城市区域物流配送路径规划考虑道路的特点

文摘

一般来说,道路特征(如纵向坡度和路面损坏)对物流配送路径有重要的影响,不仅车辆燃油经济性和驾驶安全也是物流公司的效益和效率。有必要探索道路特点对物流配送路径规划的影响。首先,道路特征评估价值定义量化道路特征。应用层次分析法(AHP),道路特征评价指标体系三个标准和11个指标,然后计算道路特征评估价值,提出了基于模糊综合评价的方法。其次,物流配送路径规划的数学模型,提出了道路特征和距离的综合考虑。第三,提出了一种自适应遗传算法(AGA)和定制解决方案的交叉算子的数学模型。最后,通过模拟一个真实的例子,道路特征的影响和距离最优配送路径进行了探讨,结果显示该模型综合考虑道路特征和距离达到卓越的配送路径,考虑到距离或道路特征。

1。介绍

电子商务和移动互联网技术的快速发展,网上购物越来越高的客户需求和功能,将城市的快速发展区域物流配送服务。在一些大城市,比如青岛和上海在中国,几乎每一个社区都有小的分布。物流配送企业普遍建立了一个城市的某个特定区域的配送中心,涵盖几个或几十个社区。物流公司部署车辆交付货物配送中心配送站收到的每个社区每一天。在中国,它已经成为一种普遍现象和日常人们的生活的一部分,商品配送站通常由用户本身。这种城市区域物流配送的车辆从配送中心到发货到每个分布分配站每一天,是成为一个常见的物流配送模式,物流配送过程的示意图如图1。

在图1,一个配送中心,九个配送站,和三个分布路径(或车辆路径)。九个车站分布对应于9个社区,和三个用户路径所示的细节。根据计划的配送路径,每个车辆从配送中心,完成货物的分布在配送站,最后返回到配送中心。在每个社区,用户来到车站分布提取自己的物品根据他们的路径。在物流配送过程中,配送路径规划是一个重要组成部分,影响物流企业的效益和效率(1- - - - - -3]。分布路径规划与配送中心和配送站的位置关系,需求的配送站,等,属于车辆路径问题(VRP)。在物流配送路径规划,道路距离通常被选为一个重要因素来评估的质量分布路径,如建立路径规划模型与所有配送路径的最小距离为目标来获得最优路径(4- - - - - -6]。然而,在实践中,不仅司机考虑道路的距离还道路特征,需要考虑的重要因素,如纵向坡度、纵向长度、平曲线的角落,路面平坦,路面损坏。这些道路特征有重要影响汽车燃油经济性和驾驶安全7- - - - - -12]。尤其是山区城市,如青岛、重庆在中国和在美国波士顿,道路与大型纵向斜坡和小型平面曲线的特点角落很常见,影响物流配送路径的选择,应考虑分布路径规划和建模的研究深度。

此外,随着信息的发展和人工智能技术与智能驾驶不断开发和应用,包括三维高精度地图适用于车辆导航,包括道路曲率、纵坡和其他道路特征信息(13,14]。此外,随着城市智能交通系统的发展和完善,道路的动态特性,如路面均匀度、路面损坏,路面抗滑性,可以访问由路面状态监测系统(15,16]。这些技术和应用系统提供强有力的支持,物流配送路径规划考虑道路的特点。

背景下,城市区域物流配送路径规划考虑道路特征进行了研究。本研究的贡献主要涉及以下三个方面:(1)数学模型考虑了道路特征和距离。不同的道路特征权重系数和距离进行了分析,说明了该模型可以产生一个优越的分布路径相比,考虑到距离或道路特征。(2)基于层次分析法和模糊综合评价的方法,评价道路特点提出了量化特征的道路。(3)一个定制的交叉算子的自适应遗传算法是解决方案的设计模型,比遗传算法具有更好的性能,适用于物流配送路径规划。

剩下的纸是组织如下。节2物流配送路径规划的研究现状进行了探讨。部分3提出了物流配送路径数学模型考虑道路特点和距离。节4,道路特征评估值的计算方法提出了基于AHP和模糊综合评价。部分5设计了AGA求解模型。例子示范所提出的模型和算法,讨论部分6。最后,给出了结论和未来工作的建议7。

2。文献综述

考虑可用的研究中,我们主要关注的因素和约束考虑建立一个物流配送路径的数学模型和求解方法。物流配送路径规划是一种蚁群。VRP及其变体,有时间窗的车辆路径问题(VRPTW),进行了研究。一般来说,蚁群的数学模型或VRPTW制定考虑车辆行进距离,和解决模型的方法,如线性规划、动态规划、列生成。(17- - - - - -21]。

VRP应用程序域的扩张和智能优化算法的发展,VRP和它的变体被进一步研究,取得了一些结果。Pisinger和Ropke22)调查了五个不同的VRP的变异,包括VRPTW、生产配送车辆路径问题(CVRP) multidepot VRP的VRP site-dependent VRP和开放。模型的约束条件,如时间窗、能力、车辆类型,分析了配送中心的类型和数量,目标是最小化总旅行距离和车辆的数量。一个统一的启发式,适应大型社区搜索算法来解决这些模型。王等人。23CVRP研究和建立了一个模型的目标最小化旅行距离之和的所有车辆。提出了一种混合粒子群优化算法来解决CVRP模型。刘等人。24multidepot VRP研究和考虑了距离和时间旅行到模型中。目标是最小化总成本由于距离的车辆和所有车辆所需的时间为客户服务。模糊logic-guided遗传算法求解模型。王等人。25]研究了协作multiple-center VRP和建立了整数规划模型考虑配送中心之间的运输成本和每个配送中心车辆路径的成本。集群的多相混合方法,动态规划,启发式算法来解决模型。穆罕默德et al。26]研究了CVRP考虑车辆容量和旅行时间。目标是最小化旅行距离,同时保证客户的满意度。和遗传算法用于确定最优车辆路径。比达尔et al。27]介绍了数学模型的目标最小化总距离为多个VRPTW时期。一个新的混合遗传搜索与先进的多样性控制提出了有效的解决模式。廖et al。28)提出了一个数学模型VRPTW考虑客户的旅行距离和车辆等待时间,和运输的目标是最小化总成本。两阶段优化算法与蚁群算法和插件的帮助启发式算法求解该模型。穆罕默德et al。29日)应用CVRP总线路由问题。一个数学模型是制定考虑距离的路线。提出了一种改进的遗传算法来解决模型。陈等人。4)建立了一个biobjective数学模型mixed-shift VRPTW,目标是最小化总司机支付和总旅行距离。hyperheuristic有两个指导指标提出了解决模型。刘和江30.]介绍了累积CVRP带有时间窗约束,提出的模型与到达时间的总和最小化的目标客户和固定成本。基于大邻域搜索算法和遗传算法,提出了一个算法来解决这个问题。Lei et al。31日]讨论了CVRP具有随机需求和时间窗口和建模问题考虑车辆旅行成本。一种自适应大型社区开发启发式搜索解决方案和评估。王等人。32]研究了multidepot绿色VRP和biobjective模型提出最小化总碳排放的目标和操作成本,运输成本的考虑。混合启发式算法是为了搜索最好的车辆路径方案。

在上述研究中,蚁群及其变体提货或送货问题。有许多研究人员研究了车辆路径问题同时考虑皮卡和交付,这称为VRPSPD。小王和扁33研究了不同权重下VRPSPD。一个混合整数线性规划模型制定考虑运输成本的距离,库存持有成本和短缺成本。该模型通过使用软件解决术语。陆et al。6)提出了一个模型定义的路由总成本最小化的目标作为VRPSPD欧几里得距离。基于蚁群的解决方案来解决模型和实验评价表明该解决方案有极好的性能。Zachariadis et al。34]认为二维加载约束和比较三个运输策略:VRPSPD, VRP拖,和双向蚁群。模型提出了客观的旅游总成本最小化和解决一个优化框架组成的局部搜索方法和二维包装启发式。服务和Wikarek35)建模VRPSPD考虑快递旅行的距离和交付物品替代的点球点。混合方法集成数学规划和约束逻辑编程提出了解决模型。

此外,同时拾取和交付的车辆路径问题和时间窗口(VRPSPDTW)及其变体也收到了研究人员的关注,并出现了大量的结果。施等。36VRPSPDTW]制定模型和目标是减少汽车的数量和总旅行成本。提出了一个高效的禁忌搜索过程,结果显示它可以产生更好的解决方案。拉各斯et al。37]研究了VRPSPDTW,最小化的目标模型提出了路径的总距离。一种改进的群优化算法用于解决模型。王等人。38)建模的VRPSPDTW目标车辆的旅行成本降到最低。并行模拟退火算法包括剩余容量和径向附加费insertion-based启发式开发和应用来解决这个问题。王,陈39)有关VRPSPDTW和提出了一个模型考虑到调度车辆和旅游总成本的成本。共同进化遗传算法的变异最便宜的插入方法开发了解决模型。阿拉亚et al。5]研究VRPSPDTW multidepots和multivehicles。模型考虑制定总旅行距离,总迟到时间,车辆的数量。新算法基于遗传算法应用到模型和测试。Saadia et al。40在医院]解决multitrip VRPSPDTW复杂。目标是减少使用车辆的旅行成本和固定成本,和GA算法旨在解决这个问题。为了解决优化问题的皮卡和交付货物的路线和时间窗口,马et al。41)建立了一个模型的目标减少运输时间和成本。的时间成本总和的惩罚,运输成本是距离的功能。禁忌搜索算法用于确定提货和发货的顺序分和配送路线。Cherkesly et al。42]研究提货和发货问题时间窗和后进先出加载考虑能力约束和时间窗口。模型的目标是减少汽车的数量和总旅行距离。提出了一种基于人群的metaheuristic求解模型。

上述工作研究了蚁群、VRPSPD VRPSPDTW,及其变体。他们的模型是制定考虑各种约束和解决了问题。然而,大多数的模型的目标函数最小车辆旅行成本考虑道路的距离。在实践中,还有其他的因素需要考虑在物流配送路径规划。例如,VRPTW数学模型建立了考虑的道路交通量所表达的障碍函数(43]。。仿真结果表明,道路交通容量具有重要影响的最优车辆路径VRPTW,应该充分考虑。的CVRP考虑交通密度进行了研究,和GA设计问题(44]。获得的是基于行程时间的交货速度快了近两倍相比,基于距离的路线搜索。

与此同时,道路特征有重要影响物流配送路径的选择,仔细调查是必要的。因此,在本文中,城市物流配送路径规划的数学模型,提出了考虑了道路特征。评价过程中,道路特征值定义量化特征的道路。获取道路特征评估值,建立一个指标体系,应用模糊综合评价方法。然后,归一化后得到的数学模型的道路特征评估值和距离的必经之路。

3所示。数学公式

3.1。符号的定义

集、参数和决策变量用于本文定义如下:J:所有配送站,J= {1⋯N},N配送站的数量吗年代:节点的集合;节点分布中心和站在这篇文章中,年代= {0}∪J,0代表了配送中心H:配送车辆,H= {1⋯K},K汽车的数量吗问:车辆的能力问_我:配电所的需求我,我∈Jd_ij:节点之间的距离我和节点j,我∈年代,j∈年代,我≠j,d_ij≠0e_ij:道路特征评估价值之间的节点我和节点j,我∈年代,j∈年代,我≠j,e_ij≠0 和 :权重系数, x_ijk:决策变量,我∈年代,j∈年代,k∈H;如果车辆k从节点我到节点j,x_ijk= 1;否则,x_ijk= 0y_本土知识:决策变量,我∈J,k∈H;如果节点的任务我完成了汽车k,y_本土知识= 1;否则,y_本土知识= 0

3.2。模型建立

摘要道路特征和距离被认为是全面进入建模物流配送路径规划在城市地区。模型建立的过程如图2主要包括道路特征的量化,无量纲和道路特征权重的评估价值,和道路的距离。在这个过程中,关键是要量化特征的道路。通过评估的因素和索引相关道路特征、道路特点的评估价值,它被定义为道路特征评估价值。这使的数值表示道路的特点。摘要AHP和模糊综合评价法用于评价道路特征获取评估价值,将在本文的下一节讨论。这里,它假定道路特征评估值获得,和一个数学模型是第一个制定。

3.2.1之上。无量纲的

因为道路特征的维数评估价值和道路距离是不同的,他们无量纲归一化法用于变换。正常化道路距离公式和道路特征评估值如下: 在马克斯{d_ij}表示节点之间的最大距离。 在马克斯{e_ij}表示节点之间的道路特征评估值的最大值。

3.2.2。数学模型

在评估过程中道路的特点,更好的道路特征,评估价值越高;即。,the path with a higher road characteristics evaluation value should be selected in the logistics distribution path. However, the shorter the road is, the more likely it is to be selected for the logistics distribution path. In order to obtain the minimum value as the objective function in the model, the normalized road characteristics evaluation value是改变了 。然后通过道路特征加权总评估价值和所有的总路距离分布路径,获得的数学模型。

假设D₁和D₂分别是总道路距离和总道路特征评估值的分布路径,可以计算如下:

然后,基于(3)和(4),数学模型是制定如下:

公式(5)是目标函数,综合考虑了道路特征和距离。约束(6)是车辆载荷约束。约束(7)和(8)要求每个配电所必须服务完全一次只有一个车。约束(9)使车辆回到配送中心在完成所有分配的服务。

4所示。道路特征评价

道路特征评估的目的是使道路特征评估价值。道路特征评价由道路特征评价指标体系和评价方法的道路特征。在这个过程中,使用层次分析法和模糊综合评价方法。

4.1。建立道路特征评价指标体系

有许多因素与道路特征,可分为两类:道路平面因素和道路因素。道路建设完成后,这些因素不会改变,称为静态因素。

至于道路平面系数,直线是它的基本元素,明确方向的优势和最短的距离。然而,随着的增加直线长度,它将减少行车安全45]。此外,圆曲线半径,平曲线的角落,平曲线的长度,这属于飞机的因素,也会影响司机的操作强度和行车安全9,46,47]。

路面因素主要包括道路纵向坡度、纵向长度、竖曲线半径,和竖曲线长度。他们有一个汽车对能源消耗的影响;例如,当纵坡大,车辆的能源消耗将增加(10,48),也影响安全驾驶的车辆11,49]。

此外,道路状况,如路面平坦,路面损坏,路面抗滑性,也会影响车辆的燃油经济性和驾驶舒适性7,8,12]。这些因素会改变使用的道路和天气状况的变化。它们是动态的特点,被认为是评价道路特征如本文所述。

根据上面的分析,基于层次分析法(AHP)中,获得道路特征评价指标体系,其结构是在图中描述3。其中,道路特征评价是第一层,即目标层;第二层包括道路平面的因素、道路因素,和道路条件,这是准则层;第三层是subcriterion层,也就是说,指标层。

4.2。确定权向量

道路特征评价的过程中,权向量的确定是一个非常重要的步骤,其中包括建立判断矩阵,判断矩阵的一致性测试,计算权向量。

4.2.1。准备建立判断矩阵

判断矩阵是一个表达式的每个因素的相对重要性在同一层。每个因素的相对重要性是通过互相比较。nine-scale方法用于计算因素之间的相对重要性,表所示1(50]。

假设因素标准层的数量米数量是每个准则层的指标因素n_我(我= 1,2⋯米)。判断矩阵的形式表示如下。

准则层判断矩阵U:

指标层判断矩阵U_我为我因素在准则层:

4.2.2。判断矩阵的一致性检验

一致性指数CI是用来判断矩阵的一致性测试和计算如下51]: 在哪里判断矩阵的最大特征值和吗n判断矩阵的大小。

采用随机一致性比率(CR)资格的一致性,和它的计算公式如下: 国际扶轮是随机一致性指标;它的价值被定义在[52),它的范围从0到1.49对应n基于矩阵的大小从2到10。

计算后,如果CR < 0.1,判断矩阵的一致性是合格的;否则,需要调整判断矩阵。

4.2.3。计算权向量

根据判断矩阵(10)和(11),采用算术平均法计算权重向量的准则层和指标层。

准则层的权向量的计算公式θ_我如下:

指标层的权向量的计算公式ω_本土知识如下:

根据(14)和(15),标准层的权向量获得道路特征评价指标体系:θ= (θ₁,θ₂,θ₃),索引层得到的权重向量: , ,和 。

4.3。评价方法的道路特征

因为模糊综合评价方法的特点,明确结果和强大的系统化,在本文中,它是用来确定道路特征评估价值。

4.3.1。建立道路特征评价集

评价集是由各种可能的评估级别道路特征。基于[53),道路特征评价集建立了包括五个层次: ,并给出相应的分数范围,如表所示2。

4.3.2。隶属度函数的确定

根据表2、梯形和三角形模糊函数作为隶属度函数,如图4。在图中,函数r₁,r₂,r₃,r₄,r₅道路特征的隶属度函数,对应“坏”,“一般”,“媒介”,“好”,和“优秀”等级,分别。

4.3.3。建立模糊评价矩阵

根据图4,确定各指标的隶属度。然后,加入矩阵R_我的标准我如下: 在哪里r_ijk(我= 1、2、3;j= 1⋯n_我;k= 1,2⋯5)的隶属度k水平的评价指数j的标准我。

准则层的综合评价向量可以获得基于他们的体重乘以每一列元素的向量,也就是说, 和综合评价矩阵B准则层是获得: ;然后,基于矩阵B,综合评价向量C计算目标层的模糊变换,也就是说,

4.3.4。计算道路特征评估价值

根据综合隶属度最大的原则,道路特征水平对应于submaximum最大隶属度和隶属度。然后,道路特征的评估价值e计算,具体过程如下:(我)根据综合评价向量C目标层的最大隶属度和submaximum隶属度得到,应该C_k和C_米分别为(k,米= 1,2,⋯,5)。(2)道路特征的水平和给出了根据C_k和C_米。(3)如果k= 1或k= 5,分数可以获得道路的特点C_k和V_k基于图4;即道路特征评估价值e是获得。(iv)如果k= 2或k= 3或k= 4,得到来自两个分数值的道路特征C_k和基于图4,应该是e₁和e₂,并设置e₁<e₂;如果k<米,e=e₂;否则,e=e₁。

根据上述过程,所有道路特征的评估价值e_ij(我= 0,1,2⋯N;j= 0,1,2⋯N)可以获得。

5。为模型的算法

5.1。自适应遗传算法

几十年来,解决车辆路径问题的算法研究了世界各地的广泛。由于其良好的并发性能,遗传算法已被广泛用于解决VRP和它的变体(54,55]。然而,在传统的遗传算法,该算法的性能影响是由于固定交叉概率和变异概率。因此,许多学者应用AGA的车辆路径问题(56- - - - - -59]。

在遗传算法中,如果交叉概率太大,它会破坏遗传模型;如果交叉概率太小,它将搜索缓慢甚至停止搜索在严重的情况下。此外,如果突变概率太小,并不容易产生新的个体结构;如果突变概率太大,GA将失去其特色,成为一个简单的随机搜索算法。然而,在阿迦,自适应交叉概率和变异概率可以调整根据个人的健身价值。自适应交叉概率p_c和变异概率p_米调整根据以下公式: 在哪里f_马克斯在每一代的人口最大的健身,f_avg是每一代人口健康的平均值,f^′是更大的健身价值的两个人,然后呢f个人的健身价值是突变;k₁,k₂,k₃,k₄∈(0,1)。

AGA的流程图如图5。

5.2。AGA的设计

5.2.1。编码和染色体

采用自然数编码方法,从而简化了解码的过程获取最优染色体后,减少的体积计算。车站分布由自然数1,2,3,⋯,N染色体,配送中心是由0。车辆从配送中心,并返回在完成服务配送站。路径的形式分布 在哪里n₁,n₂⋯,n_我自然数的{1,2,3,⋯,N}。

如果配送车辆的数量K,K路径应该计划;也就是说,K路径是相同的形式:“0n₁n₂⋯n_我0。“从这个,是获得的染色体长度自然编码方式K+ 1 +N,染色体的形式 配送中心的数量0在哪里吗K+ 1,n₁,n₂⋯,n_我⋯,n_j⋯,n_N的组合分布站1、2、3,⋯,N。

5.2.2。适应度函数

在AGA,适应度函数是用来衡量种群中每个个体的适应性。目标函数(5)是找到最小值,它的倒数作为染色体的适应度函数。

5.2.3。遗传算子的设计

遗传算子包括选择、交叉和变异,进而作用于人口和结果在新一代的人口。

(1)选择算子。健身比例模型,也称为赌博或蒙特卡罗选择,作为选择算子。方法是一个播放随机抽样方法,选择每个个体的概率正比于它的健身价值。

(2)交叉算子。交叉算子的功能是产生不同的染色体。在染色体的形式就是“0n₁n₂⋯n_我,0n_{我+ 1}n_{我+ 2}⋯⋯0,n_j⋯神经网络0,“基因代表站分布和配送中心,以及他们的邻接关系和序列代表分布路径。为了保持之间的邻接基因和生产各种染色体,交叉算子是定制的。在交叉操作中,选择交叉点的位置根据染色体的分布路径;就是一个分布路径随机选择在父染色体和保存在后代,后代和其他基因的位置是由不同的另一个父染色体的基因,以便获得后代染色体。交叉操作的过程有四个分布路径和十一站在染色体图所示6。应该注意,生成一个后代染色体,如图6,另一个是用同样的方式生成的。此外,交叉概率计算(19在交叉操作)。

(3)变异算子。变异算子采用回复突变的方法。变异的过程中,倒置地区由多个基因的随机选择,然后基因的值在该地区再次逆转,插入到原始位置。变异概率计算(20.)。

5.2.4。算法的停止规则

算法达到的最大迭代数时,算法停止和输出最优解;否则,算法进入下一个迭代周期。

6。仿真实验

6.1。实例分析

青岛是一个山城,道路与大型纵向斜坡和小型平面曲线的特点是常见的角落,和具有良好的空间可达性60- - - - - -62年]。一个真正的物流配送路径规划的例子在市区选择青岛来验证数学模型在本文提出物流配送路径。在这个例子中,有一个配送中心和11个车站分布。根据配送中心之间的位置关系和每个配电所,拓扑映射,如图7。在图中,C₀代表了配送中心,年代₁,年代₂⋯,年代₁₁代表分配站,线路上的数字代表的实际分布之间的距离(单位:公里)站和中心。要求(单位:吨)的分布年代₁,年代₂⋯,年代₁₁1.54,1.65,1.3,1.23,1.54,1.55,1.42,0.91,1.4,1.23,和1.86,分别。车是5吨的能力。

