CN101620694A - 物流运输决策支持***及方法、运输管理*** - Google Patents

Abstract

本发明揭示了一种物流运输决策支持***，用于确定所需参加作业的车辆数量和类型，传给车辆调度***；该***包括预处理模块、评估指标确定模块、绩效测评模块、运力决策模块、新增运输资源决策支持模块；所述预处理模块、评估指标确定模块、绩效测评模块、运力决策模块依次连接，新增运输资源决策支持模块与运力决策模块连接。本发明提出的物流运输决策支持***及方法可以计算出现有钢铁物流运输业务量是否达到车辆等运输资源的运能上限，分析影响车辆等运输资源到达上限的瓶颈；同时，可以分析、计算出是否需要新增运输资源、及新增运输资源的数量、类型。

Description

物流运输决策支持***及方法、运输管理***

技术领域

本发明涉及一种决策支持***，尤其涉及一种物流运输决策支持***；同时，本发明还涉及上述物流运输决策支持***的决策支持方法；此外，本发明还涉及一种包括上述物流运输决策支持***的运输管理***。

背景技术

运输资源决策支持是物流管理领域研究的前沿问题，目前，中国市场的运输优化***软件几乎全部来自国外。在中国物流管理软件市场中排名前四位的博科、用友、金蝶和东软金算盘均没有提供运输资源决策支持功能，而仅涵盖物流业务的流程管理。

通过对国外同类运输优化软件的分析可知，如SAP、MANUGISTICS、Oracle、i2等提供的运输优化产品，定位比较单一，都只是解决车辆的路径优化问题，涵盖的约束也非常少，仅仅包含了时间窗的限制，并且均没有涉及到满载车辆的优化问题。

本发明涉及遗传算法，遗传算法(Genetic Algorithm)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是有美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Hilland教授所提出的GA通常为简单遗传算法(SGA)。

遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小挑选(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。

发明内容

本发明所要解决的技术问题是：提供一种用于计算现有钢铁物流运输业务量是否达到车辆等运输资源的运能上限的物流运输决策支持***。

同时，本发明提供一种包括上述物流运输决策支持***的运输管理***。

此外，本发明还提供一种上述物流运输决策支持***的决策支持方法。

为解决上述技术问题，本发明采用如下技术方案：

一种物流运输决策支持***，用于确定所需参加作业的运输设备数量和类型，传给运输设备调度***；该***包括：

预处理模块，用以对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据；

评估指标确定模块，用以按照预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值；

绩效测评模块，用以对各辆车按照设定的性能指标作为评判标准，进行绩效测评；

运力决策模块，用以根据所要完成的运输任务，运输决策支持模块确定所需参加作业的运输设备数量和类型，传给运输设备调度***安排派车路线；

新增运输资源决策支持模块，用以根据任务量的变化，确定现有的运输资源能否完成；当现有运输资源不能完成时，计算新增加运输设备的数量、类型；

所述预处理模块、评估指标确定模块、绩效测评模块、运力决策模块依次连接，新增运输资源决策支持模块与运力决策模块连接。

作为本发明的一种优选方案，所述绩效测评模块还包括性能指标分析模块，用以通过各项性能指标的比较和绩效测评，对运输设备的使用效率按照类型排序，挑出效率高的运输设备类型。

作为本发明的一种优选方案，所述车载重量数据包括L3磅单接收***中的车载重量数据、及运输设备运输管理***中的车载重量数据。

作为本发明的一种优选方案，所述评估指标确定模块综合读取出来的实载重量数据、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并列出每辆车每年的吨公里耗油量，进行同一年各运输设备之间的每百吨公里耗油量比较、及同一运输设备每年之间吨公里耗油量的比较。

作为本发明的一种优选方案，所述绩效测评模块进行绩效测评时，运输设备的评估等级中最高层为目标层、各项性能指标为中间层、运输设备为最低层，各运输设备指标数据之间的比值构成判定矩阵，管理决策人员设定指标权重，每项指标对应的矩阵维数为运输设备数量。

作为本发明的一种优选方案，所述运力决策模块首先确定所需派车的初始解，以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束；在获得初始解基础上，进行仿真(仿真过程通过建立数学模型完成)；对初始解中的派车方案循环选择不同的车辆类型，每次增加一辆车，计算目标成本；选择成本最小的方案为最终派车方案。

作为本发明的一种优选方案，所述新增运输资源决策支持模块通过仿真的方法，增加运输设备，计算任务的完成情况；如果可以完成，计算该新添运输设备方案所带来收益、成本的变化；从所有新添运输设备方案中，挑出收益最大的方案，为管理者提供决策支持；新添车方案通过遗传算法加快方案挑选的速度。

