CN113743874B - 一种应急物资物流配送的优化调度方法 - Google Patents
一种应急物资物流配送的优化调度方法 Download PDFInfo
- Publication number
- CN113743874B CN113743874B CN202111070918.XA CN202111070918A CN113743874B CN 113743874 B CN113743874 B CN 113743874B CN 202111070918 A CN202111070918 A CN 202111070918A CN 113743874 B CN113743874 B CN 113743874B
- Authority
- CN
- China
- Prior art keywords
- gen
- customer
- vehicle
- population
- representing
- 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
- 239000000463 material Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 241000283153 Cetacea Species 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013439 planning Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000012856 packing Methods 0.000 claims description 18
- 238000013459 approach Methods 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 5
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本发明涉及一种应急物资物流配送的优化调度方法,属于物流配送问题智能优化调度技术领域。首先采用切割法将问题分解为单车辆带装箱约束的车辆路径子问题,设计基于三维矩阵更新策略的混合鲸鱼优化算法对子问题的配送路径进行合理规划并提出一种基于天际线填充的装箱策略用于解决装箱问题。当下一个客户需求的应急物资不能完全装入车辆时,则重新派车进行装载直至将所有应急物资全部装车,在车辆出发前制定车辆配送路径及其装箱方案。本发明可在更短时间内将应急物资快速装入车厢并及时送至客户位置,能够提高应急物资的配送效率同时降低物流成本,丰富应急管理策略,为大规模突发事件的科学管理和决策提供了参考依据。
Description
技术领域
本发明涉及一种应急物资物流配送的优化调度方法,属于物流配送问题智能优化调度技术领域。
背景技术
当大规模突发事件发生后,应急救援的高效保障有利于救援工作的开展。然而在向灾区输送应急求援物资时,由于灾害的突发性,在输送救援物资前往往缺乏合理的路径规划方案,导致有些灾区不能及时收到应急救援物资,应急物资物流配送的效果差。另外在灾害面前每一分每一秒都十分珍贵,有必要设计一种合理的装箱策略以提高装箱效率、节省装箱时间,人民群众的生命安全多一份保障。因此,研究针对大规模突发事件的应急物资物流配送问题对实现应急物流配送管理***的整体优化具有重要意义,也能够为灾后应急物资保障提供理论指导和决策支持。
目前,针对应急物资物流配送的优化调度问题可建立两类不同的问题模型。一类是0-1数学规划模型,一类是排序模型,针对数学规划模型,目前主要采用分支定界、列生成等偏穷举的精确算法进行求解。但在大规模问题上求解时间会随问题规模的增大而呈现几何增长。针对排序模型,其通常是由车辆服务的客户序列组成,此类问题的约束条件往往隐含在排序模型中,目前主要采用启发式算法和智能算法进行求解,能够在较短时间内得到复杂调度问题的满意解或近似最优解。但需要在求解之前确定该类问题的编解码方式且不能保证搜索到全局最优解。
发明内容
本发明目的是针对应急物资物流配送的优化调度问题,设计基于三维矩阵更新策略的混合鲸鱼优化算法的调度方法对车辆的配送路径进行合理规划并提出一种天际线算法用于解决装箱问题。为大规模突发事件中应急救援物资的保障提供理论指导和决策支持。
本发明的技术方案是:一种应急物资物流配送的优化调度方法,包括如下步骤:首先,建立应急物资物流配送的优化调度模型,并以最小化车辆路径和最大化客户满意度为优化目标进行求解;其次,设计基于三维矩阵更新策略的混合鲸鱼优化算法,对车辆的配送路径进行合理规划;最后,提出一种基于天际线填充的装箱策略,用于解决装箱问题,当下一个客户需求的应急物资不能完全装入车辆时,则重新派车进行装载直至将所有客户物资全部装车,确保在车辆出发前制定出车辆配送路径及其装箱方案;
建立应急物资物流配送的优化调度模型如下所示:
V={0,1,2,...,N}表示顶点集,其中顶点0表示中心仓库,V′=V\{0}表示客户集,在大规模突发事件中车辆在配送完物资后便会被调配去执行其他任务,因此不考虑返回中心仓库,如附图1所示。表示弧集,f1和f2为最小化距离和最大化客户满意度的目标函数值,dij表示从客户i到客户j的距离。yik为客户i被车辆k服务概率。服务为1否则为0,中心仓库中有足够的同质车辆K进行服务,每辆车的最大载重量为Q,车厢的长和宽为(L,W),则有车厢底部面积S=L·W.Mi表示客户i所需物资总数,qi表示客户i所需物资总重量,qik表示客户i所需的第k个物资的重量,则有/>表示客户i所需的第g个货物,且lig表示客户i所需第g个物资的长,wig表示客户i所需第g个物资的宽,则有sig=lig·wig。以车厢右上角为坐标原点(车头朝下),hkig和vkig分别为车辆k中客户i的第g个物品的长和宽,wkig为车辆k中客户i的第g个物品的横坐标,lkig为车辆k中客户i的第g个物品的纵坐标,同时考虑到客户满意度的需求,顾客i接受服务的时间窗设为[ei,hi],ei表示接受最早开始服务时间,hi表示接受最晚开始服务时间。若在客户接受服务时间窗内开始服务则满意度为1,否则为0。到达客户i的时间为rti,开始服务时间为sti,若提前到达则需要等待至最早可接受服务时间ei再进行服务。以最小化行驶距离和最大化客户满意度确定每辆车的路线及其装箱方案即为该调度问题的求解过程。
具体地,所述基于三维矩阵更新策略的混合鲸鱼优化算法规划行驶路径的具体步骤如下:
Step2.1、编解码方式:在有向网络图G=(V,E)中,V={0,1,2,...,N}表示顶点集,其中顶点0表示中心仓库,V′=V\{0}表示客户集。编码时针对客户进行排列,令种群大小为popsize,客户数为n, 表示第gen代种群中的个体i基于客户的排列。/>表示对客户排列解码后的配送方案(种群个体)。
Step2.2、种群初始化:设计了三种方式进行初始化种群,首先采用最近邻原则和最高满意度原则各生成一个个体,再通过准对立策略生成其余个体。
Step2.3、全局搜索阶段:为了保证得到解的多样性和分散性,在全局搜索阶段采用鲸鱼优化算法和三维概率矩阵更新策略对问题解空间进行搜索。鲸鱼优化算法更新种群阶段:种群分为鲸鱼和猎物两种个体,当鲸鱼个体确定猎物位置后,采用三种搜索机制(围搜索机制、螺旋搜索机制和随机搜索机制)不断向猎物靠近,在靠近的过程中个体的位置信息也在发生变化,其对应的客户离散序列也随之改变,即种群的更新。
式(17)~(18)为包围搜索机制,式中gen为当前迭代次数,为第gen代中个体i,Xgen*为第gen代中猎物(随机选出的一个非支配解)的位置,A和C均为系数向量且A=2ar1-a,C=2r2,r1和r2均为[0,1]中的随机数,a为控制参数,a=aint-afin+(1-gen/genmax)/(1-μ·gen/genmax),aint=2和afin=1分别为收敛因子a的初始值和终止值。μ为非线性调节系数且μ=25,genmax表示最大迭代次数。式(19)为螺旋搜索机制,b为控制参数(b=1),l为[-1,1]的随机值,γ为搜索因子。式(20)中p为选择鲸鱼个体的位置更新方式。式(21)为随机搜索策略,当A的值大于1时选择该策略进行种群更新。式(22)为D值计算。三维概率矩阵更新种群阶段:针对非支配解集中解的结构表现出一定的相似性(块结构及其位置信息的相似性)的特性。设计一种三维矩阵对得到的非支配解集进行有效地学习和积累。由于相同块结构在不同位置对解的目标值会有很大的影响。因此,三维矩阵中第一维度用于记录块结构所在的位置信息,另外两个维度表示块结构中的两个客户及其序关系,如附图3所示,最上层矩阵表示位置p的块结构信息。
Best_P(t)={Best_πt,1,Best_πt,2,…Best_πt,w,…,Best_πt,popsize},Best_P(t)为第t代种群,其中个体w为 表示第t代种群中个体w的客户g,令/>表示第t代种群中基于块结构及其位置信息的三维矩阵,其中表示在p位置中块结构[x,y]出现的次数,/>表示在p位置归一化后的二维概率矩阵,式(23)求出三维矩阵中的元素,式(24)表示位置p上的块结构信息,式(25)表示三维矩阵,式(26)为位置p的概率矩阵,式(27)为概率矩阵归一化,若此位置没有可放置的块结构则为0,式(28)为在p位置的块结构[x,y]决策变量;
Step2.4、终止条件:设定全局搜索的迭代次数,当全局搜索的次数达到最大迭代次数时则输出当前种群的非支配解集,否则返回Step2.3直至满足终止条件。
Step2.5、局部搜索:针对得到的非支配解集,设计针对车辆间和车辆内的局部搜索操作(车辆间的Interchange操作以及车辆内的Insert操作和Swap操作)。
具体地,基于天际线填充的装箱策略具体步骤如下:
Step3.1、针对每辆车服务的第一个客户,将其所需应急物资按物品长从大到小排序,再将其他客户所需应急物资按底面积从小到大排序。
Step3.2、将当前应急物资放入天际线中每一段平行于车厢底部的位置进行比较,最终确定合适位置,并根据车厢的剩余空间对天际线进行更新操作。如附图2所示,I42为第4个客户需求的第二个急救物资,加粗部分为天际线。
Step3.3、若出现不合理装箱情况时,采用swap操作(交换两个物资的装箱顺序)对物资进行调整,转入Step3.2直至所有应急物资全部装入车厢或达到调整次数便结束装箱。
本发明的有益效果是:本发明通过确定应急物资物流配送优化调度问题模型和优化目标,设计了基于三维矩阵更新策略的混合鲸鱼优化算法对子问题的配送路径进行合理规划并提出一种基于天际线填充的装箱策略用于解决装箱问题。设计的调度方法合理有效,能够在短时间内获得应急物资物流配送优化调度问题的优质解,使得在大规模突发事件中能够及时设计出一个快速且有效的应急救援物资配送方案,更大程度地保障灾区人们群众的生命安全。
附图说明
图1为本发明的应急物资物流配送的车辆调度示意图;
图2为本发明的应急物资物流配送的装箱示意图;
图3为基于块结构的三维矩阵示意图;
图4为本发明的混合鲸鱼优化算法流程图;
图5为本发明的装箱流程图。
具体实施方式
实施例1:如图1-5所示,一种应急物资物流配送的优化调度方法,首先,建立应急物资物流配送的优化调度模型,并以最小化车辆路径和最大化客户满意度为优化目标进行求解;其次,设计基于三维矩阵更新策略的混合鲸鱼优化算法,对车辆的配送路径进行合理规划;最后,提出一种基于天际线填充的装箱策略,用于解决装箱问题,当下一个客户需求的应急物资不能完全装入车辆时,则重新派车进行装载直至将所有客户物资全部装车,确保在车辆出发前制定出车辆配送路径及其装箱方案;
建立应急物资物流配送的优化调度模型如下所示:
V={0,1,2,...,N}表示顶点集,其中顶点0表示中心仓库,V′=V\{0}表示客户集,在大规模突发事件中车辆在配送完物资后便会被调配去执行其他任务,因此不考虑返回中心仓库,如附图1所示。E={(i,j)i,j∈V,i≠j}表示弧集,f1和f2为最小化距离和最大化客户满意度的目标函数值,dij表示从客户i到客户j的距离。yik为客户i被车辆k服务概率。服务为1否则为0,中心仓库中有足够的同质车辆K进行服务,每辆车的最大载重量为Q,车厢的长和宽为(L,W),则有车厢底部面积S=L·W.Mi表示客户i所需物资总数,qi表示客户i所需物资总重量,qik表示客户i所需的第k个物资的重量,则有表示客户i所需的第g个货物,且lig表示客户i所需第g个物资的长,wig表示客户i所需第g个物资的宽,则有sig=lig·wig。以车厢右上角为坐标原点(车头朝下),hkig和vkig分别为车辆k中客户i的第g个物品的长和宽,wkig为车辆k中客户i的第g个物品的横坐标,lkig为车辆k中客户i的第g个物品的纵坐标,同时考虑到客户满意度的需求,顾客i接受服务的时间窗设为[ei,hi],ei表示接受最早开始服务时间,hi表示接受最晚开始服务时间。若在客户接受服务时间窗内开始服务则满意度为1,否则为0。到达客户i的时间为rti,开始服务时间为sti,若提前到达则需要等待至最早可接受服务时间ei再进行服务。以最小化行驶距离和最大化客户满意度确定每辆车的路线及其装箱方案即为该调度问题的求解过程。
进一步地,所述基于三维矩阵更新策略的混合鲸鱼优化算法规划行驶路径的具体步骤如下:
Step2.1、编解码方式:在有向网络图G=(V,E)中,V={0,1,2,...,N}表示顶点集,其中顶点0表示中心仓库,V′=V\{0}表示客户集。编码时针对客户进行排列,令种群大小为p甲size,客户数为n, 表示第gen代种群中的个体i基于客户的排列。/>表示对客户排列解码后的配送方案(种群个体)。
Step2.2、种群初始化:设计了三种方式进行初始化种群,首先采用最近邻原则和最高满意度原则各生成一个个体,再通过准对立策略生成其余个体。
Step2.3、全局搜索阶段:为了保证得到解的多样性和分散性,在全局搜索阶段采用鲸鱼优化算法和三维概率矩阵更新策略对问题解空间进行搜索。鲸鱼优化算法更新种群阶段:种群分为鲸鱼和猎物两种个体,当鲸鱼个体确定猎物位置后,采用三种搜索机制(围搜索机制、螺旋搜索机制和随机搜索机制)不断向猎物靠近,在靠近的过程中个体的位置信息也在发生变化,其对应的客户离散序列也随之改变,即种群的更新。
式(17)~(18)为包围搜索机制,式中gen为当前迭代次数,为第gen代中个体i,Xgen*为第gen代中猎物(随机选出的一个非支配解)的位置,A和C均为系数向量且A=2ar1-α,C=2r2,r1和r2均为[0,1]中的随机数,a为控制参数,a=aint-afin+(1-gen/genmax)/(1-μ·gen/genmax),aint=2和afin=1分别为收敛因子a的初始值和终止值。μ为非线性调节系数且μ=25,genmax表示最大迭代次数。式(19)为螺旋搜索机制,b为控制参数(b=1),l为[-1,1]的随机值,γ为搜索因子。式(20)中p为选择鲸鱼个体的位置更新方式。式(21)为随机搜索策略,当A的值大于1时选择该策略进行种群更新。式(22)为D值计算。三维概率矩阵更新种群阶段:针对非支配解集中解的结构表现出一定的相似性(块结构及其位置信息的相似性)的特性。设计一种三维矩阵对得到的非支配解集进行有效地学习和积累。由于相同块结构在不同位置对解的目标值会有很大的影响。因此,三维矩阵中第一维度用于记录块结构所在的位置信息,另外两个维度表示块结构中的两个客户及其序关系,如附图3所示,最上层矩阵表示位置p的块结构信息。
Best_P(t)={Best_πt,1,Best_πt,2,...Best_πt,w,…,Best_πt,popsize},Best_P(t)为第t代种群,其中个体w为 表示第t代种群中个体w的客户g,令/>表示第t代种群中基于块结构及其位置信息的三维矩阵,其中表示在p位置中块结构[x,y]出现的次数,/>表示在p位置归一化后的二维概率矩阵,式(23)求出三维矩阵中的元素,式(24)表示位置p上的块结构信息,式(25)表示三维矩阵,式(26)为位置p的概率矩阵,式(27)为概率矩阵归一化,若此位置没有可放置的块结构则为0,式(28)为在p位置的块结构[x,y]决策变量。
Step2.4、终止条件:设定全局搜索的迭代次数,当全局搜索的次数达到最大迭代次数时则输出当前种群的非支配解集,否则返回Step2.3直至满足终止条件。
Step2.5、局部搜索:针对得到的非支配解集,设计针对车辆间和车辆内的局部搜索操作(车辆间的Interchange操作以及车辆内的Insert操作和Swap操作)。
进一步地,基于天际线填充的装箱策略具体步骤如下:
Step3.1、针对每辆车服务的第一个客户,将其所需应急物资按物品长从大到小排序,再将其他客户所需应急物资按底面积从小到大排序,初始化天际线。
Step3.2、将当前应急物资放入天际线中每一段平行于车厢底部的位置进行比较,最终确定合适位置,并根据车厢的剩余空间对天际线进行更新操作。如附图2所示,I42为第4个客户需求的第二个急救物资,加粗部分为天际线。
Step3.3、若出现不合理装箱情况时,采用swap操作(交换两个物资的装箱顺序)对物资进行调整,转入Step3.2直至所有应急物资全部装入车厢或达到调整次数便结束装箱。
可以具体设置:所述种群规模为90,迭代次数为60。采用N指标(各算法得到的非支配解的总量)、指标(各算法得到的优质非支配解的数量)和R指标(各个算法优质非支配解的占优情况)对算法性能进行比较。
表1给出了混合鲸鱼优化算法(HWOA)与国内外求解相关物流配送问题的算法进行比较,即量子粒子群算法(QPSO)、变邻域搜索算法(VNS)和模拟退火算法(SAHLS),并选取25和50个客户规模的应急物资物流配送问题进行测试的结果。
表1.LWOA与QPSO、VNS和SAHLS的对比结果
如表1所示,从三种评价指标分析可知,发明的优化调度方法的性能优于其他三种对比算法,这验证了该方法的有效性,即表明当遇到大规模突发事件时,混合鲸鱼优化算法和应急物资装箱策略能够快速有效地找出最佳物流配送方案。
本发明针对应急物资物流配送的优化调度问题提出了基于三维矩阵更新策略的混合鲸鱼优化算法进行求解并设计一种基于天际线填充的装箱策略用于解决装箱问题。该方法可在更短时间内将应急物资快速装入车厢并及时送至客户位置,能够提高应急物资的配送效率同时降低物流成本,丰富应急管理策略,为大规模突发事件的科学管理和决策提供了参考依据。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种应急物资物流配送的优化调度方法,其特征在于:包括如下步骤:首先,建立应急物资物流配送的优化调度模型,并以最小化车辆路径和最大化客户满意度为优化目标进行求解;其次,设计基于三维矩阵更新策略的混合鲸鱼优化算法,对车辆的配送路径进行合理规划;最后,提出一种基于天际线填充的装箱策略,用于解决装箱问题,当下一个客户需求的应急物资不能完全装入车辆时,则重新派车进行装载直至将所有客户物资全部装车,确保在车辆出发前制定出车辆配送路径及其装箱方案;
建立应急物资物流配送的优化调度模型如下所示:
V={0,1,2,...,N}表示顶点集,其中顶点0表示中心仓库,V′=V\{0}表示客户集,E={(i,j)|i,j∈V,i≠j}表示弧集,f1和f2为最小化距离和最大化客户满意度的目标函数值,dij表示从客户i到客户j的距离,yik为客户i被车辆k服务概率,服务为1否则为0,中心仓库中有足够的同质车辆K进行服务,每辆车的最大载重量为Q,车厢的长和宽为(L,W),则有车厢底部面积S=L·W.Mi表示客户i所需物资总数,qi表示客户i所需物资总重量,qik表示客户i所需的第k个物资的重量,则有 表示客户i所需的第g个货物,且lig表示客户i所需第g个物资的长,wig表示客户i所需第g个物资的宽,则有sig=lig·wig,以车厢右上角为坐标原点,hkig和vkig分别为车辆k中客户i的第g个物品的长和宽,wkig为车辆k中客户i的第g个物品的横坐标,lkig为车辆k中客户i的第g个物品的纵坐标,顾客i接受服务的时间窗设为[ei,hi],ei表示接受最早开始服务时间,hi表示接受最晚开始服务时间,若在客户接受服务时间窗内开始服务则满意度为1,否则为0,到达客户i的时间为rti,开始服务时间为sti,若提前到达则需要等待至最早可接受服务时间ei再进行服务;
所述基于三维矩阵更新策略的混合鲸鱼优化算法规划行驶路径的具体步骤如下:
Step2.1、编解码方式:在有向网络图G=(V,E)中,编码时针对客户进行排列,令种群大小为popsize,客户数为n,Xi gen=[Xi gen[1],Xi gen[2],...,Xi gen[g],...Xi gen[n]]表示第gen代种群中的个体i基于客户的排列,表示对客户排列解码后的配送方案;
Step2.2、种群初始化:首先采用最近邻原则和最高满意度原则各生成一个个体,再通过准对立策略生成其余个体;
Step2.3、全局搜索阶段:在全局搜索阶段采用鲸鱼优化算法和三维概率矩阵更新策略对问题解空间进行搜索,鲸鱼优化算法更新种群阶段:种群分为鲸鱼和猎物两种个体,当鲸鱼个体确定猎物位置后,采用三种搜索机制不断向猎物靠近,分别为围搜索机制、螺旋搜索机制和随机搜索机制,在靠近的过程中个体的位置信息也在发生变化,其对应的客户离散序列也随之改变,即种群的更新;
D=|CXgen*-Xi gen| (17)
Xi gen+1=Xgen*-A·D (18)
Xi gen+1=D·eblcos(2πl)+Xi gen (19)
Xi gen+1=Xgen′-A·D (21)
D=|CXgen′-Xi gen | (22)
式(17)~(18)为包围搜索机制,式中gen为当前迭代次数,Xi gen为第gen代中个体i,Xgen*为第gen代中猎物的位置,A和C均为系数向量且A=2ar1-a,C=2r2,r1和r2均为[0,1]中的随机数,a为控制参数,a=aint-afin+(1-gen/genmax)/(1-μ·gen/genmax),aint=2和afin=1分别为控制参数a的初始值和终止值,μ为非线性调节系数且μ=25,genmax表示最大迭代次数,式(19)为螺旋搜索机制,b为控制参数,b=1,l为[-1,1]的随机值,γ为搜索因子,式(20)中p为选择鲸鱼个体的位置,式(21)为随机搜索策略,当A的值大于1时选择该策略进行种群更新,式(22)为中间值D计算,三维概率矩阵更新种群阶段:针对非支配解集中解的结构表现出相似性的特性,设计一种三维矩阵对得到的非支配解集进行有效地学习和积累,三维矩阵中第一维度用于记录块结构所在的位置信息,另外两个维度表示块结构中的两个客户及其序关系,最上层矩阵表示位置p的块结构信息:
Best_P(t)={Best_πt,1,Best_πt,2,…Best_πt,w,…,Best_πt,popsize},Best_P(t)为第t代种群,其中个体w为 表示第t代种群中个体w的客户g,令/>表示第t代种群中基于块结构及其位置信息的三维矩阵,其中表示在p位置中块结构[x,y]出现的次数,/>表示在p位置归一化后的二维概率矩阵,式(23)求出三维矩阵中的元素,式(24)表示位置p上的块结构信息,式(25)表示三维矩阵,式(26)为位置p的概率矩阵,式(27)为概率矩阵归一化,若此位置没有可放置的块结构则为0,式(28)为在p位置的块结构[x,y]决策变量;
Step2.4、终止条件:设定全局搜索的迭代次数,当全局搜索的次数达到最大迭代次数时则输出当前种群的非支配解集,否则返回Step2.3,直至满足终止条件;
Step2.5、局部搜索:针对得到的非支配解集,设计针对车辆间和车辆内的局部搜索操作,包括车辆间的Interchange操作以及车辆内的Insert操作和Swap操作。
2.根据权利要求1所述的应急物资物流配送的优化调度方法,其特征在于:基于天际线填充的装箱策略具体步骤如下:
Step3.1、针对每辆车服务的第一个客户,将其所需应急物资按物品长从大到小排序,再将其他客户所需应急物资按底面积从小到大排序,初始化天际线;
Step3.2、将当前应急物资放入天际线中每一段平行于车厢底部的位置进行比较,最终确定合适位置,并根据车厢的剩余空间对天际线进行更新操作;
Step3.3、若出现不合理装箱情况时,采用交换两个物资的装箱顺序的swap操作,对物资进行调整,转入Step3.2,直至所有应急物资全部装入车厢或达到调整次数便结束装箱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070918.XA CN113743874B (zh) | 2021-09-13 | 2021-09-13 | 一种应急物资物流配送的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111070918.XA CN113743874B (zh) | 2021-09-13 | 2021-09-13 | 一种应急物资物流配送的优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743874A CN113743874A (zh) | 2021-12-03 |
CN113743874B true CN113743874B (zh) | 2023-11-03 |
Family
ID=78738416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070918.XA Active CN113743874B (zh) | 2021-09-13 | 2021-09-13 | 一种应急物资物流配送的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743874B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081788A (zh) * | 2022-03-21 | 2022-09-20 | 上海圆徕科技有限公司 | 一种物流调度方法 |
CN114565195B (zh) * | 2022-04-27 | 2022-08-19 | 苏州美集供应链管理股份有限公司 | 本地局部反馈与云端全局优化结合的调配***与方法 |
CN115630884B (zh) * | 2022-12-06 | 2023-03-10 | 中国人民解放军国防科技大学 | 应急物流下多任务方案临机调整方法、装置、终端及介质 |
CN116167541B (zh) * | 2023-04-19 | 2023-09-29 | 南京邮电大学 | 一种基于突发应急情况下自适应配送策略的路径规划方法 |
CN117784623B (zh) * | 2024-02-28 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 带负载约束车辆路径的多策略协同智能优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542395A (zh) * | 2010-12-31 | 2012-07-04 | 北京师范大学 | 一种应急物资调度***及计算方法 |
CN108647821A (zh) * | 2018-05-09 | 2018-10-12 | 浙江工业大学 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
-
2021
- 2021-09-13 CN CN202111070918.XA patent/CN113743874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542395A (zh) * | 2010-12-31 | 2012-07-04 | 北京师范大学 | 一种应急物资调度***及计算方法 |
CN108647821A (zh) * | 2018-05-09 | 2018-10-12 | 浙江工业大学 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113743874A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743874B (zh) | 一种应急物资物流配送的优化调度方法 | |
Dulebenets | An Adaptive Polyploid Memetic Algorithm for scheduling trucks at a cross-docking terminal | |
CN109948855B (zh) | 一种带时间窗的异构危化品运输路径规划方法 | |
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及*** | |
CN111862579A (zh) | 一种基于深度强化学习的出租车调度方法及*** | |
US20210118080A1 (en) | Systems and methods for recommending transportation means | |
Barak et al. | Energy-efficient multi-objective flexible manufacturing scheduling | |
Li-ying et al. | Multiple charging station location-routing problem with time window of electric vehicle. | |
Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
Golden et al. | The evolution of the Vehicle Routing Problem—A survey of VRP research and practice from 2005 to 2022 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN114444843A (zh) | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及*** | |
Liu et al. | Optimization approach for yard crane scheduling problem with uncertain parameters in container terminals | |
Wang et al. | Research on Hybrid Real‐Time Picking Routing Optimization Based on Multiple Picking Stations | |
CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
Zhang et al. | Cooperative Route Planning for Fuel-constrained UGV-UAV Exploration | |
CN116432883A (zh) | 一种双目标应急物资运送优化方法、***及设备 | |
CN111178596A (zh) | 一种物流配送路线规划方法、装置及存储介质 | |
Li et al. | Optimal online dispatch for high-capacity shared autonomous mobility-on-demand systems | |
Tao et al. | A metaheuristic algorithm to transporter scheduling for assembly blocks in a shipyard considering precedence and cooperating constraints | |
Gang et al. | Vehicle routing problem with simultaneous pickups and deliveries and time windows considering fuel consumption and carbon emissions | |
Ni et al. | An Improved Cooperative Control Method for Hybrid Unmanned Aerial‐Ground System in Multitasks | |
Liu et al. | Solving multi-objective Flexible Job Shop Scheduling with transportation constraints using a micro artificial bee colony algorithm | |
Zhou et al. | A multi-objective optimization approach to package delivery by the crowd of occupied taxis | |
Wang et al. | Research on Application of Airport Tanker Truck Scheduling Based on Particle Swarm 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |