multidepot VRP是解决城市交通总量平衡的上下文中。总交通均衡下,multidepot VRP改为GDAP(分组的问题客户+估算OD流量+分配流量)和二层规划用于模型问题,上层模型的地方决定了每个卡车的客户访问和还说卡车去最初的OD(出发地/目的地)旅行,和较低的模型分配道路网络的OD出行。上层模型和较低的模型之间的反馈是遍历OD出行;因此总交通平衡可以模拟。
VRP是一个通用的名称指的是一类组合优化问题中,许多车辆服务客户。车辆离开仓库,服务客户的网络,并返回到仓库完成后的路线。Dantzig和公羊(1959)首次提出这个问题在文献中。VRP通常定义为一个图表<我nl在e- - - - - -for米ul一个>
旅游费用(<我nl在e- - - - - -for米ul一个>
目前,基于局部交通平衡,一些研究计算动态最短路径旅行时间交货时间窗。例如,近年来,一些工作( 当仓库的位置/设施和仓库之间的流动和设施需求是稳定的,VRP应该解决静态(先天),而动态。在这种情况下,运输卡车的路由行为类似于其他车辆。同时考虑到交通状况。例如,运输卡车将选择更少的道路交通、和其他车辆可能远离交通的道路严重影响交货和卸载卡车旅行。这意味着道路上的所有车辆和交通流之间的相互作用存在,结果从所有司机的选择自己的道路。然后,对道路旅行时间由链接的能力和相应的交通流量。此外,由于不同的VRP计划将导致不同OD流量的送货卡车,交付回路/路径也与城市交通OD。因此,可以说,交付回路/路径,得到在假设其他车辆不受运输卡车,没有针对实际情况进行了优化。
当运输卡车对道路交通的影响不容忽视,VRP应该被视为一个交通问题在宏观层面而不是在微观层面的物流问题。然后,我们必须从视图设计交付回路/路径交通总量的平衡,即考虑到所有车辆之间的交互。
在现实世界中,运输卡车的现象不影响道路交通在城市已经消失,因为(1)道路容量在大多数大城市(尤其是中国)在临界点一些额外的车辆可能会导致严重的拥堵在某些道路,进一步导致整个城市道路交通模式的变化和(2)快速发展电子商务改变公民的购物行为。网上购物减少个人旅行但增加运货卡车交通。目前,运输卡车已经成为整个城市交通的重要组成部分,如图 由于上述原因,VRP问题不仅仅是分配客户送货卡车和旅行路径基于给定的OD流量。应该考虑一个交付和其他车辆作为一个整体,研究他们的路径选择行为。因此,应该采取运输卡车和其他车辆之间的相互作用考虑直接因为交付计划将会改变OD出行道路交通,而OD出行和道路交通反向确定VRP方案。这是一个解决方案的VRP总交通平衡的方法。在这里,“总”交通平衡意味着运输卡车和其他车辆之间的相互作用被认为是直接的。在“总”用户均衡,运输卡车和其他车辆都愿意改变自己的出行路径。
因此,在总交通平衡方面,VRP变得GDAP(分组问题客户+估算OD流量+分配流量),其中“分组客户”是指客户的工作分配给不同的仓库,然后multidepot VRP是解决变成一群single-depot VRP;估计OD流量是指作品的旅行连锁配送卡车被添加到给定的<我nl在e- - - - - -for米ul一个>
我们认为,交付计划(即是服务于客户的卡车和旅行路径)应该同时解决三个方程得到的。这里,第一个方程是VRP模型,第二个方程是交通分配模型,第三个是连锁的方法把运货卡车旅行到OD矩阵。
我们可以使用上面的二层规划模型问题,运输卡车和其他车辆之间的相互作用。上层模型决定了每辆运货车里面的客户访问和每辆运货车里面的路径,然后我们把这些运输卡车OD旅行到最初的OD矩阵,和较低的模型是一个交通分配模型,发现路径的所有车辆。LM和之间的交互迭代更新OD。因此,总交通道路网络的平衡可以模拟和回路/路径的运输卡车可以在收敛的输出。
剩下的纸是组织如下。节
在过去的三十年里,学术出版物的数量众多的变体的VRP增加了广泛 Dantzig和公羊后(1959),相当数量的变异VRP的研究,包括(1)VRP硬,柔软,和模糊服务时间窗口(VRPTW);(2)VRP考虑回程(VRPB);(3)VRP考虑最大路径长度(DVRP);(4)定期VRP (PVRP);(5)VRP与多个旅行(VPRMT);(6)分裂配送车辆路径问题(SDVRP)等;(7)VRP最小化排放( VRP的不同变体。
因为许多变体的VRP是np难问题,许多研究人员提出解决方案的算法。例如,克拉克和赖特( 目前,解决VRP不仅是重要的配电系统的设计在供应链管理,但同样重要的城市固体废物收集、街道清洁,校车路由、路由的销售人员,和快递服务。研究大致可以分为理论论文提供数学公式和精确或近似解的方法和case-oriented论文学术问题。最近,注意力一直致力于更复杂的VRP的变体(通常被称为“富裕”VRP)比经典VRP模型更接近实际分布问题。
也有文献将蚁群在现实背景下考虑旅行时间的动态城市道路网络,因为在城市旅游的速度(或时间)通常白天由于不同堵塞模式上的差异。Malandraki和Daskin 谷口和山田 内et al。 现实世界的应用蚁群通常包括两个重要的维度:进化和质量的信息 在真实的应用程序中,静态设计更重要的是当层之间的VRP是仓库和设施。在一个小的时间内(如一个月或一个季度),空间分布的仓库/设施,仓库和设施之间的需求流动的城市固体废物收集、街道清洁,校车路由、路由的销售人员,和快递服务可能很难改变。因此一个交付计划可能被用于整个季度或月。这类似于公共汽车交通服务,每日个人旅游需求是相对稳定的,每天公交线路的重新设计和动态调度的公交车一小时并不是必要的。
谷口et al。 谷口的研究人员小组还采用二层规划模型集成供应链网络(SCN),交通网络(TN)的流量平衡。其中,山田et al。
当仓库的位置/设施和仓库之间的流动和设施需求是稳定的,VRP应该解决静态(先天),而动态。在这种情况下,运输卡车的路由行为类似于其他车辆。同时考虑到交通状况。例如,运输卡车将选择更少的道路交通、和其他车辆可能远离交通的道路严重影响交货和卸载卡车旅行。这意味着道路上的所有车辆和交通流之间的相互作用存在,结果从所有司机的选择自己的道路。然后,对道路旅行时间由链接的能力和相应的交通流量。此外,由于不同的VRP计划将导致不同OD流量的送货卡车,交付回路/路径也与城市交通OD。因此,可以说,交付回路/路径,得到在假设其他车辆不受运输卡车,没有针对实际情况进行了优化。
当运输卡车对道路交通的影响不容忽视,由于反复出现拥堵和复杂的电子商务商业模式( 在这项研究中我们的贡献如下。
(1)根据总交通均衡分配,将multidepot VRP转换为GDAP(分组的问题客户+估算OD流量+分配流量)的运输卡车和其他车辆之间的相互作用考虑获得交付计划在“总交通平衡。”
(2)解决GDAP上下两层的模型。基于反馈回路的“分组的问题客户确定运送路线-更新OD流量分配OD流量——重组…,“首先客户分为几组和第二组的交付回路/路径获得最初的OD矩阵更新,第三链接的流量计算用户均衡交通分配模型。
(3)在大连开展案例研究与实际数据审核方法和提供一些有用的结果。
(4)评估交付基于不仅计划交货时间也整个道路网的交通状况。
(A1)研究区域包括连续但不重叠的交通区域,车辆的OD出行除了运输卡车不改变,但起源和目的地之间的路径都不是固定不变的,这将决定基于问题的理论。
(A2)每个客户的需求。
(A3)仓库的供应数量足够大。
(A4)交付循环的长度短于卡车的最大范围。
(A5)所有的运输卡车都是一样的类型,与给定的载荷能力。
(A6)装卸次交货将被忽略。
(A7)每辆车一个卡车相当于3单位。
(A8)司机知道道路和尽量选择的旅行时间最短路径。
变量定义如下:
上面的模型如下:
方程( 实际上,<我nl在e- - - - - -for米ul一个>
使用的变量定义如下:
较低的模型如下:
方程(
通过迭代计算模型可以解决“分组客户→确定交货计划→改变OD矩阵→分配OD流量→重组客户→⋯。“在这里我们使用网络图 例子3仓库和5客户的一个区域。
我们优化固定链接上下文的交付计划的旅行速度multidepot VRP的通用算法(GA)。首先,multidepot VRP转化为几个single-depot VRP通过分组的客户。由于分组,<我nl在e- - - - - -for米ul一个>
分组如下工作。
计算<我t一个l我c>
TMij我t一个l我c>和<我t一个l我c>
TQij我t一个l我c>从3仓库5客户获取旅行时间向量;为客户<我t一个l我c>
j我t一个l我c>,它是(<我t一个l我c>
TM我t一个l我c>6<我t一个l我c>
j我t一个l我c>,<我t一个l我c>
TM我t一个l我c>7<我t一个l我c>
j我t一个l我c>,<我t一个l我c>
TM我t一个l我c>8<我t一个l我c>
j我t一个l我c>,<我t一个l我c>
TQ操作我t一个l我c>6<我t一个l我c>
j我t一个l我c>,<我t一个l我c>
TQ操作我t一个l我c>7<我t一个l我c>
j我t一个l我c>,<我t一个l我c>
TQ操作我t一个l我c>8<我t一个l我c>
j我t一个l我c>]。
找到最小<我t一个l我c>
TMij我t一个l我c>每个客户的<我t一个l我c>
j我t一个l我c>。
比较最低<我nl在e- - - - - -for米ul一个>
分配的客户组4组1 - 3通过枚举方法,和获得<我t一个l我c>
l我t一个l我c>客户集群的类型,例如,类型1:得宝6(客户1、2),得宝7(客户5),和仓库8(客户3、4);类型2:得宝6(客户2),得宝7(客户1、5),仓库8(客户3、4)。
在这里,<我nl在e- - - - - -for米ul一个>
交付方案优化如下。
计算<我nl在e- - - - - -for米ul一个>
代码和生成初始种群,即车辆路线。
检查每个根据约束的可行性。
可行的个体,计算他们的健康。
执行选择和变异操作。
确定终止计算。
执行交叉和变异操作,并返回到步骤2。
对于每个步骤,详细计算如下。
客户在组1 (a)计数<我nl在e- - - - - -for米ul一个>
(b)确定仓库6的插入的ID<我nl在e- - - - - -for米ul一个>
(c)“6”添加到数组的头和结束2确保卡车开始和返回仓库6。得到最终的阵列组1(3)数组。
(d)重复上述工作组2和组3。
(e)组的最后阵列组1、2和3依次获取个人设置的初始种群。通过这种方法,<我nl在e- - - - - -for米ul一个>
例如,初始种群是由自然编码方法编码,并且每个染色体编码由三个基因片段(基因段1段2段3)基因,也代表组织的代码1,2和3,分别。在染色体中[6 2 1 6 7 4 7 8 3 8 5 8],(6 2 1 6)<我t一个l我c>
基因片段1我t一个l我c>表示,一辆卡车从仓库6依次交付货物到客户2和客户1;7 (7 - 4)<我t一个l我c>
基因片段2我t一个l我c>表示,一辆卡车从仓库7日交付货物客户4并返回到仓库7;(8 3 8 5 8)<我t一个l我c>
基因段3我t一个l我c>代表第一个卡车从仓库8交付货物到客户3并返回仓库8第二卡车货物从仓库8提供客户5并返回仓库8;这就是为什么在这条染色体,8号出现两次。
确定OD出行运输卡车的基于最优分组模式,然后添加运输卡车的OD出行前OD矩阵。
Frank-Wolfe (FW)方法用于解决模型越低,这是一个普通用户均衡交通分配模型,如下所示。
集<我nl在e- - - - - -for米ul一个>
集<我nl在e- - - - - -for米ul一个>
全有全无分配法重复与<我nl在e- - - - - -for米ul一个>
解决<我nl在e- - - - - -for米ul一个>
一个人<我nl在e- - - - - -for米ul一个>
如果<我nl在e- - - - - -for米ul一个>
本文提出了主模型(上一个)来描述蚁群。上层模型的决策变量<我nl在e- - - - - -for米ul一个>
零售交付的水产品在大连西岗区(中国)用于案例研究。如图 客户的要求(吨/天)。
交通区、仓库、客户和道路网络。
研究区域分为31个交通区(图
做服装的人
1沃尔玛
2地铁
3乐购
4 Shunming
5大庆
6 Zhongbei
7新集市
(中山Rd)
(Shugang Rd)
(Changchu Rd)
超市
超市
超市
(Yuouyi街)
量
0.19
0.17
0.18
0.21
0.18
0.21
0.18
做服装的人
8大连海鲜
9个冠军
未来10
11乐购
12大商
13个沃尔玛
14特易购
超市
超市
超市
(长春路)
(长春路)
(西安Rd)
(胜利Rd)
量
0.2
0.15
0.21
0.18
0.16
0.18
0.17
做服装的人
15乐购
16日家乐福
17日家乐福
18华联
19日威尔逊
20三包
21利华国际
(解放路)
(为Rd)
(长江Rd)
超市
超市
超市
超市
量
0.15
0.15
0.18
0.2
0.19
0.2
0.21
做服装的人
22日永福新鲜
23日特易购
24都聚
25翳风
26日的食物
27日胜利
超市
(白山Rd)
超市
超市
超市
海鲜购物中心
量
0.2
0.15
0.09
0.21
0.1
0.32
优化模型的解决方案,即交付计划在总交通平衡,如图 交付循环和旅行路径。
说明了模型的有效性,我们设置一些场景通过改变OD矩阵和运输卡车的数量,然后分别做敏感性分析。对于构建场景,我们调整车辆OD出行矩阵大连2011年<我nl在e- - - - - -for米ul一个>
指数图所示
当<我nl在e- - - - - -for米ul一个>
从仓库运送路线1客户21两个方法。
当<我nl在e- - - - - -for米ul一个>
配送路径和服务客户8仓库的两个方案。
当<我nl在e- - - - - -for米ul一个>
基于上述分析,我们可以了解到,交付计划在总交通平衡随着交通量的变化改变。在自由流动的情况下,卡车沿着回路/路径最短旅行距离(或时间)。随着交通量的增加道路距离最短的路径可能不是用最短旅行时间。根据拥塞度,可能成为其他路径最短旅行时间的。因此,交付计划在总交通平衡实用。
此外,交通运输卡车也可以改变其他车辆的旅游行为。为了说明这一点,我们设置一些场景通过设置OD矩阵的其他车辆<我nl在e- - - - - -for米ul一个>
结果如图所示 其他车辆的平均旅行时间。
在许多中国大城市,为了管理交通,卡车被禁止在早晚上下班高峰时间旅行。在图的信息 它是绿色的点在图 这是蓝色的三角形图 红场图 此外,与基于局部交通计划平衡可能恶化整个路网的服务水平,造成严重的交通拥堵,因为有些道路在配送路径可能已经大量的交通饱和,和一些运输卡车可能导致严重的交通拥堵。图 道路交通流与运载工具在不同的平衡。
交通流在局部平衡
交通流量下总平衡
此外,结果还表明,在总平衡旅游流的情况和旅行速度链接2 1699 pcu /小时和13.4公里/小时。然而,在局部平衡的情况,相应的数字是1746 pcu / h和12.5 km / h,分别。它证明,没有考虑到他们,更多的运输卡车将选择链接2,这将会更加拥挤的运输卡车后加入。因此,局部均衡下的最短路径是假的。
在计算时间方面的解决方案,对部分流量平衡法是13秒和总的流量平衡法是256秒(杯:Core i5, 1.5 G)。很明显,模拟之间的交互之间的所有车辆和交付计划和OD旅行,迭代计算应该做;因此我们的方法计算成本更多时间解决方案。然而,由于GDAP不是一个动态问题,但之前模拟交通总量的平衡与上下两层的模型和不需要实时计算,计算速度和效率并不重要。
在本文中,我们改变multidepot VRP GDAP,这是另一种方式的设计路线multidepot VRP然后造型城市货物运输。GDAP提出了二层规划模型,和所有车辆的路径选择行为之间的互动和交付计划和OD出行矩阵之间的交互可以模拟。然后multidepot VRP的解决方案是通过混合分组方法,遗传算法,沃尔夫算法。交付方案输出从模型是在总交通平衡,因此是现实的,它可以充分利用道路容量和平衡交通流在整个网络。
与部分交通均衡下的解决方案相比,总交通均衡下的解决方案不仅能缩短交货时间,还有助于避免交通拥挤的道路上接近饱和。为优化MDVRP上下两层的模型具有良好的适应性。可以用它作为进一步研究的参考组合优化问题。
我们建议做进一步的研究的新方法与其他方法比较真实的生活情况。也可以做更多的研究对算法的情况下,装载在卡车不是常数。
方法的限制,(1)很难得到其他车辆的OD;(2)遗传算法无法保证全局最优解决方案的交付计划。
作者宣称没有利益冲突。
这项研究支持的中国自然科学基金重点项目(批准号71431001),中国青年自然科学基金项目(批准号71402013),人文和社会科学青年基金会中国教育部(14 yjc630010)。