一种包括上述物流运输决策支持***的运输设备运输管理***。

一种上述物流运输决策支持***的决策支持方法，所述方法包括如下步骤：

预处理步骤，对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据；

评估指标确定步骤，按照预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值；

绩效测评步骤，对各辆车按照设定的性能指标作为评判标准，进行绩效测评；

运力决策步骤，根据所要完成的运输任务，运输决策支持模块确定所需参加作业的运输设备数量和类型，传给运输设备调度***安排派车路线；

性能指标分析步骤，通过各项性能指标的比较和绩效测评，对运输设备的使用效率按照类型排序，挑出效率高的运输设备类型。

作为本发明的一种优选方案，所述绩效测评步骤还包括新增运输资源决策支持步骤，根据任务量的变化，确定现有的运输资源能否完成；当现有运输资源不能完成时，计算新增加运输设备的数量、类型。

作为本发明的一种优选方案，所述评估指标确定步骤中，综合读取出来的实载重量数据、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并列出每辆车每年的吨公里耗油量，进行同一年各运输设备之间的每百吨公里耗油量比较、及同一运输设备每年之间吨公里耗油量的比较。

作为本发明的一种优选方案，所述绩效测评步骤中，进行绩效测评时，运输设备的评估等级中最高层为目标层、各项性能指标为中间层、运输设备为最低层，各运输设备指标数据之间的比值构成判定矩阵，管理决策人员设定指标权重，每项指标对应的矩阵维数为运输设备数量。

作为本发明的一种优选方案，所述运力决策步骤中，首先确定所需派车的初始解，以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束；在获得初始解基础上，进行仿真；对初始解中的派车方案循环选择不同的车辆类型，每次增加一辆车，计算目标成本；选择成本最小的方案为最终派车方案。

作为本发明的一种优选方案，所述新增运输资源决策支持步骤中，通过仿真的方法，增加运输设备，计算任务的完成情况；如果可以完成，计算该新添运输设备方案所带来收益、成本的变化；从所有新添运输设备方案中，挑出收益最大的方案，为管理者提供决策支持；新添车方案通过遗传算法加快方案挑选的速度。

本发明的有益效果在于：本发明提出的物流运输决策支持***及方法可以计算出现有钢铁物流运输业务量是否达到车辆等运输资源的运能上限，分析影响车辆等运输资源到达上限的瓶颈；同时，可以分析、计算出是否需要新增运输资源、及新增运输资源的数量、类型。

附图说明

图1为本发明决策支持***的组成示意图。

图2为本发明决策支持***的流程图。

图3为模型中派车数及成本分布图。

图4为模型中总成本与车辆数分布图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

本发明提出了车辆运输管理***的一个子***——物流运输决策支持***，该车辆运输管理***还包括车辆调度***。

请参阅图1，本发明揭示了一种物流运输决策支持***，用于确定所需参加作业的车辆数量和类型，传给车辆调度***；该***包括预处理模块1、评估指标确定模块2、绩效测评模块3、运力决策模块4、新增运输资源决策支持模块5。所述处理模块1、评估指标确定模块2、绩效测评模块3、运力决策模块4依次连接，新增运输资源决策支持模块5与运力决策模块4连接。绩效测评模块3还包括性能指标分析模块。

预处理模块1用以对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据。预处理模块1对来自不同***的相同数据，如来自L3磅单接收***的车载重量数据和来自车辆运输管理***中的车载重量数据，按照管理人员预先设定的规则，进行挑选，同时按照管理人员预先设定的判定准则，提供异常数据的提示。

评估指标确定模块2用以按照管理人员预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值。例如，综合读取出来的车实载重量数据(车辆的实际载重量数据)、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并以图、表的形式列出每辆车每年的吨公里耗油量，可横向进行同一年各车辆之间的每百吨公里耗油量比较、可纵向进行同一车辆每年之间吨公里耗油量的比较。

绩效测评模块3用以对各辆车按照设定的性能指标作为评判标准，进行绩效测评。每辆车，按照上面列出的性能指标作为评判标准，利用层次分析法计算出加权值，进行绩效测评，车辆的评估等级为目标层(最高层)，各项性能指标为中间层，车辆为最低层，各车辆指标数据之间的比值构成判定矩阵。管理决策人员设定指标权重。每项指标对应的矩阵维数为车辆数量，由于通常计算过程中运输部车辆可能会较多，相应的要处理矩阵维数也较大，数据量较大。

性能指标分析模块用以通过各项性能指标的比较和绩效测评，对车辆的使用效率按照类型排序，挑出效率高的车辆类型。

运力决策模块4用以根据所要完成的运输任务，运输决策支持模块确定所需参加作业的车辆数量和类型，传给车辆调度***安排派车路线。本实施例中，运力决策模块4为日作业运力决策模块，根据每天所要完成的运输任务，运输决策支持模块确定所需参加作业的车辆数量和类型，传给车辆调度***，使其更高效的安排具体派车线路。目标是每天投入的运能最优。首先，按照混合整数规划模型确定所需派车的初始解：以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束。若车辆类型复杂、变量较多，为了加快求解的速度，可采用拉格朗日对偶法。在求出的初始解基础上，进行仿真。对初始解中的派车方案做小范围的调整(本实施例中通过循环选择不同的车辆类型，每次增加一辆车)后，计算目标成本；选择成本最小的方案为最终派车方案。

新增运输资源决策支持模块5用以根据任务量的变化，确定现有的运输资源能否完成。当现有运输资源不能完成时，计算新增加车辆的数量、类型。目标是为在运能不足、需要采购新资源的情况下，为决策者提供决策支持。通过仿真的方法(利用实施例二的数学模型进行计算)，增加车辆，计算任务的完成情况。如果可以完成，计算该新添车辆方案所带来收益、成本的变化。从所有新添车辆方案中，挑出收益最大的方案，为管理者提供决策支持。车的类型比较多，因此，新添车方案较多，通过遗传算法，加快方案挑选的速度。

以上是对本发明物流运输决策支持***的介绍，下面结合图2介绍上述物流运输决策支持***的决策支持方法，所述方法包括如下步骤：

步骤A、预处理步骤：对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据。对来自不同***的相同数据，如来自L3磅单接收***的车载重量数据和来自车辆运输管理***中的车载重量数据，按照管理人员预先设定的规则，进行挑选，同时按照管理人员预先设定的判定准则，提供异常数据的提示。

步骤B、评估指标确定步骤：按照管理人员预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值。例如，综合读取出来的车实载重量数据、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并以图、表的形式列出每辆车每年的吨公里耗油量，可横向进行同一年各车辆之间的每百吨公里耗油量比较、可纵向进行同一车辆每年之间吨公里耗油量的比较。

步骤C、绩效测评步骤：对各辆车按照设定的性能指标作为评判标准，进行绩效测评。每辆车，按照上面列出的性能指标作为评判标准，利用层次分析法，进行绩效测评，车辆的评估等级为目标层(最高层)，各项性能指标为中间层，车辆为最低层，各车辆指标数据之间的比值构成判定矩阵。管理决策人员设定指标权重。每项指标对应的矩阵维数为车辆数量，由于通常计算过程中运输部车辆可能会较多，相应的要处理矩阵维数也较大，数据量较大。该步骤还包括性能指标分析步骤：通过各项性能指标的比较和绩效测评，对车辆的使用效率按照类型排序，挑出效率高的车辆类型。

步骤D、运力决策步骤：根据每天所要完成的运输任务，运输决策支持模块确定所需参加作业的车辆数量和类型，传给车辆调度***，使其更高效的安排具体派车线路。目标是每天投入的运能最优。首先，按照混合整数规划模型确定所需派车的初始解：以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束。若车辆类型复杂、变量较多，为了加快求解的速度，可采用拉格朗日对偶法。在求出的初始解基础上，进行仿真。对初始解中的派车方案做小范围的调整后，计算目标成本；选择成本最小的方案为最终派车方案。

步骤E、新增运输资源决策支持步骤：根据任务量的变化，确定现有的运输资源能否完成。当现有运输资源不能完成时，计算新增加车辆的数量、类型。目标是为在运能不足、需要采购新资源的情况下，为决策者提供决策支持。通过仿真的方法，增加车辆，计算任务的完成情况。如果可以完成，计算该新添车辆方案所带来收益、成本的变化。从所有新添车辆方案中，挑出收益最大的方案，为管理者提供决策支持。车的类型比较多，因此，新添车方案较多，通过遗传算法，加快方案挑选的速度。

综上所述，本发明提出的物流运输决策支持***及方法可以计算出现有钢铁物流运输业务量是否达到车辆等运输资源的运能上限，分析影响车辆等运输资源到达上限的瓶颈；同时，可以分析、计算出是否需要新增运输资源、及新增运输资源的数量、类型。

实施例二

本实施例通过建立模型具体介绍运力决策模块的工作原理及过程。

1问题描述与模型建立

每一项任务称为一个重载点，令A表示点集，包括重载点和车场(其中用A_i表示车场，A_j表示重载点)。有n项货运任务表示为A_j，1≤j≤n，A_j的货运量为Q_i，A_j表示一个装卸过程，其装一车的时间为P_j，卸货时间设为D_j。[a_j，b_j]为任务A_j的时间窗，r_i为A_i的装车数(有r_j＝[Q_j/q]+1，[]表示小于括号内的最大整数)。有m个车场表示为A_i，n+1≤i≤n+m，A_i拥有的车辆数为u_i，V_i ^u表示i车场的第u辆车，1≤u≤u_i，其车速用S_i ^u表示。车辆载重量均为q，且任一Q_j＞＞q，车辆固定成本设为P，车辆最早开始时间为e_i ^u，最长工作时间为l_i ^u，一般取定值L。

距离常量d_ij依i、j值而定义。当n+1≤i≤n+m和1≤j≤n时，则d_ij表示车场A_i到任务A_j的装点的距离；当1≤i，j ≤n时，d_ij表示A_i的卸点到A_i的装点的距离；当1≤i≤n和n+1≤j≤n+m时，d_ij表示A_i的卸点到车场A_j的距离；当n+1≤i，j≤n+m时，d_ij表示一个很大的正数，这意味着从车场到车场的路线是没有意义的。下面是模型中用到的变量的定义：

L_iu：A_i车场第u辆车路线的装车数，n+1≤i≤n+m，1≤u≤u_i；

T_iu ^w：A_i车场第u辆车到达路线上第w个装货点的时间，1≤w≤L_iu，已知从车场出发时间设为 $T_{\mathrm{iu}}^0=e_i^u;$

T_jr：任务A_j装第r车的最早开始时间，1≤r≤r_j，已知T_j1＝a_j；

Y_ij ^su：非负整数变量，表示弧(i，j)在车场A_s的第u辆车的路线上出现的次数。弧的具体定义类似于d_ij，和i、j的值有关，在此不再赘述。

另外定义本发明中用到的一个函数表达式F(x，y)如下所示：

显然，当x大于y时，F(x，y)表示x和y的差值，否则为0。

在上述变量定义基础上，有如下递推关系式：

$T_{\mathrm{iu}}^w=T_{\mathrm{iu}}^{w-1}+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}F(T_{\mathrm{jr}},T_{\mathrm{iu}}^{w-1})X_{\mathrm{jr}}^{\mathrm{iu}(w-1)}+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}(P_j+D_j)X_{\mathrm{jr}}^{\mathrm{iu}(w-1)}$

$+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}{d}_{\mathrm{jj}}{X}_{\mathrm{jr}}^{\mathrm{iu}(w-1)}/S_i^u+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}\underset{j^{\′}=1}{\overset{n}{\mathrm{\Σ}}}\underset{r^{\′}}{\overset{r_{j^{\′}}}{\mathrm{\Σ}}}{d}_{j{j}^{\′}}(X_{\mathrm{jr}}^{\mathrm{iu}(w-1)}\∩X_{j^{\′}{r}^{\′}}^{\mathrm{iuw}})/S_i^u,w>1.............(1-1)$

$T_{\mathrm{iu}}^1=T_{\mathrm{iu}}^0+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}{d}_{\mathrm{jj}}{X}_{\mathrm{jr}}^{\mathrm{iu}1}/S_i^u,w=1.........................................(1-2)$

$T_{\mathrm{jr}}=T_{j(r-1)}+\underset{i=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_1}{\mathrm{\Σ}}}\underset{w=1}{\overset{L_{\mathrm{iu}}}{\mathrm{\Σ}}}F(T_{\mathrm{iu}}^w,T_{j(r-1)})X_{j(r-1)}^{\mathrm{iuw}}+P_j,r>1...........................................(1-3)$

式(1-1)表示车辆到达某一装车点的时间为到达上一个装车点的时间和在上一个装车点等待的时间、上一个装点装车持续时间、重车行驶时间、上一个卸点卸车持续时间、空车行驶到本次装点的时间总和；式(1-2)表示式(1-1)在车辆从车场出发到第一个装点时的特例；式(1-3)表示的就是同一个任务的次序关系，由于考虑等待时间成本，任务的某一车次最早开始时间并不仅仅与上一车次的最早开始时间和装车持续时间有关，还包括装载机械等待车辆到来的一段时间。所以，某一车次的最早开始时间是动态的，在模型求解之前并不能确定，而只能作为模型中的决策变量考虑。

其数学模型如下所示：

$\min \mathrm{TC}=w_1\underset{i=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_i}{\mathrm{\Σ}}}\underset{w=1}{\overset{L_{\mathrm{iu}}}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{r=1}{\overset{r_j}{\mathrm{\Σ}}}|T_{\mathrm{iu}}^w-T_{\mathrm{jr}}|X_{\mathrm{jr}}^{\mathrm{iuw}}$

$+w_2\underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n+m}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}{Y}_{\mathrm{ij}}^{\mathrm{su}}/S_s^u$

$+w_3\underset{i=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_i}{\mathrm{\Σ}}}\underset{j=1}{\overset{n+m}{\mathrm{\Σ}}}P{Y}_{\mathrm{ij}}^{\mathrm{iu}}---\left(1\right)$

s.t.

$\left\{\begin{array}{c}\underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}=[Q_j/q]+\mathrm{1,1}\≤j\≤n---\left(2\right)\\ \underset{i=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_i}{\mathrm{\Σ}}}\underset{w=1}{\overset{L_{\mathrm{iu}}}{\mathrm{\Σ}}}{X}_{\mathrm{jr}}^{\mathrm{iuw}}=\mathrm{1,1}\≤j\≤n,1\≤r\≤r_j---\left(3\right)\\ \underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}=\underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ji}}^{\mathrm{su}},1\≤j\≤n--\left(4\right)\\ \underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{j=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}\≤u_i,n+1\≤i\≤n+m---\left(5\right)\\ \underset{s=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{u=1}{\overset{u_s}{\mathrm{\Σ}}}\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}\≤u_j,n+1\≤j\≤n+m---\left(6\right)\\ \underset{i=n+1}{\overset{n+m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}=\underset{i=1}{\overset{n+m}{\mathrm{\Σ}}}\underset{j=n+1}{\overset{n+m}{\mathrm{\Σ}}}{Y}_{\mathrm{ij}}^{\mathrm{su}}\≤1---\left(7\right)\end{array}\right.$

其中，

$a_j\&le;T_{\mathrm{jr}}<T_{j(r+1)}\&le;b_j,1\&le;j\&le;n,1\&le;r\&le;r_j\left(8\right)e_i^u\&le;T_{\mathrm{iu}}^w\&le;e_i^u+L,n+1\&le;i\&le;n+m,1\&le;u\&le;u_i,$

1≤w≤L_iu(9)

i、j、s、u、w均为正整数，X_jr ^iuw取0或1，Y_ij ^su为非负整数。

在此模型(设为M)中，(1)式为目标函数，即最小化总等待时间、空驶时间以及固定成本的总和；(2)式表示每一个任务都要被完成；(3)式表示任一装载机装载的任一车都有一辆车且只有一辆车来完成；(4)式表示任一货运任务A_j，其进出的车辆数平衡；(5)、(6)式表示车场派车和收车不能超过容量；(7)式表示每辆车要么不派出，要么只派出一次，即返回某车场后不能再被派出，并且保证派出车辆从车场出发并返回车场；(8)表示任务的时间窗约束；(9)限制了车辆的工作时间不能超过定值。

从M可以看出，本发明考虑了任务的装车时间和卸货时间，但认为只在装点会产生动态时间窗，存在空闲现象。在满足约束的情况下，我们所要求得的是一个总成本最小的解，其中目标函数中总等待时间一项不光包括车辆的等待时间，也包括任务的等待时间(即装载机械等待车辆的时间)。因为从时间上考虑，车辆和装载机械都尽量减小空闲时间的解才是合理的。

2算法分析

为了在可接受的多项式时间内求解模型，一般采用启发式算法来求得满意解。不同于以往的车辆路线问题，模型M中时间和空间的信息都是决策变量。本发明基于贪心算法，并对其进行改进，设计评估函数。在路线构造的过程中，选择车辆当前路线的每一个待访问任务的原则是非常重要的。从静态时间窗的算法来看，在满足时间约束的前提下，一般选择距离最短或最节省的重载点来扩展路线。在模型M中，动态时间窗构成总成本的一部分，是判定所求解可行性的重要指标，必须在构造路线中予以考虑。本发明建立如下的路线构造评估函数：

2.1评估函数一：

假设车辆V_i ^u在T_iu ^w时刻来到任务A_j，所要完成的一车货物是A_j的第r车，完成这一车任务后于T_iu ^w+1时刻行驶到任务A_j′，设此时A_j′能为该车辆提供服务的是其第r′车，由公式(1-1)可得出：

$T_{\mathrm{iu}}^{w+1}=T_{\mathrm{iu}}^w+F(T_{\mathrm{jr}},T_{\mathrm{iu}}^w)+P_j+D_j$

$+d_{\mathrm{jj}}/S_i^u+d_{j{j}^{\&prime;}}/S_i^u;$

该车辆在执行完A_j的一车后去执行A_j′的一车的代价可表示为：

$P_1(j,j^{\&prime;})=w_1^{\&prime;}{d}_{j{j}^{\&prime;}}/S_i^u+w_2^{\&prime;}F(T_{j^{\&prime;}{r}^{\&prime;}},T_{\mathrm{iu}}^{w+1})$

$-w_3^{\&prime;}F(T_{\mathrm{iu}}^{w+1},T_{j^{\&prime;}{r}^{\&prime;}});$

0≤w′₁，w′₂，w′₃≤1，w′₁+w′₂+w′₃＝1；

上式中，第一项表示空车行使时间(Time0)，第二项表示该车辆等待A_j′的装载机械的时间(Time1)，第三项表示虽然车辆到达A_j′时可立即开始工作，但此时装载机已经等待的一段时间(Time2)(均不包括权系数)。w′₁、w′₂、w′₃表示各自的权值。很明显，后两项的值不可能同时为正。其中，第三项的符号为负，是因为在前两项值相等的情况下，函数倾向于选择装载机空闲时间最长的下一个任务(函数值越小越好)。

2.2评估函数二：

设车辆V_i ^u在T_iu ⁰时刻从车场A_i出发，行使到A_j开始执行该车辆的第一车任务。A_j为该车辆提供的是该装载机的第r车，已知此时 $T_{\mathrm{iu}}^1=d_{\mathrm{ij}}/S_i^u,$ 可知该车辆从车场行使到A_j的代价为：

$P_2(i,j)=w_1^{\&prime;}{d}_{\mathrm{jj}}/S_i^u+w_2^{\&prime;}F(T_{\mathrm{jr}},T_{\mathrm{iu}}^1)$

$-w_3^{\&prime;}F(T_{\mathrm{iu}}^1,T_{\mathrm{jr}});$

0≤w′₁，w′₂，w′₃≤1，w′₁+w′₂+w′₃＝1；

其中函数一用于表示一般情况下车辆完成某车任务执行另一车任务的转移成本，用于不完整线路的延伸。其值综合考虑了距离、车辆等待时间和任务的等待车辆时间。函数二用于表示车辆刚从车场出发驶向某个任务的执行成本。

上述的评价函数用以衡量路线在贪婪方向扩展的原则。以P₁为例，假设权重系数(w′₁，w′₂，w′₃)分别为(0.5，0.25，0.25)，则空驶时间对函数值的影响是车辆等待时间或装载机械等待时间的两倍。评价函数的含义是，车辆尽量选择空驶时间最小的任务，除非车辆等待时间的减少量或装载机械空闲时间的增量在空驶时间增量的两倍以上。在给定上述权重系数时，表1中各行数据对应于相同的函数值：

Time0	Time1	Time2	P1(j，j′)
				10	0	10	2.5
15	0	20	2.5
				5	0	0	2.5
2	6	0	2.5
				1	8	0	2.5

表1  各时间点的评估函数的数值表

3算法设计：

定义1：对于模型M，称σ为其可行解，是指在规定的任务和车辆的时间窗里，任务被完成。如果不存在这样的σ，称M不具有可行解。

定义2：设f(σ)＝＜TC(σ)，|σ|＞(σ为可行解)，其中TC(σ)表示σ的总成本(第一目标)，|σ|表示可行解σ所需要的派车数(第二目标)。对可行解σ₁和σ₂，如果有TC(σ₁)＜TC(σ₂)，或者TC(σ₁)＝TC(σ₂)且|σ₁|＜|σ₂|，则称σ₁字典序优先于σ₂，记作f(σ₁)＜f(σ₂)。

定义3：若对于解σ，不存在另外一个解σ′，满足f(σ′)＜f(σ)，则称σ为最优解。

也就是说，最优解是一个总成本最小的解，即使其派车数不一定比其它可行解小。除非两个解的总成本相同，我们才取其派车数小的解为最优界。上文提到，模型M的最优解很难获得，本发明寻找和最优解接近的满意解。算法基于贪心启发式策略，以上文所述的评价函数寻找启发式满意解。在模型M中，设派车数为λ。当λ较小时，其对应可行解的总成本主要来自于装载机等待车辆的时间成本，随着λ的增加，其对应可行解的总成本会逐渐减小，但很明显，当λ值达到一定数量以后，随着λ的增加，车辆等待装载机的时间成本将增加，总成本也将增加。如下图所示，G点就是我们所要求的最优点。所对应的λ^*即是最优派车数，TC^*为最低成本。如图1所示。

下面给出在给定派车数时求解模型M满意解的启发式算法F₁。

首先定义两个变量：

1、任务的时间标记变量T_j：表示算法执行过程中，任务A_j的下一车最早开始装货时间。很显然，当A_j的第r车开始之后，T_j便从T_jr由公式(1-3)更新为T_j(r+1)。当A_j的最后一车开始之后，令T_j＝+∞。对于任意的1≤j≤n，初始化T_j＝T_j1＝a_j。

2、车辆的时间标记变量T_i ^u：表示在车辆V_i ^u的派车路线构造过程中，该车到达当前最后一个装货点的时间。很显然，当该车结束其第w车来到第(w+1)车的装货点时，T_i ^u便从T_iu ^w由公式(1-1)(从车场出发时为(1-2))更新为T_iu ^w+1。当该车到达某一装卸任务装货点时超时，令 $T_i^u=+\&infin;$ 。对于任意的V_i ^u，初始化 $T_i^u=T_{\mathrm{iu}}^0=e_i^u.$

在上述变量定义基础上，评价函数只需经过简单改写，把P₁中的T_j′r′和P₂中的T_jr，替换为T_j，把P₁中的T_iu ^w替换为T_i ^u，即成为算法中用到的有实际意义的评价函数P′₁和P′₂。

设给定的任务A_j和车辆集合V，车辆分属于不同的车场。欲派车辆数为λ。如下是F₁(λ)算法步骤：

Step1：令V′＝φ；

Step2：选择一个i、u、j，使得 $V_i^u\&Element;V,$ 且满足P′₂(i，j)＝minP′₂(i′，j′)，

Step3：令 $V=V-V_i^u;$ $V^{\&prime;}=V^{\&prime;}+V_i^u;$

T_i ^u更新；T_j更新；车辆V_i ^u被派出；

Step4：如果V≠φ，转Step2；否则转Step5；

Step5：如果存在i、u，使得 $V_i^u\&Element;V^{\&prime;},$ 且在V′中所有车辆的不完整路线上，V_i ^u结束最后一个任务(指卸货结束时刻)的时间最早，转Step6；否则，算法失败；

Step6：对V_i ^u，取其路线最后任务设为j选择一个j′使P′₁(j，j′)=minP′₁(j，j″)，

Step7：如果V_i ^u达到工作时间，令 $V^{\&prime;}=V^{\&prime;}-V_i^u,$ 更新 $T_i^u=-\&infin;,$ V_i ^u回到最近且有空位的车场，转Step5。否则，转Step8；

Step8：T_i ^u更新；T_j，更新；V_i ^u的派车路线往前延长一个重载点。如果任务全部完成，则算法结束。否则转Step5；

令求得的可行解为σ(λ)，对应的总成本为TC(λ)。然后通过迭代方式不断调用算法F₁(λ)求出模型M的启发式最优解。

取初始车辆数为λ₁，递增步长为δ。其值根据问题规模及求解速度而调整，越小则解越好，速度越慢。迭代算法如下：

调用F₁(λ₁)求得TC(λ₁)；

TC^*=TC(λ₁)：

λ^*＝λ₁+δ；

while(λ^*＜|V|){

调用F₁(λ^*)，求得TC(λ^*)；

if(λ^*)！＜TC^*)break；

λ^*＝λ^*+δ：

TC^*＝TC(λ^*)；

}

λ^*＝λ^*-δ即为最佳派车数，最低成本为TC(λ^*)。

4算例分析：

设有六项任务(j＝1，2...6)待完成，有三个车场(i＝7，8，9)，每个车场有七辆车。为了保证任意车辆数都有可行解，设任意的b_j为无穷，L为无穷，a_j和e_i ^u都为480(早上8点)。车速均为0.5，q为10，车辆固定成本为100.权重系数均为1/3(即Time0、Time1、Time2在总成本中所占的权重相同，可根据实际情况调整)。各任务的任务量，装卸一车时间以及各重载点和车场之间的距离如表2、表3所示。本发明在VC++6.0环境中进行了算法实现并对该算例进行了计算，表4为不同派车数所对应的各项成本及总成本。其中，λ为派车数，TC₁为装载机械总空闲时间，TC₂为车辆总空闲时间，TC₃为车辆总空驶时间，TC₄为车辆总固定成本，TC为总加权成本。

Aj	1	2	3	4	5	6
							Qj	200	200	200	200	200	200
Pj	10	20	30	40	50	60
							Dj	8	8	8	8	8	8

表2各任务的任务量、装卸一车时间表

i(j)	1	2	3	4	5	6	7	8	9
										1	3	6	9	2	3	5	2	3	4
2	11	8	7	1	4	10	1	5	7
										3	12	3	8	9	5	6	8	6	2
4	4	10	3	8	6	7	4	9	5
										5	3	2	4	7	1	9	3	1	6
6	6	7	8	9	10	1	2	10	9
										7	8	1	3	5	4	6
8	7	2	7	9	11	2
										9	4	3	2	5	7	8

表3各重载点和车场之间的距离表

表4不同派车数所对应的各项成本及总成本表

由表4可见，λ^*＝11，TC^*＝1951。另外，总成本与车辆数分布图如图2所示，由此可以轻易获取最佳方案。

以上实施例仅用以说明而非限制本发明的技术方案。如，实施例中的车辆可以是其他运输设备。不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。

Claims (14)

1、一种物流运输决策支持***，用于确定所需参加作业的运输设备数量和类型，传给运输设备调度***；其特征在于，该***包括：

预处理模块，用以对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据；

评估指标确定模块，用以按照预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值；

绩效测评模块，用以对各辆车按照设定的性能指标作为评判标准，进行绩效测评；

运力决策模块，用以根据所要完成的运输任务，运输决策支持模块确定所需参加作业的运输设备数量和类型，传给运输设备调度***安排派车路线；

新增运输资源决策支持模块，用以根据任务量的变化，确定现有的运输资源能否完成；当现有运输资源不能完成时，计算新增加运输设备的数量、类型；

所述预处理模块、评估指标确定模块、绩效测评模块、运力决策模块依次连接，新增运输资源决策支持模块与运力决策模块连接。

2、根据权利要求1所述的物流运输决策支持***，其特征在于：所述绩效测评模块包括性能指标分析模块，用以通过各项性能指标的比较和绩效测评，对运输设备的使用效率按照类型排序，挑出效率高的运输设备类型。

3、根据权利要求1所述的物流运输决策支持***，其特征在于：所述车载重量数据包括L3磅单接收***中的车载重量数据、及运输设备运输管理***中的车载重量数据。

4、根据权利要求1所述的物流运输决策支持***，其特征在于：所述评估指标确定模块综合读取出来的实载重量数据、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并列出每辆车每年的吨公里耗油量，进行同一年各运输设备之间的每百吨公里耗油量比较、及同一运输设备每年之间吨公里耗油量的比较。

5、根据权利要求1所述的物流运输决策支持***，其特征在于：所述绩效测评模块进行绩效测评时，运输设备的评估等级中最高层为目标层、各项性能指标为中间层、运输设备为最低层，各运输设备指标数据之间的比值构成判定矩阵，管理决策人员设定指标权重，每项指标对应的矩阵维数为运输设备数量。

6、根据权利要求1所述的物流运输决策支持***，其特征在于：所述运力决策模块首先确定所需派车的初始解，以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束；对初始解中的派车方案循环选择不同的车辆类型，每次增加一辆车，计算目标成本；选择成本最小的方案为最终派车方案。

7、根据权利要求1所述的物流运输决策支持***，其特征在于：所述新增运输资源决策支持模块通过仿真的方法，增加运输设备，计算任务的完成情况；如果可以完成，计算该新添运输设备方案所带来收益、成本的变化；从所有新添运输设备方案中，挑出收益最大的方案，为管理者提供决策支持；新添车方案通过遗传算法加快方案挑选的速度。

8、一种包括权利要求1至7任意一项所述物流运输决策支持***的运输设备运输管理***。

9、一种利用权利要求1至7任意一项所述物流运输决策支持***的决策支持方法，其特征在于：所述方法包括如下步骤：

预处理步骤，对车载重量数据按照设定的规则挑选，同时按照设定的判定准则提供异常数据提示，得到基础数据；

评估指标确定步骤，按照预先设定的评估指标，从预处理后的基础数据中，归类、计算各项评估指标的取值；

绩效测评步骤，对各辆车按照设定的性能指标作为评判标准，进行绩效测评；

运力决策步骤，根据所要完成的运输任务，运输决策支持模块确定所需参加作业的运输设备数量和类型，传给运输设备调度***安排派车路线；

新增运输资源决策支持步骤，根据任务量的变化，确定现有的运输资源能否完成；当现有运输资源不能完成时，计算新增加运输设备的数量、类型。

10、根据权利要求9所述的决策支持方法，其特征在于：所述绩效测评步骤还包括性能指标分析步骤，通过各项性能指标的比较和绩效测评，对运输设备的使用效率按照类型排序，挑出效率高的运输设备类型。

11、根据权利要求9所述的决策支持方法，其特征在于：所述评估指标确定步骤中，综合读取出来的实载重量数据、车载行驶数据，计算出车的吨公里数；再结合油料消耗数据，计算出吨公里耗油量，并列出每辆车每年的吨公里耗油量，进行同一年各运输设备之间的每百吨公里耗油量比较、及同一运输设备每年之间吨公里耗油量的比较。

12、根据权利要求9所述的决策支持方法，其特征在于：所述绩效测评步骤中，进行绩效测评时，运输设备的评估等级中最高层为目标层、各项性能指标为中间层、运输设备为最低层，各运输设备指标数据之间的比值构成判定矩阵，管理决策人员设定指标权重，每项指标对应的矩阵维数为运输设备数量。

13、根据权利要求9所述的决策支持方法，其特征在于：所述运力决策步骤中，首先确定所需派车的初始解，以最小化成本为目标函数，以任务在规定时间内必须完整为具体约束；对初始解中的派车方案循环选择不同的车辆类型，每次增加一辆车，计算目标成本；选择成本最小的方案为最终派车方案。

14、根据权利要求9所述的决策支持方法，其特征在于：所述新增运输资源决策支持步骤中，通过仿真的方法，增加运输设备，计算任务的完成情况；如果可以完成，计算该新添运输设备方案所带来收益、成本的变化；从所有新添运输设备方案中，挑出收益最大的方案，为管理者提供决策支持；新添车方案通过遗传算法加快方案挑选的速度。

Images