TWI421791B - 物流網路之運輸商選擇方法 - Google Patents
物流網路之運輸商選擇方法 Download PDFInfo
- Publication number
- TWI421791B TWI421791B TW099123526A TW99123526A TWI421791B TW I421791 B TWI421791 B TW I421791B TW 099123526 A TW099123526 A TW 099123526A TW 99123526 A TW99123526 A TW 99123526A TW I421791 B TWI421791 B TW I421791B
- Authority
- TW
- Taiwan
- Prior art keywords
- transporter
- network
- load
- chromosomes
- transporters
- Prior art date
Links
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
-
- 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
- G06Q10/0834—Choice of carriers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本發明係與一種物流網路之運輸商選擇方法有關,特別是與一種具有最佳網路可靠度的物流網路之運輸商選擇方法有關。
由於全球化的發展,許多企業均拓展其市場至世界各地,並將其物流活動委外給外部運輸商。因此,運輸商往往扮演相當重要的角色,並影響著供應鏈之成本、收益及服務水準。習知之運輸商選擇主要係以成本及收益為基準,並且對於運輸商所能提供的負載狀態(capacity),例如所能提供的貨櫃數量,一般則視為具確定性(deterministic)。
然而,在實際情況下,基於運輸商所的負載狀態具有被其他顧客所預訂的可能性,運輸公司所能提供之負載狀態應實為具隨機性(stochastic),亦即其等可提供多種負載狀態,且每一負載狀態皆有其對應之機率。更特別地,一物流網路可能包含陸運、海運及空運等航線,因此不同型態之航線其運輸商,其所持有的負載單位亦不相同。換句話說,當一批商品流經不同型態航線時,其所耗用的負載量亦會不同。所謂的運輸商選擇(carrier selection)或稱之為運輸商組合,即指對物流網路上的每一航線(route)皆選擇一家運輸商負責配送,則此時之物流網路稱之為隨機物流網路(stochastic logistics network),而於選擇一組運輸商下之網路可靠度(network reliability),則定義為在該組運輸商選擇中能成功地由供應商配送某商品之特定需求量至顧客的可能性。
因此,如何選擇一組具有最佳網路可靠度之運輸商組合以提供最穩定的商品配送之技術,並且於實體產品配送的產業,能達到最可靠的運輸,進而降低成本及增加收益,是本技術領域亟欲解決之問題。
本發明之一目的在於提供一運輸商選擇方法,以提供最穩定的商品配送之技術,進而降低成本及增加收益。
本發明的其他目的和優點可以從本發明所揭露的技術特徵中得到進一步的了解。
為達上述之一或部份或全部目的或是其他目的,本發明之一實施例係為一種物流網路之運輸商選擇方法,其中物流網路係具有複數個運輸商以及複數個運輸商組合,這些運輸商組合係由這些運輸商所組成,該方法係用來評估在物流網路中的運輸商組合之一的網路可靠度,以選擇一最佳運輸商組合,該物流網路包括一起點、一終點及複數航線,航線位於起點及終點之間,並且可以組成複數個最小路徑。
一種物流網路之運輸商選擇方法包括:於物流網路之每一航線上,均選擇其之運輸商中之一者,以得到一運輸商組合之一來傳送一待傳輸物;將待傳輸物的一需求量分佈於最小路徑之一中,並且每一運輸商均具有複數負載狀態及一最大負載限制;根據需求量、每一運輸商之負載狀態及最大負載限制,來計算由運輸商組合之一來傳送待傳輸物時,於物流網路的最小路徑之一的網路可靠度;並且執行基因演算法來找出一具有最佳網路可靠度之運輸商組合,以得到最佳運輸商組合。
在一較佳實施例中,計算運輸商組合於物流網路之最小路徑之一中,傳送待傳輸物的網路可靠度之方法,包括:定義一流量向量,其係由每一運輸商組合於傳送需求量之複數流量所組成,並且流量之總和係為需求量;找出所有滿足每一運輸商組合於最小路徑之一中,傳送待傳輸物之需求量所消耗之一負荷量,係小於或等於每一運輸商之一最大負載限制的關係式之流量向量,並且負荷量係為每一運輸商於每一航線所傳送之一最大運輸量;轉換滿足上述關係式之每一流量向量係為一對應之負載向量,每一負載向量係由運輸商之負荷量所組成;找出所有滿足每一運輸商組合於最小路徑之一中,傳送待傳輸物之需求量所消耗之負荷量,係小於或等於每一運輸商之每一負載狀態的關係式之負載向量,並且定義滿足上述關係式之負載向量為一下界向量;以及判斷每一負載向量係大於或等於最小路徑的下界向量的機率,並定義該機率為運輸商組合之網路可靠度。
在一較佳實施例中,計算運輸商組合之一於物流網路之最小路徑之一中,傳送待傳輸物的網路可靠度之方法,係藉由一最小路徑法整合一遞迴不交和法來運算。
在一較佳實施例中,執行基因演算法來找出具有一最佳網路可靠度之運輸商組合,以得到最佳運輸商組合之方法包括:定義一初始參數,初始參數具有一母群、一演化次數及一迭帶次數,並且母群包括複數染色體,每一染色體代表每一運輸商組合;當演化次數等於迭帶次數,則輸出一最佳解;以及定義最佳解為最佳運輸商組合。
在一較佳實施例中,執行基因演算法來找出具有一最佳網路可靠度之運輸商組合,以得到最佳運輸商組合之方法包括:定義一初始參數,初始參數具有一母群、一交配率、一突變率、一演化次數及一迭帶次數,並且母群包括複數染色體,每一染色體代表每一運輸商組合;當演化次數小於迭帶次數,則將演化次數加上一;利用輪盤法複製染色體之其二;根據交配率,進行兩染色體交配;根據突變率,執行兩染色體突變;當母群中兩染色體之兩網路可靠度係為兩最小網路可靠度,則產生兩新染色體取代母群中兩染色體;再計算另一運輸商組合傳送待傳輸物於物流網路之最小路徑之其一的網路可靠度;再執行一次基因演算法;當演化次數等於迭帶次數,則輸出一最佳解;以及定義最佳解為該最佳運輸商組合。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之一較佳實施例的詳細說明中,將可清楚的呈現。以下實施例中所提到的方向用語,例如:上、下、左、右、前或後等,僅是參考附加圖式的方向。因此,使用的方向用語是用來說明並非用來限制本發明。
本發明係為一種物流網路之運輸商選擇方法,其係利用基因演算法(Genetic algorithm,GA)為基礎並整合最小路徑法(minimal paths,MPs)以及遞迴不交和法(recursive sum of disjoint products,RSDP),來評估物流網路中每一運輸商組合之一網路可靠度,以選擇一最佳運輸商組合。其中,物流網路係具有複數個運輸商及複數個運輸商組合,運輸商組合係由這些運輸商所組成,並且物流網路包括有一起點、一終點及複數航線,航線位於起點及終點之間,並且可以組成複數個最小路徑。
為了執行物流網路之運輸商選擇方法,本發明利用一電腦來執行一運輸商選擇軟體,該電腦具有一輸入單元、一運算單元及一輸出單元,該運輸商選擇軟體係提供一虛擬網路,以模擬物流網路。執行物流網路之運輸商選擇方法之電腦硬體架構係如下所述。該電腦具有一輸入單元、一運算單元、一儲存單元及一輸出單元。該輸入單元可以例如是一鍵盤或一手寫輸入設備。該運算單元可以例如是一中央處理器(CPU)。該儲存單元可以例如是一硬碟,該硬碟中安裝有上述的運輸商選擇軟體,其係電性連接至輸入單元、運算單元以及輸出單元。該輸出單元可以例如是一顯示器或一印表機。
請參照第一圖,其係為執行上述運輸商選擇軟體之流程圖,其之步驟整理如下:
步驟(S100):由輸入單元接受由運輸商選擇軟體之一使用者所輸入之待傳輸物的一需求量,每一運輸商之負載狀態h it
(c
),以及最大負載限制h it
(M it
)。同時,定義一初始參數,該初始參數具有一母群α
、一交配率β
、一突變率γ
、一演化次數count
及一迭帶次數λ
,並且母群α
係包括複數染色體,每一染色體代表每一運輸商組合。其中,每執行一次基因演算法,則演化次數count
加一。
步驟(S101):藉由運算單元,隨機產生α
種運輸商組合。也就是於物流網路之每一航線上,皆選擇一家運輸商,以得到不同的運輸商組合來傳送待傳輸物,並且將待傳輸物的需求量分佈於最小路徑之一中。
步驟(S102):根據需求量、每一家運輸商之負載狀態及最大負載限制,呼叫步驟(S200),計算運輸商組合於物流網路之最小路徑之一中,傳送待傳輸物的網路可靠度。也就是跳至第二圖中之步驟(S201)至步驟(S208),在得到網路可靠度之數值後,回傳至步驟(S102),並進行下一個步驟(S103)。
步驟(S103):根據運輸商組合之網路可靠度,來執行基因演算法來找出具有一最佳網路可靠度之運輸商組合,也就是根據上述所找出的這些解加以比較,並找出具有最佳網路可靠度的最佳解。當演化次數等於迭帶次數count
=λ
,則執行步驟(S104);否則,跳至步驟(S105)。
步驟(S104):輸出一最佳解,並且定義最佳解為最佳運輸商組合,並顯示最佳運輸商組合於輸出單元上。
步驟(S105):當演化次數小於迭帶次數,則將演化次數再加上一:count
=count
+1。
步驟(S106):利用輪盤法複製母群α
中複數染色體之其二,亦即複製兩運輸商組合。
步驟(S107):根據交配率β
,進行兩染色體交配,亦即進行兩運輸商組合交配。
步驟(S108):根據突變率γ
,執行兩染色體突變,亦即執行兩運輸商組合突變。
步驟(S109):當母群α
中兩染色體之兩網路可靠度為兩最小網路可靠度,則產生兩新染色體取代母群中兩染色體。也就是以兩組新產生的運輸商組合來取代原先群組中兩組具有最小網路可靠度之運輸商組合
步驟(S110):計算兩新運輸商組合的網路可靠度,也就是回到步驟(S102),並且呼叫步驟(S200)進行網路可靠度之計算。
如第二圖所示,係為步驟(S200),也就是執行上述步驟(S102)的過程中所計算之運輸商組合於物流網路之最小路徑之一中,傳送待傳輸物的網路可靠度之方法流程圖,其步驟整理如下:
步驟(S201):定義一流量向量F
=(f 1
,f 2
,...,f m
),其係由每一運輸商組合於傳送需求量之複數流量f m
所組成。
步驟(S202):找出所有滿足每一運輸商組合於最小路徑之一中,傳送待傳輸物之需求量d所消耗之一負荷量,係小於或等於每一運輸商之最大負載限制h it
(M it
)的關係式之流量向量F
,並且負荷量係為每一運輸商於每一航線所傳送之一最大運輸量。
步驟(S203):是否得到滿足每一運輸商組合於最小路徑之一中,傳送待傳輸物之需求量d所消耗之一負荷量,係小於或等於每一運輸商之最大負載限制h it
(M it
)的關係式之流量向量F
。若得到流量向量F
,則執行步驟(S205);否則,執行步驟(S204)。
步驟(S204):定義運輸商組合之網路可靠度R d
為一極小值,則結束步驟(S200)之迴圈後,傳送網路可靠度R d
之數值至第一圖中步驟(S102),並執行下一個步驟(S103)。
步驟(S205):藉由運算單元,轉換滿足上述關係式之每一流量向量F
為一對應之負載向量Y
=(y 1
,y 2
,...,y n + q
),每一負載向量Y
係由運輸商之負荷量所組成。
步驟(S206):找出所有滿足每一運輸商組合於最小路徑之一中,傳送待傳輸物之需求量所消耗之負荷量,係小於或等於每一運輸商之每一負載狀態的關係式之負載向量Y
。
步驟(S207):定義滿足上述關係式之負載向量Y
為一下界向量d-MPs。
步驟(S208):評估每一負載向量Y
係大於或等於下界向量d-MPs的機率,定義該機率為運輸商組合之網路可靠度R d
。結束步驟(S200)之迴圈後,傳送網路可靠度R d
之值至第一圖中步驟(S102),並執行下一個步驟(S103)。
如第一圖至第二圖所示,其係藉由多次選擇另一運輸商組合來傳送待傳輸物,並且針對下一個運輸商組合,來計算其於物流網路之最小路徑中傳送待傳輸物的網路可靠度,並執行基因演算法,來找出具有一最佳網路可靠度之運輸商組合,以得到最佳運輸商組合。
在一較佳實施例中,以一包含陸運航線及空運航線之物流網路為例:令(R 1
,R 2
,N
)表示物流網路,其中,N
代表節點,亦即城市或轉運中心;R 1
={r i
|1 i n
}代表物流網路上的n
條空運航線;以及,R 2
={r i
|n
+1 i n
+q
}代表物流網路上的q
條陸運航線。此外,以p 1
,p 2
,...,p m
表示物流網路的m
條最小路徑。在每一條航線r i
上,包含z i
家運輸商,並且以Ω i
={ω it
|1 t z i
}表示航線上z i
家運輸商所成的集合,且i
=1,2,...,n
+q
。ω it
表示航線r i
上的第t
家運輸商。每一家運輸商ω it
均具有多種狀態:1,2,...,M it
,每個狀態對應著其可負載之負載狀態:0=h it
(1)<h it
(2)<...<h it
(M it
)以及機率:Pr(h it
(1))、Pr(h it
(1))、...、Pr(h it
(M it
)),其中,h it
(c
)為運輸商ω it
所提供第c
種負載狀態。一運輸商組合表示一染色體(chromosome),以G
=(g 1
,g 2
,...,g n + q
)表示,若航線r i
決定由運輸商ω it
負責配送,則g i
=t
。由於此物流網路包含空運及陸運,因此以w 1
表示每單位商品所消耗之空運負載狀態,w 2
則表示每單位商品所消耗的陸運負載狀態。
當物流網路決定一運輸商組合G
時,則此網路係為隨機物流網路,此網路可由兩個向量表示:流量向量F
=(f 1
,f 2
,...,f m
)與負載向量Y
=(y 1
,y 2
,...,y n + q
)。網路可靠度則定義為在一運輸商組合下之物流網路,能成功地由供應商配送d
單位的商品至顧客的機率,以R d
(G
)表示。
以下步驟說明如何利用基因演算法(GA)結合最小路徑法(MPs)以及遞迴不交和法(RSDP),以選擇出具有最佳網路可靠度的一最佳運輸商組合。
步驟一、
定義初始參數:母群(chromosomes)大小(α)、交配率(β)、突變率(γ)及迭帶次數(λ),並令演化次數count=0。
步驟二、
以整數編碼(integer encoding為基礎,產生大小為α的初始母群。
步驟三、
利用下列網路可靠度評估法來評估每一染色體所對應的網路可靠度,過程如下:
1.找出所有滿足下列限制式(1)、(2)及(3)之流量向量F
:
2.若找不到一流量向量F
滿足上述之限制式,則給定此染色體一極小值做為網路可靠度,針對下一條染色體重新做評估,也就是找出下一個運輸商組合來評估。
3.將步驟1.所求得的流量向量F透過下列等式轉換成對應之負載向量Y:
其中,c {1,2,...,},並針對i
=1,2,...,n
,;以及
其中,c {1,2,...,},並針對i
=n
+1,n
+2,...,n
+q
,
4.將步驟3.轉換而來的k個負載向量Y,利用下列步驟判斷這些負載向量Y是否為下界向量d-MPs
:4.1 I=Φ
(I
為用以儲存非d
-MP所對應索引之堆疊,起始值為空集合);4.2 由i
=1至k
&i I
;4.3 由j
=i
+1至k
,&j I
;4.4 假設Y j
<Y i
,則Y i
不是下界向量,I
=I
∪{i
},因此跳至步驟4.7;若Y j Y i
,則Y j
不是下界向量,I
=I
∪{j
};4.5j
=j
+1;4.6Y i
即為滿足負載狀態之限制的下界向量d
-MP
;4.7i
=i
+1。
5.假設負載向量Y 1
,Y 2
,...,Y b
為下界向量d
-MPs。如表一所示程式碼,利用下列遞迴不交和法(RSDP)計算染色體G
對應之網路可靠度。
步驟四、
若演化次數等於迭帶次數count=λ,則輸出最佳解,並終止演算法;否則,count=count+1演算法跳至步驟五。
步驟五、
利用輪盤法(roulette wheel selection)複製兩條染色體。
步驟六、
根據交配率進行染色體交配。
步驟七、
根據突變率執行染色體突變。
步驟八、
將產生的兩條新子代染色體取代就有母群中,網路可靠度最低的兩條染色體。
步驟九、
利用網路可靠度評估演算法計算此二條新染色體之網路可靠度,亦即針對下一條染色體執行步驟三至步驟四的過程。
上述基因演算法的過程中包括有染色體之選擇、交配以及突變,並且在本發明利用輪盤法於母群中挑選兩母染色體(Parents)並加以複製。首先,舉例說明若選擇兩母染色體為:(2,3,3,5,2,1,4,5)以及(1,2,5,6,6,3,5,2)。如表二所示,根據交配率並進行單點交配(1-point crossover),並且假設交配點(crossover point)φ隨機產生為4,進行兩染色體交配過程後,第一代母染色體(Parents)分別改變為第一代子染色體(Offsprings):(2,3,3,|6,6,3,5,2)以及(1,2,5,|5,2,1,4,5)。
接著,如表三所示,根據突變率以及隨機產生一二進制向量(binary vector)η
=(η1
,η2
,...,η n + q
),來執行兩染色體突變過程。假設ηπ
=1,則一染色體中第π個基因之數值會變為非原本數值之另一數值。舉例來說,由上述第一代母染色體所轉變之第一代子染色體作為第二代母染色體:(2,3,3,6,6,3,5,2)以及(1,2,5,5,2,1,4,5),並且假設η
=(0,0,0,0,1,0,0,1),則第二代母染色體經突變過程後轉變為第二代子染色體:(2,3,3,6,1
,3,5,4
),其中g 5 {1,2,…,z 5
}而g 5
≠6,g 8 {1,2,…,z 8
}而g 8
≠2;以及(1,2,5,5,3
,1,4,6
),其中g 5 {1,2,…,z 5
}而g 5
≠2,g 8 {1,2,…,z 8
}而g 8
≠5。
請參考第三圖,係為本發明第一實施例中物流網路,其包含6條空運航線及4條陸運航線。其中,實線表示空運航線Air route:r 1
,r 2
,r 3
,r 4
,r 5
,r 6
,虛線表示陸運航線Land route:r 7
,r 8
,r 9
,r 10
,並且由各航線組成6條最小路徑(MPs)分佈於物流網路中,包括:p 1
={r 1
,r 7
,r 9
}、p 2
={r 2
,r 3
,r 7
,r 9
}、p 3
={r 2
,r 5
,r 7
,r 10
}、p 4
={r 3
,r 4
,r 8
,r 9
}、p 5
={r 4
,r 5
,r 8
,r 10
}以及p 6
={r 6
,r 8
,r 10
}。每一條航線上提供有3家運輸商。每一家運輸商於每一條空運航線及陸運航線上可行之負載狀態,將分別如表四及表五所示。若每一運輸商於空運航線上傳送待傳輸物之需求量所消耗之負荷量為10.5噸(tons),則w 1
=10.5;每一運輸商於陸運航線上傳送待傳輸物之需求量所消耗之負荷量為2.5換算箱(Twenty-feet Equivalent Unit,TEU),則w 2
=2.5。首先,定義基因演算法之初始參數:母群α=30、交配率β=0.95、突變率γ=0.01及迭帶次數λ=300。根據不同的待傳輸物的需求量,來執行基因演算法與窮舉法(implicit enumeration approach)比較,如表六所示,基因演算法之運算效率相對窮舉法之運算效率較高,並且於需求量d
=1
、d
=2
、d
=4
以及d
=5
時可獲得最佳解,且於需求量d
=3時基因演算法相對窮舉法可得到一較佳解。
請參考第四圖,其係為本發明第二實施例中之物流網路下,台灣製造商於中國廈門(Xiamen)工廠所製造之液晶螢幕(LCD)運輸至德國柏林(Berlin)的航線圖。其中,實線表示空運航線Air route:r 1
至r 8
,虛線表示陸運航線Land route:r 9
至r 18
,各家運輸商於空運航線及陸運航線上的實際負載狀態及其機率分佈之資料,分別如表七及表八所示。每一家運輸商於空運航線提供有0、10噸、20噸至60噸等不同之負載狀態,於陸運航線提供有0、1 TEU、2 TEU至9 TEU等不同之負載狀態。每一台22吋之液晶螢幕的尺寸為56.8×46.2×14.5立方公分,並且其重量趨近於6公斤。每一換算箱(TEU)之尺寸為589.8×235.2×238.5立方公分,因此每一換算箱可容納880台22吋之液晶螢幕。於本實施例中,每一單位之需求量可容納1000台22吋之液晶螢幕,因此於空運航線上傳送待傳輸物之需求量所消耗之負荷量為6噸,則w 1
=6;於陸運航線上傳送待傳輸物之需求量所消耗之負荷量1.15 TEU,則w 2
=1.15。
假設德國柏林的需求量為2000台22吋之液晶螢幕,則d
=2。基因演算法之初始參數定義為:α=60,β=0.6,γ=0.005以及λ=500。接著,執行基因演算法找出500個隨機解(random solutions)與隨機搜尋法(random search approach)比較,其實驗結果如第五圖所示,實線表示基因演算法之最佳解,虛線表示隨機搜尋法之最佳解。顯而易見地,基因演算法相較於隨機搜尋法可獲得之最佳網路可靠度,並且由基因演算法所獲得之最佳運輸商組合為(1,1,2,1,1,1,4,1,2,1,5,1,3,3,1,3,5,6),此運輸商組合於第115次運算時可得到最佳網路可靠度為0.9936837。
綜上所述,由於全球化影響下,製造業外移,商品往往需經由物流網路配送至顧客端上,因此本發明提供一運輸商選擇方法,以網路可靠度為基礎,來選擇物流網路上的最佳運輸商組合,用以確保商品能成功的配送至顧客端,進而達到提升顧客滿意度之指標。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。另外本發明的任一實施例或申請專利範圍不須達成本發明所揭露之全部目的或優點或特點。此外,摘要部分和標題僅是用來輔助專利文件搜尋之用,並非用來限制本發明之權利範圍。
第一圖,係為物流網路下運輸商選擇方法之流程圖。
第二圖,係為算運輸商組合傳送待傳輸物於物流網路之最小路徑之其一的網路可靠度之方法流程圖。
第三圖,係為本發明第一實施例中物流網路。
第四圖,係為本發明第二實施例中物流網路下於中國廈門所製造之液晶螢幕運輸至德國柏林的航線圖。
第五圖,係為本發明第二實施例中基因演算法與隨機搜尋法之比較圖。
Claims (6)
- 一種物流網路之運輸商選擇方法,其中該物流網路包括複數個節點及複數個最小路徑,該等節點包括一起點及一終點,該些最小路徑係位於該起點及該終點之間,其中每一該最小路徑係由複數個航線組成的沒有迴圈的路徑,每一該航線係位於該等節點之二之間,該物流網路之運輸商選擇方法包括:利用一電腦來執行一運輸商選擇軟體,該電腦包括一輸入單元,一運算單元以及一輸出單元,其中該運輸商選擇軟體係提供一虛擬網絡來模擬該物流網絡;提供複數個運輸商,其係在該物流網路中進行傳輸工作;於物流網路之每一該航線上,選擇該些運輸商之一,以得到用於傳送一待傳輸物的一運輸商組合之一,藉此產生複數個運輸商組合;輸入單元係提供一使用者輸入該待傳輸物之一需求量於該運輸商選擇軟體中,其中該需求量係從該物流網絡的該起點運送到該終點;定義該待傳輸物的該需求量分佈於該些最小路徑之一中,並且定義每一該運輸商均具有複數負載狀態及一最大負載限制;定義一流量向量,其係由每一該運輸商組合於每一該最小路徑上傳送該需求量所形成之複數流量所組成,並且該些流量之總和係為該需求量;該運算單元找出所有滿足一第一關係式之該些流量向 量,其中該第一關係式的定義包括每一該運輸商組合於該些最小路徑之一中,傳送該待傳輸物之該需求量所消耗之一負荷量,該負荷量係小於或等於每一該運輸商之一最大負載限制,並且該負荷量係為每一該運輸商於每一該航線所傳送之一最大運輸量;該運算單元轉換滿足該第一關係式之每一該流量向量為一對應之負載向量,每一該負載向量係由每一該運輸商之該些負荷量所組成;該運算單元找出所有滿足一第二關係式之該些負載向量,其中該第二關係式的定義包括每一該運輸商組合於該些最小路徑之一中,傳送該待傳輸物之該需求量所消耗之該負荷量,該負荷量係小於或等於每一該運輸商之每一該負載狀態,並且定義滿足該第二關係式之該些負載向量為一下界向量;該運算單元評估每一該負載向量係大於或等於該些最小路徑的該下界向量的機率,並定義該機率為該些運輸商組合之一所對應的一網路可靠度;該運算單元執行基因演算法來找出最佳網路可靠度之該運輸商組合,以得到一最佳運輸商組合;以及將該最佳運輸商組合顯示在該輸出單元上。
- 如申請專利範圍第1項的物流網路之運輸商選擇方法,其中該運算單元計算該網路可靠度之方法,係藉由最小路徑法整合遞迴不交和法來運算。
- 如申請專利範圍第1項的物流網路之運輸商選擇方 法,其中該運算單元執行基因演算法來找出最佳的該網路可靠度之該運輸商組合,以得到該最佳運輸商組合之方法,包括有:定義一初始參數,該初始參數具有一母群、一演化次數及一迭帶次數,並且該母群包括複數染色體,每一該染色體代表每一該運輸商組合;當該演化次數等於該迭帶次數,則輸出一最佳解;以及定義該最佳解為該最佳運輸商組合。
- 如申請專利範圍第1項的物流網路之運輸商選擇方法,其中執行基因演算法來找出最佳的該網路可靠度之該運輸商組合,以得到該最佳運輸商組合之方法,包括有:定義一初始參數,該初始參數具有一母群、一交配率、一突變率、一演化次數及一迭帶次數,並且該母群包括複數染色體,每一該染色體代表每一該運輸商組合;當該演化次數小於該迭帶次數,則將該演化次數加上一;利用輪盤法複製該些染色體之其二,而形成兩母染色體;根據該交配率,將該兩母染色體進行交配,而形成兩第一代子染色體;根據該突變率,將該兩第一代子染色體執行突變,而形成兩第二代子染色體;將該兩第二代子染色體取代該母群中的該些染色體之其二,其中被取代的該些染色體之其二係對應於兩最小網路可靠度; 再計算另一該些運輸商組合之一於該物流網路的該些最小路徑之一中,傳送該待傳輸物的該網路可靠度;再執行一次基因演算法;當該演化次數等於該迭帶次數,則輸出一最佳解;以及定義該最佳解為該最佳運輸商組合。
- 如申請專利範圍第3或4項的物流網路之運輸商選擇方法,其更包括有:每執行一次基因演算法,則該演化次數加一。
- 如申請專利範圍第1項所述之物流網路之運輸商選擇方法,其更包括:利用一電腦執行一運輸商選擇軟體,該電腦具有一輸入單元、一運算單元及一輸出單元,該運輸商選擇軟體係提供一虛擬網路,以模擬該物流網路;由該輸入單元接受由該運輸商選擇軟體之一使用者所輸入之該待傳輸物的該需求量、每一該運輸商之該些負載狀態及該最大負載限制;藉由該運算單元,計算該運輸商組合之該網路可靠度,並且演算出該最佳運輸商組合;以及將該最佳運輸商組合顯示於該輸出單元上。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099123526A TWI421791B (zh) | 2010-07-16 | 2010-07-16 | 物流網路之運輸商選擇方法 |
US12/926,384 US8600908B2 (en) | 2010-07-16 | 2010-11-15 | Carrier selection method for logistics network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW099123526A TWI421791B (zh) | 2010-07-16 | 2010-07-16 | 物流網路之運輸商選擇方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201205486A TW201205486A (en) | 2012-02-01 |
TWI421791B true TWI421791B (zh) | 2014-01-01 |
Family
ID=45467702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW099123526A TWI421791B (zh) | 2010-07-16 | 2010-07-16 | 物流網路之運輸商選擇方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8600908B2 (zh) |