根据公式(5),物流配送路径规划的数学模型的例子。在模型中,配送中心和车站之间的距离是已知的,但是路上需要计算特征值。

在之间的道路C₀和年代₁(标记为C₀- - - - - -年代₁),如图7作为一个例子,一条道路特征的评估价值e₀₁根据评价指标体系和计算部分中给出的计算方法4这篇论文。道路的评价指标及其值评价指标体系如表所示3。

每个索引表的重要性3由该领域的专家得分,然后根据(10)和(11),准则层和指标层判断矩阵得到:

根据(12)和(13),判断矩阵(21)满足条件:CR < 0.1,满足一致性测试。

基于(14)和(15),权重向量的确定准则层和指标层,如下:

根据隶属函数如图4和(16),获得的索引层的隶属矩阵如下:

根据(17),标准层的模糊综合评价矩阵方法如下:

根据(18),综合评价向量C获得目标层如下:

基于道路特征评估值的计算方法,最大隶属度和submaximum隶属度C是C₃和C₄分别和相应的道路特征水平和 。图中描述4路的两个分数值对应于特征C₃是e₁= 45e₂= 60,因为k= 3,米= 4,k<米;然后,e₂选为道路特征评估值C₀- - - - - -年代₁,即e₀₁= 60。

同样,其他道路特征评估值之间的分布中心和站在图7可以计算,如表所示4。

6.2。仿真结果和讨论

染色体长度是将军的一个重要参数。本文由自然数编码染色体,其长度与车辆的数量。根据的要求配送站和车辆的能力,所需数量的车辆K计算如下:

基于车辆的数量K染色体的长度和形式。AGA的其他参数设置如下:人口规模是100,是1000的迭代次数,计算了交叉和变异概率(19)和(20.),分别为,k₂和k₄是0.5和k₁和k₃是1.0。

根据目标函数(5)、道路特点和起初被认为是同样的距离。在的情况下,重量系数和设置为0.5。进行仿真,得到结果,如表所示5,客观价值的总路的距离和道路特征评估值的分布路径。

从表5,得到了四个分布路径,每个路径允许车辆从配送中心并返回到配送中心在完成一定的任务。每个负载分配车辆不超过其能力,满足负载分配车辆的约束。总道路距离是4.76,和总道路特征值是2.25。

图8显示了GA的收敛曲线和将军。结果表明,AGA优于GA的收敛速度和获得的最优解,表明AGA是一种有效的方法求解物流配送路径优化问题。

为了研究不同影响的道路特点和距离对最优配送路径,模拟下进行两个特殊情况:首先,考虑道路的距离;其次,考虑道路特征。在这两种情况下,重量系数和是 和 和 和 ,分别。模拟后,所获得的结果和表所示6和7。

如表所示6和7,所有分配路径是可行的和四个车辆从配送中心出发,回到配送中心在完成所有的要求分配站负荷不超过能力。然而,道路的总特征评估值在表6小于表吗7。相反,道路距离总表7小于表吗6。这表明最优路径获得更好的道路特征的情况下考虑道路特征,在只考虑道路距离的情况下,最优路径和一个较小的道路距离。对客观价值的总和,它是更小的表7比表6。这个结果是由于改进道路距离表7以上的改善道路特征表6在这个例子中。

此外,在表的结果5比较的表吗6和7。总客观价值而言,最小的是表5,紧随其后的是表7,最大的表6。它表明,获得的最优配送路径模型考虑到道路距离和道路特征优于获得的模型只考虑道路距离或道路特征。

总之,总距离的情况下考虑道路距离和道路特征是增加了约1.2%,而客观价值总额减少10.1%的情况下只考虑道路的距离。和总道路特征评估价值的考虑和道路特征的距离是增长了2.3%,而整个客观价值减少了13.7%的情况下只考虑道路特征。这表明分布路径与更好的性能价格比是通过考虑距离和道路特征。

此外,总距离最小的表7,紧随其后的是表5,最大的表6,总评价道路特征值是最小的表6,紧随其后的是表5,最大的表7。这表明如果模型只考虑道路距离,距离最短路径,但道路特性差。同时,如果模型只考虑道路的特点,可以获得最好的道路特色路径,但它带来的增加道路的距离。

为了进一步研究道路特征和距离的影响最优配送路径,其他更多的情况下,设置为0.2,0.4,0.6,和0.8,分别(对应值的是0.8,0.6,0.4,0.2),模拟,结果见表8。基于表8和其他三个案例的结果表5表7结果如图所示9。

从图9和表8,可以发现,逐步减少 ,总距离减小的趋势和总评价道路特征值增加。这个改变的趋势 ,当 ,即模型只考虑道路的距离,和马路的距离是最小的最优路径,可以验证表7。相反,逐步减少 ,道路特征评估总值减少的趋势和总道路距离增加,当 ,即模型只考虑道路特点、总道路特征的评估值是最小的最优路径,可以验证表6。

此外,从客观价值总额的曲线如图9,这表明客观价值的情况下 和 小于的案例 或 ,和最低的情况下 (对应表5)。这表明该模型综合考虑距离和道路特征可以提供卓越的配送路径模型只考虑或道路特征的距离。

