文摘
vehicle-commodity匹配问题(VCMP)为服务提供者提出了降低物流系统的成本。车辆分类模型是建立高斯混合模型(GMM),和采用(EM)算法旨在解决GMM的参数估计。一个非线性混合整数规划模型构建VCMP的总成本降到最低。车辆之间的匹配过程和商品由GMM-EM意识到,作为一个解决方案的预处理。VCMP vehicle-commodity匹配平台的设计是为了减少和消除供需之间的信息不对称,以便订单分配工作在正确的时间和正确的地点和使用vehicle-commodity匹配的最优解。此外,电子商务供应链的数值实验证明了一种混合进化算法(头脑)优于传统方法,为电子商务VCMP提供决策参考。
1。介绍
随着互联网技术的发展,一系列新的解决方案和调整是物流产业的布局设计。在过去,全国配送中心的生产商已经逐渐演变成个性化的订单,从而提高物流服务的更新和改变整个物流系统。物流系统和客户交易的数据可以跟踪订单执行的执行过程从订单分配到订单交付在互联网平台上,从而达到协同管理、服务效率和成本控制系统(1]。公司需要综合平衡的关系服务、物流能力、车辆安排、库存控制、分销成本,等等,以形成一个有序的和统一的操作过程2]。中国物流运输方式,可以分为公路、铁路、水运、航空和管道。对于电子商务企业,有有限的物理资源支持离线服务(例如,汽车和渠道),所以很难处理异常情况在运输过程中(3),如产品不匹配造成的恶化冷冻/新产品和冷藏车辆。匹配的车辆和大宗商品促进整个物流运营商的服务,该服务与消费者的评价和反馈商品的质量4]。vehicle-commodity匹配问题的重要性(VCMP)是广泛吸引物流公司和电子商务企业。
物流系统建模与仿真技术是可行和可靠的,找到最佳解决方案的顺序分配和物流配送5,6];他et al。:7]。杨et al。5制定一个合作丰富的车辆路径问题(CoRVRP)三个典型的物流供应商最后一英里农村物流体系是通过一种新的branch-price-and-cut算法来解决。Patidar et al。6)设计的车辆路径的集合从农民农业食品产品在印度市场基于遗传算法和算法。他et al。:7)开发了一种贝叶斯博弈论的框架产品组合规划问题找到正确的产品组合的制造商,考虑到讨论市场和产品类型。方面的问题,现有的研究已经注意到物流服务流程的优化和物流服务提供商的利益的平衡,但有一个缺口在micrologistics匹配子流程链接服务。特别是车辆属于企业的资产,而商品属于消费者的需要,因此提高服务匹配的过程是一个方法,使连接更高效和个性化的服务链接。
的计划分配资源(例如,汽车和大宗商品)使用智能算法和启发式方法已成为一个高度有关学者面临的挑战(8- - - - - -11]。对于进化算法,加戈(研究的9),粒子群优化(PSO)运营改善的方向向量和遗传算法(GA)修改决策向量使用遗传算子。加戈(8]提出了引力搜索方法的算法和遗传算子升级解决方案的选择、交叉和变异。加戈的研究基础上,初始化参数可以影响整个算法的设计在很大程度上。因此,我们的研究结构基于GMM的预定模型和采用(EM),所以算法的输入参数是稳定的。
总的来说,我们的研究做出了三个主要贡献。首先,VCMP升级提出了物流供应商的服务匹配的车辆和大宗商品。这不同于物流系统优化的全球视角;我们的研究侧重于服务的细节匹配。第二,我们的模型是基于标准的GMM优化设计算法的输入,形成一个联合GMM-EM预定模式。第三,GA算法是稳定的,可以重复收敛于相同的解决方案(8]。PSO算法的收敛速度是第二,但该算法不稳定,最终融合结果很容易受参数和初始人口规模(9]。EA算法的收敛速度相对较慢,但在处理噪声问题,EA可以是一个不错的解决方案,而GA算法很难处理这种噪音问题。
本研究提出了一种新颖的采用基于GMM (EM)算法的VCMP物流供应链。本文的其余部分组织如下。的应用场景VCMP可以通过文献综述分为两类2。VCMP由二进制完全有向图描述部分3。的基础上3,microoptimization VCMP模型提出了部分4。为了提高交货速度与服务质量稳定,VCMP算法设计的部分5。节6一个数值例子应用于该模型和算法。并给出了结论和未来的研究方向7。
2。文献综述
的应用场景VCMP物流行业可以分为两类。场景我。物流企业和生产企业池系统开辟了自己的能力。学习从传统产业的研究成果有助于满足行业在网络时代的挑战。任等。3跨境电子商务相关3 pfl)优化产能分配操作。穆贾达姆(12)构建了一个模糊多目标数学模型解决不确定客户订单需求考虑供应商的能力和返回产品的比例,在逆向物流系统。续et al。13]研究了随机动态约束下的订单分配模型在金融市场,使用矩阵计算和拉普拉斯变换来计算有效订单的概率分配。Bayraktar和Ludkovski14)基于分布式等人被认为是解决问题的最优清算限价订单和建造秩序的到来作为价格力量的依赖。Mafakheri et al。15)提出了一个两阶段供应链管理动态规划方法解决multisupplier排名的问题,然后介绍了供应商参数到订单分配模型的效用最大化的公司。Kannan et al。16)进一步扩大Mafakheri获得一组系统的研究方法。Azadnia et al。17)提出了一个基于规则的加权模糊综合方法的算法,结合多级。模糊层次分析法和多目标数学规划是用来解决multiproduct批处理的问题。过去的研究主要研究优化不同的物流服务和服务提供者的利益平衡,但缺乏匹配的子流程的物流服务。我们的研究重点是这种差距之间找到一个匹配机制汽车服务和商品服务这样一个紧凑和个性化服务过程设计和提供给消费者。场景二世。公共平台聚集社会资源与车辆匹配软件能力。研究使用智能算法来解决集成问题的订单和物流配送越来越明显。大卫和Kresz [4]介绍了调度分配问题的公共交通运输公司的舰队。Torfi et al。18]FMCDM用来确定位置路径中的多个目标的重量问题,发现从DCS客户分销网络总成本最小化。例如,Marinakis [19)提出了一种改进的粒子群优化算法的离散优化随机需求的位置路径。启发式方法可以有效地处理订单分配和位置选择的问题。马赛et al。20.)提出了一个metaheuristic系统探索基于不同的社区结构的算法,集成问题分解成两个子问题,即车辆路径问题和位置的问题,确保订单处理时间短。订单分配问题更加系统和集成等下游环节路径规划和库存分配。工头et al。21]研究了戴尔的供应优化运输网络基于组件。悦et al。22)发现,制造业企业可以计算总成本和准时概率的所有可能的组合。因此,投资组合的方法不仅能保证低成本制造商的订单购买过程也满足客户的需求没有失败的活动。近年来,(23- - - - - -26)研究为决策者选择供应商,考虑到价格,购买零件的质量,准时交货的可靠性,和延期交货的风险因素。根据任和卡尔森之间(27),不同的决策者常常做出次优决策在面对变化的供应链和库存分配。锅等。28)建立了一个多目标线性顺序分配模型为信息服务企业贴现成本最小化的目标,考虑能力和价格等因素的影响。大厅等。29日)发现,在multiproduct供应链,制造商收到几个分销商的指令。如果可用的生产能力不能满足所有订单,经销商需要提前计划能力的分布在秩序是重新分配。加戈(9)设计的粒子群优化(PSO)为提高向量和遗传算法(GA)修改决策向量。加戈(8]提出了引力搜索方法和遗传算子升级解决方案的选择、交叉和变异。在现有研究的基础上,优化算法依赖于模型的设计和结构。因此,我们研究结构化GMM-EM预定,以便输入参数适合拟议的混合进化算法。总之,到目前为止的研究表明,研究物流系统的订单分配通常是结合其他经典服务流程。