TW (1) | TWI421791B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI748887B (zh) * | 2021-03-03 | 2021-12-01 | 國立陽明交通大學 | 網路可靠度計算方法、裝置與其電腦可讀取媒介 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288579B2 (en) * | 2014-01-28 | 2022-03-29 | Cognizant Technology Solutions U.S. Corporation | Training and control system for evolving solutions to data-intensive problems using nested experience-layered individual pool |
US10430709B2 (en) | 2016-05-04 | 2019-10-01 | Cognizant Technology Solutions U.S. Corporation | Data mining technique with distributed novelty search |
US9313129B2 (en) * | 2014-03-14 | 2016-04-12 | Nicira, Inc. | Logical router processing by network controller |
US9419855B2 (en) | 2014-03-14 | 2016-08-16 | Nicira, Inc. | Static routes for logical routers |
US9647883B2 (en) | 2014-03-21 | 2017-05-09 | Nicria, Inc. | Multiple levels of logical routers |
TWI524695B (zh) * | 2014-08-20 | 2016-03-01 | 國立清華大學 | 基於節點之循序隱含枚舉方法及其系統 |
US10129180B2 (en) | 2015-01-30 | 2018-11-13 | Nicira, Inc. | Transit logical switch within logical router |
US10230629B2 (en) | 2015-08-11 | 2019-03-12 | Nicira, Inc. | Static route configuration for logical router |
US10075363B2 (en) | 2015-08-31 | 2018-09-11 | Nicira, Inc. | Authorization for advertised routes among logical routers |
US10095535B2 (en) | 2015-10-31 | 2018-10-09 | Nicira, Inc. | Static route types for logical routers |
US10153973B2 (en) | 2016-06-29 | 2018-12-11 | Nicira, Inc. | Installation of routing tables for logical router in route server mode |
US10454758B2 (en) | 2016-08-31 | 2019-10-22 | Nicira, Inc. | Edge node cluster network redundancy and fast convergence using an underlay anycast VTEP IP |
US10341236B2 (en) | 2016-09-30 | 2019-07-02 | Nicira, Inc. | Anycast edge service gateways |
CN108804541B (zh) * | 2018-05-08 | 2020-09-18 | 苏州闻道网络科技股份有限公司 | 电商标题优化系统及优化方法 |
US10931560B2 (en) | 2018-11-23 | 2021-02-23 | Vmware, Inc. | Using route type to determine routing protocol behavior |
US10797998B2 (en) | 2018-12-05 | 2020-10-06 | Vmware, Inc. | Route server for distributed routers using hierarchical routing protocol |
US10938788B2 (en) | 2018-12-12 | 2021-03-02 | Vmware, Inc. | Static routes for policy-based VPN |
CN109714263B (zh) * | 2019-01-18 | 2021-01-29 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
CN109919376B (zh) * | 2019-03-01 | 2021-04-06 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN110852530B (zh) * | 2019-11-22 | 2022-06-21 | 浙江工业大学 | 一种多车场多车型的车辆路径规划方法 |
CN111325389B (zh) * | 2020-02-17 | 2022-03-25 | 陕西科技大学 | 一种基于Petri网和整数线性规划的车辆路径优化方法 |