7所示。结论和未来的工作

摘要物流配送路径规划在城市区域调查。一个数学模型,提出了综合考虑道路特点和距离。评价模型中,道路特征值定义量化特征的道路。为了获得特征评估价值的道路,道路特点建立评价指标体系和模糊综合评价方法。此外,AGA和一个定制的交叉算子,在交叉点的位置根据车辆路径选择的染色体,旨在解决模型。

选择一个真实的例子,道路特征进行评价,并进行仿真。结果说明该模型实现了最优路径为城市物流配送路径规划和设计的AGA可以获得更好的解决方案,比遗传算法收敛速度。的比较结果不同的道路特征权重系数和距离模型中显示综合考虑道路特征和距离可以产生卓越的配送路径只考虑到道路距离或道路特征。

本文的研究有助于物流配送公司获得最优物流配送路径在城市地区,尤其是在山地城市道路的特点大纵向斜坡和小平面曲线角落是常见的。

本文把道路特征的相关因素考虑在模型中对城市区域物流配送路径规划。然而,道路特征和类别因素包括很多方面,其中一些还没有进一步考虑,如道路交通状态和数量的车道。在未来的工作中,这些因素可以在模型中考虑。此外,物流车辆配送模型考虑道路特征可以扩展蚁群的其他变体,如VRP multidistribution中心和配送站。

数据可用性

使用的数据来支持本文的结论都包含在这个研究,从作者可按照客户要求定制。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金批准号下71801144,山东的关键研究和部门项目批准号下2019 ggx101008,中国博士后科学基金资助项目批准号2019 m652437。