在现有的研究有三个缺口。首先,没有足够的物流系统集成服务因素需要考虑,如订单分配、车辆服务,个性化服务。其次,大多数的研究忽略了作用在整个分销过程的匹配问题。第三,启发式方法的研究和应用需要改进使它更好的结合模式。本文旨在成本优化整个物流运作过程的电子商务企业订单分配订单交付。VCMP提出对商品和车辆以降低物流系统的成本。GMM-EM旨在解决参数估计优化算法。VCMP旨在减少和消除供需之间的信息不对称,所以订单分配可以工作在正确的时间和正确的地点和使用vehicle-commodity匹配的最优解。
3所示。Vehicle-and-Commodity-Matching问题(VCMP)
VCMP被描述为一个二进制完全有向图的节点集 。车辆与不同的服务水平去仓库和消费者之间来回执行订单完成。因此,车辆必须从指定的仓库和配送路径选择适当的秩序。这一过程可以表达为弧集 。非负权重每个弧的 仓库之间的运输和消费者。变量的描述如表所示1。
如图1VCMP的匹配过程分为四个部分,包括客户、订单、车辆和仓库。首先,客户在网上订购平台,电子商务企业服务订单交货的订单形成反馈信息。客户的订单信息分为连续的订单流从订单1N。其次,一个订单分配过程开始形成一个商品对应飞命令序列。然后匹配步骤是开始对大宗商品和车辆。匹配的流程需要调用GMM-EM作为预处理。第三,计算路径选择初始位置的车辆和仓库的固定位置,支持一个新的改进的进化算法。第四,确定所选仓库为客户生成订单执行的解决方案。
VCMP图的匹配过程1通过顺序配置描述、匹配和路径。最后,物流和交付应该支持互联网平台和执行信息反馈。
4所示。建模
有许多因素要考虑在集成物流系统的订单分配在多个仓库30.]。逻辑关系框架如图2。提出了系统优化模型。
在图2VCMP的匹配问题是基于企业的数据集。有五种匹配数据库中的数据,分析和挖掘形成一个匹配的方案。模型的实现是建立在理性的秩序,路径,仓库和车辆。在建模的过程中,能力约束被认为从两个方面,仓库和车辆。对于客户来说,模型考虑服务时间的要求,因为物流时间是衡量服务标准的一个重要因素。图2总结了约束建模过程中我们需要考虑。
4.1。目标函数
总成本(TC)的分布过程包括三个部分:固定成本分配仓库、货运车辆的固定成本和可变成本的运输过程。集成问题的目标函数如下:
4.2。约束
4.2.1。准备理性的约束
虽然分裂的顺序将商品交付给消费者之前,它还将增加的频率加快,物流成本。与此同时,这也会造成浪费资源电子商务分销。基于这两个方面的考虑,为了避免重复分配订单,每个订单处理车辆只有一次。
订单分配过程是一个闭环,所以有必要确保车辆从仓库和回到相同的一个:
次级回路删除约束如下:
仓库服务客户的订单而著称的供应状况:
仓库和车辆的分配约束表示为公式(6)和(7)顺序响应,分别。确保每个订单只分配一次。
避免不合理的路线 :
每个节点的承载能力变化被描述为
订单不能分裂,所以每次当车辆返回到仓库意味着一批订单已经处理。在这个时候,负载应该等于0的车辆;也就是说,
4.2.2。容量约束
订单的总负载不得超过车辆的运输能力。其余车辆的负载:
由电子商务企业仓库库存配置足以满足订单分配。
订单分配,有必要考虑分配的负载能力限制货运车辆和负载边界约束。
的总供给配置仓库不能超过其实际的总容量。的上限载荷点然后是仓库的上限载荷点。
仓库的开放数量约束
4.2.3。时间窗约束
如果车辆到达节点 之前的时间点 ,它必须等到时间点提供送货服务。是结束的时间窗口。
是一个人工变量。
4.3。模型分析和函数变换
方程(1)是集成问题的目标函数。方程(1)- (20.)物流服务过程模型的约束条件。模型简化如下。目标函数是分解收紧和放松约束。注意车辆的总负载重量遍历的来是 。波动方程(11)- (16)可以得到方程(21)- (26):