CN114169560B (zh) * | 2020-12-22 | 2023-04-07 | 四川合纵药易购医药股份有限公司 | 用于立体仓库的物料调度控制方法 |
CN113313286A (zh) * | 2021-04-23 | 2021-08-27 | 北京国信云服科技有限公司 | 基于遗传算法的末端物流网点布局方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020095393A1 (en) * | 2000-06-06 | 2002-07-18 | Mchaney Roger | Computer program for and method of discrete event computer simulation incorporating biological paradigm for providing optimized decision support |
US20080037536A1 (en) * | 2000-11-17 | 2008-02-14 | Microsoft Corporation | System and method for determining the geographic location of internet hosts |
US20090192864A1 (en) * | 2007-12-21 | 2009-07-30 | Exxomobil Research And Engineering Company | System for optimizing bulk product allocation, transportation and blending |
TW200941362A (en) * | 2008-03-21 | 2009-10-01 | Geo Inf Ormatics Inc | System and method for transportation resource management |
-
2010
- 2010-07-16 TW TW099123526A patent/TWI421791B/zh not_active IP Right Cessation
- 2010-11-15 US US12/926,384 patent/US8600908B2/en not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020095393A1 (en) * | 2000-06-06 | 2002-07-18 | Mchaney Roger | Computer program for and method of discrete event computer simulation incorporating biological paradigm for providing optimized decision support |
US20080037536A1 (en) * | 2000-11-17 | 2008-02-14 | Microsoft Corporation | System and method for determining the geographic location of internet hosts |
US20090192864A1 (en) * | 2007-12-21 | 2009-07-30 | Exxomobil Research And Engineering Company | System for optimizing bulk product allocation, transportation and blending |
TW200941362A (en) * | 2008-03-21 | 2009-10-01 | Geo Inf Ormatics Inc | System and method for transportation resource management |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI748887B (zh) * | 2021-03-03 | 2021-12-01 | 國立陽明交通大學 | 網路可靠度計算方法、裝置與其電腦可讀取媒介 |
Also Published As
Publication number | Publication date |
---|---|
TW201205486A (en) | 2012-02-01 |
US8600908B2 (en) | 2013-12-03 |
US20120016804A1 (en) | 2012-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI421791B (zh) | 物流網路之運輸商選擇方法 | |
Mardan et al. | An accelerated benders decomposition algorithm for a bi-objective green closed loop supply chain network design problem | |
Ebrahimnejad | New method for solving fuzzy transportation problems with LR flat fuzzy numbers | |
Keskin et al. | Meta-heuristic approaches with memory and evolution for a multi-product production/distribution system design problem | |
Yağmur et al. | A memetic algorithm for joint production and distribution scheduling with due dates | |
Ting et al. | The selective pickup and delivery problem: Formulation and a memetic algorithm | |
JP7062561B2 (ja) | 在庫配置設計装置および在庫配置設計方法 | |
Mestria | New hybrid heuristic algorithm for the clustered traveling salesman problem | |
TWI380630B (en) | System reliability evaluation method for transmission by a single minimal path in time restriction | |
Garcia-Lopez et al. | An improved robust topology optimization approach using multiobjective evolutionary algorithms | |
Tari et al. | Prioritized K-mean clustering hybrid GA for discounted fixed charge transportation problems | |
Lee et al. | Winner determination problem in multiple automated guided vehicle considering cost and flexibility | |
CN109801070A (zh) | 交易排队方法、设备和存储介质 | |
Erdoğan et al. | A branch-and-cut algorithm for solving the non-preemptive capacitated swapping problem | |
Chen et al. | Directed graph optimization model and its solving method based on genetic algorithm in fourth party logistics | |
Basiri et al. | A hybrid intelligent algorithm for a fuzzy multi-objective job shop scheduling problem with reentrant workflows and parallel machines | |
Kim et al. | Efficient stowage plan with loading and unloading operations for shipping liners using foldable containers and shift cost-sharing | |
EL Bouyahyiouy | The selective full truckload multi-depot vehicle routing problem with time windows: Formulation and a genetic algorithm | |
Zhang et al. | An effective evolutionary algorithm for the biobjective full truckload transportation service procurement problem | |
TW201102838A (en) | System reliability evaluation method for transmission by two minimal paths in time restriction | |
Zhang et al. | Attribute index and uniform design based multiobjective association rule mining with evolutionary algorithm | |
Tavakoli et al. | Multi-objective multiple allocation hub location problem with multiple capacity levels considering sustainable development paradigm | |
Amirteimoori et al. | Hybrid flow shop with limited transportation scheduling problem: a comparison between genetics algorithm, and a novel recursive local search heuristic | |
Du et al. | Research on cargo-loading optimization based on genetic and fuzzy integration | |
Garg et al. | Logistics networks: a sparse matrix application for solving the transshipment problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |