CN117113608B - 一种冷链物流网络节点布局方法和设备 - Google Patents
一种冷链物流网络节点布局方法和设备 Download PDFInfo
- Publication number
- CN117113608B CN117113608B CN202311372060.1A CN202311372060A CN117113608B CN 117113608 B CN117113608 B CN 117113608B CN 202311372060 A CN202311372060 A CN 202311372060A CN 117113608 B CN117113608 B CN 117113608B
- Authority
- CN
- China
- Prior art keywords
- cost value
- node
- cold
- value
- logistics network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002245 particle Substances 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005057 refrigeration Methods 0.000 claims description 80
- 238000012546 transfer Methods 0.000 claims description 65
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 47
- 229910052799 carbon Inorganic materials 0.000 claims description 47
- 238000010276 construction Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种冷链物流网络节点布局方法和设备,涉及冷链物流技术领域,旨在解决现有方法所布局的冷链网运输效率较低的技术问题。所述布局方法包括:获取目标冷链物流网络中各节点间的成本值;基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件;基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型;通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。通过本申请所述方法布局获得的冷链物流网络极大的提高了运输效率。
Description
技术领域
本申请涉及冷链物流技术领域,尤其涉及一种冷链物流网络节点布局方法和设备。
背景技术
在全球范围内,食品供应链变得越来越复杂,食品从生产者到最终消费者的平均距离大幅增加。冷链物流(CCL)比一般常温物流系统更复杂,其建设投资更大,需要各环节更高的协调性。目前像冷库这样的设施布局通常侧重于特定的位置选择因素,例如地形,政策和法规以及经济。冷库布局的位置决定了物流系统的结构和模式,这不仅影响设施自身的运营成本、性能和未来发展,还影响整个物流系统的运行效率。
但基于目前方法所布局的冷链网进行货物运输时,存在运行效率低下的问题。
发明内容
本申请的主要目的是提供一种冷链物流网络节点布局方法和设备,旨在解决现有方法所布局的冷链网运行效率较低的技术问题。
为解决上述技术问题,本申请实施例提出了:一种冷链物流网络节点布局方法,包括以下步骤:
获取目标冷链物流网络中各节点间的成本值;其中,所述成本值包括:建设成本值、运输成本值、新鲜度降低成本值、碳排放旅行时间成本值和冷库利用率惩罚成本值;
基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件;
基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型;
通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
作为本申请一些可选实施方式,所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案之前,还包括:
基于预处理算法对所述第一冷链物流网络节点布局模型进行简化处理后,利用优化求解器Gurobi分支和切割算法,获得第二冷链物流网络节点布局模型;
所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:
通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
作为本申请一些可选实施方式,所述通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:
将所述第二冷链物流网络节点布局模型中的节点集合进行初始化处理,获得所述初始节点集合中各节点的个体适应度值;
基于各所述节点的个体适应度值,获得整体适应度值;基于所述整体适应度值各所述节点进行位置更新;
基于预设更新条件,判断是否停止对各所述节点进行位置更新;停止后,获得目标节点集合;
基于所述目标节点集合,获得目标冷链物流网络节点布局方案。
作为本申请一些可选实施方式,所述基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件,包括:
基于所述建设成本值、所述运输成本值、所述新鲜度降低成本值、所述碳排放旅行时间成本值和所述冷库利用率惩罚成本值,获得加和值;基于预设加和阈值,获得目标加和值;基于所述目标加和值,获得目标函数;
基于所述目标冷链物流网络中各节点间的成本值,获得约束条件值;其中,所述约束条件值包括运输路径容量约束条件值、冷链物流网络流平衡约束条件值、运输路径可达性约束条件值、货品变质时间约束条件值和节点布局冷库容量约束条件值。
作为本申请一些可选实施方式,所述建设成本值通过如下步骤获得:
基于目标冷链物流网络,获取新建冷库设施的枢纽节点集合和待扩建冷库设施的枢纽节点集合;其中,所述新建冷库设施的枢纽节点集合中包括多个第一节点;所述待扩建冷库设施的枢纽节点集合中包括多个第二节点;
获取多个所述第一节点的决策变量;其中所述决策变量包括1或0,1表示选择新建,0表示不新建;计算所述决策变量为1的第一节点对应的冷库新建成本值;
获取多个所述第二节点的决策变量;其中所述决策变量包括1或0,1表示选择改造,0表示不改造;计算所述决策变量为1的第二节点对应的冷库改造成本值;
基于所述冷库新建成本值和所述冷库改造成本值,获得建设成本值。
作为本申请一些可选实施方式,所述运输成本值通过如下步骤获得:
基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;
计算各所述物流布局方案中所述发出节点到所述到达节点的第一单位成本值和第一运量值;基于所述第一单位成本值和所述第一运量值,获得第一运输成本值;
计算各所述物流布局方案中所述发出节点到所述中转节点的第二单位成本值和第二运量值;基于所述第二单位成本值和所述第二运量值,获得第二运输成本值;
