CN114580750A - 一种改进的区域车辆路径规划动态分析模型的分析方法 - Google Patents
一种改进的区域车辆路径规划动态分析模型的分析方法 Download PDFInfo
- Publication number
- CN114580750A CN114580750A CN202210215568.XA CN202210215568A CN114580750A CN 114580750 A CN114580750 A CN 114580750A CN 202210215568 A CN202210215568 A CN 202210215568A CN 114580750 A CN114580750 A CN 114580750A
- Authority
- CN
- China
- Prior art keywords
- goods
- vehicle
- cost
- road
- distribution
- 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
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
- G06Q10/04—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
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- 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
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进的区域车辆路径规划动态分析模型的分析方法,具有如下步骤:根据目前已有的订单量进行配送中转中心的选择,将货物根据区域划分,集中至相应的配送中转中心,随后通过对中转中心货物的集中规划,利用3L‑CVRP组合优化模型,建立货物的配载模型。第三阶段,针对已经配货成功的货车进行路劲规划,因给基于时间窗以及物资成本两因素下的黏菌路径优化算法,避免传统启发式算法带来的局部最优问题,有效的提高了物流中心配送货物的运输效率。
Description
技术领域
本发明涉及一种改进的区域车辆路径规划动态分析模型的分析方法,属于车辆运输调度优化技术领域。
背景技术
在现代企业中,随着智能化和机器化时代的到来,现代物流包含有先进的组织管理方式、智能的科学技术以及多元化的信息手段等,无疑为企业的利润开辟了新的源泉。
在众多的物流生产活动中,配送处于核心地位,在物流***中发挥着至关重要的作用。配送是物流的末端环节,实现了资源的最终配置,是现代物流中的一个重要环节。由于货物的配送目的地是一定的,合理的车货装配顺序不仅可以有效地提升车辆的空间利用率、减少并避免空间浪费及超重现象,保障驾驶员及车、货的安全性,还能有效地降低物流成本,提高装载、运输效率;而合理的车辆路径优化,可以有效地减少车辆的行驶路径,降低配送的时间成本和物力成本,提高车辆利用率和提升配送客户满意度。现如今,很多的物流配送企业在配送过程中仅仅从一个方面单独考虑,然而货物配载和路径规划问题是紧密相连、相互制约的,如果只单独考虑某一方面的问题就不能最大限度地优化物流配送,因此要想真正地提高配送环节的效率和效益,就需要将配送环节的关键事务节点结合起来,充分考虑和研究事务节点之间的联系,并进行统一求解。
发明内容
为了解决现有技术中存在的问题,本发明提出了一种改进的区域车辆路径规划动态分析模型的分析方法,在对车辆的路径规划之中,对油耗成本进行了更为科学化的计算,考量了不同车辆的迎风阻力以及载重带来的摩擦阻力因子,使得油耗成本核算进一步科学合理化,最后通过引入时间窗的黏菌算法进行路径规划求解,增强了算法的实际适用性。。
为实现上述目的,本发明采用的技术方案为:一种改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:
包括如下具体步骤:
步骤1、建立配送中转中心选址模型,建立最小运输建设成本函数,作为选址的目标函数,根据布谷鸟算法,结合提出的配送中转中心选址模型,解决区域配送的配送中转中心选址问题;
步骤2、针对车厢的配载问题,提出了重泡比的概念,对3L-CVRP算法进行改进,不再将目光局限于单目标求解,将货物装箱问题与货物的配送目的地以及其重泡比相结合,确定多个货物的配载与否,以及配载货物的装箱顺序。所述影响因素至少包括货车的载重、体积大小及迎风面积;
步骤3、针对城市实际道路情况,引入车辆拥堵因素以及配货时间窗限制,建立一种改进黏菌算法,在现有算法的基础之上,建立时间审核模型,结合道路的拥堵时间与理想状态行驶时间,得出最终实际到达的时间,将其与时间窗进行进一步的对比,对超时的路径进行删除,在满足预设送达时间的条件下,生成与实际吻合的动态变化配送路径。
进一步的,所述步骤1中,建立配送中转中心选址模型至少涉及如下因素:土木费用、运输费用、管理费用并进行成本核算。
所述土木费用包括:基础设施建设费用及安置费用;
运输费用包括:总库送至配送中转中心以及配送中转中心到具体需求位置的油耗费用、车辆折旧费、司机提成及过路费用;
管理费用包括:地面租金费用、配置管理***的固定费用、办公用品开销、办公室人员开销及设备购入费用开销;
因此,最终的运输成本函数为:
其中,m:备选物流中心的个数,n:需求点个数,Z:建设配送中转中心的总费用,Ki:配送中转中心土木费用,Hi:配送中转中心管理费用,Di:总库到配送中转中心的距离,Ti:总库到配送中转中心的运费,单位为吨·公里,Dij:备选配送中转中心到需求点的距离,hi:备选的配送中转中心出货量,Pi:总库到各个配送中转中心的运货量,Qij:配种中转中心到需求点的运货量。
进一步的,所述步骤2中,改进的3L-CVRP算法的具体步骤为:
根据货物的实际重量与体积,从三维的角度对货物进行分类。分别为“重货”和“泡货”,两者采取不同的计价方式。车辆约束根据重泡货的分类计算,最终关于车辆载重的约束条件为车辆上重货和泡货一同携带,实现重泡货携带下的成本最低目标,避免重货过多而导致货物没有装满,也避免即使货箱装满,但由于载重量过低,导致无法收回成本的问题;
重泡货的体积重量可以由下面的公式确定,
体积重量=(长cm×宽cm×高cm)÷5000cm3/kg
根据公式求出的结果,1立方米的重量大于200千克的为重货,小于200千克的为泡货;泡货根据货物所占有的空间大小进行计算,重货根据货物的实际重量进行计算。
进一步的,最终的单辆货车运输收益为:引入了人工运输成本,最终的单辆货车的配送净利润函数为两部分货物的运输收益减去油耗成本和人工运输成本以及过路损耗和折旧损耗,其公式如下表达:
maxWi=gip+vjq-Qs·y-S-R-f
其中,gi为货物i的重量;vi为货物的体积;p为运输重货每吨的定价;q为运输泡货每立方米的定价;Wi表示单个货车的收益;Qs为每百公里的油耗量;y为当前油价;S为司机运输费用;R为过路费损耗;f为车辆折旧费损耗。
进一步的,所述改进的3L-CVRP算法中还建立了与实际运输相吻合的多车型车辆装箱模型,突破了单一目标的约束,建立多目标约束模型,基于重泡货概念,对安置货物顺序加以控制,重货放置于货车底部,泡货置于重货之上,关键约束条件为:
a:支撑面系数;
进一步的,所述步骤3中,引入动态时间窗的黏菌算法进行最优路径规划求解,具体步骤如下:
步骤3.1、初始化:对城市道路建立二维平面坐标系,同时将各个订单的起始点、途经点、终止点通过坐标进行标定,路径中各个交叉路口的起点设置为0;
步骤3.2、计算各个交叉路口的压力值;
步骤3.3、计算各条道路的流量,
假设送货点的I和J的压力分别为pi、pj,链接两个配送点的路径长度为Lij,其宽度为rij,整体流量为Qij;假设流动的速度为匀速,流动形态为层流,则得到:
η为粘滞系数,πr4/8ηLij用来衡量导管的传导性;
将上述已经求出的压力值带入下述公式,求解各段道路的车辆通过流量;
步骤3.5、进行迭代判断,若存在道路Rij满足下方的公式,则迭代结束,对时间窗进行进一步判断,若不满足下述不等式,则继续迭代,返回步骤三,迭代次数加一;
|Dij(N+1)-Dij(N)|≤10-3
步骤3.6、对目前得到的最优路径进行时间计算,检测是否在要求的时间窗之内,无法在规定的时间内到达目的地,则此路径不能作为最优路径输出,需要返回步骤三,排除第一次输出结果时的道路,选择次优路径进行时间窗验证,直到满足时间窗要求为止。
步骤3.7、结束计算,得到本订单对应的最优配送路径。
进一步的,所述步骤3.2中,将黏菌中的管道流量与道路的车辆堵塞状态进行融合,管道流量即代表车辆的堵塞情况,若管道流量较大,即道路较为通畅,通导性较大,则代表经过人员较多,属于经济适用的路线;
道路通导性化简后为:
其中,Di,j为传导性,Qi,j为流量大小,Li,j单个街区两点直接的道路长度;
结合算法之中的流量因素,无论黏菌算法的初始状态从何处开始,最短路径的传导性一定会收敛于1,非最短路径的传导性则会收敛于0。
与现有技术相比,本发明的有益效果是:
1.本发明突破了国内在货物配载与路径规划问题之中只考量单个问题的局限性,将配送总站到配送中转中心的选址通过建立成本核算模型,对现实中建立中转中心所需要的费用统一进行计算。同时根据区域订单量对配送中转中心到实际配货点的成本进行预估,打通了总库、中转中心和配货点的线路,对成本进行一体式核算,使得配送中转中心的选址更为科学合理化。
2.本发明在车辆配送的成本核算中,引入了油耗的成本与车辆磨损成本,相较于简单的根据距离估计油耗,模型之中的油耗成本针对不同的车型以及不同的载重质量进行了利润函数的更新。更新后的利润模型将重货和泡货进行分类计费。合理的分配重货和泡货的配比与装箱位置的同时,减少车辆的损耗。
3.本发明在路径规划环节对近期较为热门的黏菌算法进行改进,结合路面的车流量通行情况,并且加入了时间窗的限制,有助于在现实生活之中规避因为配送不及时来的延误损耗,降低企业的运输损失。
附图说明
图1是本发明的流程框图。
图2是本发明中加入时间窗的概念约束后,得到最优路径的流程框图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本实施例提出的一种改进的区域车辆路径规划动态分析模型的分析方法,通过将配货运输问题进行模块化拆解分为三个主要流程:配货中转中心的选择、货物装载问题以及货物配送路径规划问题。将三个问题共用统一的订单数据进行分别求解,最后通过统一的车辆配载结果建立运输成本模型,采用基于时间窗的黏菌算法对配载路径进行求解,从而达到路径规划的最优方案。而且本发明对实际环境的考量更为细化,对配货中转中心选址的周围道路类型情况赋予不同的权重,对道路的路面通行情况以及客户订单的时间窗进行了建模,能够求解出与实际更吻合的配送方案。
包括如下步骤:
步骤1:基于过往的订单数据,建立配送中转中心选址模型,根据选址涉及的三大主要因素:土木费用、运输费用、管理费用进行分析与建模,搭建最小建设成本函数,同时,针对配送中转中心附近的道路情况以及基础建设,对最终的成本函数进行加权,最终的成本函数结合改进的布谷鸟算法,计算出配送中转中心选址。
其中,三大主要因素的具体细化因子如下:
土木费用包含:基础设施建设、安置费用;
运输费用包含:总库送至配送中转中心以及配送中转中心到具体需求位置的油耗费用、车辆折旧费、司机提成、过路费用;
管理费用包含:地面租金费用、配置管理***的固定费用、办公用品开销、办公室人员开销、设备购入费用开销。
最终,单个配送中转中心的建设总成本可以表示为:
配送中转中心的周围环境纳入考量,引入加权因子进入上述公式(1),具体内容如表1所示
表1:主要基本建设对配送中心选址的成本影响权重
步骤2:在车辆配货的环节,结合实际,针对车辆的载重问题,计算不同车型货车的载重、体积大小、迎风面积,在上述数据的基础之上,建立三维装箱模型。货物通常分为“重货”和“泡货”,两者在配送过程中应当采用不同的定价机制以及摆放顺序,泡货占用的空间较大,重货则会对车辆的规定的配载重量有一定的限制,所以在分配装车过程之中,本实施例中引入了“重泡货”概念,基于陆路运输的实际情况,主要公式如下:
体积重量=(长cm×宽cm×高cm)÷5000cm3/kg
对于不规则物品,上述长宽高则根据最长、最高、最宽的数据进行计算。
根据公式求出的结果,1立方米的重量大于200千克的称为重货,小于200千克的称为泡货。一般定为“泡货”,根据货物所占有的空间大小进行定价收费,定价反之为“重货”,根据货物的实际重量进行定价收费。
基于重泡货的计算结果,最终的单车配送收益函数在普通收益函数部分进行了进一步的改进,其中油耗成本Qs结合了重泡货的计算结果,
折旧损耗f如表2所示:
表2
最终的单车运输收益为:重货费用和泡货费用之和减去人工成本、油耗成本、折旧损耗和过路费用。
maxWi=gip+vjq-Qs·y-S-R-f
同时,关于单车的配送目标函数还有车辆的载重以及容积利用率实现最大,两者的目标函数为:
其次,通过已经分配好的装箱结果,对货物装箱的顺序进一步进行规划,建立了与实际运输相吻合的多车型车辆装箱模型,同时基于重泡货概念,对安置货物顺序加以控制,重货放置于货车底部,泡货置于重货之上,关键约束条件为:
(x kiu,y kiu,z kiu)表示第k辆车的第i个订单的第u个在车厢内物品下面左后下角的坐标
Akiu、Bkiu、Hkiu:表示第k辆车的第i个订单的第u个物品的长宽高;
A、B、H:表示为车厢的长宽高;
其中H(i,v)∈B表示所有货物的集合。
对装箱的货物进行总体配送重量的计算,将结果带入油耗公式,对单个车辆的油耗以及车辆磨损情况进行数字化的度量,计算出单次运输的成本。
maxWi=gip+vjq-Qs·y-S-R-f
其中S为司机运输费用,R为过路费损耗,f为车辆折旧费损耗。
在成本最低的情况之下,加入车辆配载的体积与重量的目标函数约束,形成多目标装箱约束模型。
步骤三:针对道路的实际情况,对道路的拥堵因素,路面条件以及配货时间窗加以考量,建立一种新的改进的黏菌算法,通过计算道路的“流量”大小,计算道路的通行时间与通行条件,生成与现实情况相吻合的动态变化配货路径,如图2所示。
对已有的配送路径进行检验计算,检查是否在客户预定的时间窗之内,若不能在规定时间内送达,则该路径不算最优路径,需要从迭代之中选择成本次优的路径继续进行时间窗的检测,一直到规划路径能够实现在规定时间被将货物配送到目的地为止。其具体流程如下:
步骤3.1:对城市道路建立二维平面坐标系,同时将各个订单的起始点、途经点、终止点用坐标标定,在可能经过的路径之中,各条道路的初始传导性值为1,管道流量为0,各个交叉路口的起点压力设置为0,迭代次数为N=0
步骤3.2:计算各个交叉路口的压力值,结合现实之中道路的拥堵状态问题与算法进行融合,道路的拥堵程度数字化为黏菌算法之中的管道流量,若道路通行状态良好,车辆能够短时间内快速通过,道路可通行的车道较多,则管道的通导性较好,通导性指标的数字较大。同时通导性还表示经过该段道路的车辆较多,为经济适用路线。道路的通导性可以表示为
其中Di,j为传导性,Qi,j为流量大小,Li,j单个街区两点直接的道路长度,γ为管道的消亡率,即表示在现实路径之中,该段道路经过的频率高低,f是单调递增函数,且f(0)=0。
结合算法之中的流量因素,无论黏菌算法的初始状态从何处开始,最短路径的传导性一定会收敛于1,非最短路径的传导性则会收敛于0.
将当前的传导性和道路长度带入下方公式,计算出各个交叉路口节点的压力值
步骤3.3:计算各条道路的流量,将上述步骤二已经求出的压力值带入下述公式,求解各段道路的车辆通过流量。
步骤3.5:进行迭代判断,若存在道路Rij满足下方的公式,则迭代结束,对时间窗进行进一步判断,若不满足下述不等式,则继续迭代,返回步骤三,迭代次数加一
|Dij(N+1)-Dij(N)|≤10-3
步骤3.6:对目前得到的最优路径进行时间计算,检测是否在要求的时间窗之内,无法在规定的时间内到达目的地,则此路径不能作为最优路径输出,需要返回步骤三,排除第一次输出结果时的道路,选择次优路径进行时间窗验证,直到满足时间窗要求为止。
步骤3.7:结束计算,最终得到本订单对应的最优配送路径。
本实施例中的符号含义如下:
m:备选物流中心的个数
n:需求点个数
Z:建设配送中转中心的总费用
Ki:配送中转中心土木费用
Hi:配送中转中心管理费用
Di:总库到配送中转中心的距离
Ti:总库到配送中转中心的运费(吨·公里)
Dij:备选配送中转中心到需求点的距离
hi:备选的配送中转中心出货量
Pi:总库到各个配送中转中心的运货量
Qij:配种中转中心到需求点的运货量
E:周围环境因子影响
gi:为货物i的重量;
vi:为货物的体积;
p:为运输重货每吨的定价;
q:为运输泡货每立方米的定价;
Wi:表示单个货车的收益;
Qs:为每百公里的油耗量
y:为当前油价
S:为司机运输费用
R:为过路费损耗
f:为车辆折旧费损耗
QS:表示每百公里油耗
Ga:表示车辆重量
Ua:表示车辆速度
p:表示车辆性质的阻力功率
ge:表示燃油消耗率
γ:表示燃油重度
ηT:表示***的机械效率
CD:表示空气阻力系数
A:表示车辆迎风面积
a:支撑面系数
Di,j:为传导性
Qi,j:为流量大小
Li,j:单个街区两点直接的道路长度
本实施例在国内现有研究的基础之上,更贴合实际因素,打破研究的局限,从物流配送中转中心的选址到车辆的装箱和路径规划,从整体的视角将三者结合规划,形成了一种改进的区域车辆路径规划动态分析模型。模型对配送中转中心的选址因素进行了更为详细的划分,形成了新的成本核算模型。
在对车辆的路径规划之中,对油耗成本进行了更为科学化的计算,考量了不同车辆的迎风阻力以及载重带来的摩擦阻力因子,使得油耗成本核算进一步科学合理化,最后通过引入时间窗的黏菌算法进行路径规划求解,增强了算法的实际适用性。
应该注意的是,上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
Claims (8)
1.一种改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:
包括如下具体步骤:
步骤1、建立配送中转中心选址模型,建立最小运输建设成本函数,作为选址的目标函数,根据布谷鸟算法,结合提出的配送中转中心选址模型,解决区域配送的配送中转中心选址问题;
步骤2、针对车厢的配载问题,提出了重泡比的概念,对3L-CVRP算法进行改进,将货物装箱问题与货物的配送目的地以及其重泡比相结合,确定多个货物的配载与否,以及配载货物的装箱顺序;所述影响因素至少包括货车的载重、体积大小及迎风面积;
步骤3、针对城市实际道路情况,考量车辆拥堵因素以及配货时间窗限制,建立一种改进黏菌算法;在原有算法的基础之上,增加了对车辆到达时间的验证,若车辆不能在预期时间内到达,算法将摒弃现有结果,对次优路径进行计算判断,直到符合配送的预期时间,从而生成与实际吻合的动态变化配送路径。
2.根据权利要求1所述的改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:所述步骤1中,建立配送中转中心选址模型至少涉及如下因素:土木费用、运输费用、管理费用并进行成本核算。
3.根据权利要求2所述的改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:
所述土木费用包括:基础设施建设费用及安置费用;
运输费用包括:总库送至配送中转中心以及配送中转中心到具体需求位置的油耗费用、车辆折旧费、司机提成及过路费用;
管理费用包括:地面租金费用、配置管理***的固定费用、办公用品开销、办公室人员开销及设备购入费用开销;
因此,最终的运输成本函数为:
其中,m:备选物流中心的个数,n:需求点个数,Z:建设配送中转中心的总费用,Ki:配送中转中心土木费用,Hi:配送中转中心管理费用,Di:总库到配送中转中心的距离,Ti:总库到配送中转中心的运费,单位为吨·公里,Dij:备选配送中转中心到需求点的距离,hi:备选的配送中转中心出货量,Pi:总库到各个配送中转中心的运货量,Qij:配种中转中心到需求点的运货量。
4.根据权利要求1所述的改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:所述步骤2中,改进的3L-CVRP算法的具体步骤为:
跟据实际情况的对货物种类进行分类,建立新的在三维情况下的成本核算模型,即为将货物按照重泡比进行分类,通过计算货物的实际重量与体积之比,对重货和泡货实行分别定价机制;
车辆配载的约束根据重泡货的分类计算,最终提出约束为:每个车厢之中,重货和泡货需要同时存在,避免重货过多而导致货物没有装满,也避免即使货箱装满,但由于载重量过低,导致无法收回成本的问题;
重泡货的体积重量可以由下面的公式确定,
体积重量=(长cm×宽cm×高cm)÷5000cm3/kg
根据公式求出的结果,1立方米的重量大于200千克的为重货,小于200千克的为泡货;泡货根据货物所占有的空间大小进行计算,重货根据货物的实际重量进行计算。
5.根据权利要求4所述的改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:
最终的单辆货车运输收益为:引入了人工运输成本,最终的单辆货车的配送净利润函数为两部分货物的运输收益减去油耗成本和人工运输成本以及过路损耗和折旧损耗,其公式如下表达:
maxWi=gip+vjq-Qs·y-S-R-f
其中,gi为货物i的重量;vi为货物的体积;p为运输重货每吨的定价;q为运输泡货每立方米的定价;Wi表示单个货车的收益;Qs为每百公里的油耗量;y为当前油价;S为司机运输费用;R为过路费损耗;f为车辆折旧费损耗。
7.根据权利要求1所述的改进的区域车辆路径规划动态分析模型的分析方法,其特征在于:所述步骤3中,引入动态时间窗的黏菌算法进行最优路径规划求解,具体步骤如下:
步骤3.1、初始化:对城市道路建立二维平面坐标系,同时将各个订单的起始点、途经点、终止点通过坐标进行标定,路径中各个交叉路口的起点设置为0;
步骤3.2、计算各个交叉路口的压力值;
步骤3.3、计算各条道路的流量,
假设送货点的I和J的压力分别为pi、pj,链接两个配送点的路径长度为Lij,其宽度为rij,整体流量为Qij;假设流动的速度为匀速,流动形态为层流,则得到:
η为粘滞系数,πr4/8ηLij用来衡量导管的传导性;
将上述已经求出的压力值带入下述公式,求解各段道路的车辆通过流量;
步骤3.5、进行迭代判断,若存在道路Rij满足下方的公式,则迭代结束,对时间窗进行进一步判断,若不满足下述不等式,则继续迭代,返回步骤三,迭代次数加一;
|Dij(N+1)-Dij(N)|≤10-3
步骤3.6、对目前得到的最优路径进行时间计算,检测是否在要求的时间窗之内,无法在规定的时间内到达目的地,则此路径不能作为最优路径输出,需要返回步骤三,排除第一次输出结果时的道路,选择次优路径进行时间窗验证,直到满足时间窗要求为止。
步骤3.7、结束计算,得到本订单对应的最优配送路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215568.XA CN114580750A (zh) | 2022-03-07 | 2022-03-07 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215568.XA CN114580750A (zh) | 2022-03-07 | 2022-03-07 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580750A true CN114580750A (zh) | 2022-06-03 |
Family
ID=81772993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210215568.XA Pending CN114580750A (zh) | 2022-03-07 | 2022-03-07 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136990A (zh) * | 2023-04-04 | 2023-05-19 | 中国石油大学(华东) | 一种考虑三维装箱问题的车辆路径规划方法 |
CN116882866A (zh) * | 2023-07-19 | 2023-10-13 | 江陵县金顺物流有限公司 | 一种物流运输车辆路线规划推荐处理方法、***及其存储介质 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117012042A (zh) * | 2023-10-07 | 2023-11-07 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
-
2022
- 2022-03-07 CN CN202210215568.XA patent/CN114580750A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136990A (zh) * | 2023-04-04 | 2023-05-19 | 中国石油大学(华东) | 一种考虑三维装箱问题的车辆路径规划方法 |
CN116136990B (zh) * | 2023-04-04 | 2024-03-05 | 中国石油大学(华东) | 一种考虑三维装箱问题的车辆路径规划方法 |
CN116882866A (zh) * | 2023-07-19 | 2023-10-13 | 江陵县金顺物流有限公司 | 一种物流运输车辆路线规划推荐处理方法、***及其存储介质 |
CN116882866B (zh) * | 2023-07-19 | 2024-03-05 | 广东易迁易物流科技有限公司 | 一种物流运输车辆路线规划推荐处理方法、***及其存储介质 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN116911711B (zh) * | 2023-07-25 | 2024-04-05 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117012042A (zh) * | 2023-10-07 | 2023-11-07 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
