文摘
减少物流成本和碳排放和提高客户满意度,本研究提出了一种多目标绿色时间位置路由问题(MOGTDLRP)模型的目标是最小化配送总成本,交货时间和燃料消耗。该模型能够解决的几个hyperheuristic算法包括高级启发式和低级的启发式。有三个验收标准的解决方案:改进和相同的情况下,所有的行动和接受所有的解决方案,和动态验收标准。通过情况下,算法的性能和各种因素的影响在本研究分析了解决方案。实验结果表明,该模型可以有效地降低物流成本,碳排放,车辆旅行时间。
1。介绍
城市物流中扮演一个重要的角色在经济活力的城市。绿色物流是指物流活动的计划和执行以更环保的方式通过考虑外部因素,如浪费,噪音、能源使用和温室气体(GHG)排放(<一个href="#B1">1一个>,<一个href="#B2">2一个>]。与此同时,城市货物运输负责拥堵而闻名。location-routing问题(单体)是最重要的一个组合优化问题在供应链管理和物流系统规划进行共同决策关于任意类型的设施的位置和车辆的路由<一个href="#B3">3一个>]。含碘与环境问题被称为绿色单体(GLRP)其目的是为了减少燃料消耗和汽车尾气排放<一个href="#B4">4一个>]。Koc [<一个href="#B5">5一个>)提出了一个模型,旨在最小化总成本包括仓库费用,车辆和路由成本和碳排放成本。于(<一个href="#B6">6一个>)调查时间要求为一个扩展的location-routing问题location-routing问题,考虑到时间的需求特点。Alamatsaz [<一个href="#B7">7一个>)开发了一个混合整数规划模型为客户考虑时间窗和司机。还有许多其他的研究人员(<一个href="#B8">8一个>- - - - - -<一个href="#B11">11一个>)调查了绿色单体模型的目标最小化总成本包括仓库费用,车辆和路由成本和发射成本。然而,除了降低成本外,其他因素,如旅行时间、燃料消耗,和客户满意度应该认真对待。因此,多目标GLRP (MOGLRP)自2019年以来逐渐成为一个研究热点问题。托罗(<一个href="#B12">12一个>GLRP]提出了一种多目标模型以减少运营成本和环境影响。拉巴尼(<一个href="#B13">13一个>)引入了一个新变种的MOGLRP最小化总旅行距离和总成本包括车辆固定成本和有限公司2排放。唐(<一个href="#B14">14一个>)建立了biobjective模式来降低成本和碳排放从可持续的角度供应链网络。
进一步分析,论文GLRP表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab1/" target="_blank">1一个>与五个因素:(i),(2)目标函数的数量,(iii)时间窗口,(iv)车辆速度和(v)算法。
有11个文件关于单一GLRP和论文10多目标GLRP表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab1/" target="_blank">1一个>。在上面的模型中,一些不考虑车辆的速度,和其他认为速度是一个常数。然而,速度是关键参数在计算油耗和排放<一个href="#B25">25一个>]。燃料消耗是接受由许多因素影响的车辆速度是最关键的一个,和车辆排放燃料消耗成正比(<一个href="#B26">26一个>]。在真实道路网络中,车辆速度是时间函数由于交通流,天气、事故,和其他因素。基于时间道路网络模型更有益的真正的物流配送。所以,名叫three-objective模型多目标绿色时间位置路由问题(MOGTDLRP,如图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig1/" target="_blank">1一个>。其目的是为了减少总成本(包括打开仓库费用,车辆成本,和分销成本),车辆燃料消耗和交付时间。
由于含碘是一个np难问题,MOGTDLRP也是np难问题。MOGTDLRP,不同类型的道路上的车辆以不同的速度在不同的时间,并向客户发货的时间内窗口。因为精确算法只能解决小规模优化问题在合理的时间内,选择metaheuristics解决大规模问题。这些metaheuristics包括遗传算法(<一个href="#B27">27一个>- - - - - -<一个href="#B29">29日一个>),蚁群优化(<一个href="#B30">30.一个>),和一个禁忌搜索(<一个href="#B17">17一个>]。不同于metaheuristics,几个hyperheuristics(美国卫生和公众服务部)提出了研究。hyperheuristic系统,试图找到合适的启发式序列在特定情况下直接而不是试图解决一个问题,被定义为“启发式选择启发式算法(<一个href="#B32">32一个>,<一个href="#B33">33一个>]。HH,域屏障隔离高级启发式(通过),包括运营商的选择策略和解决方案的接收机制和低级启发式(LLH),包含一系列的低级运营商、问题定义、目标函数和其他信息。选择策略的作用是监控的性能信息LLH选择一个好的和合适的运营商,和接受机制决定取代孩子的父母解决方案根据质量解决方案和控制算法的搜索方向和收敛速度。在这项研究中,我们设计美国卫生和公众服务部与启发式算法(人工蜂群算法(ABC),蚁群优化(ACO)和禁忌搜索算法(TS))作为解决MOGTDLRP通过。我们设计三个验收标准(ACs)的解决方案,改善和相等(IE),所有动作(AM)和接受所有的解决方案,和动态验收标准(DA)和一系列的低级操作符符合。
总之,本研究的主要贡献和创新如下:(1)多个目标的影响,时间依赖网络,和燃料消耗是MOGTDLRP构造数学模型(2)三通过三ACs合并形成九HH分析算法的性能(3)我们提出一套基准的MOGTDLRP并分析仿真结果
本研究的建设如下。部分<一个href="#sec2">2一个>是关于MOGTDLRP模型。部分<一个href="#sec3">3一个>是一个介绍美国卫生和公众服务部。部分<一个href="#sec4">4一个>结果和分析。部分<一个href="#sec5">5一个>是结论和展望。
2。MOGTDLRP模型
MOGTDLRP模型有三个优化目标将在这一节中介绍。MOGTDLRP可以定义在一个不对称有向图<我>G我>= (<我>V我>,<我>E我>),<我>V我>是由一组候选仓库吗<我>D我>( )和客户的设置<我>C我>( )和<我>E我>是一组边( )。的需求<我>问我>我我>、服务时间<我>圣我>我我>、协调(<我>x我>我我>,<我>y我>我我>),和硬时间窗<我>一个我>我我>,<我>e我>我我>的客户<我>我我>电子商务是已知的。的能力<我>P我>j我>、租金成本<我>FD我>j我>,我>和坐标(<我>x我>j我>,<我>y我>j我>得宝)的候选人<我>j我>(<我>j我>E<我>D我>)是已知的。每辆车<我>h我>均匀的舰队有相同的能力<我>问我>h我>和租金成本<我>艘渔船我>h我>。符号<我>d我>ij我>两个节点之间的距离吗<我>我我>和<我>j我>( )。车辆的交货时间取决于距离,速度的变化根据出发的时间和电弧被遍历。旅游车辆的速度吗<我>h我>遍历不同的弧线。<我>TT我>ij我>节点之间的旅行时间吗<我>我我>和<我>j我>。<我>K我>ijh我>是负载车辆<我>h我>离开<我>我我>和旅行<我>j我>。<我>圣我>j我>是客户的服务时间<我>j我>。<我>在我>jh我>当车辆吗<我>h我>到达节点<我>j我>。决策变量<我>y我>r我>= 1,如果仓库<我>r我>否则是开放和= 0。<我>z我>即时通讯我>= 1,如果客户<我>我我>有仓库<我>米我>否则,= 0。<我>x我>ijh我>如果车辆= 1<我>h我>从<我>我我>来<我>j我>否则,= 0。<我>F我>ijh我>CMEM模型,可以计算的(<一个href="#B8">8一个>),是车辆的燃料消耗<我>h我>旅行从节点<我>我我>到节点<我>j我>。表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab2/" target="_blank">2一个>给MOGTDLRP模型中使用的参数。
需要满足一些假设:(1)每个客户必须只服务一次,(2)每辆车必须回到原来的仓库,(3)每辆车不得超载,和(4)每个仓库的负荷不得超过其能力。
基于上述假设和定义,模型可以表示如下:
必须满足以下约束条件:
描述和解释如下。方程(<一个href="#EEq1">1一个>)成本的目标。方程(<一个href="#EEq1">2一个>旅行时间的目标。方程(<一个href="#EEq1">3一个>)是第三个目标总燃料消耗量。约束(<一个href="#EEq4">4一个>)和(<一个href="#EEq4">5一个>)确保每个客户服务到底是一次。约束(<一个href="#EEq4">6一个>)和(<一个href="#EEq4">7一个>)对每个客户有一个仓库和一个车,分别。约束(<一个href="#EEq4">8一个>)- (<一个href="#EEq4">10一个>)禁止非法路线对应的车辆不返回离开仓库。约束(<一个href="#EEq4">11一个>)和(<一个href="#EEq4">12一个>确保每个客户的需求是满意。约束(<一个href="#EEq4">13一个>)保证每个选择的负载仓库必须小于它的容量。约束(<一个href="#EEq4">14一个>)是动态平衡负载的每辆车在访问客户<我>j我>。约束(<一个href="#EEq4">15一个>)和(<一个href="#EEq4">16一个>)保证重载是不允许的。约束(<一个href="#EEq4">17一个>)和(<一个href="#EEq4">18一个>)每个节点的到达时间界限:车辆必须在关闭之前到达客户的时间窗口。最后,最后三个约束是决策变量。
3所示。算法
Metaheuristics是广泛的。然而,选择最好的算法和配置参数和操作符来解决这个问题是非常困难的(<一个href="#B34">34一个>]。数值实验表明,它是不可能发展一个metaheuristics算法总是有效的各种优化问题。Hyperheuristic算法(HH)是一个超启发式算法,它提供了一个高层次的启发式方法(通过)。它可以解决各种组合优化问题,通过管理或操纵的一系列低级启发式(LLH)。美国卫生和公众服务部可以帮助研究人员来减少所需的固有时间和精力建立一个新的领域,因为它是一项艰巨的任务,测试人员没有深在特定领域的知识(<一个href="#B35">35一个>]。在HH的设计主要有两个任务:一个是高层选择策略,另一种是问题域算子的设计。使用HH解决MOGTDGLRP问题可以解决局部优化运营商的选择问题。如果迭代所有运营商,将浪费大量的时间。HH才能决定是否使运营商通过合理选择机制根据运营商的历史,它不仅节省时间,还可以提高解决方案的质量。通过,有两种不同的目标策略:运营商选择策略与和解接收机制。此外,还有一个信息之间的发射机通过LLH,传输信息,如选择算子的信息,判断信息的接收机制,运营商的运行时间和频率,电流的连续的未被利用的次数的解决方案。因此,通过起着至关重要的作用在提高HH的性能。在这项研究中,我们设计了九个运营商和三个通过包括禁忌搜索算法(TS),蚁群优化(ACO)和人工蜂群算法(ABC)。接下来,我们将介绍HH根据以下步骤:(1)编码方法和初始种群生成; (2) HLHs; (3) acceptance criteria; (4) the LLHs pool of operators,<我>ξ我>。
3.1。编码方法和初始种群生成
MOGTDLRP问题域,一个完整的解决方案是所有航线的集合 。每一个路由<我>r我>我我>具有相同的结构:第一个和结束节点是打开仓库,中间部分是客户数量。例如,{的路线<我>D我>2我>- c我>1我>- c我>3我>- c我>10我>- d我>2我>}意味着一个特定的车辆离开仓库<我>D我>2我>发货给客户<我>C我>1我>,<我>C我>3我>,<我>C我>10我>,然后返回<我>D我>2我>。最初的解决方案对最终解决方案的质量至关重要。在传统的单体,在生成一个初始的路线,只有能力约束的仓库和车辆需要满足,和优化目标是分布的距离。然而,在MOGTDLRP,还必须满足仓库和客户的时间窗口。为了生产高质量的初步解决方案,有必要设计更高效的算法。有两种经典算法有时间窗车辆路径问题(VRP)供参考:所罗门的插入算法(<一个href="#B36">36一个>)和影响算法(<一个href="#B37">37一个>]。然而,这两个算法需要设置很多参数。张(<一个href="#B8">8一个>),在其论文中,设计一个算法基于行程时间的插入方法(IMTT)来生成初始解。这种方法有很好的解决方案质量,不需要设置许多参数。因此,本研究利用IMTT生成最初的解决方案。其步骤如下:第一步:选择打开仓库根据重心的方法第二步:随机选择一个客户节点生成一个新的路线第三步:计算这条路线的总旅行时间第四步:计算剩下的客户的影响值插入到路线第五步:插入新客户路线根据影响值,直到一个或多个约束并不满意
图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig2/" target="_blank">2一个>显示了初始解的生成过程。得宝0我>所选仓库;<我>Ins我>我我>代表可插入的位置;<我>C我>我我>是客户的路线。
3.2。高层启发式
3.2.1之上。人工蜂群算法(ABC)
美国广播公司包括三个要素:食物,蜜蜂,蜜蜂和失业者的旁观者蜜蜂和巡防队组成。食物是MOGTDLRP中的解决方案。采用蜜蜂负责寻找食物,携带的信息。旁观者蜜蜂蜜蜂按照雇佣有一定概率选择食物。童子军负责寻找食物随机提高算法跳出局部最优解的能力。在ABC算法的初始化阶段,SN的解决方案,食物来源的位置,是由IMTT生成的。然后,这些最初的解决方案评估来获得他们的健身价值。
ABCHH,食物来源是运营商,底部和优化过程是蜜蜂殖民地寻找食物的过程。美国广播公司的高层战略思想如下。
首先,20%的蜜蜂殖民地设置为侦察蜂的角色找到很好的食物来源。每只蜜蜂蜜蜂计算在每个运营商的20倍。伯爵表评分(<我>我我>)的运营商<我>我我>将增加1点,当健康改善。运营商在降序排序根据他们的成绩优秀被发现食物时,所有人都成为雇佣蜂享受食物,和个人更新由以下方程: 在哪里<我>我我>代表了<我>我我>th我>个人的人口,<我>t我>是迭代的数量,<我>年代我>一个我>代表了<我>一个我>th操作员的集合,<我>SC我>一个我>是运营商的得分排名<我>年代我>一个我>,<我>P我>我我>·年代我>一个我>意味着<我>年代我>一个我>选择算子的概率<我>P我>我我>。当<我>t我>生成解决方案<我>X我>“透明国际”我>比<我>t我>1代的解决方案,<我>p我>我我>= 1;否则,它是根据计算方程。兰特(<我>年代我>- - - - - -<我>年代我>一个我>- - - - - -<我>年代我>最好的后)意味着一个算子随机选择算子集<我>年代我>消除了<我>年代我>一个我>和<我>年代我>最好的操作符和<我>年代我>最好的运营商与得分最高的吗<我>年代我>集。
3.2.2。相关定义
定义1。我>状态-。
实数编码的问题,让蜜蜂的状态<我>我我>是<我>x我>id我>。根据方程(<一个href="#EEq23">23一个>),蜜蜂<我>我我>随机方法的位置<我>x我>kd我>另一个蜜蜂的信息传输:
这意味着一个操作<我>d我>是随机选择的,相对应的元素<我>d我>一些<我>x我>id我>和<我>x我>kd我>表单字段(<我>一个b我>),<我>一个我>是一个价值和小一点的吗<我>b我>是一个更大的价值。然后,<我>λ我>(<我>x我>id我>- x我>kd我>)是相反的顺序<我>x我>id我>从<我>一个我>来<我>b我>。
例如,我们
,
,和随机数<我>β我>= 4;然后,<我>x我>id我>(4)= 4,<我>x我>kd我>(4)= 1,
。根据定义,<我>x我>id我>−<我>x我>kd我>意味着的1 - 4位<我>x我>id我>以相反的顺序排列,从而产生一个新的解决方案吗
。
定义2。我>国家数字乘法。
C我>×<我>x我>id我>表示乘法数州,这意味着第一个。
的元素<我>x我>id我>和象征表明围捕。
例如,
和<我>C我>= 0.5;然后,
和
。
定义3。我>地位和。
状态和2-opt切换操作。
例如,我们
和
。首先,我们把XO XO = ((2,3) (1、4))。然后,<我>x我>id我>+ XO表明,第二位和第三位<我>x我>id我>交换,
,然后,第一位和第四位<我>x我>id我>交换的结果
。如果XO元素是奇数,最后一点是省略了。
3.2.3。蚁群优化(ACO)算法
高层的战略是基于配电网。有<我>米我>蚂蚁分布在底部。每只蚂蚁根据信息素决定了下一个顶点在每个路线,能见度和操作员的质量评估函数<我>η我>我我>: 在哪里<我>我我>kj我>(<我>t我>)是改善价值ant后(可以是负的)<我>k我>适用于底部操作符<我>j我>在一代<我>t我>,<我>T我>kj我>(<我>t我>)是CPU运行时间的计算,和<我>γ我>是一个值在0和1之间。
的方程<我>τ我>ij我>(<我>t我>),每个弧上的信息素,如下: 在哪里<我>ρ我>(0<我><我>ρ我><我>1)是信息素的蒸发系数,表示信息素的持久性系数,代表了蚂蚁的顺序<我>k我>选择底部的运营商,代表了电弧的次数(<我>我我>,<我>j我>)出现在蚂蚁的路线<我>k我>,改善蚁的数量吗<我>k我>路线,CPU时间。
蚁群选择运营商基于信息素和可见性;方程如下:
有一个变量PV提高一些运营商的选择概率表现不佳: 在哪里<我>H我>底部的集合操作符,<我>n我>= |<我>H我>|是底部运营商的数量,<我>ε我>和<我>σ我>可以确保底层启发式算子与表现不佳仍有一个小但非零的概率被选中。如果弧(<我>我我>,<我>j我>)是一个非法的弧,<我>光伏我>ij我>(<我>t我>)= 0。如果所有底运营商的性能不好,<我>问我>= 0,并设置<我>光伏我>值为1,以确保所有底运营商选择概率相等。弧的概率(<我>我我>,<我>j我>选择)可以表示为
3.2.4。禁忌搜索(TS)算法
TS的高层战略观点如下。分数评估操作的性能。然后,选择一个操作符与更大的分数提高当前迭代过程中的解决方案。每个运营商都有相同的初始评分。当运营商改善当前的解决方案,这个操作符将加1的分数;否则,它将减去1。详细过程如下。
首先,首次得分<我>r我>k我>= 0设置为每个操作符<我>k我>。每个操作符的分数区间是(<我>r我>最小值,<我>r我>马克斯];<我>r我>最小值和<我>r我>马克斯分别代表了最低和最高分数。操作员<我>k我>这并不是禁忌列表中,选择得分最高的。如果它可以提高目标函数,运营商的分数<我>k我>将加1。否则,分数减去1,将与固定禁忌禁忌列表的长度。运营商在禁忌列表在出豁免根据第一原则。
3.3。验收标准
验收标准是是否新的解处理后的操作符。如果新解决方案总是无条件地取代了父母的解决方案,优化时间会太长了。然而,HH将落入一个本地搜索如果只是保存改进解决方案和省略了劣质的解决方案。其他验收标准包括接受改进的解决方案完全和接受一定比例的劣等方案。
在这项研究中,三个提出验收标准:(1)改善和相等(IE):接受所有改善供水情况好于没有改进解决方案和拒绝解决方案。(2)所有动作(AM):接受所有解决方案。(3)动态验收标准(DA):如果当前最优解并不太多次更新,这意味着解决方案分为本地搜索,接受的概率应该增加较差的方案,以确保全球搜索。接受概率计算如下: 在哪里<我>f我>t我>−<我>1我>是解决方案,<我>f我>t我>孩子的解决方案,是一代的最优解<我>t我>,<我>米我>是一个常数,然后呢<我>米我>1我>的次数还没有更新。
3.4。LLH池
本节介绍了九LLH运营商包括四个运营商操作在一个路线,三个运营商运营两个路线,和两个运营商操作仓库的选择:(1)2-opt在一个路线(2)还是选择在一个路线(3)在一个牧师的路线(4)里面一个路线(5)还是选择两个路线(6)交换两个路线(7)交换两个路线(8)得宝取代(9)得宝交换
3.5。HH的伪代码
表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab3/" target="_blank">3一个>列出了HH的伪代码,和图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig3/" target="_blank">3一个>给出了流程图。
4所示。仿真实验与分析
所有程序编码MATLAB R2018a和一台计算机上执行一个英特尔(R)的核心(TM) i5 - 5200 u CPU @2.20GHZ, 4 GB内存,Windows 7操作系统。
4.1。基准
实验数据来自[<一个href="#B8">8一个>]。表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab4/" target="_blank">4一个>显示详细的仓库数据和表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab5/" target="_blank">5一个>包括所有仓库的时间窗口。表中,“本”是基准的名字,“帕拉”是参数的缩写,“盖”的能力,“作”是协调,“成本”是固定成本,开放和“TW”笔记的时间窗口。表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab6/" target="_blank">6一个>显示车辆的数据。关于客户的数据来自所罗门基准。
4.2。时间的速度函数
loannou [<一个href="#B37">37一个>)首次提出车辆旅行时间计算速度函数在他的研究中对车辆路径问题和旅行时间的道路段的长度和旅行速度,也就是说,旅行速度是一个时间函数。这时间速度函数可以避免跳跃旅行时间并确保的FIFO特性时变网络;即车辆离开第一个到达目的地。道路网络,它可以被认为符合FIFO特性没有超车。
在这项研究中,模拟城市道路条件和高峰,我们把道路分成五种类型,把总服务时间分成四个相等的时间。表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab7/" target="_blank">7一个>显示的值。
道路类型是通过方程(<一个href="#EEq30">30.一个>),<我>年级我>(<我>我我>,<我>j我>)是道路节点之间的类型<我>我我>和<我>j我>和国防部(<我>一个我>,<我>b我>剩余的数量<我>一个我>除以<我>b我>:
4.3。参数设置
人口规模是100,该算法迭代号码是200,蚂蚁路径长度<我>LP我>= 11,重量参数<我>α我>= (0.6,0.7,0.8),<我>β我>= (0.6,0.7,0.8)<我>γ我>=(0.6,0.7,0.8),增强系数<我>ɛ我>= 0.001,<我>σ我>= 1.001。禁忌搜索算法参数最大分数rankingMax = 5,最低分数是rankingMin = 0,和禁忌长度是tabuLength = 4。
4.4。比较分析结合美国卫生和公众服务部的9个
三个高级算法(ACO, ABC和TS)和三个验收标准(点,即和DA)可以形成九个美国卫生和公众服务部叫ABC +点,美国广播公司(ABC) +即ABC + DA算法+点,ACO +,即算法+哒,TS +点,TS + IE, TS + DA这九HHs解决MOGTDLRP的基准。结果可以反映了算法的性能。相关数据如下:目标函数:<我>f我>1我>最低总成本。实例:C1 (C101-C109)。比较参数:偏差百分比<我>理查德·道金斯我>获得, 在哪里<我>f我>一个我>是最好的算法获得的结果<我>一个我>和<我>f我>最好的结果的平均值的九个美国卫生和公众服务部。
九流的美国卫生和公众服务部:步骤1:由IMTT算法生成初始种群,计算目标函数得到初始S11父亲解决方案,S21、S31第二步:设置相关算法参数步骤3:选择的运营商LLH根据通过计算目标函数得到孩子解决方案S12, S22, S32步骤4:确定是否接受当前的孩子解决方案根据验收标准第五步:更新相关参数第六步:如果算法终止条件满足,算法结束;否则,进入步骤3
C101-C109通过九个美国卫生和公众服务部的结果表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab8/" target="_blank">8一个>。
理查德·道金斯在表的最大价值<一个href="//www.newsama.com/journals/aor/2022/1811689/tab8/" target="_blank">8一个>是1.95,这表明解决方案获得的这些九算法不是很不同。我们继续分析算法与博达算法的性能。每个HH有1到9的分数据RD的值。与最小的RD算法得到9分,与第二小的RD算法得到8分,等等。图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig4/" target="_blank">4一个>显示了九个美国卫生和公众服务部的分数。图中的横坐标1 - 9对应9美国卫生和公众服务部。图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig4/" target="_blank">4一个>是一个饼状图的数量9组合算法获得最优解的C1的例子;的次数<我>理查德·道金斯我>等于0。
通过数据表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab8/" target="_blank">8一个>和数字<一个href="//www.newsama.com/journals/aor/2022/1811689/fig4/" target="_blank">4一个>和<一个href="//www.newsama.com/journals/aor/2022/1811689/fig5/" target="_blank">5一个>,众所周知,美国广播公司+ DA组合算法以80分得分最高,其次是配电网+ DA = 69分,第三名是TS + DA以67的高分。饼图显示,美国广播公司(ABC)的次数+ DA算法获得最优解占47.06%;ACO +哒,占17.65%;TS + DA占23.53%;ABC + IE和ACO + IE占5.88%,分别和其他组合无法得到最优解。在美国广播公司高层战略下,总分是30 + 48 + 80 = 158;配电网高级策略是27 + 45 + 69 = 141分;TS高层战略是34 + 59 + 67 = 160分。是验收标准的得分30 + 27 + 34 + 91,即是48 + 45 + 59 = 152,达是80 + 69 + 67 = 16分。三种策略的得分几乎没有差异,但是差异解决方案的验收标准很大。 AE accepts all solutions, which is easy to cause too divergent search range and difficult to find the optimal solution. IE only accepts noninferior solutions, which is easy to fall into the trap of local optimization. DA accepts all noninferior solutions and conditionally selects inferior solutions. This method gets a higher score because of which it takes into account the advantages of AE and IE and avoid their shortcomings. In general, the ABC + DA is the best combined HH algorithm in the C1 case.
4.5。分析单目标优化问题
MOGTDLTP是一个多目标模型,其中包括三个目标:总成本,旅行时间和燃料消耗。不同的优化目标导致不同的配送路线。在本节中,区别不同的单目标优化问题的解决方案进行了探讨。实例:RC2 (RC201-RC208)。算法:ABC-DA单一的目的:<我>f我>1我>最低总成本,<我>f我>2我>,最低交货时间,<我>f我>3我>,最低燃油消耗。
结果在表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab9/" target="_blank">9一个>。
在表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab9/" target="_blank">9一个>OBJ客观,TC是总成本,TI旅行时间,和FC燃料消耗;<我>理查德·道金斯我>我我>百分比计算的区别是
结果表明,不同优化目标下的最优解是不同的。相比<我>f我>2我>和<我>f我>3我>目标,与获得的总成本<我>f我>1我>目标是最低,但交货时间和燃料消耗最低。的值<我>理查德·道金斯我>显示当前值之间的偏差百分比和最小值。值越大,误差越大。当以旅行时间为优化目标,<我>理查德·道金斯我>价值获得最大的7倍,这表明当以旅行时间为优化目标,虽然总旅行时间得到了优化,总成本和燃料消耗很高。因此,它是不合适的旅行时间作为一个单独的优化目标。当<我>f我>1我>,总成本优化目标;的平均值<我>理查德·道金斯我>是6.62,什么时候<我>f我>3我>,燃料消耗是优化目标;的平均值<我>理查德·道金斯我>是5.30。因此,根据获得的解决方案<我>f我>3我>目的是更好的。
4.6。单目标和多目标之间的比较
实例:RC201 RC208优化目标:<我>f我>1我>最低总成本,<我>f我>2旅行时间最小,<我>f我>3我>,最低油耗,<我>莫我>多目标。算法:美国广播公司(ABC) +哒结果如表所示<一个href="//www.newsama.com/journals/aor/2022/1811689/tab10/" target="_blank">10一个>。
在表<一个href="//www.newsama.com/journals/aor/2022/1811689/tab10/" target="_blank">10一个>,MO-TC与最低总成本的解决方案,MO-TI是最低的解决方案交付时间,和MO-FC燃油消耗最小的解决方案在帕累托解集。
单目标函数RC201,最低总成本是180116,最低旅行时间是2335.3,最低油耗是1548.9。RC201的多目标函数的最小总成本是180155 > 180116,偏差<我>理查德·道金斯我>= 0.02,最低旅行时间是2332 < 2335.3,和偏差<我>理查德·道金斯我>=−0.14;最低燃油消耗是1641 > 1548.9,和偏差<我>理查德·道金斯我>= 5.95。单目标函数RC208,最低总成本是179485,最小的旅行时间是1604.1,最小的油耗是945.14。RC208的多目标函数的最小总成本是179439 < 179485,偏差<我>理查德·道金斯我>旅行时间=−0.02,最低是1599 < 1604.1,偏差<我>理查德·道金斯我>=−0.32;最低燃油消耗是915 < 945.14,偏差<我>理查德·道金斯我>=−3.2。四个六<我>理查德·道金斯我>值小于0,表明结合成本、时间和燃料消耗下多目标函数比,在单目标函数。图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig6/" target="_blank">6一个>的曲线是RC201和RC208的价值观相结合,分别。在图中,实线是曲线通过单目标和多目标下的虚线是合并后的曲线。下面的虚线大多是实线,这也表明,合并后得到的多目标函数值更好。
4.7。所有基准测试结果和分析
在本节中,我们使用ABC + DA算法来解决所有基准测试和分析结果。迭代的数量设置为200。所有的结果都在桌子上<一个href="//www.newsama.com/journals/aor/2022/1811689/tab11/" target="_blank">11一个>“MC”的最低总成本,“太”是最小的旅行时间,“曼氏金融”是最低燃油消耗。“交流”、“对焦”和“在”,分别代表的平均成本、平均油耗,平均时间整个帕累托解集。“AV”意味着启动车辆的平均数量。
表中的数据<一个href="//www.newsama.com/journals/aor/2022/1811689/tab11/" target="_blank">11一个>显示如下:(1)一般来说,由于高质量的解决方案,解决方案的数量每基准并不是一个巨大。(2)因为仓库的成本,MCs的值太大,表明仓库物流成本成本的比例大于燃料消耗和旅行时间成本的比率。然而,随着客户数量的增加,燃料消耗和旅行时间成本增加,主要的变化选择仓库。(3)更多的车辆需要启用参与分配以满足客户时间窗口的需要。以RC201案为例,所有客户的总需求是1724和车辆的容量是1000。从理论上讲,只有两辆车需要启用,但在MOGTDLRP,三辆车需要启用。由于使用大容量车辆数量的多目标最优解的C2, R2和RC2比相应的C1, R1, RC1。帕累托最优解决方案C1的平均数为5.78,虽然C2是10.75,这是关于C1的两倍。R1的帕累托最优解的平均数是6.42;而R2为6.72,大于6.42。的平均数为5.75 RC1是帕累托最优解;在RC2 7.5,大于5.75。从实用的角度来看,物流公司想使用更少的车辆,所以在设计算法时,汽车的数量是解决方案的优先条件。 On the contrary, using fleets of different capacities is also an effective way for logistic networks to achieve a low-carbon economy.(4)数据<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(一)-<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(c)的二维投影C201总成本和旅行时间,旅行时间和燃料消耗、总成本和燃料消耗。图<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(d)的三维图C201的解决方案。成本和燃料消耗量之间的关系是线性的,因为燃料消耗总成本的一部分。数据<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(一),<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(b)<一个href="//www.newsama.com/journals/aor/2022/1811689/fig7/" target="_blank">7一个>(d)溶液分布相对均匀,表明高质量的解决方案。
(一)
(b)
(c)
(d)
5。结论和展望
在这项研究中,我们提出了MOGTDLRP模型有三个目标,一个依赖于时间的速度函数将一天划分为四个时期五路类型和定义。五十六实例得到基于所罗门基准指相关的文献。在每个基准测试中,有100个客户的坐标,要求,和时间窗和10个仓库的坐标,也被认为是能力,和时间窗口。基准是由九个有效解决美国卫生和公众服务部IMTT获得的高质量的初始解。结果表明,MOGTDLRP能有效地减少燃料消耗和总成本。
根据实验结果的分析,本研究可以得到以下结论和建议:(1)拟议的美国卫生和公众服务部在解决MOGTDLRP高精度模型,可以获得高质量的解决方案在合理的计算时间。MOGTDLRP模型可以有效地降低物流成本,燃料消耗和旅行时间。(2)因素如客户分销和客户时间窗口应该是一样的问题,物流公司需要注意仓库成本。(3)异构的舰队可以减少分销成本。(4)交通限速影响交货时间和车辆燃料消耗,所以最近的交货计划并不一定交货时间或燃料消耗。
总之,时间依赖网络更接近现实交通网络比静态网络。然而,从节点到节点的独特之处在于时间依赖网络。然而,有多个路由节点之间在真实道路网络。此外,实际的城市道路网络是复杂的,在同一条公路上的车辆的速度在不同的时间段是随机波动的。同时,车辆从一个节点移动到另一个时,它往往通过多个节点,节点之间的路线并不是唯一的。因此,如何解决绿色位置路径的优化问题的随机道路网络和多节点道路网络是未来的研究方向。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
张Hua-xing概念化的研究;Chun-miao张策划数据;Chun-miao张正式进行分析;Hua-xing张资金进行收购;张Hua-xing调查研究;张Chun-miao开发方法论;张Hua-xing管理项目;张Hua-xing收集资源;Chun-miao张先生与软件;Hua-xing张写了初稿;Hua-xing张审查和编辑。
确认
这项工作是支持中国的浙江省自然科学基金,格兰特Y18F030036之下。
引用
-
r·德克尔,j . Bloemhof Mallidis,“绿色logistics-an运筹学方面的概述,问题,贡献和挑战,”<我>欧洲运筹学杂志》上我>,卷219,不。3、671 - 679年,2012页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
r·b·洛佩斯·c·费雷拉,b·s·桑托斯和s . Barreto”分类分析,当前的方法和目标location-routing问题,“<我>在运筹学国际交易我>,20卷,2013年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
o . Dukkanci、b . y .卡拉和t . Bektaş“绿色location-routing问题。”<我>电脑与行动研究我>卷,105年,第202 - 187页,2019年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
C。Koc, t . Bektas o . Jabali, g . Laporte“仓库位置的影响,舰队组成和路由排放在城市物流、”<我>交通研究B部分:方法论我>卷,84年,第102 - 81页,2016年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
v . f . Yu n·m·e·Normasari W.-H。陈,“Location-routing问题与时间的要求,“<我>计算机与工业工程我>文章ID 106936卷,151年,2021年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
k . Alamatsaz A艾哈迈迪,s m . j . Mirzapour Al-E-Hashem,“绿色生产的多目标模型location-routing问题考虑到司机的与不确定的需求,满意度和时间窗口”<我>环境科学与污染研究我>卷,29号4、5052 - 5071年,2021页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
r . Pitakaso k Sethanan, c . Theeraviriya”变量社区策略自适应搜索解决绿色2-echelon位置路由的问题,“<我>计算机和电子产品在农业我>文章ID 105406卷,173年,2020年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
王x和李x,“碳减排与异构机群位置路由问题,同时pickup-delivery和时间窗口,“<我>Procedia计算机科学我>卷,112年,第1140 - 1131页,2017年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
r . Vakili m . Akbarpour Shirazi, h . Gitinavard”Multi-echelon绿色open-location-routing问题:robust-based随机优化方法,”<我>Scientia Iranica我>2020年,卷。28日。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
e·m·托罗j·f·弗朗哥·m·g . Echeverri f . g .吉马良斯,“绿色生产的多目标模型location-routing问题考虑环境影响,”<我>计算机与工业工程我>卷,110年,第125 - 114页,2017年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m·拉巴尼,m . Davoudkhani和h . Farrokhi-Asl”一个新的多目标与异种的绿色位置路由问题的车队和燃料约束,“<我>国际战略决策科学杂志》上我>,8卷,不。3、99 - 119年,2017页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
s . j . Tang霁,l .江”的设计可持续location-routing-inventory模型考虑消费者的环境行为,”<我>可持续性我>,8卷,不。3,p。211年,2016年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m·拉巴尼,f . Navazi大肠Niloofar, F.-A。哈米德,“绿色交通location-inventory-routing问题动态区域定价”<我>工业工程与管理研究》杂志上我>7卷,35-58,2020页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
彭,周x, y . Wang和m . l . Mahmoudi“绿色物流eco-packages location-routing问题,”<我>运输研究E部分:物流和运输审查我>文章ID 102118卷,143年,2020年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
f . Faraji和b . Afshar-Nadjafi bi-objective绿色location-routing使用混合metaheuristic算法模型和解决问题,“<我>国际物流系统和管理杂志》上我>,30卷,2018年。
视图: 谷歌学术搜索一个> -
m·马h . Tohidi m . Alimohammadi, r . Lesansalmasi”location-inventory-routing模型下的低碳排放的绿色供应链的不确定性,”<我>环境科学与污染研究我>,28卷,不。36岁,50636 - 50648年,2021页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
h·l .愣,赵y, z Wang Wang和j·张,“共享系统,自适应区域低碳hyperheuristic location-routing时间窗口的问题,“<我>数学问题在工程我>卷,2018篇文章ID 8987402, 21页,2018。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
z Ebrahim Qazvini, A·哈吉,h·米娜”模糊解决方案方法对绿色供应链中供应商选择和订单分配考虑location-routing问题,“<我>Scientia Iranica我>2019年,卷。28日。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m . Sadati和b . Atay混合变量邻域搜索方法multi-depot绿色车辆路径问题,“<我>运输研究E部分物流和运输审查我>,卷149,不。4、文章ID 102293, 2021。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
z Zarrat Dakhely Parast h .攻读学位,美国Avakh Darestani,和h . Amin-Tahmasbi“绿色逆向供应链网络设计考虑location-routing-inventory决定同时皮卡和交付,”<我>环境科学与污染研究我>卷14日,22页,2021页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m . e . Tayebi Araghi, r . Tavakkoli-Moghaddam f . Jolai和s·m·阿Molana“绿色multi-facilities开放平面设施位置location-routing问题和不确定的客户,“<我>《清洁生产我>,卷282,不。第三条ID 124343, 2021。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
Khalafi和z Mahnaz”设计一个绿色供应链网络通过考虑不确定性下存储和location-routing问题的可能性,”<我>国际物流系统和管理杂志》上我>34卷,第268 - 253页,2019年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
t . Qiannan p . n . Ram Kumar l . . l .鲲鹏,”同时产品和服务交付时间窗车辆路径问题和订单发布日期,“<我>应用数学建模我>卷,89年,第687 - 669页,2021年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
m . Rahbari A . A . Khamseh y Sadati-Keneti,和m . j .贾法里,“基于风险的绿色location-inventory-routing问题有害物质:NSGA II, MOSA,和多目标优化黑寡妇,”<我>环境和可持续性发展我>,24卷,2012年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
k . m .黄、c . w . Lu和m . j .丽安”的建模和算法multi-echelon location-routing问题,“<我>Kongzhi yu Juece /控制和决策我>,32卷,不。10日,1803 - 1809年,2017页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
a . Rybičkova d Mockova, d .摄影师“遗传算法连续location-routing问题。”<我>神经网络世界我>卷,29号3、173 - 187年,2019页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
月球,美国Salhi,冯x”多级location-routing问题和multi-trip:制定和启发式方法,”<我>Transportmetrica:交通科学我>,16卷,不。3、501 - 528年,2020页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
X.-Y。李、p .田和s . c . h .梁”一个蚁群优化metaheuristic杂化与开放式车辆路径问题的禁忌搜索,“<我>运筹学学会》杂志上我>,60卷,不。7,1012 - 1025年,2009页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
h . Raoofpanah和诉Ghezavati扩展混合禁忌搜索和模拟退火算法为location-inventory模型与多个产品,多个配送中心和多个能力水平,”<我>生产工程我>13卷,第663 - 649页,2019年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
n . r .任x张j ., A的歌,“math-hyper-heuristic方法大规模时间窗车辆路径问题,”<我>学报2015年IEEE国会进化计算(CEC)我>2015年5月,日本仙台。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
t·n·费雷拉,j·a·p·利马斯特里克勒,j . n . Kuk s . r . Vergilio和博罗,“Hyper-heuristic基础软件产品线测试,产品选择”<我>IEEE计算机情报杂志我>,12卷,不。2,34-45,2017页。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
斯特里克勒,j·a·普拉多利马s . r . Vergilio和博罗,“派生产品变异测试的功能模型hyper-heuristic方法,”<我>应用软计算我>49卷,第1242 - 1232页,2016年。
视图: 出版商的网站一个> | 谷歌学术搜索一个> -
loannou g、m·科里提科斯和g . Prastacos“贪婪的先行的时间窗的车辆路径问题的启发式,”<我>运筹学学会》杂志上我>,52卷,不。5,523 - 537年,2001页。
视图: 出版商的网站一个> | 谷歌学术搜索一个>