计算各所述物流布局方案中所述到达节点到所述中转节点的第三单位成本值和第三运量值;基于所述第三单位成本值和所述第三运量值,获得第三运输成本值;
计算各所述物流布局方案的中转成本值;
基于将所述第一运输成本值、所述第二运输成本值、所述第三运输成本值和所述中转成本值,获得运输成本值。
作为本申请一些可选实施方式,所述新鲜度降低成本值通过如下步骤获得:
基于目标冷链物流网络,获得流通货品种类集合;其中,所述流通货品种类集合中包括多个流通货品种类;
计算各所述流通货品种类从冷链货物发出节点到冷链货物到达节点的运量值和单位数量价值损失值;
基于所述运量值和所述单位数量价值损失值,获得新鲜度降低成本值。
作为本申请一些可选实施方式,所述碳排放旅行时间成本值通过如下步骤获得:
基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;
计算各所述物流布局方案中所述发出节点到所述到达节点的第一碳排放运输时间效率成本值、各所述物流布局方案中所述发出节点到所述中转节点的第二碳排放运输时间效率成本值和各所述物流布局方案中所述到达节点到所述中转节点的第三碳排放运输时间效率成本值;
将所述第一碳排放运输时间效率成本值、所述第二碳排放运输时间效率成本值和所述第三碳排放运输时间效率成本值相加,获得碳排放旅行时间成本值。
作为本申请一些可选实施方式,所述冷库利用率惩罚成本值通过如下步骤获得:
基于目标冷链物流网络,获得冷链货物中转入库节点集合;其中,所述冷链货物中转入库节点集合包括多个中转节点;
计算各所述中转节点对应冷库的利用率和闲置成本值;
基于惩罚判定系数、各所述中转节点对应冷库的利用率和闲置成本值,获得冷库利用率惩罚成本值。
为解决上述技术方案,本申请实施例还提供了:一种电子设备,该电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如上所述冷链物流网络节点布局方法。
与现有技术相比,本申请实施例所述冷链物流网络节点布局方法,包括以下步骤:获取目标冷链物流网络中各节点间的成本值;其中,所述成本值包括:建设成本值、运输成本值、新鲜度降低成本值、碳排放旅行时间成本值和冷库利用率惩罚成本值;基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件;基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型;通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。可以看出,本申请所述技术方案在对冷链物流网络节点进行布局时,将多个成本值与当前节能减排的政策环境相契合,给物流企业在更加真实的商业环境中提供了更实用的优化方案;在实际应用时,决策者可以根据不同阶段的物流网络变化和市场波动情况对模型中输入的参数进行调整,从而得到不同阶段下整体最优的布局方案,本申请提供的方法可以使得决策者付出最小的代价,降低冷链物流网络运营成本,降低碳排放,保证冷链货物运输的时效性。
附图说明
图1是本申请实施例提供的一种电子设备的结构示意图;
图2是本申请实施例提供的一种冷链物流网络节点布局方法流程示意图;
图3是本申请实施例提供的一种冷链物流网络节点布局装置的结构示意图;
图4是本申请实施例提供的一种冷链物流网络节点布局系统的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
物流网络在商品质量保证中起着重要的支撑作用。由于其安全和储存要求,食品通常会给物流和运输带来额外的挑战。在全球范围内,食品供应链变得越来越复杂,食品从生产者到最终消费者的平均距离大幅增加。冷链物流(CCL)比一般常温物流系统更复杂,其建设投资更大,需要各环节更高的协调性。目前像冷库这样的设施布局通常侧重于特定的位置选择因素,例如地形,政策和法规以及经济。然而,如果没有对冷链的整体视角,会导致在后期的路线规划阶段选择的节点很少,导致网络没有流量。冷库布局的位置决定了物流系统的结构和模式,这不仅影响设施自身的运营成本,性能和未来发展,还影响整个物流系统的运行。虽然通常将选址和路线优化视为独立的子问题,有利于问题的详细表征和子目标的局部优化,但这种方法只实现了局部优化,而不是全局优化。
因此,通过先确定位置,再选择车辆路线,逐步采用两阶段方法求解位置-路线问题(LRP)优化模型,从而综合考虑两个系统。但是,这种方法仍然将(LRP)分为设施位置问题(FLP)和车辆配送(VRP),可能无法保证最低的总成本和全局优化。
因此,需要将两个问题进行联合优化,考虑不同阶段市场波动和运输网络时空变化,在此基础上选择合适的节点布局冷库,以减少建设成本、运输成本、新鲜度降低成本、碳排放时间成本和冷库利用率惩罚成本,实现降低总成本和全局优化的目标。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中,所述电子设备通过处理器1001调用存储器1005中存储的基于冷链物流网络节点布局方法装置,并执行本申请实施例提供的冷链物流网络节点布局方法。
参见图2,本申请实施例提供了一种冷链物流网络节点布局方法,包括以下步骤:
步骤S10、获取目标冷链物流网络中各节点间的成本值;其中,所述成本值包括:建设成本值、运输成本值、新鲜度降低成本值、碳排放旅行时间成本值和冷库利用率惩罚成本值。
需要说明的是,所述新鲜度降低成本值(又称冷链货物新鲜度减低成本参数)包括不同冷链货物的保鲜时间、不同冷链货物的流通比例、各运输方式运输时间、单位时间内每吨货物价值损失。所述建设成本值(又称冷库布局建设成本参数)包括单位面积土地费用、单位面积冷库建设费用、单位面积冷库设施设备配置费用以及单位面积扩建费用,还可以包括新建冷库成本和既有冷库改造成本,新建冷库成本指建造冷库所需的土地费用、建造费用以及冷库所需的设施设备配置费用。既有冷库改造成本指冷库扩建费用以及设备配置更新费用。所述碳排放旅行时间成本值(又称碳排放旅行时间成本参数)是指在货物运输过程中,交通工具产生的碳排放量,与运输时间和货物重量成正比,为达到节能减排的目的,将其计入成本中;包括节点间的可达性、各运输方式下节点间的距离、各运输方式的速度、各运输方式单位时间碳排放量、各运输方式碳税价格。所述运输成本包括直接运输成本与转运成本,直接运输成本指运输过程中的燃料消耗费用与固定设备折旧等费用,与运输距离成正比,但因运输方式不同而有所差异。转运成本指冷链货物在转运节点因运输方式转换而产生的成本。所述冷库利用率惩罚成本是在不同建设期中,若冷库的利用率低于某一阈值,则产生的空费闲置成本。
由此可见,本实施例中的各成本值都输基于物流运行过程中产生的客观数据,下面将利用后续的技术手段对这些客观的数据进行处理,以达到提高物流运输效率的目的。
步骤S20、基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件。
需要说明的是,所述目标函数是指包括建设成本、运输成本、新鲜度降低成本、碳排放旅行时间成本和冷库利用率惩罚成本组成的最小总成本计算公式;所述约束条件包括运输路径容量约束、冷链物流网络流平衡约束、运输路径可达性约束、货品变质时间约束、节点布局冷库容量约束。其中,所述第一冷链物流网络节点布局模型在构建时,考虑了市场波动和运输网络时空变化。
在本申请一些可实施方案中,所述基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件,包括:基于所述建设成本值、所述运输成本值、所述新鲜度降低成本值、所述碳排放旅行时间成本值和所述冷库利用率惩罚成本值,获得加和值;基于预设加和阈值,获得目标加和值;基于所述目标加和值,获得目标函数;基于所述目标冷链物流网络中各节点间的成本值,获得约束条件值;其中,所述约束条件值包括运输路径容量约束条件值、冷链物流网络流平衡约束条件值、运输路径可达性约束条件值、货品变质时间约束条件值和节点布局冷库容量约束条件值。
步骤S30、基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型。
需要说明的是,所述目标函数满足以下关系式:
其中,表示各成本值加和的最小值;所述/>表示建设成本值;所述/>表示运输成本值;所述/>表示新鲜度降低成本值;所述/>表示碳排放旅行时间成本值;所述/>表示冷库利用率惩罚成本值。
其中,所述建设成本值通过如下步骤获得:基于目标冷链物流网络,获取新建冷库设施的枢纽节点集合和待扩建冷库设施的枢纽节点集合;其中,所述新建冷库设施的枢纽节点集合中包括多个第一节点;所述待扩建冷库设施的枢纽节点集合中包括多个第二节点;获取多个所述第一节点的决策变量;其中所述决策变量包括1或0,1表示选择新建,0表示不新建;计算所述决策变量为1的第一节点对应的冷库新建成本值;获取多个所述第二节点的决策变量;其中所述决策变量包括1或0,1表示选择改造,0表示不改造;计算所述决策变量为1的第二节点对应的冷库改造成本值;基于所述冷库新建成本值和所述冷库改造成本值,获得建设成本值。
即:所述建设成本值满足以下关系式:
其中,为t阶段在m地的冷库新建成本,单位为元;/>为0-1决策变量,若t阶段在m地选择新建则为1,反之为0;/>为t阶段在n地的冷库改造成本,单位为元;为0-1决策变量,若t阶段在n地选择改造则为1,反之为0;M为布局初期需要新建冷库设施的枢纽城市集合;N为后期需要在现有冷库设施的基础上进行扩建的枢纽城市集合;λ为规划期内划分的阶段数。
其中,所述运输成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;计算各所述物流布局方案中所述发出节点到所述到达节点的第一单位成本值和第一运量值;基于所述第一单位成本值和所述第一运量值,获得第一运输成本值;计算各所述物流布局方案中所述发出节点到所述中转节点的第二单位成本值和第二运量值;基于所述第二单位成本值和所述第二运量值,获得第二运输成本值;计算各所述物流布局方案中所述到达节点到所述中转节点的第三单位成本值和第三运量值;基于所述第三单位成本值和所述第三运量值,获得第三运输成本值;计算各所述物流布局方案的中转成本值;基于将所述第一运输成本值、所述第二运输成本值、所述第三运输成本值和所述中转成本值,获得运输成本值。
即,所述运输成本值满足以下关系式:
其中,为通过运输方式1对应最优路径从i地到j地的单位成本,单位为元/公里·吨;/>为决策变量,表示t阶段通过运输方式1从i地到j地的运量,单位为吨;/>为通过运输方式1从i地到j地的距离,单位为公里;/>为通过运输方式1对应最优路径从i地到k地的单位成本,单位为元/公里·吨;/>为决策变量,表示t阶段通过运输方式1从i地到k地的运量,单位为吨;/>为通过运输方式1对应最优路径从k地到j地的单位成本,单位为元/公里·吨;/>为决策变量,表示t阶段通过运输方式1从k地到j地的运量,单位为吨;/>为t阶段的中转成本,单位为元;I为冷链货物发出地集合;J为冷链货物到达地集合;L为运输方式集合;K为枢纽城市集合,也是冷链货物中转入库地集合;λ为规划期内划分的阶段数。
其中,所述新鲜度降低成本值通过如下步骤获得:基于目标冷链物流网络,获得流通货品种类集合;其中,所述流通货品种类集合中包括多个流通货品种类;计算各所述流通货品种类从冷链货物发出节点到冷链货物到达节点的运量值和单位数量价值损失值;基于所述运量值和所述单位数量价值损失值,获得新鲜度降低成本值。
即:所述新鲜度降低成本值满足以下关系式:
其中,为t阶段第s类货物从i地到j地的运量,单位为吨;/>为第s类货物通过运输方式1从i地到j地的单位数量价值损失,单位为元/吨;S为流通货品种类集合;λ为规划期内划分的阶段数。
其中,所述碳排放旅行时间成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;计算各所述物流布局方案中所述发出节点到所述到达节点的第一碳排放运输时间效率成本值、各所述物流布局方案中所述发出节点到所述中转节点的第二碳排放运输时间效率成本值和各所述物流布局方案中所述到达节点到所述中转节点的第三碳排放运输时间效率成本值;将所述第一碳排放运输时间效率成本值、所述第二碳排放运输时间效率成本值和所述第三碳排放运输时间效率成本值相加,获得碳排放旅行时间成本值。
即:所述碳排放旅行时间成本值满足以下关系式:
其中,为t阶段运输方式1从i地到j地的碳排放运输时间效率成本,单位为元;/>为t阶段运输方式1从i地到k地的碳排放运输时间效率成本,单位为元;/>为t阶段运输方式1从k地到j地的碳排放运输时间效率成本,单位为元;I为冷链货物发出地集合;J为冷链货物到达地集合;L为运输方式集合;K为枢纽城市集合,也是冷链货物中转入库地集合;λ为规划期内划分的阶段数。
其中,所述冷库利用率惩罚成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物中转入库节点集合;其中,所述冷链货物中转入库节点集合包括多个中转节点;计算各所述中转节点对应冷库的利用率和闲置成本值;基于惩罚判定系数、各所述中转节点对应冷库的利用率和闲置成本值,获得冷库利用率惩罚成本值。
即:所述冷库利用率惩罚成本值满足以下关系式:
其中,为惩罚判定系数;/>为t阶段冷库k利用率,单位为%;/>为t阶段冷库k的闲置成本,单位为元;K为枢纽城市集合;λ为规划期内划分的阶段数。
进一步地,所述约束条件包括:
所述各规划期冷库流平衡约束满足以下关系式:
式中,表示t阶段通过运输方式1从i地流入中转点k地的货流量;/>表示t阶段通过运输方式1从k地流出至j地的货流量;λ为规划期内划分的阶段数。
所述各规划期多运输方式路径容量约束满足以下关系式:
(8)
≤/>(9)
≤/>(10)
式中,表示t阶段通过运输方式1从i地到j地的运量;/>表示t阶段通过运输方式1从i地流入中转点k地的货流量;/>表示t阶段通过运输方式1从k地流出至j地的货流量;/>表示t阶段通过运输方式1从i地到j地的路径容量;/>表示t阶段通过运输方式1从i地到中转点k地的路径容量;/>表示t阶段通过运输方式1从k地到j地的路径容量;λ为规划期内划分的阶段数。
所述各规划期运到时间限制(也称新鲜度时间约束)满足以下关系式:
(11)
式中,表示通过运输方式1从i地到j地的运输时间;/>表示s类货物所占的比例;/>表示s类货物的变质速率。
所述决策变量非负约束满足以下关系式:
,/>,/>≥0/>(12)
式中,表示t阶段通过运输方式1从i地到j地的运量;/>表示t阶段通过运输方式1从i地流入中转点k地的货流量;/>表示t阶段通过运输方式1从k地流出至j地的货流量;λ为规划期内划分的阶段数。
所述0-1决策变量约束满足以下关系式:
(13)
式中,表示t阶段是否在节点m新建冷库;/>表示t阶段是否在节点n改造翻新已有冷库;/>表示t阶段是否在中转节点k布局冷库;λ为规划期内划分的阶段数。
所述冷库新建改造与选中的决策逻辑约束满足以下关系式,需要说明的是,所述冷库新建改造与选中的决策逻辑约束是指当做出新建或改造决策时,冷库被选中为中转枢纽仓:
(14)
式中,表示t阶段是否在中转节点k布局冷库;/>表示t阶段是否在节点m新建冷库;/>表示t阶段是否在节点n改造翻新已有冷库;λ为规划期内划分的阶段数。
所述运量需求保护约束满足以下关系式:
(15)
(16)
式中,表示t阶段通过运输方式1从i地到j地的运量;/>表示t阶段通过运输方式1从i地流入中转点k地的货流量;/>表示t阶段通过运输方式1从k地流出至j地的货流量;λ为规划期内划分的阶段数。
所述冷库容量约束满足以下关系式:
(17)
式中,表示t阶段通过运输方式1从i地流出至k地的货流量;/>表示t阶段节点k冷库的货物存储能力;/>表示t阶段是否在中转节点k布局冷库。
所述流量分配和部署冷库的逻辑约束满足以下关系式,需要说明的是,表示当存在货物流入k地中转时,应部署冷库中转枢纽仓:
(18)
式中,表示t阶段是否在中转节点k布局冷库;/>表示t阶段通过运输方式1从i地流出至k地的货流量;λ为规划期内划分的阶段数。
其中,所述表示前一阶段冷库集合应为后一阶段的子集,即(19)
式中,表示t阶段即后一阶段被选为布局冷库枢纽城市的集合;表示t-1阶段即前一阶段被选为布局冷库枢纽城市的集合;λ为规划期内划分的阶段数。
所述利用率约束满足以下关系式,需要说明的是,表示任意t阶段任意冷库的利用率应满足设定的下限(30%):
式中,表示节点k冷库的利用率;/>表示t阶段通过运输方式1从i地流入中转点k地的货流量;/>为标定的重量体积系数;/>表示t阶段节点k所需建设冷库的面积;表示冷库标准建造高度,为标定值;/>表示任意规划期内冷库利用率的最低限制值;λ为规划期内划分的阶段数。
所述惩罚判定系数满足以下关系式,需要说明的是,若利用率低于设定值(0.8)则为1,反之为0:
,/>(21)
式中,为惩罚系数;/>表示t阶段节点k冷库的利用率;/>表示t阶段被选为布局冷库枢纽城市的集合;λ为规划期内划分的阶段数。
其中,对于任何给定的节点,构建一个新的冷藏设施的决定只能在整个规划范围内发生一次,并且应该满足时间约束;所述时间约束满足以下关系式:
(22)
(23)
式中,表示t阶段是否在节点m新建冷库;λ为规划期内划分的阶段数。
需要说明的是,对于没有任何规划建设的节点,新建决策应发生在改造决策前,即:(24)
式中,表示t阶段是否在节点n改造翻新已有冷库;λ为规划期内划分的阶段数。
步骤S40、通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
在实际应用过程中,所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案之前,还包括:基于预处理算法对所述第一冷链物流网络节点布局模型进行简化处理后,利用优化求解器Gurobi分支和切割算法,获得第二冷链物流网络节点布局模型;
所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
其中,所述通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:将所述第二冷链物流网络节点布局模型中的节点集合进行初始化处理,获得所述初始节点集合中各节点的个体适应度值;基于各所述节点的个体适应度值,获得整体适应度值;基于所述整体适应度值各所述节点进行位置更新;基于预设更新条件,判断是否停止对各所述节点进行位置更新;停止后,获得目标节点集合;基于所述目标节点集合,获得目标冷链物流网络节点布局方案。
具体来说,通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案通过如下步骤实现:
S01、初始化节点集合,/>,弧集/>,,/>是由圆弧集表示,/>由与节点k相邻的两段圆弧表示,节点数/>,/>表示节点/>前一个节点,/>表示节点/>后一个节点,则粒子位置定义为:
(25)
(26)。
S02、利用适应度函数来衡量粒子个体的优劣,由于目标函数为多目标优化问题,故需要对多个目标的函数进行整合,得到一个总的适应度函数:
(27)
其中分别表示建设成本、运输成本、新鲜度降低成本、碳排放旅行时间成本和冷库利用率惩罚成本。
S03、更新粒子位置和速度
(28)
(29)
(30)
其中,是粒子的速度,/>是粒子当前的位置,/>是(0,1)之间的随机数,/>和/>被称作学习因子,通常/>=/>=2。/>是加权系数,一般取值在0.1到0.9之间。设/>为最大加权系数,/>为最小加权系数,t为当前迭代次数,T为算法最大迭代次数。公式28表示更新后的粒子速度,公式29表示粒子位置的变化。
S04、判断是否达到最大迭代次数T ,若否,则返回S02,是则终止程序。
S05、查找本次计算中总成本最低的布局方案,输出最优运输节点序列及节点间运输方式的组合。
参见图3,基于相同的发明思路,本申请的实施例还提供一种冷链物流网络节点布局装置,其特征在于,包括:
获取模块,用于获取目标冷链物流网络中各节点间的成本值;其中,所述成本值包括:建设成本值、运输成本值、新鲜度降低成本值、碳排放旅行时间成本值和冷库利用率惩罚成本值;
建立模块,用于基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件;
简化模块,用于基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型;
求解模块,用于通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
需要说明的是,本实施例中冷链物流网络节点布局装置中各模块是与前述实施例中的基于冷链物流网络节点布局方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述基于冷链物流网络节点布局方法的实施方式,这里不再赘述。
但在其中一种实施例中,参见图4,本实施例提供了考虑市场波动和运输网络时空变化的冷链物流网络节点布局系统,所述系统包括获取模块201、建立模块202、简化模块203和求解模块204。
所述获取模块201用于获取冷链物流网络备选节点、网络节点间不同运输方式的可达性、冷链货物新鲜度降低成本参数、冷库布局建设成本参数、碳排放旅行时间成本参数以及冷库利用率惩罚成本参数。
所述建立模块202用于建立考虑市场波动和运输网络时空变化的冷链物流网络节点布局模型。
所述简化模块203用于预处理算法,并利用优化求解器Gurobi分支和切割算法。
所述求解模块204用于求解冷链物流网络节点布局模型。输出冷库节点布局优化方案及节点间不同运输方式货物运输方案。
进一步的,建立模块202包括目标函数建立模块2021、约束条件建立模块2022。
目标函数建立模块2021用于建立包括建设成本、运输成本、新鲜度降低成本、碳排放旅行时间成本和冷库利用率惩罚成本组成的最小总成本计算公式。
约束条件建立模块2022用于建立运输路径容量约束、冷链物流网络流平衡约束、运输路径可达性约束、货品变质时间约束、节点布局冷库容量约束。
所述简化模块203包括预处理算法简化模块与分支和切割算法模块。
预处理算法简化模块2031用于利用预处理算法简化模型表达。
分支和切割算法模块2032用于利用优化求解器Gurobi分支和切割算法。
所述求解模块204包括算法参数初始化模块2041、个体适应度计算模块2042、粒子位置速度更新模块2043、算法终止条件判断模块2044及节点布局方案输出模块2045。
算法参数初始化模块2041用于初始化节点集合,弧集,并将粒子初始位置用圆弧集来表示,再根据冷链物流网络结构,将各项参数转为节点间的参数矩阵。
个体适应度计算模块2042用于计算粒子个体的适应度,研究粒子群中所有粒子适应度的整体变化就可以跟踪粒子群的状态。
粒子位置速度更新模块2043用于计算粒子的新位置,记录当前迭代次数中粒子的位置和速度,如果发现新位置优于个体极值则将个体极值设置为新位置,同样如果新位置优于全局极值则将全局极值设置为新位置,对于粒子群中的任意粒子其最终收敛位置将是整个粒子群找到的全局极值。
算法终止条件判断模块2044用于判断是否达到最大迭代次数,若否,则返回步骤2,是则终止程序。
节点布局方案输出模块2045用于查找本次计算中总成本最低的节点布局方案,输出冷库节点布局优化方案及节点间不同运输方式货物运输方案。
此外,在一种实施例中,本申请还提供一种电子设备,所述电子设备包括处理器,存储器以及存储在所述存储器中的获取机程序,所述获取机程序被处理器运行时实现前述实施例中方法的步骤。
此外,在一种实施例中,本申请还提供一种获取机存储介质,所述获取机存储介质上存储有获取机程序,所述获取机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中,获取机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。获取机可以是包括智能终端和服务器在内的各种获取设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在获取环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个获取设备上执行,或者在位于一个地点的多个获取设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个获取设备上执行。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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上述 实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该获取机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,获取机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上所揭露的仅为本申请的局部实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或局部流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (5)
1.一种冷链物流网络节点布局方法,其特征在于,包括以下步骤:
获取目标冷链物流网络中各节点间的成本值;其中,所述成本值包括:建设成本值、运输成本值、新鲜度降低成本值、碳排放旅行时间成本值和冷库利用率惩罚成本值;其中,所述建设成本值通过如下步骤获得:基于目标冷链物流网络,获取新建冷库设施的枢纽节点集合和待扩建冷库设施的枢纽节点集合;其中,所述新建冷库设施的枢纽节点集合中包括多个第一节点;所述待扩建冷库设施的枢纽节点集合中包括多个第二节点;获取多个所述第一节点的决策变量;其中所述决策变量包括1或0,1表示选择新建,0表示不新建;计算所述决策变量为1的第一节点对应的冷库新建成本值;获取多个所述第二节点的决策变量;其中所述决策变量包括1或0,1表示选择改造,0表示不改造;计算所述决策变量为1的第二节点对应的冷库改造成本值;基于所述冷库新建成本值和所述冷库改造成本值,获得建设成本值;其中,所述运输成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;计算各所述物流布局方案中所述发出节点到所述到达节点的第一单位成本值和第一运量值;基于所述第一单位成本值和所述第一运量值,获得第一运输成本值;计算各所述物流布局方案中所述发出节点到所述中转节点的第二单位成本值和第二运量值;基于所述第二单位成本值和所述第二运量值,获得第二运输成本值;计算各所述物流布局方案中所述到达节点到所述中转节点的第三单位成本值和第三运量值;基于所述第三单位成本值和所述第三运量值,获得第三运输成本值;计算各所述物流布局方案的中转成本值;基于将所述第一运输成本值、所述第二运输成本值、所述第三运输成本值和所述中转成本值,获得运输成本值;其中,所述新鲜度降低成本值通过如下步骤获得:基于目标冷链物流网络,获得流通货品种类集合;其中,所述流通货品种类集合中包括多个流通货品种类;计算各所述流通货品种类从冷链货物发出节点到冷链货物到达节点的运量值和单位数量价值损失值;基于所述运量值和所述单位数量价值损失值,获得新鲜度降低成本值;其中,所述碳排放旅行时间成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合;其中,所述冷链货物发出节点集合中包括多个发出节点,所述冷链货物到达节点集合包括多个到达节点,所述冷链货物中转入库节点集合包括多个中转节点;基于所述冷链货物发出节点集合、冷链货物到达节点集合和冷链货物中转入库节点集合,获得多个物流布局方案;计算各所述物流布局方案中所述发出节点到所述到达节点的第一碳排放运输时间效率成本值、各所述物流布局方案中所述发出节点到所述中转节点的第二碳排放运输时间效率成本值和各所述物流布局方案中所述到达节点到所述中转节点的第三碳排放运输时间效率成本值;将所述第一碳排放运输时间效率成本值、所述第二碳排放运输时间效率成本值和所述第三碳排放运输时间效率成本值相加,获得碳排放旅行时间成本值;其中,所述冷库利用率惩罚成本值通过如下步骤获得:基于目标冷链物流网络,获得冷链货物中转入库节点集合;其中,所述冷链货物中转入库节点集合包括多个中转节点;计算各所述中转节点对应冷库的利用率和闲置成本值;基于惩罚判定系数、各所述中转节点对应冷库的利用率和闲置成本值,获得冷库利用率惩罚成本值;
基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件;
基于所述目标函数和所述约束条件,获得第一冷链物流网络节点布局模型;
通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
2.根据权利要求1所述冷链物流网络节点布局方法,其特征在于,所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案之前,还包括:
基于预处理算法对所述第一冷链物流网络节点布局模型进行简化处理后,利用优化求解器Gurobi分支和切割算法,获得第二冷链物流网络节点布局模型;
所述通过粒子群算法对所述第一冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:
通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案。
3.根据权利要求2所述冷链物流网络节点布局方法,其特征在于,所述通过粒子群算法对所述第二冷链物流网络节点布局模型进行求解,获得目标冷链物流网络节点布局方案,包括:
将所述第二冷链物流网络节点布局模型中的节点集合进行初始化处理,获得初始节点集合中各节点的个体适应度值;
基于各所述节点的个体适应度值,获得整体适应度值;基于所述整体适应度值各所述节点进行位置更新;
基于预设更新条件,判断是否停止对各所述节点进行位置更新;停止后,获得目标节点集合;
基于所述目标节点集合,获得目标冷链物流网络节点布局方案。
4.根据权利要求1所述冷链物流网络节点布局方法,其特征在于,所述基于所述目标冷链物流网络中各节点间的成本值,构建目标函数和约束条件,包括:
基于所述建设成本值、所述运输成本值、所述新鲜度降低成本值、所述碳排放旅行时间成本值和所述冷库利用率惩罚成本值,获得加和值;基于预设加和阈值,获得目标加和值;基于所述目标加和值,获得目标函数;
基于所述目标冷链物流网络中各节点间的成本值,获得约束条件值;其中,所述约束条件值包括运输路径容量约束条件值、冷链物流网络流平衡约束条件值、运输路径可达性约束条件值、货品变质时间约束条件值和节点布局冷库容量约束条件值。
5.一种电子设备,其特征在于,该电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-4中任一项所述冷链物流网络节点布局方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372060.1A CN117113608B (zh) | 2023-10-23 | 2023-10-23 | 一种冷链物流网络节点布局方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372060.1A CN117113608B (zh) | 2023-10-23 | 2023-10-23 | 一种冷链物流网络节点布局方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113608A CN117113608A (zh) | 2023-11-24 |
CN117113608B true CN117113608B (zh) | 2024-02-13 |
Family
ID=88809505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311372060.1A Active CN117113608B (zh) | 2023-10-23 | 2023-10-23 | 一种冷链物流网络节点布局方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113608B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN104392344A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于多种群pso的逆向物流网络排布方法 |
CN107833002A (zh) * | 2017-11-28 | 2018-03-23 | 上海海洋大学 | 基于协同多目标算法的多级低碳物流配送网络规划方法 |
CN109359763A (zh) * | 2018-09-03 | 2019-02-19 | 华南理工大学 | 基于季节差异的乳制品冷链运输路径规划方法 |
CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
CN111047102A (zh) * | 2019-12-18 | 2020-04-21 | 江南大学 | 基于精英驱动粒子群算法的快递配送路线优化方法 |
CN112070325A (zh) * | 2020-11-12 | 2020-12-11 | 北京交通大学 | 非正常事件下路网列车优化方法、装置、设备及存储介质 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN112488386A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 |
CN114037195A (zh) * | 2021-04-09 | 2022-02-11 | 东华大学 | 一种降低冷链越库中心运营成本的车辆调度方法 |
CN114169825A (zh) * | 2021-11-29 | 2022-03-11 | 上海东普信息科技有限公司 | 冷链运输线路规划方法、装置、设备及存储介质 |
CN114897307A (zh) * | 2022-04-13 | 2022-08-12 | 重庆交通大学 | 一种基于合作的物流集配网络联盟优化方法 |
CN115032997A (zh) * | 2022-06-22 | 2022-09-09 | 江南大学 | 一种基于蚁群算法的第四方物流运输路径规划方法 |
CN115392813A (zh) * | 2022-10-31 | 2022-11-25 | 中国人民解放军国防科技大学 | 一种基于分层优化的在轨事件编排与资源分配规划方法 |
CN115511195A (zh) * | 2022-10-08 | 2022-12-23 | 圆通速递有限公司 | 基于碳排放和混合灰狼的冷链配送路径规划方法和系统 |
CN115689412A (zh) * | 2022-08-29 | 2023-02-03 | 东北大学 | 一种多周期运费定价和物流网络规划方法 |
CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
CN115829183A (zh) * | 2023-02-22 | 2023-03-21 | 四川港投新通道物流产业投资集团有限公司 | 冷链物流路径规划方法、装置、设备及可读存储介质 |
CN116090925A (zh) * | 2022-12-14 | 2023-05-09 | 东南大学 | 一种考虑不确定需求的低碳物流网络实现方法 |
CN116097267A (zh) * | 2020-06-30 | 2023-05-09 | 地质探索系统公司 | 模块化烃设施安置规划系统 |
CN116452097A (zh) * | 2023-03-09 | 2023-07-18 | 东南大学 | 一种冷链物流下考虑耗材的城市配送路径决策方法 |
CN116502989A (zh) * | 2023-06-27 | 2023-07-28 | 合肥城市云数据中心股份有限公司 | 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 |
CN116561478A (zh) * | 2023-03-30 | 2023-08-08 | 合肥工业大学 | 基于混合粒子群的蝴蝶算法的变电站平面布局方法 |
CN116596349A (zh) * | 2023-07-18 | 2023-08-15 | 湘江实验室 | 基于城市轨道交通网络的夜间地下物流规划方法及系统 |
CN116882581A (zh) * | 2023-07-21 | 2023-10-13 | 贵州电网有限责任公司 | 一种基于数学启发式的水火电机组检修优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080189575A1 (en) * | 2001-05-24 | 2008-08-07 | Emilio Miguelanez | Methods and apparatus for data analysis |
US20230196231A1 (en) * | 2016-05-09 | 2023-06-22 | Strong Force Iot Portfolio 2016, Llc | Industrial digital twin systems using state value to adjust industrial production processes and determine relevance with role taxonomy |
-
2023
- 2023-10-23 CN CN202311372060.1A patent/CN117113608B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN104392344A (zh) * | 2014-12-16 | 2015-03-04 | 西安电子科技大学 | 一种基于多种群pso的逆向物流网络排布方法 |
CN107833002A (zh) * | 2017-11-28 | 2018-03-23 | 上海海洋大学 | 基于协同多目标算法的多级低碳物流配送网络规划方法 |
CN109359763A (zh) * | 2018-09-03 | 2019-02-19 | 华南理工大学 | 基于季节差异的乳制品冷链运输路径规划方法 |
CN110232471A (zh) * | 2019-05-08 | 2019-09-13 | 中国水利水电科学研究院 | 一种降水传感网节点布局优化方法及装置 |
CN111047102A (zh) * | 2019-12-18 | 2020-04-21 | 江南大学 | 基于精英驱动粒子群算法的快递配送路线优化方法 |
CN116097267A (zh) * | 2020-06-30 | 2023-05-09 | 地质探索系统公司 | 模块化烃设施安置规划系统 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN112070325A (zh) * | 2020-11-12 | 2020-12-11 | 北京交通大学 | 非正常事件下路网列车优化方法、装置、设备及存储介质 |
CN112488386A (zh) * | 2020-11-30 | 2021-03-12 | 重庆大学 | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 |
CN114037195A (zh) * | 2021-04-09 | 2022-02-11 | 东华大学 | 一种降低冷链越库中心运营成本的车辆调度方法 |
CN114169825A (zh) * | 2021-11-29 | 2022-03-11 | 上海东普信息科技有限公司 | 冷链运输线路规划方法、装置、设备及存储介质 |
CN114897307A (zh) * | 2022-04-13 | 2022-08-12 | 重庆交通大学 | 一种基于合作的物流集配网络联盟优化方法 |
CN115032997A (zh) * | 2022-06-22 | 2022-09-09 | 江南大学 | 一种基于蚁群算法的第四方物流运输路径规划方法 |
CN115689412A (zh) * | 2022-08-29 | 2023-02-03 | 东北大学 | 一种多周期运费定价和物流网络规划方法 |
CN115511195A (zh) * | 2022-10-08 | 2022-12-23 | 圆通速递有限公司 | 基于碳排放和混合灰狼的冷链配送路径规划方法和系统 |
CN115392813A (zh) * | 2022-10-31 | 2022-11-25 | 中国人民解放军国防科技大学 | 一种基于分层优化的在轨事件编排与资源分配规划方法 |
CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
CN116090925A (zh) * | 2022-12-14 | 2023-05-09 | 东南大学 | 一种考虑不确定需求的低碳物流网络实现方法 |
CN115829183A (zh) * | 2023-02-22 | 2023-03-21 | 四川港投新通道物流产业投资集团有限公司 | 冷链物流路径规划方法、装置、设备及可读存储介质 |
CN116452097A (zh) * | 2023-03-09 | 2023-07-18 | 东南大学 | 一种冷链物流下考虑耗材的城市配送路径决策方法 |
CN116561478A (zh) * | 2023-03-30 | 2023-08-08 | 合肥工业大学 | 基于混合粒子群的蝴蝶算法的变电站平面布局方法 |
CN116502989A (zh) * | 2023-06-27 | 2023-07-28 | 合肥城市云数据中心股份有限公司 | 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 |
CN116596349A (zh) * | 2023-07-18 | 2023-08-15 | 湘江实验室 | 基于城市轨道交通网络的夜间地下物流规划方法及系统 |
CN116882581A (zh) * | 2023-07-21 | 2023-10-13 | 贵州电网有限责任公司 | 一种基于数学启发式的水火电机组检修优化方法 |
Non-Patent Citations (1)
Title |
---|
