CN111784260A - 运输规划方法、装置、存储介质及处理器 - Google Patents
运输规划方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN111784260A CN111784260A CN202010676574.6A CN202010676574A CN111784260A CN 111784260 A CN111784260 A CN 111784260A CN 202010676574 A CN202010676574 A CN 202010676574A CN 111784260 A CN111784260 A CN 111784260A
- Authority
- CN
- China
- Prior art keywords
- objective function
- function
- objective
- determining
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 250
- 238000012545 processing Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000002305 electric material Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种运输规划方法、装置、存储介质及处理器。其中,该方法包括:依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;基于不同的目标需求因素构建用于表示最短路径的目标函数,其中,目标函数用于表示使用最短路径运输时,终点在不同约束条件下的目标需求值;利用粒子群法计算目标函数的决策属性矩阵,并基于目标函数的决策属性矩阵确定对应的权重系数;使用权重系数对目标函数进行加权;并基于加权后的目标函数,确定从起始点到终点的最优路径。本申请解决了电物资配送过程中物资配送效率低并且成本较高的技术问题。
Description
技术领域
本申请涉及供电物资配送领域,具体而言,涉及一种运输规划方法、装置、存储介质及处理器。
背景技术
如今电力已成为人们生活和生产中不可或缺的一部分,随着电网互联趋势的持续深入,电网之间的联系日益紧密,且由于不断增加的用电需求,电网迅速覆盖了新的区域,因此需要构建科学高效的物资配送规划方法。
结合电力行业物资配送现状,为了构建实用性较高的适用于电网企业的配送规划***,所要解决问题的重点在于如何在仓库和中转点设施的容量、运输车辆能力、配送时间、获取装卸特殊需求等诸多约束条件下,确定仓库、中转点的数量和位置以及煤改电物资运输路径,使得煤改电配送***耗费的总时间最少、总成本最小、路径安全性最高等多目标优化的综合最优解。其中,最关键的是车辆路径问题(Vehicle Routing Problem,简称VRP),在科研中通常把车辆路径问题描述为:“对一系列收、发货点,调配、组织适当行车路线,有序地使车辆通过它们,在一定的约束条件(如货物需求、发送量,交、发货时间,车辆载重约束、行驶里程约束、终止时间约束等)满足情况下,达到一定的目标(如路程、费用、时间、使用车辆等相对越少越好)。”在电力物资调度和配送时需要对车辆路径进行优化,而车辆路径优化问题不但涉及到多个约束条件而且还要对多个目标优化,目前尚未得到有效的优化方案,存在物资配送的效率较低,并且配送成本较高的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种运输规划方法、装置、存储介质及处理器,以至少解决电物资配送过程中物资配送效率低并且成本较高的技术问题。
根据本申请实施例的一个方面,提供了一种运输规划方法,包括:依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;基于不同的目标需求因素构建用于表示最短路径的目标函数,其中,目标函数用于表示使用最短路径运输时,终点在不同约束条件下的目标需求值;利用粒子群法计算目标函数的决策属性矩阵,并基于目标函数的决策属性矩阵确定对应的权重系数;使用权重系数对目标函数进行加权;并基于加权后的目标函数,确定从起始点到终点的最优路径。
可选地,依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径,包括:根据实际路网,构建对应的路网拓扑图,其中,路网拓扑图包括点和线段,上述点至少包括以下之一:起始点、中转点以及终点,上述线段为交通道路;估算实际路网中各交通道路的运输所需的时间期望,并依据时间期望设置与之对应的线段的权重值;确定所述路网拓扑图中任意两个所述点之间的初始最短路径,并基于该初始最短路径确定所述初始点到所述终点的全部路径;比较所述全部路径之间的总权重值,得到比较结果,其中,所述总权重值为所述全部路径中任意一条路径中各个子路径的总权重值,且所述子路径由所述起始点、所述中转点和所述终点中的任意两个点组成;依据所述比较结果,确定所述起始点到所述终点的最短路径。
可选地,确定所述路网拓扑图中任意两个所述点之间的初始最短路径,并基于该初始最短路径确定所述初始点到所述终点的全部路径,包括:设定节点集合,其中,节点集合的种类至少包括以下之一;第一类节点、第二类节点、第三类节点,其中,第一类节点为永久标记节点,第二类节点为处于修改状态下的节点,第三类节点为未标记节点;将各起始点作为第一类节点,搜索与各起始点相邻的第二类节点;在搜索过程中,若各起始点与相邻的第二类节点构成的所述子路径的权重值小于预设阈值,则将该权重值作为该子路径的新的权重值;并将与新的权重值对应的第二类节点标记为第一类节点;重复搜索过程,直至节点集合中的各节点均被标记为第一类节点,得到起始点到终点的全部路径。
可选地,基于不同的目标需求因素构建用于表示最短路径的目标函数,包括:基于约束目标及约束目标的相关参数,确定目标函数;其中,约束目标包括以下至少之一:结束点满足率、配送时间以及配送成本,结束点满足率表示所述结束点的接收物资占实际需求物资的比重;目标函数包括的多个单目标函数为:结束点满足率目标函数、配送时间目标函数以及配送成本目标函数;对所述目标函数添加约束条件,得到含有约束条件的目标函数,其中,约束条件至少包括以下之一:中转点物资流进流出平衡约束、中转点数量约束、物资配送数量与物资配送车辆载重约束、物资供给约束、物资流约束、物资流约束、资金流约束。
可选地,基于所述目标函数的决策属性矩阵确定对应的权重系数,包括:对所述目标函数的决策属性矩阵进行预处理,并基于预处理结果确定所述目标函数的权重系数,其中,所述目标函数包括:成本型目标函数和效益型目标函数。
可选地,对所述目标函数的决策属性矩阵进行预处理,包括:目标函数是成本型目标函数时,对所述目标函数的决策属性矩阵进行以下处理:得到一个预处理后的所述目标函数的决策属性矩阵;以及目标函数是效益型目标函数时,对所述目标函数的决策属性矩阵进行以下处理:得到另一个预处理后的所述目标函数的决策属性矩阵。
可选地,基于预处理结果确定所述目标函数的权重系数,包括:基于预处理后的目标决策属性矩阵,确定所述目标决策属性矩阵的熵;基于所述目标函数决策属性矩阵的熵,确定所述目标函数的权重系数。
可选地,使用所述权重系数对所述目标函数进行加权,并基于加权后的所述目标函数确定从所述起始点到所述终点的最优路径,包括:利用所述权重系数加权所述目标函数,得到混合加权目标函数;获取所述混合加权目标函数中的第一函数和第二函数,其中,所述第一函数和第二函数分别为:经处理后的成本型目标函数和效益型目标函数;利用第一处理函数处理所述第一函数,以及利用第二处理函数处理所述第二函数,得到所述目标函数的隶属度函数,其中,所述第一处理函数和所述第二处理函数分别为:降半梯度隶属度函数和升半直线形隶属度函数;并将所述目标函数的隶属度函数具有最大隶属度时的解集作为整体最优解集,其中,当所述目标函数的隶属度函数的隶属度最大时,所述目标函数的总体满意度最大、总配送时间最小、总运输成本最小;基于所述整体最优解集,确定从所述起始点到所述终点的最优路径。
根据本申请实施例的另一方面,还提供了一种运输规划装置,包括:第一确定装置,依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;构建装置,用于基于不同的目标需求因素构建用于表示最短路径的目标函数,其中,目标函数用于表示使用最短路径运输时,所述终点在不同约束条件下的目标需求值;计算装置,用于利用粒子群法计算目标函数的决策属性矩阵,并基于目标函数的决策属性矩阵确定对应的权重系数;处理装置,用于使用所述权重系数对所述目标函数进行加权;第二确定装置,用于基于加权后的目标函数,确定从起始点到终点的最优路径。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,上述非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行以上所述的运输规划方法。
根据本申请实施例的又一方面,还提供了一种处理器,上述处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上所述的运输规划方法。
在本申请实施例中,依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;基于不同的目标需求因素构建用于表示最短路径的目标函数,其中,目标函数用于表示使用最短路径运输时,终点在不同约束条件下的目标需求值;利用粒子群法计算目标函数的决策属性矩阵,并基于目标函数的决策属性矩阵确定对应的权重系数;使用权重系数对目标函数进行加权;并基于加权后的目标函数,确定从起始点到终点的最优路径,通过对构建的最短路径的目标函数添加权重系数,并基于加权后的所述目标函数确定从所述起始点到所述终点的最优路径,简化了求解的复杂程度,并且得到了最优配送方案,达到了提高物资配送效率以及节省成本的目的,进而解决了电物资配送过程中物资配送效率低并且成本较高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种运输规划方法的流程示意图;
图2是根据本申请实施例的一种可选的赋值边权后的拓扑图;
图3是根据本申请实施例的一种运输规划装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种运输规划的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种运输规划方法,如图1所示,该方法包括如下步骤:
步骤S102,依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;
步骤S104,基于不同的目标需求因素构建用于表示最短路径的目标函数,其中,目标函数用于表示使用最短路径运输时,终点在不同约束条件下的目标需求值;
步骤S106,利用粒子群法计算目标函数的决策属性矩阵,并基于目标函数的决策属性矩阵确定对应的权重系数;
步骤S108,使用权重系数对目标函数进行加权;并基于加权后的目标函数,确定从起始点到终点的最优路径。
在一些可选的实施例中,为了得到准确的最短路径,在依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径时,可以通过以下过程实现:根据实际路网,构建对应的路网拓扑图,其中,路网拓扑图包括点和线段,上述点至少包括以下之一:起始点、中转点以及终点,上述线段为交通道路;估算实际路网中各交通道路的运输所需的时间期望,并依据时间期望设置与之对应的线段的权重值,其中,在进行估算时,可以使用三点估计法(如乐观估计时间、悲观估计时间、最可能估计时间)估算不同情况下道路运输所需时间期望,图2所示为路网拓扑图以及赋值拓扑图的边权;确定所述路网拓扑图中任意两个所述点之间的初始最短路径,并基于该初始最短路径确定所述初始点到所述终点的全部路径;比较所述全部路径之间的总权重值,得到比较结果,其中,所述总权重值为所述全部路径中任意一条路径中各个子路径的总权重值,且所述子路径由所述起始点、所述中转点和所述终点中的任意两个点组成;依据所述比较结果,确定所述起始点到所述终点的最短路径。,例如,假设从同一起始点到同一终点的路径有五条,路径总权值分别为5,8,10,13,14,那么当路径总权值小于或等于5时对应的路径为最短路径。
其中,在确定所述路网拓扑图中任意两个所述点之间的初始最短路径时,可使用迪杰斯特拉(Dijkstra)算法,设定节点集合,其中,节点集合的种类至少包括以下之一;第一类节点、第二类节点、第三类节点,其中,第一类节点为永久标记节点,第二类节点为处于修改状态下的节点,第三类节点为未标记节点;将各起始点作为第一类节点,并搜索与各起始点相邻的未标记节点;在搜索过程中,若各起始点与相邻的未标记节点的构成的子路径权重值小于预设阈值,则将该权重值作为该子路径的新的权重值;并将与新的权重值对应的为标记节点标记为永久标记节点。在确定好初始最短路径后,为了基于该初始最短路径确定所述初始点到所述终点的全部路径,需重复上述搜索过程,直至节点集合中的各节点均被标记为永久标记节点,得到起始点到终点的全部路径。其中,总权值的计算公式为:其中,u0为起始点Pi、终点Pj间的最短路径,W(e)为其中每条边权。
在确定了起始点到终点的全部路径后,需要基于不同的目标需求因素构建用于表示最短路径的目标函数,构建上述目标函数可以通过以下过程实现:基于约束目标及约束目标的相关参数,确定目标函数;其中,约束目标包括以下至少之一:结束点满足率、配送时间以及配送成本,其中,结束点满足率表示所述结束点的接收物资占实际需求物资的比重,目标函数包括的多个单目标函数为:满足率目标函数、配送时间目标函数以及配送成本目标函数;对所述目标函数添加约束条件,得到含有约束条件的目标函数,其中,约束条件至少包括以下之一:中转点物资流进流出平衡约束、中转点数量约束、物资配送数量与物资配送车辆载重约束、物资供给约束、物资流约束、物资流约束、资金流约束。
上述构建的目标函数如下:
其中,z1为需求点满足率目标函数,z2为配送时间目标函数,z3为配送成本目标函数,Sgi:表示供应点i可提供的g类物资的数量,g∈G,i∈U;Dgk:表示需求点k需要的g类物资的数量,g∈G,k∈W;LAij:表示供应点i到中转点j的距离,j∈V,i∈U;LBjk:表示中转点j到需求点k的距离,j∈V,k∈W;表示供应点i和中转点j之间通过运输方式m所花费时间,i∈U,j∈V,m∈M;表示中转点j和需求点k之间通过运输方式m所花费的时间,k∈W,j∈V,m∈M;表示供应点i和中转点j之间通过运输方式m所花费的单位成本,i∈U,j∈V,m∈M;表示中转点j和需求点k之间通过运输方式m所花费的单位成本,k∈W,j∈V,m∈M;表示供应点i和中转点j间m类运输方式的最大运输流;表示中转点j和需求点k间m类运输方式的最大运输流;RUgk:表示需求点k需求物资g的相对紧张程度,所有需求点紧张程度和为1,即Wg:表示g类物资的单位重量;Capm:表示m类运输工具的单位最大载重两;Q:表示一个足够大的整数;ωk:表示各个需求点满足率的权重,由决策者按照各点得实际情况权衡决定;ρ1,ρ2:表示各个需求点之间的公平系数ρ1、差异系数ρ2,两者之和为1;表示以m运输方式从供应点i到中转点j的g类物资数量,i∈U,j∈V,m∈M;表示以输方式从中转点j到需求点k的g类物资数量,k∈W,j∈V,m∈M;表示从供应点i到j中转点m类运输工具的最大数量;表示从i中转点到k需求点m类运输工具的最大数量;表示从供应点i到中转点j的运输流,有则为1,没有则为0;表示从中转点j到需求点k的运输流,有则为1,没有则为0;α表示各个需求点的最低满意度;Locj表示终点j是否设立,设立为1,否则为0。
在构建好不同的目标函数后,向目标函数引入相应的约束条件,上述约束条件如下:中转点物资流进流出平衡约束:中转点数量约束:∑jLocj≤n j∈V;物资配送数量与物资配送车辆载重约束: 物资供给约束: 物资流约束: 资金流约束:
在一些实施例中,可以利用粒子群法计算所述目标函数的决策属性矩阵,该过程可以通过以下步骤实现:以所述目标函数作为优化目标,利用所述粒子群法对所述目标函数进行求解,得到所述目标函数的决策属性矩阵。在得到目标函数的决策属性巨震后,可以基于所述目标函数的决策属性矩阵确定对应的权重系数,该过程可以通过以下步骤实现:对所述目标函数的决策属性矩阵进行预处理,并基于预处理结果确定所述目标函数的权重系数,其中,所述目标函数包括:成本型目标函数和效益型目标函数。
下面对粒子群算法进行简单介绍:粒子群算法是根据鸟类觅食和迁徙过程中发生的集体行为所建立的动物仿生群体求解算法,通过随机生成一批初始粒子,粒子根据个体最优值、全局最优值动态学习,并改变自己的搜索策略,调整搜索方向从所在位置开始寻优,在解空间追随最优的粒子进行搜索。搜索过程中,每一个粒子都拥有记忆功能,能记住所搜寻到的最佳位置;每一个粒子还有一个速度以决定飞行的距离和方向。上述速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。粒子根据当前记忆中的个体、全局最优值来调整自己的速度和位置,通过不断更新来达到搜索效果。
在一些实施例中,上述预处理过程可以采用以下方法:当目标函数是成本型目标函数时,对所述目标函数的决策属性矩阵进行以下处理:得到一个预处理后的所述目标函数的决策属性矩阵;当目标函数是效益型目标函数时,对所述目标函数的决策属性矩阵进行以下处理:得到另一个预处理后的所述目标函数的决策属性矩阵。在得到预处理结果后,可根据预处理结果确定所述目标函数的权重系数,具体过程可以通过以下步骤实现:基于预处理后的目标决策属性矩阵,确定所述目标决策属性矩阵的熵;基于所述目标函数决策属性矩阵的熵,确定所述目标函数的权重系数。
在计算权重系数的实施例中,首先基于粒子群算法将多目标优化转化为单目标优化,使用综合评价方法,以目标函数作为指标,目标函数值作为指标值,获取目标函数的权重系数,如图3所示,为基于粒子群算法的流程图,分别以目标函数作为优化目标(粒子所在空间维度),进行模型求解,过程如下:设k维空间中,有m个粒子;粒子i位置:xi=(xi1,xi2,...,xik);粒子i速度:vi=(vi1,vi2,...,vik);粒子i经历过的历史最好位置:pi=(pi1,pi2,...,pik);群体内(或领域内)所有粒子所经历过的最好位置:pg=(pg1,pg2,...,pgk);第m次迭代中,每个粒子速度n维分量、位置更新: 其中,c1、c2为学习因子,用于调节学习的最大步长;w为惯性权重,用于调节对解空间的搜索能力。通过上述过程得到目标函数的决策属性,该目标函数决策属性表如表1所示,由此表1构建目标函数的决策属性矩阵[rij]k×k(i,j=1,2,...,k),将成本型目标函数和效益性目标函数的决策属性分别进行预处理,得到预处理后的目标函数决策矩阵[r′ij]k×k,rij表示以函数fj为优化目标,fi的决策属性值。
表1:
上述具体处理方法如下:对于成本型目标函数,对于效益型目标函数,为简化评价过程,可以应用熵权法求解目标函数权重,过程如下:计算属性目标函数的熵Ei:为与样本数有关的函数,其目的是使Ei∈[0,1];r′ij满足0<r′ij<1,且当rij=0时,rijln(rij)=0。目标函数权重计算:di=1-Ei,i=1,2,...,k;其中,di表示目标函数的信息偏差度,λi表示目标函数的权重。
在求得权重系数λi后,为了的到最优解集,可以使用所述权重系数对所述目标函数进行加权,并基于加权后的所述目标函数确定从所述起始点到所述终点的最优路径,上述过程可以通过以下步骤实现:利用所述权重系数加权所述目标函数,得到混合加权目标函数;获取所述混合加权目标函数中的第一函数和第二函数,其中,所述第一函数和第二函数分别为:经处理后的成本型目标函数和效益型目标函数;利用第一处理函数处理所述第一函数,以及利用第二处理函数处理所述第二函数,得到所述目标函数的隶属度函数,其中,所述第一处理函数和所述第二处理函数分别为:降半梯度隶属度函数和升半直线形隶属度函数;并将所述目标函数的隶属度函数具有最大隶属度时的解集作为整体最优解集,其中,当所述目标函数的隶属度函数的隶属度最大时,所述目标函数的总体满意度最大、总配送时间最小、总运输成本最小;基于所述整体最优解集,确定从所述起始点到所述终点的最优路径。
其中,应用权重系数λi加权单目标函数,形成混合加权目标函数,过程如下:其中,{1′}∪{i″}={i},zi′和zi *分别为经处理后的成本型和效益型目标函数,以该公式中目标函数作为优化目标可得到多目标模型全局最优解集;之后引入模糊满意度理论,构建模型最优解决策方法,具体步骤如下:定义帕累托优化方案r中目标函数i的隶属函数为分别引入降半梯度隶属度函数处理成本型目标和升半直线形隶属度函数处理效益型目标函数:
下面通过具体实施例对本申请作进一步详细说明:
以某省新加设区域电网建设过程中物资的配送作为实证分析对象,其中,物资需求点有4个,而距离需求点的物资仓库节点有3个,在物资配送中,建立中转点以减少所花费时间,有5个中转点作为备选,受限于建设能力,启用3个每个需求点需要A、B两种物资。表2表示了3个供应点能够提供的物资信息,表3表示了4个需求点需要的物资信息,表2、表3如下所示:
表2:
供应点 | 物资供应点1 | 物资供应点2 | 物资供应点3 |
A | 100 | 80 | 90 |
B | 80 | 100 | 90 |
表3:
需求点 | 物资需求点1 | 物资需求点2 | 物质需求点3 | 物资需求点4 |
A | 80 | 70 | 90 | 80 |
B | 79 | 90 | 80 | 85 |
假设运输条件:物资供应点到中转点由火车运送,中转点到需求点由货车运送,供应点至中转点、中转点至需求点距离分别如表4、表5所示;其间运输流信息分别如表6、表7所示,分别为供应点、中转点与需求点之间的单位配送时间;假设配送时间与距离成正比,单位配送成本与配送距离有关;使用相同型号火车单位运输时间假定为2,而货车由于路段不同速度不同,在不同路段中单位运输时间如表8所示;单位运输成本如表9所示,且火车与货车载重量不同,火车为10,货车为3,A物资单位重量为1,B物资单位重量为2。按需求紧急情况排序,从需求点1到需求点4,假定权重分配分别是0.4,0.3,0.2,0.1,各需求点对物资A、B的需求系数如表10所示,为兼顾公平,公平性系数ρ1取值0.3,差异性系数ρ2取值0.3。其中,表4-表10如下所示:
表4:
物资供应点1 | 物资供应点2 | 物资供应点3 | |
中转点1 | 10 | 15 | 12 |
中转点2 | 12 | 11 | 14 |
中转点3 | 13 | 13 | 15 |
中转点4 | 14 | 12 | 11 |
中转点5 | 15 | 10 | 13 |
表5:
中转点1 | 中转点2 | 中转点3 | 中转点4 | 中转点5 | |
物资需求点1 | 4 | 3 | 5 | 3 | 4 |
物资需求点2 | 5 | 4 | 3 | 5 | 5 |
物资需求点3 | 3 | 2 | 4 | 4 | 5 |
物资需求点4 | 5 | 5 | 4 | 3 | 4 |
表6:
表7:
物资需求点1 | 物资需求点2 | 物质需求点3 | 物资需求点4 | |
中转点1 | 30 | 28 | 30 | 30 |
中转点2 | 30 | 30 | 27 | 30 |
中转点3 | 29 | 30 | 30 | 30 |
中转点4 | 27 | 29 | 30 | 28 |
中转点5 | 28 | 24 | 25 | 28 |
表8:
物资需求点1 | 物资需求点2 | 物质需求点3 | 物资需求点4 | |
中转点1 | 8 | 4 | 3 | 4 |
中转点2 | 7 | 4 | 3 | 4 |
中转点3 | 4 | 2 | 3 | 4 |
中转点4 | 4 | 5 | 3 | 5 |
中转点5 | 7 | 4 | 2 | 5 |
表9:
物资需求点1 | 物资需求点2 | 物质需求点3 | 物资需求点4 | |
中转点1 | 6 | 4 | 5 | 5 |
中转点2 | 2 | 4 | 7 | 3 |
中转点3 | 6 | 3 | 6 | 8 |
中转点4 | 6 | 8 | 7 | 6 |
中转点5 | 3 | 5 | 4 | 6 |
表10:
需求点 | A | B |
物资需求点1 | 0.7 | 0.3 |
物资需求点2 | 0.5 | 0.5 |
物资需求点3 | 0.6 | 0.4 |
物资需求点4 | 0.4 | 0.6 |
第一步,规划最短路径:将实际交通网络进行抽象简化,转化为交通拓扑图,边为交通道路,节点为交通枢纽、中转点、需求点,利用三点法对每路段的历时期望进行确定,赋为拓扑图各边权值。应用Dijkstra算法获得从各仓库到需求点的最短路径,为提高效率,以实际所需分析优先级权衡仓库的选择,物资运输数量的确定。
第二步,多目标优化计算:基于所得数据对所提模型进行实证分析,运用所提算法求解物资多目标配送调度模型。
第三步,首先分别以每个目标为模型的唯一目标进行求解,求解结果如表11所示;然后采用模糊多目标决策模型求得各个目标函数下的最优值和最差值,求解解果如表12所示:
表11:
总配送时间最小 | 总体满意度最大 | 总配送成本最低 | |
需求点1满意度 | 0.71429 | 1 | 0.96982 |
需求点2满意度 | 0.64048 | 0.97222 | 0.5881 |
需求点3满意度 | 1 | 0.75 | 0.98167 |
需求点4满意度 | 1 | 0.75 | 0.755 |
总配送时间 | 280 | 426 | 442 |
总配送成本 | 15958 | 27228 | 13466 |
总体满意度 | 0.5445 | 0.8667 | 0.58533 |
中转点选址情况 | (1,0,1,1,0) | (1,1,0,1,0) | (1,1,0,0,1) |
表12:
总体满意度 | 总配送时间最小 | 总配送成本最低 | |
最优值 | 0.8667 | 280 | 13466 |
最差值 | 0.84321 | 443 | 29270 |
对以上数据进行求解,得到最优解的三个目标函数值为总满足率为0.86455(隶属度0.90963),总配送时间为302(隶属度0.86455),总运输成本为14861(隶属度0.92312)。
图3是根据本申请实施例的一种运输规划装置,如图3所示,该装置包括如下模块:
第一确定模块32,用于依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;
构建模块34,用于基于不同的目标需求因素构建用于表示最短路径的不同目标函数,其中,所述不同目标函数用于表示使用最短路径运输时各目标的需求情况;
计算模块36,用于利用粒子群法计算目标函数的决策属性,以及决策属性对应的权重系数;
处理模块38,对不同的目标函数采用权重系数进行加权,并将加权后的多个目标函数转换为单目标函数;
第二确定模块40,基于单目标函数确定从起始点到终点的最优路径。
需要说明的是,图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行以上所述的运输规划方法。
根据本申请实施例的另一方面,还提供了一种处理器,上述处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上所述的运输规划方法。
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。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种运输规划方法,其特征在于,包括:
依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;
基于不同的目标需求因素构建用于表示所述最短路径的目标函数,其中,所述目标函数用于表示使用最短路径运输时,所述终点在不同约束条件下的目标需求值;
利用粒子群法计算所述目标函数的决策属性矩阵,并基于所述目标函数的决策属性矩阵确定对应的权重系数;
使用所述权重系数对所述目标函数进行加权;并基于加权后的所述目标函数,确定从所述起始点到所述终点的最优路径。
2.根据权利要求1所述的方法,其特征在于,依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径,包括:
根据实际路网,构建对应的路网拓扑图,其中,所述路网拓扑图包括点和线段,所述点至少包括以下之一:所述起始点、中转点以及所述终点,所述线段为交通道路;
估算所述实际路网中各交通道路的运输所需的时间期望,并依据所述时间期望设置与之对应的所述线段的权重值;
确定所述路网拓扑图中任意两个所述点之间的初始最短路径,并基于该初始最短路径确定所述初始点到所述终点的全部路径;
比较所述全部路径之间的总权重值,得到比较结果,其中,所述总权重值为所述全部路径中任意一条路径中各个子路径的总权重值,且所述子路径由所述起始点、所述中转点和所述终点中的任意两个点组成;
依据所述比较结果,确定所述起始点到所述终点的最短路径。
3.根据权利要求2所述的方法,其特征在于,确定所述路网拓扑图中任意两个所述点之间的初始最短路径,并基于该初始最短路径确定所述初始点到所述终点的全部路径,包括:
设定节点集合,其中,所述节点集合的种类至少包括以下之一;第一类节点、第二类节点、第三类节点,其中,所述第一类节点为永久标记节点,所述第二类节点为处于修改状态下的节点,所述第三类节点为未标记节点;
将所述各起始点作为第一类节点,搜索与所述各起始点相邻的第二类节点;
在搜索过程中,若所述起始点与所述相邻的第二类节点构成的所述子路径的权重值小于预设阈值,则将该权重值作为该子路径的新的权重值;并将与所述新的权重值对应的所述第二类节点标记为所述第一类节点;
重复所述搜索过程,直至所述节点集合中的各节点均被标记为所述第一类节点,得到所述起始点到所述终点的全部路径。
4.根据权利要求1所述的方法,其特征在于,基于不同的目标需求因素构建用于表示所述最短路径的目标函数,包括:
基于约束目标及所述约束目标的相关参数,确定所述目标函数;其中,所述约束目标包括以下至少之一:结束点满足率、配送时间以及配送成本,所述结束点满足率表示所述结束点的接收物资占实际需求物资的比重;所述目标函数包括的多个单目标函数为:结束点满足率目标函数、配送时间目标函数以及配送成本目标函数;
对所述目标函数添加约束条件,得到含有约束条件的目标函数,其中,所述约束条件至少包括以下之一:中转点物资流进流出平衡约束、中转点数量约束、物资配送数量与物资配送车辆载重约束、物资供给约束、物资流约束、物资流约束、资金流约束。
5.根据权利要求1所述的方法,其特征在于,
利用粒子群法计算所述目标函数的决策属性矩阵,包括:以所述目标函数作为优化目标,利用所述粒子群法对所述目标函数进行求解,得到所述目标函数的决策属性矩阵;
基于所述目标函数的决策属性矩阵确定对应的权重系数,包括:对所述目标函数的决策属性矩阵进行预处理,并基于预处理结果确定所述目标函数的权重系数,其中,所述目标函数包括:成本型目标函数和效益型目标函数。
7.根据权利要求1所述的方法,其特征在于,使用所述权重系数对所述目标函数进行加权,并基于加权后的所述目标函数确定从所述起始点到所述终点的最优路径,包括:
利用所述权重系数加权所述目标函数,得到混合加权目标函数;
获取所述混合加权目标函数中的第一函数和第二函数,其中,所述第一函数和第二函数分别为:经处理后的成本型目标函数和效益型目标函数;
利用第一处理函数处理所述第一函数,以及利用第二处理函数处理所述第二函数,得到所述目标函数的隶属度函数,其中,所述第一处理函数和所述第二处理函数分别为:降半梯度隶属度函数和升半直线形隶属度函数;
并将所述目标函数的隶属度函数具有最大隶属度时的解集作为整体最优解集,其中,当所述目标函数的隶属度函数的隶属度最大时,所述目标函数的总体满意度最大、总配送时间最小、总运输成本最小;
基于所述整体最优解集,确定从所述起始点到所述终点的最优路径。
8.一种运输规划装置,其特征在于,包括:
第一确定装置,用于依据实际路网对应的路网拓扑图,确定从起始点到终点的最短路径;
构建装置,用于基于不同的目标需求因素构建用于表示所述最短路径的目标函数,其中,所述目标函数用于表示使用最短路径运输时,所述终点在不同约束条件下的目标需求值;
计算装置,用于利用粒子群法计算所述目标函数的决策属性矩阵,并基于所述目标函数的决策属性矩阵确定对应的权重系数;
处理装置,用于使用所述权重系数对所述目标函数进行加权;
第二确定装置,用于基于加权后的所述目标函数,确定从所述起始点到所述终点的最优路径。
9.一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,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1-7中任意一项所述的运输规划方法。
10.一种处理器,其特征在于,所述处理器用于运行存储在存储器中的程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的运输规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676574.6A CN111784260A (zh) | 2020-07-14 | 2020-07-14 | 运输规划方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676574.6A CN111784260A (zh) | 2020-07-14 | 2020-07-14 | 运输规划方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784260A true CN111784260A (zh) | 2020-10-16 |
Family
ID=72768221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676574.6A Pending CN111784260A (zh) | 2020-07-14 | 2020-07-14 | 运输规划方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784260A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347313A (zh) * | 2020-11-10 | 2021-02-09 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于大数据的区位优势度路径分析方法 |
CN113570169A (zh) * | 2021-09-23 | 2021-10-29 | 深圳市信润富联数字科技有限公司 | 货物运送规划方法、设备及可读存储介质 |
CN113762580A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种为商户确定物流园区的方法和装置 |
CN114005519A (zh) * | 2021-09-23 | 2022-02-01 | 平安国际智慧城市科技股份有限公司 | 物资调度方法、装置、设备及可读存储介质 |
CN117114560A (zh) * | 2023-10-25 | 2023-11-24 | 中科云谷科技有限公司 | 用于确定物品运输路径的方法、装置、存储介质及处理器 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及*** |
US20140180958A1 (en) * | 2012-12-20 | 2014-06-26 | Oracle International Corporation | Finding minimum cost transportation routes for orders through a transportation network |
US20160048802A1 (en) * | 2014-08-13 | 2016-02-18 | Tianyu Luwang | Transportation planning for a regional logistics network |
CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
CN108038576A (zh) * | 2017-12-20 | 2018-05-15 | 中国地质大学(武汉) | 基于改进Dijkstra算法的物流配送路径选择方法及*** |
CN108390393A (zh) * | 2018-03-27 | 2018-08-10 | 国网河北省电力有限公司经济技术研究院 | 配电网多目标无功优化方法及终端设备 |
CN109034477A (zh) * | 2018-07-27 | 2018-12-18 | 重庆大学 | 一种基于时间可靠性的城市物流配送的最短路径查找方法 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110009275A (zh) * | 2019-03-19 | 2019-07-12 | 深圳市宏大供应链服务有限公司 | 基于地理位置的物流配送路径规划方法和*** |
US20190259043A1 (en) * | 2018-02-19 | 2019-08-22 | Target Brands, Inc. | Method and system for supply chain management |
CN110264140A (zh) * | 2019-06-27 | 2019-09-20 | 广东工业大学 | 一种带时间窗的物流运输调度方法、装置及设备 |
CN110570018A (zh) * | 2019-08-13 | 2019-12-13 | 广东工业大学 | 一种定制生产车间的规划设计方法 |
CN111288991A (zh) * | 2018-12-06 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 路径规划方法、装置、机器人和计算机可读存储介质 |
-
2020
- 2020-07-14 CN CN202010676574.6A patent/CN111784260A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180958A1 (en) * | 2012-12-20 | 2014-06-26 | Oracle International Corporation | Finding minimum cost transportation routes for orders through a transportation network |
CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及*** |
US20160048802A1 (en) * | 2014-08-13 | 2016-02-18 | Tianyu Luwang | Transportation planning for a regional logistics network |
CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
CN108038576A (zh) * | 2017-12-20 | 2018-05-15 | 中国地质大学(武汉) | 基于改进Dijkstra算法的物流配送路径选择方法及*** |
US20190259043A1 (en) * | 2018-02-19 | 2019-08-22 | Target Brands, Inc. | Method and system for supply chain management |
CN108390393A (zh) * | 2018-03-27 | 2018-08-10 | 国网河北省电力有限公司经济技术研究院 | 配电网多目标无功优化方法及终端设备 |
CN109034477A (zh) * | 2018-07-27 | 2018-12-18 | 重庆大学 | 一种基于时间可靠性的城市物流配送的最短路径查找方法 |
CN111288991A (zh) * | 2018-12-06 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 路径规划方法、装置、机器人和计算机可读存储介质 |
CN109724611A (zh) * | 2019-01-08 | 2019-05-07 | 北京三快在线科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110009275A (zh) * | 2019-03-19 | 2019-07-12 | 深圳市宏大供应链服务有限公司 | 基于地理位置的物流配送路径规划方法和*** |
CN110264140A (zh) * | 2019-06-27 | 2019-09-20 | 广东工业大学 | 一种带时间窗的物流运输调度方法、装置及设备 |
CN110570018A (zh) * | 2019-08-13 | 2019-12-13 | 广东工业大学 | 一种定制生产车间的规划设计方法 |
Non-Patent Citations (6)
Title |
---|
冯舰锐;盖文妹;: "应急物资储备点选址多目标优化模型及算法研究", 中国安全生产科学技术, no. 06, 30 June 2018 (2018-06-30), pages 64 - 69 * |
刘向东;何建敏;张岳峰;: "基于APH-PCA的应急调度***多目标优化方法研究", 西安电子科技大学学报(社会科学版), no. 02, 25 March 2010 (2010-03-25), pages 46 - 50 * |
张宏宾等: "基于多目标物资配送中路线规划的探讨", 《中国商轮》, vol. 35, 18 December 2017 (2017-12-18), pages 8 - 10 * |
李楠;邹晓松;孙志勇;王森;: "基于改进Dijkstra算法的配电网网架扩展规划", 电力科学与工程, no. 04, 28 April 2020 (2020-04-28), pages 38 - 43 * |
杨晓燕;陈国龙;郭文忠;: "基于粒子群优化的最小属性约简算法", 福州大学学报(自然科学版), no. 02, 28 April 2010 (2010-04-28), pages 193 - 197 * |
肖攀: "供电应急物资多目标配送调度优化模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 February 2017 (2017-02-15), pages 042 - 2157 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347313A (zh) * | 2020-11-10 | 2021-02-09 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于大数据的区位优势度路径分析方法 |
CN113762580A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种为商户确定物流园区的方法和装置 |
CN113570169A (zh) * | 2021-09-23 | 2021-10-29 | 深圳市信润富联数字科技有限公司 | 货物运送规划方法、设备及可读存储介质 |
CN114005519A (zh) * | 2021-09-23 | 2022-02-01 | 平安国际智慧城市科技股份有限公司 | 物资调度方法、装置、设备及可读存储介质 |
CN117114560A (zh) * | 2023-10-25 | 2023-11-24 | 中科云谷科技有限公司 | 用于确定物品运输路径的方法、装置、存储介质及处理器 |
CN117114560B (zh) * | 2023-10-25 | 2024-01-05 | 中科云谷科技有限公司 | 用于确定物品运输路径的方法、装置、存储介质及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784260A (zh) | 运输规划方法、装置、存储介质及处理器 | |
Moon et al. | An efficient genetic algorithm for the traveling salesman problem with precedence constraints | |
Agussurja et al. | A state aggregation approach for stochastic multiperiod last-mile ride-sharing problems | |
Smith et al. | Neural techniques for combinatorial optimization with applications | |
Park | A hybrid genetic algorithm for the vehicle scheduling problem with due times and time deadlines | |
CN116187896B (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
CN110619441A (zh) | 基于领导者的ga-pso的软时间窗车辆路径优化方法 | |
Kim | Receding horizon scheduling of on-demand urban air mobility with heterogeneous fleet | |
Hu et al. | Dynamic rebalancing optimization for bike-sharing system using priority-based MOEA/D algorithm | |
Liu et al. | Physical Internet-enabled E-grocery delivery Network: A load-dependent two-echelon vehicle routing problem with mixed vehicles | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
Farahani et al. | Online multimodal transportation planning using deep reinforcement learning | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
TAVAKKOLI et al. | Solving a bi-objective multi-product vehicle routing problem with heterogeneous fleets under an uncertainty condition | |
Ratli et al. | Dynamic assignment problem of parking slots | |
Makui et al. | A multi-objective robust optimization model for the capacitated P-hub location problem under uncertainty | |
Cruz-Reyes | Ant colony system with characterization-based heuristics for a bottled-products distribution logistics system | |
CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
Dziubany et al. | Optimization of a cpss-based flexible transportation system | |
Cinar et al. | Constructive algorithms for the cumulative vehicle routing problem with limited duration | |
Elsaid et al. | Optimal placement of drone delivery stations and demand allocation using bio-inspired algorithms | |
Iima et al. | Genetic algorithm with machine learning to estimate the optimal objective function values of subproblems | |
Lu et al. | Solving a supply-chain management problem using a bilevel approach | |
Lu et al. | Corrigendum to “The Fourth-Party Logistics Routing Problem Using Ant Colony System-Improved Grey Wolf Optimization” |
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 |