评价指标体系是基于评估对象的特点和评估者的目的,结合实际情况和理论经验,形成了一定程度的逻辑结构的指标体系 25]。评价指标体系应有机整合专家意见,评估目的和评估方法。能源服务城市站点分布中心的位置是一个关键的一步能源服务网络布局的城市配送系统。本章的主要研究内容是全面评价影响因素的位置地下物流系统,制定科学、可行的评价指标体系,并分析使用熵权法和灰色理想的相关性。指标体系应结合可操作性同时确保科学全面性;的评价结果,应该确保它可以反映被评价对象的基本特征;评价数据而言,源应当真实、可靠。一般来说,应坚持以下原则: (1)

精度。评价指标的定义是准确的,数据源是可靠和准确的。之间没有cross-overlap指标,避免cross-overlap有重大遗漏。只有通过确保指标本身的准确性和数据源的准确性可以准确性的要求真正的满足。

源服务城市配电系统是一种新型的物流概念系统。选址过程中源服务城市配电系统网络的节点,需要考虑许多因素。源的评价体系建立的服务城市配电系统节点,各种指标应该设置为源网站服务城市分布的特点。本文通过仔细审查和对相关文献的分析,参考以往的研究结果,结合源网站服务城市分布的特点,结果表明,主要的考虑因素为源服务城市分布站点位置包括项目传输( 26]。四个因素的环境、技术、经济和社会必须考虑的主要因素,在选择源的位置服务城市站点分布中心,这些因素转化为指标结构,如图 1。

多个指标进行综合评价的评价样本。要解决的问题的综合评价是一个综合评价或每个索引值的排名。理想的解决方案的基本思想是确定最优样本点,最坏的样本点,等等,作为参考点,然后计算每个样本点的距离参考点:接近最优的样本点,越好,从最坏的样本点越远,就越好。

假设的重量指标已经确定 w 1 , w 2 、… w n 的对角矩阵 W构造与这些主对角线元素,即 (1) Δ W = w 1 … 0 … w 2 … 0 … w n n ∗ n 。

定性分析的基础上研究事务,事务的独立和相关的变量。因变量的数量是1,可以有许多独立的变量。让因变量数据构成参考序列 l₀和各自的变量数据构成了比较序列 l_我( 我= 1,2,… n), n+ 1数据序列矩阵如下: (2) l 0 , l 1 , … , l n = l 0 1 … l n 1 … … … l n N … l n N N ∗ n + 1 , l 我 = l 我 1 , l 我 2 , … , l 我 N T , 我 = 0、1、2 ⋯ n 。

计算之间的绝对差异剩下的参考序列和比较序列对应的期间形成绝对差别矩阵如下: (3) Adm = 一个 0 1 … 一个 n 1 … … … 一个 n N … 一个 n N N ∗ n , 一个 我 k = l 0 k − l 我 k , 我 = 0、1、2 , … , n ; k = 0、1、2 , … , N 。

遗传算法用于优化是一个复杂的模型,可以建立复杂的模型通过仿真软件,包括所有的约束都建在仿真软件,然后模型导入到遗传算法程序。这部分更困难的部分是建立模型,特别是当有许多耦合模型。根据位置选择方案,健身的两个目标函数,分别。该模型知道解决的关键 G₁和 G₂是计算货物的分配点商品能源服务城市分布站点。L体积分布_本土知识交付货物的数量和需求中心节点中心L_kj。使用遗传算法,具体布置方案如图 2。

专家组评估10候选地址和总结结果,如表所示 1。

每个评价指标的熵权,和标准化的结果加权评价矩阵如表所示 2。 (4) W 我 = 0.0879 0.0913 0.1214 0.1374 0.0831 0.0915 0.0805 0.1068 0.0654 0.1314 。

为了使综合决定的位置选择配送中心设施和车辆路径的能源服务城市分布站点网络和系统总成本最小为控制目标,为第三方物流企业在能源服务城市共同配送操作,一个单体问题模型成立。目标函数是系统总成本最低的位置选择和车辆路径的能源服务城市分布中心。目标函数公式所示( 5),( 6)和( 7)。公式( 5)代表能源服务城市的系统总成本分布选址和车辆路径,包括三个部分的costs-distribution中心相关成本,车辆相关的成本,和客户时间损失成本;公式( 6)表示一个共同配送中心的建设。商品的成本和操作成本最低的配送中心。公式( 7)代表最低的采购成本和运输成本分配车辆,包括相应的冷链车辆和普通车辆的成本: (5) 最小值 G = 最小值 G 1 + 最小值 G 2 , (6) G 1 = ∑ 我 = 1 米 G 米 我 ∗ l 我 + ∑ 我 = 1 米 ∑ j = 1 N G N 我 ∗ u j + e j ∗ Y 我 j , (7) G 2 = ∑ k = 1 米 G 米 k ∑ 我 = 1 米 ∑ j = 1 N l 我 j k + ∑ k = 1 N G N k ∑ 我 = 1 米 ∑ j = 1 N l 我 j k 。

的主要约束模型包括配送中心的容量限制,配送车辆容量约束和时间窗约束。约束模型如下: (8) 米 j k = ∑ j = 1 N l 我 j k ∗ 米 我 k + t 我 k + t 我 j k , ∑ j = 1 米 l 我 j k = ∑ 我 = 1 米 ∑ j = 1 N u j ∗ l 我 j k 。

的最大覆盖模型类似于聚类分析解决定位问题。设计简单,结构清晰,很容易实现。此外,最大覆盖模型考虑能力约束的设施,这是更为现实。还有两个方面的改进:

首先,寻求最好的策略,如聚类分析。设施的数量节点的优化策略从多到少进行迭代。当候选设施的规模很大,它会影响优化的效率。

第二,总体战略,最大覆盖模型,是有效解决单一设施选址问题和解决方案的结果也很好。然而,在研究设施location-vehicle路由综合规划问题,忽略两个子问题之间的联系,这是很容易的。整体的次优解,该设施的选址阶段需要加强后的路线安排的考虑阶段。

最大的覆盖网络结构组成的设备节点和客户节点,车辆路线安排合理,设备节点的执行和迭代优化通过某些策略来获得最好的运输和配送路线安排。最优路径优化过程如图 3。

能源服务城市分销网络优化模型,含碘问题可以分为两个子问题,圈和VRP和解决方案必须考虑两个子问题之间的交互过程,特别重视分销成本的动态变化引起的不同的设备配置的结果。设施的选址阶段,常见的配送中心,接近客户为主,直到客户总需求超过了设备容量,然后根据能源服务的容量调整城市配送中心;数量是最少的。建设配送中心的中心高,集中投资,和多个设施的投资将带来真正的问题,如企业财务压力。因此,在满足客户需求的承诺,我们努力减少设施的数量。

遗传算法的种群规模表示可行解集的数量,也是并行优化和探索的规模。如果人口规模太小,它会影响效率的优化,优化结果很容易陷入局部最优;太大人口规模将提高优化结果的全局最优性,但同时会导致大幅增加算法的复杂性和更高的要求,设备的硬件。因此,有必要制定人口规模的大小根据规模大小的解决方案。摘要人口规模将在100年设计,这是按照常规的间隔0到200。发现的约束和目标函数是关键。有必要仔细分析主题,明确的线索。当数量很大,你可以成一个表列表,找到所有的约束,不等式组列表,然后结合图形找到最优解。

进化代数作为终止算法参数的优化计算。遗传算法将停止优化当它到达指定的进化代数,同时输出当前最好的优化结果。进化代数将根据解决方案的规模。问题解决了本文的规模并不大。设置300代的进化代数是完全足以获得全局最优的解决方案。

在替代能源服务城市分布站点(A1-A10),至少一个能源服务城市站点分布中心被选中。我们的目标是建立一个物流节点,节点施工成本是最低的,客户服务是最优的。模拟分析结果如图 4。

迭代后,计算结果的决策变量是z1, z3、z7, z9, z10 = 1;z8等车型后= 0亨里克·菲克斯,所以地下物流运输节点建立A1, A3, A7, A9, A10,总成本是1231万元,最大覆盖货物运输体积内的最佳半径是698吨,和覆盖率达到98%以上。位置规划方案基于免疫遗传算法如图 5。的数量分布要求网站和每个节点中心的对象。节点中心A1负责交付货物,要求网站C1, C8, C11、节点中心A3负责交付货物,要求网站C2和C10, A10和节点中心负责交付货物材料需求点C3、C4、C6和碳。

图 6显示了战略选择的变化监督惩罚强度不同,曲线1,2,3,4图中代表了能源服务分布实施“惩罚”监督机制时,和罚款 Z是0.6,1.2。在1.8和2.2的情况下,物流企业集团的战略选择决策行为的变化。从图中曲线1可以看到,当“监督和惩罚”机制的程度较弱,物流企业集团合作业务的积极性不强,和其合作意愿也略低。然而,随着的增加“监督和惩罚”机制,物流企业集团合作的意愿会逐渐增加,和企业集团之间的合作双方将逐渐向持续发展能源服务分布策略,但这种进化策略没有持久性,因为企业主观上有一定的约束监督和惩罚约束。因此,在一段时间之后,他们的战略行为将发展对能源服务的方向分布的详细说明,显示在曲线2。然而,它可以看到从图中曲线3的变化,当能源服务分布的“监督处罚”机制是更严重的,也就是说,优良的进一步增加,物流企业集团会选择继续能源服务的策略分布由于更大的违约成本。能源服务分布最终将达到动态稳定。然而,当文件超过一定程度时,会引起反弹物流企业集团的决策,所以它最初将其决策行为转换成能源服务分布由于这个原因分手。图 7是一个模拟的预期回报率的变化不同层次的监督和处罚。从相应的变化曲线如图 7,也可以看到物流企业集团的可能改变当他们继续让能源服务分销决策作为他们的预期收益是相同的。

针对不可控的外部环境风险等潜在风险的操作电子商务物流联盟,该联盟可以建立一个平台,电子商务物流联盟的沟通和操作使用云平台或其他新技术创建一个长期的通信机制,促进内部差异。属于不同地区的企业可以有效地共享信息,以便不同的成员公司可以防止企业内部和外部环境风险及时,物流和运输等自然环境灾害国际形势和政策的变化,外部环境风险和内部成员。造成的损失和伤害内部和外部环境风险,如组织管理和操作的能源服务分配操作。与此同时,企业也需要制定相应的操作环境风险规避策略以减少环境风险造成的损失尽可能。

在使用深度学习算法的前提下分析能源服务分配操作的风险,建立一个基于深度学习能源服务配送电子商务物流联盟操作风险演化博弈模型,并进一步讨论能源服务配送电子商务物流联盟操作风险控制问题,发现操作系统动力学的游戏可以有效地描述能量的进化游戏服务分布操作风险和显示,在不同操作风险状态下,物流企业集团现有的能源服务分布在不同“操作风险”状态下,企业。战略选择的变化也显示深度学习方法的有效性研究能源服务的运营风险分布电子商务物流联盟。通过描述企业在不同操作风险状态,他们还提供能源服务配送电子商务物流联盟,降低操作风险,维护稳定运行能源服务的分布,并提出了相关建议。

S5和S1 + S2 + S5,基于细分集群决定为每个阶段计划的配送中心位置,根据每个配送中心冷链的需求特性和普通客户,按顺序每个细分集群路由,最后配送中心位置的最优路由决策计划。交货时间需要所有客户在一小时内完成交货任务。第一,客户群体的配送中心位置的选择方案1 (S2 + S5)是用来安排车辆路线,和遗传算法程序设计迭代计算。算法的基本参数设置包括以下:迭代终止妊娠的数量是300,人口规模是100,交叉概率为0.9,变异概率是0.1。较大的交叉概率和变异概率的设置是保证人口的多样性,提高算法的精度。当使用遗传算法来解决含能源服务城市常见的分销网络,算法显示了良好的收敛,他们可以达到50代前的系统成本最低。种群进化的过程如图 8。计算,S2冷链配送中心客户路线需要4辆,和系统的成本是16191.753元;普通客户线需要5辆,和系统的成本是1560.894元;S5冷链配送中心客户路线需要6辆,和系统的成本是2890.587元;普通客户路线需要3辆,和系统的成本是923.1052元。

通过迭代优化设施选址和车辆路径在前两个阶段,两个配送中心和路由协议。第一个是S2和S5配送中心和相应的路由。第一个的总成本是6994元。第二个计划是S1和S5配送中心和相应的路线安排。第二个计划的总成本是7363元。因此,在能源服务城市配送物流网络在这个例子中,S2和S5应该选为能源服务城市共同配送中心,分布和相应的车辆配送路线安排。考虑到选址成本和配送成本的不同选址方案全面,综合成本最低的选址方案选择和最好的车辆路线安排。

在实际决策中,不同的时间窗口和不同的交付和交付策略将使决策过程更加复杂。约束集的例子是完成交货时间窗口的服务模式,并在一小时内同时交付。在敏感性分析中,不同的时间窗口的影响,将讨论不同的交付和交付策略,并提出相应的优化建议将。图 9显示了变化的数量分配车辆和系统的总成本在不同的时间要求。汽车分销成本和时间的惩罚成本会产生利益的矛盾。如果车辆分配的数量很小,更多的顾客是由一个车辆,车辆购买和分配的成本将会降低,但顾客的成本一次点球将增加;如果车辆分布的措施,这将减少顾客的时间成本的点球,但会增加汽车使用的成本和配送成本。

双向物流需求的处理策略选择和发货客户服务同时,调整交付和交付策略,采取这样的策略:首先交付,然后交付,并与同时交付和交付策略。扩大研究比较两个交付和交付策略之间冷链客户和普通客户没有时间限制,修改后,适应度函数的遗传算法在MATLAB和模拟,两种类型的路由安排如图 10。在同时交付模式下,系统总成本是2970元;在第一个交付模式下,系统总成本是3250元。同时,pickup-and-delivery模型的系统成本低8.6%比first-and-after-delivery模型,但同时pick-and-delivery的前提是,向现有客户提供送货服务后,汽车的剩余产能足以满足需求的皮卡。因此,能源服务城市的主要分销业务实体应采取的服务模式同时提货时车辆的容量许可时安排提货业务。