CN117012042B (zh) * | 2023-10-07 | 2024-01-09 | 山东高速股份有限公司 | 一种基于动态复杂网络的交通流量预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114580750A (zh) | 一种改进的区域车辆路径规划动态分析模型的分析方法 | |
Sheth et al. | Measuring delivery route cost trade-offs between electric-assist cargo bicycles and delivery trucks in dense urban areas | |
Letnik et al. | Review of policies and measures for sustainable and energy efficient urban transport | |
Ansari et al. | Advancements in continuous approximation models for logistics and transportation systems: 1996–2016 | |
Russo et al. | A classification of city logistics measures and connected impacts | |
Cardenas et al. | The e-commerce parcel delivery market and the implications of home B2C deliveries vs pick-up points | |
CN102542395B (zh) | 一种应急物资调度***及计算方法 | |
KR101410209B1 (ko) | 화주중심의 물류거점 최적화시스템 | |
CN108960519B (zh) | 基于大数据分析的时间最短运输路径选择方法 | |
CN103699982A (zh) | 一种带软时间窗口的物流配送控制方法 | |
CN109299810A (zh) | 一种货运车辆配载方法 | |
CN105404941A (zh) | 一种物流运输方式和路径智能优化的方法及*** | |
CN106845732A (zh) | 一种卫星式物流快递配送方法 | |
CN109063899A (zh) | 车辆运输规划方法及装置、电子设备及可读存储介质 | |
Yaghini et al. | A hybrid metaheuristic algorithm for dynamic rail car fleet sizing problem | |
CN112183938A (zh) | 一种物流调度方法及装置 | |
Sun et al. | Multi-objective optimization model for planning metro-based underground logistics system network: Nanjing case study. | |
Eglese et al. | Optimizing the routing of vehicles | |
Thompson et al. | Shared freight networks in metropolitan areas | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、***、设备及存储介质 | |
Ranathunga et al. | Simulation-based efficiency assessment of integrated first-mile pickup and last-mile delivery in an e-commerce logistics network | |
CN108985510B (zh) | 基于人工智能的大规模智能物流路径判定*** | |
CN113610453A (zh) | 一种多运输方式联合的集装箱运输路径选择方法 | |
Febriyanti et al. | Determination of distribution routes using the saving matrix method to minimize shipping costs at PT. Sukun Transport Logistics | |
Zhou et al. | Study on the optimization of collection and distribution system of freight hub ports: Illustrated by the case of Shanghai international shipping center, China |
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 |