip vehicle routing problem with dynamic satellites for crop harvesting and transportation | |
CN113343575B (zh) | 基于改进蚁群算法的多目标车辆路径优化方法 | |
Zhang et al. | Cold chain distribution: How to deal with node and arc time windows? | |
CN109919532B (zh) | 一种物流节点确定方法及装置 | |
US20200311581A1 (en) | High quality pattern mining model and method based on improved multi-objective evolutionary algorithm | |
CN110705741B (zh) | 一种基于改进蚁群算法的多配送中心车辆路径优化方法 | |
Xu et al. | A hybrid ant colony optimization for dynamic multidepot vehicle routing problem | |
CN111091329B (zh) | 一种危化品多车型运输的半开放式车辆路径优化方法 | |
Wu | Contactless distribution path optimization based on improved ant colony algorithm | |
Wu et al. | An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup–delivery and time window | |
Zhang et al. | Application on cold chain logistics routing optimization based on improved genetic algorithm | |
CN114048924A (zh) | 基于混合遗传算法的多配送中心选址-配送路径规划方法 | |
CN110276488A (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
El Bouzekri El Idrissi et al. | Evolutionary algorithm for the bi-objective green vehicle routing problem | |
Su et al. | Heterogeneous fleet vehicle scheduling problems for dynamic pickup and delivery problem with time windows in shared logistics platform: Formulation, instances and algorithms | |
Zhang et al. | Sparrow search algorithm with adaptive t distribution for multi-objective low-carbon multimodal transportation planning problem with fuzzy demand and fuzzy time | |
Zhu et al. | Green Logistics Location‐Routing Optimization Solution Based on Improved GA A1gorithm considering Low‐Carbon and Environmental Protection | |
Wu et al. | Optimizing Fresh Logistics Distribution Route Based on Improved Ant Colony Algorithm. | |
Luo et al. | An effective chaos-driven differential evolution for multi-objective unbalanced transportation problem considering fuel consumption | |
CN112330001A (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
Cheng et al. | Efficient scenario analysis for optimal adaptation of bridge networks under deep uncertainties through knowledge transfer | |
CN114091791B (zh) | 一种基于改进dea的ahp的物流绩效评估方法 | |
Luo et al. | A probabilistic framework with the gradient-based method for multi-objective land use optimization | |
Londoño et al. | A hybrid heuristic approach for the multi-objective multi depot vehicle routing problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |