Multi-Depot皮卡和交付的资源共享问题

文摘

资源共享(RS)集成到优化multi-depot皮卡和交付问题(MDPDP)可以大大减少了所需的物流运营成本和运输资源重新配置的物流网络。本研究制定和解决一个MDPDP RS (MDPDPRS)。首先,bi-objective数学规划模型,最大限度地减少物流成本和车辆的数量,车辆可以被多次使用由一个或多个物流设施。第二,两级组成的混合算法k——聚类算法,Clark-Wright (CW)算法,和nondominated排序遗传算法二世(NSGA-II)设计。的k算法则采用在第一阶段重新分配客户物流设施根据它们之间的曼哈顿距离,计算复杂性的解决MDPDPRS降低。在第二阶段,连续波和NSGA-II采用联合优化车辆路线和找到帕累托最优的解决方案。连续波算法用于选择最初的解决方案,这可以增加NSGA-II中寻找最优解的速度。快nondominated排序算子和精英策略选择算子是利用在NSGA-II保持解的多样性。第三,基准测试进行验证的性能和有效性提出两阶段混合算法和数值结果证明了该方法优于标准NSGA-II和多目标粒子群优化算法。最后,来自重庆的实际物流网络优化结果确定的数学模型和设计解决方案的适用性的算法。解决MDPDPRS为物流企业提供了一个管理工具来提高资源配置和优化物流运作效率。

1。介绍

信息技术和物联网的发展,物流行业发挥着越来越重要的作用在现代企业的发展1,2]。然而,全球国家和地方政府都在关注物流对环境的影响和资源的有效利用3,4]。物流网络,客户发出的一系列请求交付和皮卡服务和物流服务提供者(物流服务商)设计服务计划和为这些请求安排车辆发货或皮卡(5,6]。高效的物流服务计划可以提高物流服务商的运行效率和资源利用率7,8]。因此,制定一个有效的物流服务计划与资源共享(RS)是至关重要的,这不仅有助于减少物流设施的运营成本,还可以促进绿色物流的发展,为消费者提供更好的物流服务9,10]。

在这项研究中,一个multi-depot皮卡和交付问题与RS (MDPDPRS)结合组件三个子问题:multi-depot车辆路径问题(MDVRP)皮卡和交付(MDVRPPD) MDVRP皮卡和交付时间窗口(MDVRPPDTW)和RS (11- - - - - -13]。然而,解决这个问题的最困难的挑战之一就是如何处理皮卡和交付活动通过RS(在多个仓库14,15]。在传统MDVRPPD,每辆车只执行一个服务类型的活动路线,这可能是交付或捡起货物16- - - - - -18]。此外,传统MDVRPPDTW single-depot皮卡和交付大多只考虑车辆路径问题的优化物流运营成本(19,20.]。因此,MDPDPRS关注如何支持,实现运输资源的有效利用与RS策略,优化物流网络。

关于RS,通常与物流服务商之间协作或合作共同采用优化物流网络与多个仓库(21,22]。RS策略支持客户信息的共享和传输资源,提高物流设施之间的资源配置优化的物流网络23,24]。在这里,分享客户信息通常是通过客户聚类,而运输资源的共享与共享运输设备的使用(25,26]。

至于MDVRPPD,它与广泛的应用程序是一个至关重要的物流问题,特别是在逆向物流(27]。三种基本类型的车辆路径问题存在于逆向物流(28]。第一个类型是混合发货的车辆路径问题和皮卡,涉及客户交货要求,传感器的要求,交付和皮卡的要求(29日]。同时交付和皮卡车辆路径问题是第二种类型,这需要所有客户都交付和皮卡的要求(30.]。第三个类型是常见MDVRPPD,包括交付和小客户在物流网络19,31日- - - - - -33]。在这项研究中,客户服务的考虑时间窗使MDVRPPD现实。

在这项研究中,可以制定成一个bi-objective MDPDPRS最小化物流运营总成本数学模型和车辆的数量(32,34]。的基础上multi-depot和RS MDPDPRS的性质,提出了一种两阶段混合算法找到帕累托最优解决方案。在第一阶段,一个k通过客户聚类算法则采用重新配置资源;因此,MDVRPPDTW简化求解(35]。第二阶段着重于寻找bi-objective的帕累托最优解优化问题(23,36]。Clarke-Wright (CW)算法,善于构造初始解的车辆路线,和nondominated排序遗传算法(NSGA-II),而著称的能力找到帕累托解,采用优化车辆路径在第二阶段33,37,38]。

本研究的其余部分安排如下。部分2回顾相关的文献。部分3阐述了MDPDPRS细节。部分4解释了bi-objective MDPDPRS数学模型。部分5介绍了设计方法解决MDPDPRS。部分6分析了该模型的性能和应用程序制定和解决方案算法在一个真实的案例研究MDPDPRS兼容。最后,部分7总结了结论和讨论潜在的未来的研究。

2。文献综述

MDPDPRS主要MDVRPPD相关,MDVRPPDTW, RS策略18,36]。MDVRPPD MDVRPPDTW MDVRP的扩展问题,摘要对客户需求的物流服务类型,感动地(39,40]。在广泛研究MDVRP和摘要,服务类型的客户交付或皮卡16,33,41]。然而,在实际的物流网络与多个仓库,客户分布和皮卡的要求常常同时存在,顾客的服务时间窗口附加特征;这个问题被学者缩写为MDVRPPD [11,13]。因此,MDVRPPD MDVRPPDTW已经开始吸引学者们的注意,和两者的区别问题主要是客户的服务时间窗口功能是否被认为是(42,43]。MDVRPPDTW,车辆路线优化的关注客户的确认服务时间窗和集成的车辆的交付和皮卡的活动,这是合适的物流服务商的因素必须考虑如果车辆路线优化44,45]。采用RS物流网络的优化也是一个当前的趋势(12]。因此,研究中的MDPDPRS集成汽车分销和皮卡安排与RS策略优化MDVRPPDW。

在MDVRPPD MDVRP相比,研究客户交付和皮卡的要求(35,42]。MDVRPPDTW MDVRPPD的延伸,认为客户服务时间窗的特点(46,47]。许多学者研究了MDVRPPD和MDVRPPDTW考虑多样化的方面,并提出了不同的数学模型和算法(30.,48]。在模型方面,提出数学模型能反映出他们的问题研究了不同约束的特点,包括能力,时间窗和优先约束(29日,49]。Ropke et al。50)建立了一个标准的3项模型基于客户时间窗的特点和设计一个精确的算法来解决这个问题。Gribkovskaia et al。19]研究了配送车辆路径问题和皮卡考虑客户已经拜访的次数,提出了一个混合整数线性规划模型。陈等人。31日)建立了一个综合的数学模型,以减少运输成本未配对与交付车辆路径问题,皮卡在多工厂的生产网络。相反,混合启发式算法(如遗传算法和自适应大邻域搜索算法)和精确算法基于列生成通常旨在解决MDVRPPD和MDVRPPDTW [50- - - - - -52]。该模型和解决方案方法在上面的研究提供了丰富的参考解决基本MDVRPPD和MDVRPPDTW。然而,很少有研究优化MDVRPPDTW RS策略(32,34]。

客户聚类分析是一种研究方面,集团客户根据他们的特征(例如,位置和时间窗口),和常见的聚类算法包括k——集群、并行集群和fuzzy-based客户聚类(53- - - - - -56]。与其他客户聚类算法相比,k聚类则是解决车辆路径问题的广泛采用57,58]。徐et al。59)提出了一种基于改进蚁群算法k——集群解决动态车辆路径问题,取得了良好的优化结果。哈基姆et al。60)设计了一种基于集群的方法解决车辆路径问题和车辆容量有限,和他们的计算结果证明了该方法的有效性。Mourelo Ferrandez et al。61年]减少了同步truck-drone分发网络的计算困难k——聚类算法。王等人。35)提出了一种基于三维混合启发式算法k——集群和改进的参考点NSGA-II解决多目标优化模型。因此,聚类分析可以简化求解车辆路径问题的困难(62年,63年]。

目前,建设的多目标优化模型和多目标优化算法的研究热点发现车辆路径问题的帕累托解,和学者设计了不同的算法(38,64年]。NSGA-II和多目标粒子群优化算法(MOPSO)是两种常用的多目标算法(65年,66年]。NSGA-II采用参考点的策略来维持种群多样性(67年]。斯利瓦斯塔瓦等。68年)提出了一个摘要NSGA-II来解决多目标优化模型和验证的方法优于最新的方法这个问题通过一个真实的案例研究。Maadanpour Safari et al。69年)采用NSGA-II多目标模拟退火(MOSA),和MOPSO优化提出three-objective数学函数和得出结论,NSGA-II优于MOSA结果显示的例子。Shafiei Nikabadi et al。70年)成立了一个货运船队路线选择的多目标模型,优化与NSGA-II MOPSO,认为MOPSO NSGA-II优越。因此,NSGA-II MOPSO一般是两个典型的多目标优化算法可以找到帕累托的解决方案(71年]。

许多学者采用了RS战略合作,优化多中心物流网络(11,17,24]。Zhang et al。15)认为,在协同电子商务卡车载体,参与者可以分享交通资源和客户需求的总利润最大化整个联盟,提高车辆的利用率。王等人。14)采取合作策略来优化MDVRPPDTW操作成本的最小化的运输网络和车辆的总数。邓et al。21)允许物流的功能设施,车辆资源,并通过RS客户信息共享策略,并证明了这种策略可以提高物流资源的利用率。研究Nourinejad et al。72年),车辆可以多次使用,以减少机队规模扩展车辆预订时间。李等人。73年)采用资源共享策略显著优化物流网络,最大化的利用资源。因此,采用RS策略不仅有助于优化物流成本,也提高了资源的利用率,保护环境(22,74年]。

总之,现有的关于MDVRPPD文学提供了丰富的参考资料,MDVRPPDTW,和RS,包括模型公式和算法的解决方案。然而,现有文献有关MDPDPRS具有以下限制。(1)很少有研究MDPDPRS RS, MDVRPPD, MDVRPPDTW。(2)事实上,车辆可以使用多次在工作日不足被认为是拟议中的数学模型。建议的解决方案(3)大多数算法在现有文献只有地址如何解决MDVRP MDVRPPD, MDVRPPDTW, RS尚未纳入设计算法。(4)大部分的现有文献侧重于提高问题和设计算法,但忽视了测试该方法与实际情况。

考虑到上述的缺点,本研究的主要贡献MDPDPRS如下:(1)RS特点,MDVRPPD, MDVRPPDTW MDPDPRS全面整合丰富的研究。(2)RS的基础上,本研究提出和测试车辆可以使用多次,客户信息可以节省物流运输资源共享网络,被认为是在该数学模型。(3)两阶段算法的目的是结合RS与车辆路径优化优化物流网络。(4)基准和真实案例是用来验证该模型和解决方案的性能和适用性的算法。

3所示。问题陈述

RS是一个有效的策略,可以优化物流运作成本和资源分配与皮卡和交付(多中心的物流网络21,35]。在这项研究中,物流网络由多个配送中心(DCs),多个传感器中心(pc)和多个客户。RS的物流网络优化前后,由DC1, DC2, DC3, PC1, PC2, 52个客户(C1, C2,…, C52),如图1。线附近的数值数量代表了时间两个元素之间的距离(包括设施和客户)。

在图1(一),不合理的安排车辆路线和资源的主要原因的nonsharing更高的运营成本的物流网络。首先,交错驾驶和长途电话服务是两个最重要的不合理的安排,和他们引起额外的旅行费用。第二,车辆,违反客户的时间窗口经常发生。早早到达,迟到产生惩罚成本。最后,nonsharing设施导致的能力设施之间的资源和交通资源被闲置。例如,汽车不再回国后工作C2 DC1服务路线DC1⟶这件⟶C6⟶C1⟶C2⟶DC1。

在图1 (b)物流网络是通过共享的客户和运输资源优化的设施之一。首先,设备之间的重新分配客户促进汽车的重排,从而避免惊人和长途电话服务。第二,车辆资源可以更好的通过在多个设备之间共享配置。例如,V1 DC3 DC1和使用。V2和V3还分布和皮卡服务实现。车辆的重复使用可以防止资源被闲置。最后,车辆违反客户时间窗的情况是可以避免的。

清晰地展示RS带来的折扣物流网络优化、六个指标,即旅游总成本(TTC),罚款总成本(TPC),总维护成本(TMC),总固定成本(交通),车辆数量(NV)和运营总成本(TOC)列在表中1。单位时间旅行成本使用车辆可以设置为10美元/小时,违约成本和单位时间等待或后期可以设置为20美元/小时,和维护成本使用车辆在工作时间内可以被定义为100美元,和一个设施的固定成本被使用在工作时间内可以设置为200美元。

在表1TOC和NV的差距在初始和优化物流网络是1880美元,7,分别,这是十分重要的。在优化之前,TTC(1500美元),TPC(440美元),和台湾记忆体公司(1400美元)是主要的元素导致额外的物流成本。优化物流网络,避免惩罚成本,减少车辆的数量也减少了维护成本与RS。此外,车辆的旅行费用也大大降低。因此,RS是一种有效的策略优化MDPDPRS的物流网络。

4所示。数学模型MDPDPRS

4.1。假设和符号

一些必要的假设可以确保可用性的数学模型75年和这些假设如下14,30.,36,42,49,50]。

假设1。在工作期间,客户的需求和协调是稳定的和已知的。

假设2。集中运输在物流设施是由卡车。

假设3。车辆可以多次使用相同或不同的物流设施。
列出相关的符号及其描述表2。

4.2。数学模型

bi-objective数学模型,减少了物流运营成本(方程(1))和汽车的数量(方程(2)形成解决MDPDPRS。在方程(1),物流运作成本由四个部分组成,它们被TTC(方程(3)),TPC(方程(4),台湾记忆体公司(方程(5))、交通(方程(6))。在方程(2),代表共享的车辆。

受

约束(7)确保每个客户提供一次。约束(8)计算共享汽车的时期 。约束(9)- (11)确保流保护实现每个客户。约束(12)和(13)流平衡约束的卡车。约束(14)- (16)确保每个汽车和卡车的装载数量不能超过他们的能力。约束(17)和(18)计算物流设施之间的转运货物的数量。约束(19)和(20.)保证每个设施的服务总数量不超过其能力。约束(21)和(22)要求出发的时间和返回的时间每个车辆都必须满足其服务设施的服务时间窗口。约束(23)和(24)确保每辆车必须为客户提供的服务在客户的服务时间窗口。约束(25)要求每辆车的总工作时间不超过其最大工作时间。约束(26)- (28)是用来消除sub-tours的汽车和卡车。列出相关的二进制变量的约束约束(29日)- (34)。

5。解决方案方法MDPDPRS

摘要和MDVRPPDTW是典型的np难问题12,18,41]。多目标优化算法和两阶段算法往往设计相结合来解决MDVRPPDTW [14,23,36]。在这里,一个两阶段算法与客户聚类,然后解决MDPDPRS车辆路径优化设计。这两级组成的混合算法k——、连续波和NSGA-II算法,以及KCW-NSGA-II命名。在KCW-NSGA-II的第一阶段,客户和资源重构的k——聚类算法(57,58]。第二阶段的主要目的是优化车辆路线和找到帕累托最优解决方案。采用连续波算法构造初始解NSGA-II [33,37,64年,65年,67年]。

设计的算法流程如图2。在这里,创是当前的迭代次数;MaxGen是迭代的最大数量;r是当前内部的迭代的数量重新优化机制,在集群和车辆路径优化;和MaxR是它的最大迭代数。

在图2,首先客户聚类的两阶段特征和车辆路径优化后显然证明了。首先,一个k——客户基于曼哈顿距离聚类机制设计。聚类结果检查、更新和保存完所有客户的重新分配。其次,采用连续波算法设计初始种群和初始可行解,这加快了速度和NSGA-II算法找到帕累托最优解的可能性。第三,精英策略和遗传操作NSGA-II用于迭代优化生成的初始解找到帕累托最优解,这主要体现在改变的创。第四,监管客户聚类之间的重新优化机制和车辆路径优化设置期间保持基因稳定遗传操作,这re-updating机制实现的r。最后,如果创是更新的MaxGen,然后迭代优化算法完成后输出和发现帕累托最优解决方案。

5.1。K——聚类算法

客户聚类是一个重要的措施来降低求解的复杂性MDVRPPDTW [36]。K则算法被广泛用于解决摘要由于其简单性和效率14,21]。的k——基于曼哈顿距离聚类的伪代码中列出的算法1。

5.2。连续波算法

常见和有效的方式构造VRP是CW节约算法的初始解,这实际上是一个贪婪启发式算法(33,37,76年]。客户的服务时间窗口和工具的能力是最主要的约束构造初始解(77年,78年]。连续波算法的伪代码设计中列出本研究算法2。

5.3。NSGA-II

NSGA-II是一个基于遗传算法的多目标优化算法,其搜索多目标优化(帕累托最优解决方案38,64年,68年]。快nondominated排序操作,个人拥挤距离运营商和精英策略选择算子的三个关键设计NSGA-II [33,65年]。在这里,我们假设人口P和n个人存在,个体的个体目标函数值我是x_我。

5.3.1。快Nondominated排序操作符

NSGA-II设计的关键是找到帕累托最优解决方案。提高找到帕累托解的可能性,快速nondominated排序操作符分层P根据个人的质量解决方案(33,64年,65年,67年]。这个方法是一个循环过程分级基于人口的健康。这里,nondominated解集和等级值分配给个人是两个指标快速nondominated排序。假设F_我代表nondominated解集,我_r代表个人的等级值我。然后,快速nondominated类算子的伪代码所示算法3。

5.3.2。拥挤距离及其比较原则

拥挤距离旨在推动人口向帕累托最优解收敛并保持人口的多样性,主要为个人在同一个非惯用层(38,64年,68年]。我们假设n在非惯用的个体存在年代_F,个人的目标函数值我是x_我。然后,拥挤距离计算

在方程(35),代表个体之间的距离的总和和 在每个目标函数的方向。在这里,个人需要排序的目标函数值计算前拥挤距离。如果个人的等级值我和j是我_r和j_r,那么拥挤距离和 ,分别。个人比较拥挤策略基于拥挤距离和nondominated排名结果如下。(1)如果我_r>j_r,那么个人我是最好的。如果我_r<j_r,那么个人j是最好的。(2)如果我_r=j_r,那么个人最拥挤距离是更好的一个。

5.3.3。精英策略选择运营商

防止帕累托最优解迷路在迭代过程中,精英策略选择算子设计,选择最优解的nondominated排序和拥挤父母和子女之间的距离。假设当前迭代t和父母人口P_t后代人口问_t,R_t由P_t和问_t。首先,执行快速nondominated排序R_t然后,拥挤距离计算。的基础上拥挤距离和nondominated层,N患者选择高质量的解决方案,形成一个新的人口P_{t + 1}。

6。实证分析

6.1。算法的比较

标准NSGA-II、GA-PSO MOPSO采用的适用性和有效性进行比较来验证提出KCW-NSGA-II算法在解决MDPDPRS [38,64年- - - - - -66年,68年,79年]。基准数据集C-mdvrptw 20组)的实例(包括用于测试,主要从网站获得。网络和新兴优化及其相关特征表中列出3。以满足研究对象的特点,在这项研究中,仓库被视为物流设施,和客户分为两种类型,即,那些分布要求和传感器的要求。

在表3,客户和物流设施的数量在每个实例都是不同的。第一个实例包括四个设施和48个客户,而实例包括六个设施和288客户。此外,每个实例中使用车辆的装载能力分化。

相关参数正确统一来减轻对算法性能的影响。这些参数设置如下(38,64年- - - - - -66年,68年,79年):(1)对GA参数:人口规模popsize= 200,选择的可能性sp= 0.6,交叉的可能性cp= 0.9,变异的可能性国会议员= 0.2;(2)对算法参数:popsize= 200,惯性权重信息战= 0.85,个人学习信心个人电脑= 2,和社会学习的信心gc= 3;(3)其他相关参数:最大数量的一代genmax= 1200和车辆速度= 5。车辆(NV)的成本,数量和计算时间(CT)计算来验证算法的性能和计算结果列在表中4。

计算结果见表4证明该算法KCW-NSGA-II表现优于其他三种算法。首先,四个算法的平均成本是2584美元,2944美元,2746美元和3025美元,分别。相比之下,成本和优化汽车的数量由KCW-NSGA-II最经济的解决方案与其他三种算法在每一个实例。第二,的价值学习任务也显示,KCW-NSGA-II是明显不同于其他三个算法。此外,该算法可以快速获得最优解。因此,该算法KCW-NSGA-II优于其他三种算法。此外,该算法可以调整来解决问题,如VRPMDP, VRPSDP, PVRP。

6.2。数据源和相关参数设置

作为一个内陆国际物流中心和开放高地,重庆是一个新的在中国一线城市。因此,作为我们的数值实验,重庆的物流网络采用适当的验证本研究的适用性。六个物流设施(即。,DC1,DC2,DC3,PC1,PC2,和生物) and 220 customers are the main elements of this real-world logistics network. The information and characteristics of these elements are listed in Table5和空间配置信息是绘制在图3。

在表5,客户的数量由6个物流设施是27日,36岁,39岁,46岁,31日分别和41。在图3一个明显的特点是,每个设备的客户分配相对分散。每个设备的服务区域优势并不是一个明确的分工。在表6,最初的车辆路线的物流网络,包括每个服务路线的具体信息。

在表6,车辆总数用于最初的物流网络是33岁,汽车的数量在每个设备使用5、6、6、6、4和6,分别。此外,一些车辆回到他们的起源早,如V9, V10, 15,17和V18,表明这些车辆资源没有得到充分利用。DC1的服务车辆路线和27个顾客服务在物流网络图所示4。

在图4V3的服务路线,V4和V5相对复杂。V5执行为客户交付服务C23 C22, C6, C16, C2, C5。然而,这些客户可能更接近DC3空间分布的角度的基础上。因此,优化物流网络是必要的。相关参数的值在这个真实的案例研究如表所示7(38,64年,65年,68年]。

6.3。优化结果

聚类客户优化资源配置是优化物流网络的第一步。物流网络的客户聚类的结果k则算法如图5。

在图5,服务客户和设施优化聚类之间的关系。每个客户都是由物流设施,位于接近客户。总的来说,每个物流设施的服务范围显然已经分配。例如,C23 C22、C6 C16,和C2是由DC1集群之前,然而,他们也由DC3。统计分析的客户改变了像这五个客户服务关系的关键是处理集中运输。设备之间传输的货物量的细节图所示6。

在图6,货物从DC1 DC2的数量是零;因此,最初的客户分配给DC2的DC1不使用集群。货物运输从DC2 DC1的数量是170,这表明一些客户的服务关系已经从DC2 DC1。在这里,DC1和DC2之间的空间距离是33.07公里。集中卡车运输服务航线表中列出8。

在表8,T1和T2三路线。结束时,每个服务路线,卡车应该回到原点。在每个工作日的T1的活动发生在早期,和T2发生在每个工作日。表9显示了优化车辆服务路线。

在表9共同使用的车辆数量的六个物流设施是12。多次使用的一些汽车内部和之间的设施。例如,V1执行路线DC1⟶C86⟶C13⟶甜⟶C11⟶C4⟶C12⟶C7⟶C5⟶C1⟶这件⟶C3⟶C8⟶DC1和路线DC3⟶C73⟶C97⟶促⟶C2⟶C82⟶C29⟶C16⟶C40⟶DC3,分别发生在DC1和DC3。为PC2和生物先后V10提供服务。V2, V4, V6共享在DC1, DC2和DC3分别。

阐明该模型和算法的影响,成本的差距,汽车的数量在初始和优化物流网络计算和列在表中10。这里,TOC的物流设施包括TTC、交通,TPC和台湾记忆体公司。集中运输是一种特殊的项目生成的共享客户信息和交通设施之间的资源。因此,集中运输的成本应该共同承担的所有设施参与分享。同样,考虑到汽车共享和一些车辆被多次使用,车辆的维修应由所有co-paid设施。

在表10,每个设备的固定成本是稳定的,315美元,427美元,533美元,578美元,612美元和590美元,分别。减少旅行,点球,和维护成本的主要目标是优化物流运营成本。TOC最初的物流网络是25473美元,而优化的TOC是16614美元,这表明,显著提高物流网络。交通资源大大节省,随着车辆数量的优化是33岁和14日之前和之后分别。TTC优化前后的差距是图所示7,它可以直接证明车辆路线的优化效果。

在图7,最初的TTC DC1 DC2 DC3, PC1, PC2,生物是2210美元,3581美元,3730美元,4900美元,3067美元和3506美元,分别。每个设备的优化TTC是2047美元,1738美元,1134美元,2064美元,2025美元和2361美元,分别。TTC优化前后的差异比较明显。尽管集中运输所产生的运输成本是1651美元,物流网络仍显著优化。

6.4。分析和讨论

物流网络的优化分为四个情况下基于RS策略的影响分析RS物流网络的优化。在案例1中,客户信息和交通资源是民营物流设施。2,RS是采用DCs(即。,DC2 DC1和DC3)。相应地,在案例3中,成员参与RS pc(即。、PC1 PC2和生物)。4,所有六个设施接收RS策略。由DCs和联合运输资源可以使用电脑,以防4。表11和图8显示的数值优化结果物流网络的四个场景。

在表11和图8,例4优于例2和3在大多数方面。首先,TOC的病例2和3是17038美元和16977美元,分别,这是超过13020美元的情况下4。第二,汽车的数量和场景4的差旅管理公司是14和539美元,分别,这表明案例4是更有利于节约资源。最后,TOC在例4和1之间的差距是8859美元。因此,如果六个物流设施同时采用RS,然后可以优化物流成本更好的运输资源能得救。

6.5。管理的见解

在这项研究中,优化物流网络显著的RS战略重新分配客户,包括物流运作成本和车辆的数量。因此,管理这一研究获得的见解如下:(1)multi-depot,大规模的物流网络与皮卡和交付,客户信息、设施容量和交通资源可以共享,增强资源利用率通过引入RS策略。RS不仅有利于物流设施的操作,包括物流成本和运输资源的使用,而且还有助于为客户提供更便捷的物流服务。与车辆共享,物流网络设施之间的车辆内的多次使用,避免闲置车辆资源。此外,共享客户信息帮助设备为客户提供更高质量的提供物流服务。因此,积极参与RS物流服务商是非常必要的。(2)从当地交通管理部门和环境部门的角度来看,物流网络的优化通过RS不仅降低了运输资源,也缓解了当地的交通压力。此外,资源的有效利用促进绿色发展的环境。因此,当地政府部门可以积极支持和给予激励政策,促进当地物流设施的RS优化物流网络和缓解交通环境。此外,有效的共享机制在多中心的物流网络与皮卡和交付可以提高物流系统的高效运行,促进绿色和可持续发展的当地智能物流系统。因此,引入RS可以促进当地的建设和发展智能和绿色城市物流的激励部门和设施的积极参与。

7所示。结论

本研究处理MDPDPRS,优化物流网络共享客户和运输资源。资源的重新配置和客户提高物流网络的运营效率。本研究的主要贡献包括以下方面。首先,MDPDPRS建模为bi-objective优化物流运营总成本数学模型和车辆的数量。第二,一个两阶段混合算法旨在解决MDPDPRS,其中包含的k——、连续波和NSGA-II算法。第三,应用所提出的数学模型和方法提高了一个真实的案例研究的数值结果和基准。

针对共享交通资源和客户的信息,设计了一种两阶段算法,最初集群客户重新配置资源,然后优化车辆路线。一方面,k算法,则集群客户基于曼哈顿距离,有助于减少MDPDPRS求解的困难,使车辆资源多次在一个集中的方式使用。另一方面,连续波的组合和NSGA-II算法提高了全局搜索能力和算法的速度找到帕累托最优解。

数值结果的实际案例研究,得到在重庆,中国,讨论和分析了改进的应用程序和性能设计的数学模型和方法在解决实际问题与MDPDPRS相似。物流运营成本的差距和优化前后的车辆数目是8859美元,19日分别,验证模型和方法的有效性提出了研究。此外,该算法比较基准的结果(从C-mdvrptw数据集)验证提出KCW-NSGA-II算法优于标准NSGA-II GA-PSO, MOPSO。数值结果讨论的四个病例采用不同的RS策略证明RS有助于优化物流成本,节约运输资源。

在这项研究中,MDPDPRS bi-objective数学模型和方法的设计,提供参考资源的重新配置和优化物流运作成本。针对当前研究的局限性和动态发展的物流产业,进一步的研究可以从以下几方面考虑。(1)动态变化的客户需求和客户满意度是现实的物流服务商关注的两个方面,而这些方面可以添加到MDPDPRS的研究。(2)构建一个动态的数学规划模型,并设计一个具体算法的精确解MDPDPRS值得研究。(3)探索实现RS在大型物流网络的方法和手段来减少物流运输对环境的影响可以被认为是在MDPDPRS的研究。(4)考虑RS机制下的成本分担机制,促进合作的形成和维持其稳定可以丰富MDPDPRS的研究。

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,他们没有任何的利益冲突。

确认

这项研究受到了中国国家自然科学基金(项目号。71871035和71871035),中央大学的基础研究基金(批准号22120210009),人类和社会科学青年基金会中国教育部(18 yjc630189),关键的重庆市教委科学技术研究项目(KJZD-K202000702),人类社会科学重点项目重庆市教育委员会(20 skgh079),中国重庆社会科学基金会(2019 ybgl054),和重庆研究生导师队伍建设项目(没有。JDDSTD2019008)。这研究也支持了2018年重庆Liuchuang计划创新项目(cx2018111)。

引用

1. c·k·m·李,y Lv, k·k·h·Ng, w Ho和k . l .白菜”网络的设计和应用什么智能物流、仓库管理系统”国际期刊的生产研究卷,56号8,2753 - 2768年,2017页。视图:出版商的网站|谷歌学术搜索
2. 刘,y, y . Liu l . Wang和x v . Wang”“物联网”启用智能车辆和物流任务的动态优化方法,”《清洁生产卷,215年,第820 - 806页,2019年。视图:出版商的网站|谷歌学术搜索
3. s . a . r .汗剑,y, h . Golpira a·库马尔和a·谢里夫,“环境、社会和经济增长促进物流绩效指标包括:从南亚区域合作联盟的角度来看国家,“《清洁生产卷,214年,第1023 - 1011页,2019年。视图:出版商的网站|谷歌学术搜索
4. o . Seroka-Stolka”,绿色物流的发展实施可持续发展战略的公司,”Procedia——社会和行为科学卷,151年,第309 - 302页,2014年。视图:出版商的网站|谷歌学术搜索
5. g·安·E、k Uday S和S亚伯拉罕”设计和操作的order-consolidation仓库:模型和应用程序中,“欧洲运筹学杂志》上,卷。58岁的没有。1,14-36,1992页。视图:谷歌学术搜索
6. t . c . Poon k l . (h k h . Chow h·c·w·刘,f . t . s . Chan)和k·c·Ho”管理指令拣选的RFID案例物流资源管理系统在仓库的业务,”专家系统与应用程序,36卷,不。4、8277 - 8301年,2009页。视图:出版商的网站|谷歌学术搜索
7. r·德克j . Bloemhof, i Mallidis“运筹学对绿色物流的概述方面,问题,贡献和挑战,”欧洲运筹学杂志》上,卷219,不。3、671 - 679年,2012页。视图:出版商的网站|谷歌学术搜索
8. g . c . y . Yu Yu, r . y .钟和黄g .问:“手术同步模型在电子商务物流配送中心服务,“先进的工程信息,43卷,2020年。视图:出版商的网站|谷歌学术搜索
9. s . a . r .汗”碳排放之间的关系,贫困,经济增长,和物流operations-empirical来自东南亚国家的证据,”环境科学与污染研究,26卷,不。13日,13210 - 13220年,2019页。视图:出版商的网站|谷歌学术搜索
10. w·张,m . Zhang w·张,问:周,和张x”,影响绿色物流政策的有效性呢?扎根理论分析”,科学的环境文章ID 136731卷,714年,2020年。视图:出版商的网站|谷歌学术搜索
11. m .匪徒和r·f·哈特尔”,在协作车辆路径共享资源,”前,28卷,不。1,1,2020页。视图:出版商的网站|谷歌学术搜索
12. m . Mirabi s m t法特米Ghomi, f . Jolai”有效的随机混合启发式multi-depot车辆路径问题,“机器人和电脑一体机制造,26卷,不。6,564 - 569年,2010页。视图:出版商的网站|谷歌学术搜索
13. m . d . a . Serna c . a . s .巨蜥j . a . z .议会和a·f·a·贝尼特斯,”车辆路由到多个仓库使用迷因算法,”Procedia——社会和行为科学卷,160年,第596 - 587页,2014年。视图:出版商的网站|谷歌学术搜索
14. j . y . Wang, k . Assogba y . Liu m .徐和y王,“协作和交通资源共享在多个中心与交付和皮卡车辆路径优化,“以知识为基础的系统卷,160年,第310 - 296页,2018年。视图:出版商的网站|谷歌学术搜索
15. m . Zhang普拉塔普,g .问:黄和z赵,“最优协作运输服务贸易B2B电子商务物流,“国际期刊的生产研究,55卷,不。18日,第5501 - 5485页,2017年。视图:出版商的网站|谷歌学术搜索
16. w Ho·g·t·s . Ho p, h·c·w·刘,“multi-depot混合遗传算法的车辆路径问题,“人工智能技术的工程应用,21卷,不。4、548 - 557年,2008页。视图:出版商的网站|谷歌学术搜索
17. 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
18. d .陈和z杨”,多个仓库车辆路径问题在城市交通总量平衡的背景下,“《先进的交通工具ID 8524960条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
19. 即GribkovskaiaØ。Halskau、g . Laporte和m . Vlček”一般的单一解决方案与皮卡和交付车辆路径问题,“欧洲运筹学杂志》上,卷180,不。2、568 - 584年,2007页。视图:出版商的网站|谷歌学术搜索
20. j·罗和M.-R。陈,“多阶段修改打乱青蛙跳跃与极值优化算法MDVRP和摘要,“计算机与工业工程卷,72年,第97 - 84页,2014年。视图:出版商的网站|谷歌学术搜索
21. 邓,y元,y . Wang h . Wang和c•科尔“协作与资源共享、多中心物流配送网络优化”《公共科学图书馆•综合》,15卷,不。11日文章ID e0242555, 2020。视图:出版商的网站|谷歌学术搜索
22. a .上地d . Gavalas c . Konstantopoulos d . Kypriadis和g . Pantziou“鼓励汽车汽车共享系统的搬迁,交通研究部分C:新兴技术卷,97年,第193 - 175页,2018年。视图:出版商的网站|谷歌学术搜索
23. x y, y元,关et al .,“协作two-echelon多中心车辆路径优化基于state-space-time网络表示,“《清洁生产,258卷,2020年。视图:谷歌学术搜索
24. l . Verdonck a . Caris k . Ramaekers g·k·詹森,“协同物流从公路运输企业的角度来看,“运输的评论,33卷,不。6,700 - 719年,2013页。视图:出版商的网站|谷歌学术搜索
25. c . Defryn k·索伦森,“快两级可变邻域搜索集群车辆路径问题,“电脑与行动研究卷,83年,第94 - 78页,2017年。视图:出版商的网站|谷歌学术搜索
26. r . j .郭c·h·梅f . e . Zulvia和c . y .蔡”应用程序的metaheuristic算法聚类集合方法应用客户细分,“Neurocomputing卷,205年,第129 - 116页,2016年。视图:出版商的网站|谷歌学术搜索
27. 杨,l .宁、p .商和l .通“增广拉格朗日松弛方法物流车辆路径问题的混合时间和回程的窗户,“运输研究E部分:物流和运输审查,135卷,2020年。视图:出版商的网站|谷歌学术搜索
28. n . A . Wassan g·纳吉,艾哈迈迪,“车辆路径问题的启发式方法与混合交付和皮卡,”杂志的调度,11卷,不。2、149 - 161年,2008页。视图:出版商的网站|谷歌学术搜索
29. n Wassan g·伊,“配送车辆路径问题和皮卡:造型问题和meta-heuristics解决方案方法,”国际期刊的交通工具,卷2,不。1,第110 - 95页,2014。视图:出版商的网站|谷歌学术搜索
30. x r . Liu谢、诉奥古斯托和c·罗德里格斯“启发式算法的车辆路径问题同时交付和皮卡和时间窗口在家庭健康护理,“欧洲运筹学杂志》上,卷230,不。3、475 - 486年,2013页。视图:出版商的网站|谷歌学术搜索
31. 问:陈、李k和z . Liu”模型和算法未配对的皮卡和交付与分裂加载车辆路径问题,“运输研究E部分:物流和运输审查卷,69年,第235 - 218页,2014年。视图:出版商的网站|谷歌学术搜索
32. s . Vaziri f . Etebari, b . Vahdani”水平的发展和优化载体协作车辆路径模型与多种商品请求分配,”《清洁生产卷,224年,第505 - 492页,2019年。视图:出版商的网站|谷歌学术搜索
33. 彭,周x, y . Wang m . Mahmoudi和l .甄”绿色物流eco-packages location-routing问题”运输研究E部分:物流和运输审查,143卷,2020年。视图:出版商的网站|谷歌学术搜索
34. e . Benavent m . Landete e·莫塔,g . Tirado“后进先出的多个车辆皮卡和交付问题的限制,“欧洲运筹学杂志》上,卷243,不。3、752 - 762年,2015页。视图:出版商的网站|谷歌学术搜索
35. x y . Wang问:李关,m .徐y . Liu和h . Wang Two-echelon协作multi-depot多阶段的车辆路径问题,“专家系统与应用程序,167卷,2021年。视图:谷歌学术搜索
36. c . s . y . Wang Peng徐et al .,“Two-echelon基于集成合作物流交付和传感器网络优化和运输舰队共享,“专家系统与应用程序卷。113年,44 - 65,2018页。视图:出版商的网站|谷歌学术搜索
37. t . Pichpibul和r . Kawtummachai”,一种改进的克拉克和赖特储蓄生产配送车辆路径问题的算法,”ScienceAsia,38卷,不。3,2012。视图:出版商的网站|谷歌学术搜索
38. a . Martinez-Puras和j·帕切科MOAMP-Tabu搜索和NSGA-II真正Bi-objective scheduling-routing问题,“以知识为基础的系统卷,112年,第104 - 92页,2016年。视图:出版商的网站|谷歌学术搜索
39. j·罗和M.-R。陈”,改进打乱青蛙跳算法和多阶段模型multi-depot车辆路径问题,“专家系统与应用程序第41卷。。5,2535 - 2545年,2014页。视图:出版商的网站|谷歌学术搜索
40. s . n . Parragh k . f . Doerner, r·f·哈特尔”皮卡和交付问题的调查”,毛皮Betriebswirtschaft杂志,卷。58岁的没有。2、81 - 117年,2008页。视图:出版商的网站|谷歌学术搜索
41. c . Ting和c·h·陈,”相结合的多蚁群系统和模拟退火multidepot交通时间窗车辆路径问题的研究记录,“交通研究委员会杂志》上,卷2089,不。1,第92 - 85页,2008。视图:谷歌学术搜索
42. s . Yanik b Bozkaya, r . deKervenoael”一个新的VRPPD模型和混合启发式网路零售解决方案方法,”欧洲运筹学杂志》上,卷236,不。3、879 - 890年,2014页。视图:出版商的网站|谷歌学术搜索
43. m . Alzaqebah s Jawarneh s Jawarneh h . m . Sarim和s·阿卜杜拉,“蜜蜂有时间窗车辆路径问题的算法,”国际机器学习和计算机杂志》上,8卷,不。3、236 - 240年,2018页。视图:出版商的网站|谷歌学术搜索
44. m . Oberscheider j . Zazgornik m . Gronalt, p . Hirsch”一个精确的方法来减少木材运输的温室气体排放,”应用运筹学杂志》上,7卷,不。2,43-59,2015页。视图:谷歌学术搜索
45. m . Oberscheider j . Zazgornik c·b·亨利·m·Gronalt和p . Hirsch”减少开车时间和温室气体排放在木材运输接近精确解的方法,”北欧的森林研究》杂志上,28卷,不。5,493 - 506年,2013页。视图:出版商的网站|谷歌学术搜索
46. A . Bettinelli A Ceselli, g . Righini”的branch-and-price算法multi-depot heterogeneous-fleet皮卡和交付问题软时间窗,“数学编程计算》第六卷,没有。2、171 - 197年,2014页。视图:出版商的网站|谷歌学术搜索
47. 美国Irnich”multi-depot皮卡和交付问题用一个中心和异构车辆,”欧洲运筹学杂志》上,卷122,不。2、310 - 328年,2000页。视图:出版商的网站|谷歌学术搜索
48. e . Queiroga y Frota, r . Sadykov萨勃拉曼尼亚,e . Uchoa t·维达尔,“回程车辆路径问题的精确解,“欧洲运筹学杂志》上,卷287,不。1,第89 - 76页,2020。视图:出版商的网站|谷歌学术搜索
49. t . Leelertkij p . Parthanadee j . Buddhakulsomsiri, a·兰伯特“转运车辆路径问题:数学模型和算法,”《先进的交通工具卷,2021篇文章ID 8886572, 15页,2021年。视图:出版商的网站|谷歌学术搜索
50. 美国Ropke和肯尼迪。Cordeau”、分支和降低和价格皮卡和交付时间窗口的问题,“交通科学,43卷,不。3、267 - 286年,2009页。视图:出版商的网站|谷歌学术搜索
51. 诉Kachitvichyanukul、p . Sombuntham和s . Kunnapapdeelert”两个解决方案表示解决multi-depot车辆路径问题通过PSO与多个皮卡和交付请求,”计算机与工业工程卷,89年,第136 - 125页,2015年。视图:出版商的网站|谷歌学术搜索
52. a .索里亚诺m .匪徒,r·f·哈特尔”的双区multi-depot皮卡和交付问题,“或频谱,40卷,不。4、1077 - 1108年,2018页。视图:出版商的网站|谷歌学术搜索
53. y . Wang x, y老挝,y,“fuzzy-based客户聚类方法对物流网络优化层次结构,”专家系统与应用程序第41卷。。2、521 - 534年,2014页。视图:出版商的网站|谷歌学术搜索
54. s . Barreto c·费雷拉、j .艰辛和b·s·桑托斯”在生产中使用聚类分析location-routing问题,“欧洲运筹学杂志》上,卷179,不。3、968 - 977年,2007页。视图:出版商的网站|谷歌学术搜索
55. s . Mitra“并行集群技术与分裂交付和皮卡车辆路径问题,“运筹学学会》杂志上卷,59号11日,第1546 - 1532页,2017年。视图:出版商的网站|谷歌学术搜索
56. m . Assari j .不断,o . Fatahi Valilai,“共同制造服务选择和路由问题考虑客户聚类在云制造、”生产和制造的研究》第六卷,没有。1,第363 - 345页,2018。视图:出版商的网站|谷歌学术搜索
57. p . Singanamala d Reddy, p . Venkataramaiah”解决方案使用k - means算法多仓库车辆路径问题,克拉克和赖特算法和蚁群优化,“国际应用工程研究杂志》上,13卷,不。21日,第15246 - 15236页,2018年。视图:谷歌学术搜索
58. r . Nallusamy k . Duraiswamy r . Dhanalaksmi Parthiban,“多个车辆路径问题的优化使用近似算法,”2010年,https://arxiv.org/ftp/arxiv/papers/1001/1001.4197.pdf。视图:谷歌学术搜索
59. h .徐、p . Pu和f段“增强型蚁群动态车辆路径问题优化,“离散动力学性质和社会ID 1295485条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
60. m·w·a·哈基姆·r·戴维·y Windiatmoko,和美国a·阿齐兹,2010年,优化规划服务地区分为紧凑一些含有使用二进制k - means聚类显示车辆的约束。
61. 美国Mourelo Ferrandez, t·哈比森,t·韦伯,r·斯特奇斯和r .丰富,“同步truck-drone交付网络的优化使用k - means和遗传算法,”工业工程和管理杂志》上,9卷,不。2、2016。视图:出版商的网站|谷歌学术搜索
62. m . Elango s Nachiappan, m . K .女子“平衡多机器人系统的任务分配使用K聚类和基于拍卖的机制,则“专家系统与应用程序,38卷,不。6,6486 - 6491年,2011页。视图:出版商的网站|谷歌学术搜索
63. y, b .钱,r·胡L.-P。吴,b . Liu”两阶段算法求解multi-depot绿色有时间窗车辆路径问题,“智能计算理论和应用程序》12卷,第675 - 665页,2019年。视图:出版商的网站|谷歌学术搜索
64. n . Alikar s·m·穆萨维,r·a·拉贾Ghazilla m·马和欧盟Olugu”NSGA-II算法应用到多阶段inventory-redundancy分配问题在串并联系统中,“可靠性工程和系统安全卷,160年,页1 - 10,2017。视图:出版商的网站|谷歌学术搜索
65. 诉Babaveisi、m . m . Paydar和a . s . Safaei”优化使用NSGA-II多产品闭环供应链,,和MOPSO meta-heuristic算法,”工业工程国际杂志》上,14卷,不。2、305 - 326年,2017页。视图:出版商的网站|谷歌学术搜索
66. o . Kaiwartya库马尔,d . k . Lobiyal p . k .女子a·h·阿卜杜拉和a·n·哈桑“基于多目标动态车辆路径问题和时间种子使用粒子群优化的解决方案,“杂志上的传感器ID 189832条,卷。2015年,14页,2015。视图:出版商的网站|谷歌学术搜索
67. 崔z, y . Chang, j .张x Cai,和w·张,“改善与selection-and-elimination NSGA-III运营商”群与进化计算卷,49 23-33,2019页。视图:出版商的网站|谷歌学术搜索
68. g·斯利瓦斯塔瓦,a·辛格和r . Mallipeddi”NSGA-II与objective-specific变异运营商对多目标与时间窗车辆路径问题,“专家系统与应用程序文章ID 114779卷,176年,2021年。视图:出版商的网站|谷歌学术搜索
69. f . Maadanpour Safari、f . Etebari和a . Pourghader Chobar,“建模和优化的tri-objective Transportation-Location-Routing问题考虑路线可靠性:使用MOGWO MOPSO, MOWCA NSGA-II,”工业工程的优化》杂志上,14卷,不。2、99 - 114年,2021页。视图:谷歌学术搜索
70. m . Shafiei Nikabadi、大肠Molayi和m . Akhavan Rad”不确定情况下的车辆路径问题优化强调green-lean实践和客户满意度,“《运输研究,18卷,不。1,第134 - 113页,2021。视图:谷歌学术搜索
71. m·拉巴尼:Oladzad-Abbasabady, n . Akbarian-Saravi“救护病人路由在救灾考虑变量条件:NSGA-II和MOPSO算法,”《工业管理优化,13卷,不。5,2017。视图:谷歌学术搜索
72. m . Nourinejad和m . j . Roorda”动态共享车决策支持系统”,运输研究E部分:物流和运输审查卷。66年,36-50,2014页。视图:出版商的网站|谷歌学术搜索
73. t·r . j . Li Wang, z,和p . m . Pardalos“共享仓库资源的效益分析multi-depot与油耗车辆路径问题,“交通研究D部分:交通和环境59卷,第432 - 417页,2018年。视图:出版商的网站|谷歌学术搜索
74. r·奈尔和大肠Miller-Hooks车队管理车辆共享操作,“交通科学,45卷,不。4、524 - 540年,2011页。视图:出版商的网站|谷歌学术搜索
75. 邹y, b .林、杨x l .吴m . Muneeb阿比德,和j .唐”的应用贝叶斯模型平均在分析高速公路交通事故应急管理工作间隙时间,“《先进的交通工具卷,2021篇文章ID 6671983、9页,2021。视图:出版商的网站|谷歌学术搜索
76. t . Pichpibul和r . Kawtummachai启发式方法基于Clarke-Wright开放式车辆路径问题的算法,”科学世界日报ID 874349条,卷。2013年,11页,2013年。视图:谷歌学术搜索
77. h·梅y Jingshuai, m .腾l . 14 w . Ting,“飞行勤务车辆路由问题的建模基于改进北京市算法,加入时间窗,“交通研究Procedia25卷,第728 - 716页,2017年。视图:出版商的网站|谷歌学术搜索
78. İ。k . Altınel和t . Oncan”,一个新的增强克拉克和赖特储蓄启发式的生产配送车辆路径问题,“运筹学学会》杂志上卷,56号8,954 - 961年,2017页。视图:谷歌学术搜索
79. b . Vahdani f·曼苏尔,m . Soltani, d . Veysmoradi”Bi-objective优化整合码头起重机和内部卡车卡车共享的任务与挑战,”以知识为基础的系统卷,163年,第692 - 675页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021勇王等。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。