让 的解决方案(21)- (26), 被约束的解决方案(2)和(11)- (16)。 的向量 ,和 ,分别。可行的解决方案 ,有一个可行的解决方案 ,反之亦然。由(2),有 , 。与此同时,有 由公式(15);也就是说, 。
请注意, , ,和米是一个人工变量:
约束(3)和(7)简化。让 被设定为一个有效的方程代表相当于路线 。约束(3)和约束(7)只允许相同的车辆;也就是说, 。从(3)和(7),
5。算法设计
为了提高交货速度与服务质量的稳定和连续性,VCMP是实现集群的特点相关数据(车辆和大宗商品)。
该算法的基本思想如下。
首先,高斯模型的参数估计为每个配送车辆通过初始化参数和上一次迭代的结果。其次,高斯模型的参数估计又基于估计重量值。最后,重复以上步骤,直到波动非常小,达到极值。具体实现步骤如下。步骤1。初始化 。步骤2。的后验概率 。 步骤3。更新高斯权重、均值和协方差矩阵如下: 步骤4。重复步骤2和步骤3更新三个参数,直至算法收敛, 。
GMM-EM如图的匹配过程3。第一步是训练样本的数据路径数据、消费数据,仓库数据,和车辆数据,形成初始数据集。第二步是为每个数据集提取特征值进行特征提取。进行第二步的结果作为输入数据到GMM-EM然后开始第4步得到的分类计算车辆和商品数据。最后一步是匹配分类值从1到H,它提供了输入的路径决定。整个街区图显示了预处理的基本逻辑。
图4给出一个示例修剪和插入过程的自适应邻域搜索算法。图4(一个)显示的初始位置仓库(1、2和3)和消费者(一个,B,C,D,E,F,G,H)。我们需要找到匹配的三种类型的车辆路径(超大汽车、中型车辆和小型汽车)通过进化算法连接消费者和仓库。
图4(b)是初始分配方案。分布区域与仓库为中心向外辐射。分布面积的离散点扫描半径记录作为选择的消费者点。初始人口规模n是生成的。父人口获得后代通过竞争选择策略。交叉操作获得新的后代,然后分区操作将后代节点划分为路径选择。自适应邻域搜索算法学习训练后代,并将其插入到人口。学习和训练的过程中,自适应权重更新与自适应邻域搜索相关的概率。
图4(c)显示了仓库混合进化算法的选择操作。在适应性方面,进化算法侧重于选择优秀的后代,他们的行为链,适合解决集成优化问题。最初的解决方案是通过初始化人口数据为VCMP位置路径选择。自适应邻域搜索算法作为学习和培训解决方案的阶段过程,然后一个后代分区进行获取车辆配送路径解决方案需要遍历仓库确定路线。最后,我们可以从进化阶段得到更多的解决方案。
图4(d)是进化算法的结果。GMM-EM运营商加强进化过程进化后得到可行解。在进化过程中,加入人口产生新的后代,后代的数量可以进一步增加米,然后上限米+n。如果迭代次数不超过上限和人口规模达到上限米+n训练后,存活的后代将生成。突变阶段是一个可行的解决方案,可以通过随机生成选择进化个体从人口根据概率的大小。
6。数值实验
6.1。实验数据和参数设置
案例数据来自苏宁云存储的计划建立一个电子商务购物平台,一个城市。目标是整合O2O平台的商品管理、订单信息、物流供应链和服务交付到一个区域管理。有6开放转移仓库,成本范围(36000、50000),(80000、120000),(16000、25000),(85000、100000),(16000、28000),并分别(82000、100000)。每个仓库的运营成本分布在一个时间间隔。100个样本随机消费者选择订单,和相应仓库的服务容量梯度变化如表所示2。表2显示了消费者订单的数量变化,目前仓库服务。服务消费者的数量反映了仓库的服务能力。例如,当服务大小10,仓库的成本范围。1(90、110),但当服务大小是20,仓库的成本波动幅度。1 (160、220)。
6.2。实验结果
根据负载和燃料消耗的特点,分为大型车辆、车辆中车辆和小型汽车。个性化的服务方案匹配消费者订单的目的是充分利用现有的数据资源和改善VCMP的准确性。GMM-EM算法用于匹配根据时间窗车辆和大宗商品,配送距离,和路径特征。
根据表3在四种情况下,样本集测试。混合进化算法在四种情况下进行测试。总成本的差异,错误率,和运行时间计算比较样本集,有四个情况下基于进化的三个学位(培训、加强和突变)表4。可以看出,该算法复杂度的增加从没有进化完成,操作时间增加,出错率逐渐降低,计划成本的增加也能减少患准确性。
表4选择10组客户节点随机验证情况(表43)算法的优化,提高计算精度,平均误差1.53%(表4)。情况4中的精度高于其他三种情况。运行时间而言,变得不再随着算法的复杂性增加。因此,对于VCMP、准确性是最重要的。因此,该算法提高了匹配精度通过时间的成本。
6.3。比较和敏感性分析
约束进行分类并根据以下四个部门解决基于属性分析VCMP的物流服务。如表所示5,不同部门的拉格朗日松弛程度是通过放松约束的变量 ,其中四种约束(I、II、III和IV)也有类似的解空间。例如,公式(2)和(3)表达约束相关的二进制变量选择的顺序表5。表6显示了比较结果与拉格朗日松弛算法。
前两列的表6显示的设置大小客户数量和仓库数量,分别。从表6,可以发现,他叫误差波动低于8%,误差变化范围的LP放松是低于16%的准确性,随着客户的样品大小增加到150年的振幅10到50。LP的整个操作时间放松是明显大于头脑随着数据量的增加。
目标成本和成本增加的趋势可以看到从图5。图5(一个)显示了他的成本情况,总体成本变化范围是(5000、30000)。成本增加跳跃与样本点增量的增加从1000年到2800年不等。样本量增加后稳定,增量成本相对稳定,波动幅度相对收敛。图5 (b)显示了成本和敏感性的变化LP放松成本。成本变化的范围(5000、33000)LP放松比他的大。特别是在方面的成本增加,增加波动极大地随着样本容量的增加。因此,随着样本量的增加,他的结果更稳定,收敛,准确。与传统的运筹学方法相比,他可以在VCMP为决策者提供更好的决策参考。
(一)
(b)
7所示。结论
随着互联网技术的发展,从贸易和物流资源的数据一直在密切关注客户的服务需求,学者和管理者。为了升级物流产业的效率和解决网络与物流规划的预测问题,提出了一种非线性混合整数规划模型,以减少总成本,认为VCMP在线订单分配过程。物流系统集成问题被分解为几个子问题序列,例如,顺序响应,选择仓库,配送车辆的,路径规划,和订单交付。然后是复杂的问题被描述为一个有向图中的所有事件和对象VCMP可以设计点和向量的数学方法。
详细的解决方案总结如下。首先,车辆分类表示为GMM-EM解决VCMP的参数估计算法,以便VCMP预处理过程进行了优化。其次,针对问题的特点,设计新的头脑时,基于自适应搜索的概念方案解决多级集成问题。仓库和路径规划时间窗的顺序分配过程与传统的物流规划方法。结果表明,头脑是优越的性能。最后,实验分析验证的解决方案,这样模型的合理性和算法的可行性可以获得物流集成系统。研究结果表明,智能算法可以应用于解决新问题在大数据时代,物流配送体系。在未来的研究中,启发式算法的优化和匹配方法的研究都是有价值的研究方向。
数据可用性
所有生成的数据或分析包括在这项研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作由中国山东省自然科学基金支持的“渠道协调策略和研究消费者的行为O2O供应链背景下的移动互联网”(ZR2019PG001),山东科技大学的科学研究基金会招募人才“多渠道供应链模型考虑多种影响因素和消费者的不同偏好”(2017 rcjj021),在中国辽宁省科技重大项目的一部分(15606842670272和2019年jh1/10100028),和中国自然科学基金(71632008)。这些支持是感激地承认。