引用

1. 任何和j . Bramel“车辆路由和供应链管理,”定量模型对供应链管理,国际系列运筹学和管理科学施普林格,卷。17日,Bostan,妈,美国,1999。视图:出版商的网站|谷歌学术搜索
2. r·h·侠盗双雄商业物流管理:计划、组织和控制供应链美国,新世纪,上台北,2004年。
3. d . Cattaruzza n . Absi d Feillet, j . Gonzalez-Feliu“城市物流车辆路径问题,”欧元在运输和物流》杂志上》第六卷,没有。1,51 - 79,2017页。视图:出版商的网站|谷歌学术搜索
4. b·陈,r, r .呗,w . Laesanklang”与两个指导指标hyper-heuristic bi-objective mixed-shift与时间窗车辆路径问题,“应用智能,48卷,不。12日,第4959 - 4937页,2018年。视图:出版商的网站|谷歌学术搜索
5. e·b·阿拉亚。h . Dridi h . Bouchriha和p .承担“遗传算法的多目标优化multi-depots皮卡和交付时间窗口和多车问题,“Acta Polytechnica Hungarica,12卷,不。8,155 - 174年,2015页。视图:出版商的网站|谷歌学术搜索
6. h·c·卢、y•杨(george w . bush)和l·t·苏“蚁群优化解决方案对于提货和发货的物流路线规划,”学报2016年IEEE国际会议系统,人,控制论,页808 - 813,布达佩斯,匈牙利,在2016年10月。视图:出版商的网站|谷歌学术搜索
7. a . m . a .苏”,路面不平度对车辆平顺性的影响和滚动阻力”美国国会2006年SAE世界2006年4月美国底特律,MI。视图:出版商的网站|谷歌学术搜索
8. a . Louhghalam m . Akbarian F.-J。乌尔姆,“比例关系损耗pavement-vehicle交互,”交通研究记录:《交通研究委员会,卷2457,不。1,第104 - 95页,2014。视图:出版商的网站|谷歌学术搜索
9. m·a·c . Wang Quddus, s . g .关“道路安全交通和道路特征的影响:回顾和未来的研究方向,”安全科学57卷,第275 - 264页,2013年。视图:出版商的网站|谷歌学术搜索
10. j .徐x, y . m .邵c . Wang y和z,“脚演习和工作负载的司机在山区道路纵向斜坡上,“中国的高速公路和运输》杂志上没有,卷。31日。1,第100 - 91页,2018。视图:谷歌学术搜索
11. m . Nadji、c·h·拉马克和m . Gothie”道路几何对交通安全的影响:车辆/基础设施造型,”学报2007年国际会议上先进的车辆控制和安全页49-54布宜诺斯艾利斯,阿根廷,2007年2月。视图:谷歌学术搜索
12. k . Chatti i Zaabar,“估计路面条件车辆运营成本的影响,“国家科学院的交通研究委员会,2455卷,2012年。视图:谷歌学术搜索
13. G.-P。Gwon W.-S。户珥,S.-W。金,S.-W。Seo”,生成一个精确和高效lane-level路线图对于智能车辆系统,”IEEE车辆技术,卷66,不。6,4517 - 4533年,2017页。视图:出版商的网站|谷歌学术搜索
14. j .马赫迪j .•y l .顾和k . Shunsuke”向高清三维城市测绘:道路特点移动测绘系统和航空图像,登记”遥感,9卷,不。10日,975 - 1005年,2017页。视图:出版商的网站|谷歌学术搜索
15. a·穆罕默德·m·m·m·福·e·Elhariri et al .,“RoadMonitor:智能路面状态监测系统,”先进的智能系统和计算卷,323年,第387 - 377页,2015年。视图:出版商的网站|谷歌学术搜索
16. m . Strutu g . Stamatescu, d . Popescu”移动传感器网络基于路面监控系统,”17学报》国际会议系统理论,控制和计算Sinaia,页630 - 634年,罗马尼亚,2013年10月。视图:出版商的网站|谷歌学术搜索
17. g . b . Dantzig和j . h .公羊”卡车调度问题。”管理科学》第六卷,没有。1,第91 - 80页,1959。视图:出版商的网站|谷歌学术搜索
18. 美国废料,l·d·博丹,b . l .黄金,a·a·阿萨德和m . o .球,“路由和调度车辆和人员:艺术的状态,”电脑与行动研究,10卷,不。2、63 - 211年,1983页。视图:出版商的网站|谷歌学术搜索
19. m . Desrochers j . Desrosiers m .所罗门,“一种新的优化算法对时间窗的车辆路径问题,“运筹学,40卷,不。2、342 - 354年,1992页。视图:出版商的网站|谷歌学术搜索
20. j . Desrosiers y杜马斯,m·m·所罗门和f . Soumis”第二章时间约束路由和调度”,手册在运筹学和管理科学,8卷,35 - 139年,1995页。视图:出版商的网站|谷歌学术搜索
21. m·l·费舍尔k . o . Jornsten o·b·g·马德森,“有时间窗车辆路径:两种优化算法,”运筹学,45卷,不。3、488 - 492年,1997页。视图:出版商的网站|谷歌学术搜索
22. d . Pisinger和s . Ropke“一般车辆路径问题的启发式,”电脑与行动研究,34卷,不。8,2403 - 2435年,2007页。视图:出版商的网站|谷歌学术搜索
23. m . x z . c . Wang, j . Li和j .粉丝,“生产配送车辆路径问题的研究基于混合粒子群优化,修改”《国际智能计算和智能会议系统IEEE,页289 - 293年,上海,中国,2009年11月。视图:出版商的网站|谷歌学术搜索
24. w·h·c·w·刘,t . m . Chan t·崔和w·k·庞”的应用遗传算法来解决multidepot车辆路径问题,“IEEE自动化科学与工程,7卷,不。2、383 - 392年,2010页。视图:出版商的网站|谷歌学术搜索
25. y . Wang马x, y, z . Li m .徐和y王,“利润分配协作多个中心的车辆路径问题,“《清洁生产卷,144年,第219 - 203页,2017年。视图:出版商的网站|谷歌学术搜索
26. m·a·穆罕默德·m·s·艾哈迈德,s . a . Mostafa”中使用遗传算法实现生产配送车辆路径问题,”计算机与信息科学国际会议,页257 - 261,吉隆坡,马来西亚,2012年6月。视图:出版商的网站|谷歌学术搜索
27. t·维达尔t . g . Crainic m . Gendreau和c·普林斯“混合遗传算法与自适应多样性管理对于一大类时间窗车辆路径问题,“电脑与行动研究,40卷,不。1,第489 - 475页,2013。视图:出版商的网站|谷歌学术搜索
28. l . l .廖x Cai, h·d·黄和y . h·刘,“有时间窗车辆路径进行基于两阶段优化算法”学报》第28届中国控制与决策会议银川,页4741 - 4745年,中国,2016年5月。视图:出版商的网站|谷歌学术搜索
29. m·a·穆罕默德·m·k·Abd Ghani r·哈米德,s . a . Mostafa m·s·艾哈迈德和d·a·易卜拉欣,“使用改进的遗传算法求解车辆路径问题的最优解,“计算机科学期刊21卷,第262 - 255页,2017年。视图:出版商的网站|谷歌学术搜索
30. r·刘,江z混合巨大的邻近搜索算法的累积生产带有时间窗约束的车辆路径问题,“应用软计算卷。80年,18 - 30,2019页。视图:出版商的网站|谷歌学术搜索
31. Lei, h . g .拉波特,b .郭”的生产与随机需求车辆路径问题和时间窗口,“电脑与行动研究,38卷,不。12日,第1783 - 1775页,2011年。视图:出版商的网站|谷歌学术搜索
32. k . y . Wang Assogba, j .粉丝,m .徐y . Liu和h . Wang”Multi-depot绿色车辆路径问题共享交通资源:整合时间速度和分段违约成本,”《清洁生产卷。232年,12号,2019页。视图:出版商的网站|谷歌学术搜索
33. 王g·h·w . l .扁,“车辆路径问题同时交付和提取不同的权重下,”物流、国际会议信息和服务科学2016年7月,悉尼,澳大利亚,。视图:出版商的网站|谷歌学术搜索
34. e·e·Zachariadis c, d . Tarantilis和c t . Kiranoudis“车辆路由策略皮卡和交付服务二维载荷作用下约束,“运筹学,17卷,不。1,第143 - 115页,2017。视图:出版商的网站|谷歌学术搜索
35. p . j . Wikarek,服务“生产配送车辆路径问题上升和替代交货(CVRPPAD):使用混合模型和实现方法,”《运筹学,卷273,不。1 - 2、257 - 277年,2019页。视图:出版商的网站|谷歌学术搜索
36. y Shi, t . Boudouh o·格伦德,”一个高效的基于禁忌搜索的过程同时交付和提取时间窗口的问题,“IFAC-PapersOnLine,51卷,不。11日,第246 - 241页,2018年。视图:出版商的网站|谷歌学术搜索
37. c .拉各斯g·格雷罗州,大肠卡布瑞拉,a . Moltedo f·约翰逊和f .帕雷德斯,“一种改进的粒子群优化的蚁群算法同时皮卡和交付时间和窗户,“IEEE拉丁美洲事务,16卷,不。6,1732 - 1740年,2018页。视图:出版商的网站|谷歌学术搜索
38. d . c . Wangμf .赵,j·w·萨瑟兰,“并行模拟退火方法同时pickup-delivery和时间窗的车辆路径问题,“计算机与工业工程卷,83年,第122 - 111页,2015年。视图:出版商的网站|谷歌学术搜索
39. H.-F。小王和y y。陈,“遗传算法同时交付和皮卡的时间窗口问题,“计算机与工业工程,卷62,不。1,第95 - 84页,2012。视图:出版商的网站|谷歌学术搜索
40. k . Saadia EI。y Othmane, b .基,b . Yahya”的遗传算法解决multi-trip有时间窗车辆路径问题,同时提货和发货在医院复杂,”学报》第三届国际会议上机器学习和软计算大叻,页76 - 81年,越南,2019年1月。视图:出版商的网站|谷歌学术搜索
41. c·l·马y y, l . h . Wang c .楚c . Ma和l·h·一”分布的研究路线与时间窗和车载约束基于禁忌搜索算法,”EURASIP无线通讯和网络》杂志上,卷2019,不。1,2019。视图:出版商的网站|谷歌学术搜索
42. m . Cherkesly g•迪早尼尔说道,g . Laporte”以人群为基础的metaheuristic皮卡和交付时间窗和后进先出加载的问题,“电脑与行动研究卷。62年,23-35,2015页。视图:出版商的网站|谷歌学术搜索
43. c . c . c . x任h . Wang,和f·s . Liu”研究物流配送路线问题基于道路交通容量,”《物流工程与管理的国际会议2010年10月,成都,中国,。视图:出版商的网站|谷歌学术搜索
44. r . Kurniawan m . d . Sulistiyo, g . s . Wulandari“遗传算法对生产配送车辆路径问题考虑交通密度,”学报》国际会议信息技术系统和创新,万隆巴厘岛,印度尼西亚,2015年11月。视图:出版商的网站|谷歌学术搜索
45. j·弥尔顿和f .曼纳林公路几何学图形之间的关系,与交通有关的元素和机动车事故频率,“运输,25卷,不。4、395 - 413年,1998页。视图:出版商的网站|谷歌学术搜索
46. r·海恩斯i r .湖,s . Kingham c . e . Sabel j .皮尔斯和r·巴内特”道路曲率的影响,在新西兰发生了严重车祸”事故分析和预防,40卷,不。3、843 - 850年,2008页。视图:出版商的网站|谷歌学术搜索
47. m . c . Wang Quddus,美国被搜查,“用以道路速度和曲率的影响交通伤亡在英格兰,”交通地理杂志,17卷,不。5,385 - 395年,2009页。视图:出版商的网站|谷歌学术搜索
48. m·罗斯,“汽车燃油消耗和排放:车辆和驾驶特性的影响,“年度回顾的能源和环境问题,19卷,不。1,第112 - 75页,1994。视图:出版商的网站|谷歌学术搜索
49. w .勇,x关,b . Wang和m .叮”实时识别方法研究道路纵向坡度和最大路面摩擦系数,”国际汽车设计杂志》上,卷79,不。1,18-42,2019页。视图:出版商的网站|谷歌学术搜索
50. p . l .脂肪”领导人的决策:决策的层次分析法在一个复杂的世界里,“欧洲运筹学杂志》上,42卷,不。1,页107 - 109。视图:出版商的网站|谷歌学术搜索
51. 王x d . x和y彭”,应用层次分析法在评价教育设备效率因素,”学报》国际会议业务管理和电子信息,页96 - 100,广州,中国,2011年5月。视图:出版商的网站|谷歌学术搜索
52. 施d . Ergu g·寇,y, y,“网络分析法在风险评估和决策分析,“电脑与行动研究,42卷,58 - 74、2014页。视图:出版商的网站|谷歌学术搜索
53. 王y和z . y .郭台铭,“道路安全评价基于模糊逻辑,“同济大学学报,36卷,不。1,47-51,2008页。视图:谷歌学术搜索
54. 邵,a·l·黄和h·j·刘,“城市货运基于遗传算法的智能调度模型,”学报》第28届国际会议上的软件工程知识和工程雷德伍德城,页297 - 300年,CA,美国,2016年7月。视图:出版商的网站|谷歌学术搜索
55. 美国Karakatič和诉Podgorelec遗传算法求解的调查multi-depot车辆路径问题,“应用软计算杂志27卷,第532 - 519页,2015年。视图:谷歌学术搜索
56. 问:李,s . j .谢x h .通和z l .王”,自适应遗传算法的最短路径规划Dijkstra算法和车辆及其比较^∗算法”,《北京科技大学,28卷,不。11日,第1086 - 1082页,2006年。视图:谷歌学术搜索
57. w·吴和问:问:阮”gene-constrained遗传算法求解短路径问题,”第七届国际会议上信号处理学报》上,第2513 - 2510页,北京,中国,2004年8月。视图:出版商的网站|谷歌学术搜索
58. z . y .太阳,z l .关问:王,“一种改进的自适应遗传算法的车辆路径问题,”《国际物流系统与智能管理会议哈尔滨,页116 - 120年,中国,2010年1月。视图:出版商的网站|谷歌学术搜索
59. m·斯和l . m . Patnaik”自适应遗传算法的交叉和变异概率”IEEE系统,人,控制论,24卷,不。4、656 - 667年,1994页。视图:出版商的网站|谷歌学术搜索
60. g .高,x, z . Wang和t·李,“实证的空间可达性分析青岛市基于多源数据,”《先进的交通工具卷,2020篇文章ID 7570148, 19页,2020。视图:出版商的网站|谷歌学术搜索
61. 张x, z高,j . Wang问:李,w . Wang和j·张,“交通振动减轻车辆排为连接使用一个车辆控制模型和自主车,”《先进的交通工具卷,2019篇文章ID 6383097, 18页,2019年。视图:出版商的网站|谷歌学术搜索
62. g .高z . Wang,刘x和w·律”验证和分析交通评价指标在城市交通系统规划基于多源数据——通常情况下研究青岛市,中国,“IEEE访问ID 110103条,卷。7日,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Chuanxiang任等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。