基于成本优化的城市地下物流节点选址研究;何永贵;《环境与社会》;第38卷(第6期);66-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113608A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chiang et al. | Impact of drone delivery on sustainability and cost: Realizing the UAV potential through vehicle routing optimization | |
Rahbari et al. | The vehicle routing and scheduling problem with cross-docking for perishable products under uncertainty: Two robust bi-objective models | |
Chobar et al. | Multi-objective hub-spoke network design of perishable tourism products using combination machine learning and meta-heuristic algorithms | |
Karlaftis et al. | Containership routing with time deadlines and simultaneous deliveries and pick-ups | |
Chen et al. | A variable neighborhood search approach for the multi-compartment vehicle routing problem with time windows considering carbon emission | |
Wang et al. | An immune genetic algorithm for multi-echelon inventory cost control of IOT based supply chains | |
Poudel et al. | A hybrid decomposition algorithm for designing a multi-modal transportation network under biomass supply uncertainty | |
Nguyen et al. | Supplier selection and operation planning in biomass supply chains with supply uncertainty | |
Bai et al. | Low-carbon VRP for cold chain logistics considering real-time traffic conditions in the road network | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
Jiang et al. | Integrated multi-item packaging and vehicle routing with split delivery problem for fresh agri-product emergency supply at large-scale epidemic disease context | |
Liu et al. | A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines | |
Goodarzian et al. | Investigating a citrus fruit supply chain network considering CO2 emissions using meta-heuristic algorithms | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
Li et al. | The use of data mining technology in agricultural e-commerce under the background of 6G Internet of things communication | |
Guo et al. | Heuristic approaches for a vehicle routing problem with an incompatible loading constraint and splitting deliveries by order | |
Anoop et al. | A mathematical model and solution methods for rail freight transportation planning in an Indian food grain supply chain | |
Meneghetti et al. | Sustainable refrigerated food transport: searching energy efficient routes | |
Wu et al. | Optimizing Fresh Logistics Distribution Route Based on Improved Ant Colony Algorithm. | |
Zou et al. | Delivery network design of a locker-drone delivery system | |
Jia | Research on the optimization of cold chain logistics distribution path of agricultural products E-commerce in urban ecosystem from the perspective of carbon neutrality | |
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 | |
CN117113608B (zh) | 一种冷链物流网络节点布局方法和设备 | |
Li et al. | Parcel consolidation approach and routing algorithm for last-mile delivery by unmanned aerial vehicles | |
Yin et al. | An optimal variable pricing model for container line revenue management systems |
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 |