优化城市冷链运输路线,在时变网络条件下

文摘

鉴于城市冷链运输的时间特征和城市道路的时变特征速度,客户遇到的问题有限由于模糊时间窗车辆路径优化。城市冷链运输优化模型的目标函数为最小总成本构造服务可靠性的前提下,和一个人工免疫粒子群优化算法是为了解决模型。实证分析厦门的冷链运输、两级解决方案涉及“静态优化和动态优化”是用于验证模型的有效性和实用价值的研究。结果表明,时变模型能有效地反映城市道路交通的情况,满足城市的时效性要求冷链运输。

1。介绍

经济的发展和人民生活水平的提高,中国的冷链物流发展迅速,冷链配送的要求不断提高。与大量的传统冷链配送,几个批次不能满足当前分配的需求,和小批量的、多频、multi-variety冷链配送已成为物流配送的主要趋势。鉴于大多数城市道路的时间不同,城市冷链运输网络变得越来越复杂和随机的。因此,城市冷链运输路径的优化应考虑运输成本、降低损失的价值,服务及时性造成的可靠性。冷链配送的过程中,产品质量逐步下降随着时间的流逝,这不仅会导致损坏,冷链物流企业,同时也降低了客户体验。这个行业需要解决的紧迫问题。

国内外冷链物流车辆路径问题研究关注冷链物流运输的优化路由和时间窗约束和优化冷链物流车辆路径与多个配送中心,多个车辆模型和最低碳排放。研究冷链配送时间窗口如下。Govindan et al。1)建造了一个多目标优化模型的综合决策和分配易腐货物的供应网络一个时间窗口。肖et al。2]分析了冷藏链的各个环节成本分布和构造最小装配的VRP模型考虑各种约束条件,如车辆负荷和时间窗口。康等。3]认为车辆使用、运输、货物损坏、制冷、点球、碳排放成本总成本优化目标优化冷链物流的配送路径。一些学者也进行了研究multi-distribution中心和多模型冷链物流车辆路线:Tarantilis et al。4)检查肉类和牛奶在希腊的分布,研究了开放的冷链物流配送车辆路线问题多种车辆类型和配送中心,并与阈值的方法解决了这个问题。Morim et al。5)考虑多个时间窗口和车辆模型的约束条件,建立了一个车辆配送路径优化模型。拉巴尼et al。6]研究了确定性车辆路径问题在多个中间仓库和提出易腐食品新鲜度的概念来获取最优配送路径。Zhang et al。7)设计了一个数学模型的冷链物流车辆路径与多个车辆领域和模型,解决了使用遗传算法和精英选择方法。这些研究有一定的参考价值,但他们主要是强调经济目标和外部环境的影响对车辆的速度将被忽略。然而,随着城市交通负荷不断增加,城市交通拥堵已经成为一个正常国家,道路段的通过时间随时间不断变化。基于静态交通网络的车辆路径问题是不同于实际情况。静态模型通常需要解决方案很短的距离,但长的运输时间最优的解决方案,这是相反的目的冷链物流决策者追求时效性。时变网络可以解决城市冷链运输车辆速度的波动尽可能真实,接近实际情况。考虑时变车辆路径已经成为近年来的研究热点,在交通拥堵方面,郑(8]添加时交通拥堵因素模型解决冷链物流配送车辆路径,分别使用一种改进的遗传算法和一个阶段优化方法来解决这个问题。局域网et al。9)建立了一个车辆路径优化模型,考虑城市道路拥堵,用混合遗传算法求解该模型。邓et al。10)建立了一个混合整数优化模型对军事物流配送时间窗口,使用遗传算法求解该模型。王等人。11]研究了绿色车辆路径问题能力约束和竞争文化基因算法用来解决模型。

学者也进行了研究城市道路网络的时变特性,导致出行时间的不确定性的冷链运输车辆。他们主要研究了最短时间变化的问题,如部分阻抗(旅行时间和旅行成本)和通常使用确定的时间函数来表示部分阻抗。杨et al。12)建立了模拟退火算法在时变条件下解决车辆路径问题。李等人。13)提出了一种新的方法来处理一般时变旅行社问题推导并进行了建模和解决方案。李(14]讨论了一类时变条件下旅游规划问题。施等。15]分析了运输网络的时变特性,在时变条件下建立了仿真模型,用混合遗传算法求解该模型。Zhang et al。16)检查产品配送车辆的调度问题在multi-temperature区域时变路网环境下,建立了一个数学与最低配送总成本优化模型,并使用模拟退火算法的解决方案模型。

总之,现有研究成果的深入研究提供一个良好的基础在时变网络条件下城市冷链运输。然而,仍然有下列缺陷。首先,现有文献集中在两层,时变网络问题。第二,大多数现有的研究集中在数学模型和求解算法的车辆路径优化问题在城市道路静态网络。研究车辆路径优化的城市道路动态网络专注于道路拥塞避免和最短的时间变化的问题,如部分阻抗(旅行时间和旅行成本)。针对这些研究的不足,总结了论文的主要贡献如下:(1)城市冷链运输路径模型构建研究中涉及到三层网络,也就是说,supplier-distribution center-customer。(2)市区道路的实时情况报告是基于百度的大流量数据智能地图(中国城市交通拥堵指数)和动态车辆路径优化模型和求解算法在城市时变网络条件下建立冷链企业提供决策参考实现城市冷链运输。

剩下的纸是组织如下。部分2介绍了分析和假设的时变网络条件下城市冷链运输和介绍了冷链车辆旅行时间分析。部分3以总成本最低为目标函数建立一个城市冷链运输模型时变条件下的交通网络条件。节4,一个人工免疫粒子群优化(AI-PSO)模型设计。部分5介绍了厦门冷链运输的设计作为实证分析,采用优化算法来解决两个阶段的情况下“静态优化”和“动态优化,并讨论了计算结果。本文总结了部分6。

2。问题描述和假设

城市冷链运输网络包括供应商、配送中心和客户。配送中心收集客户的需求信息并将这些信息发送到供应商。供应商需要满足时间窗要求配送中心提供服务。配送中心还需要满足时间窗要求向客户提供送货服务,和时间损失成本的产生是对任何偏离时间窗口。供应商和分销中心的行驶路线。在满足目标的前提下的配送中心,提供客户满意度,完成所需的分销业务最低的总成本和最小偏差的时间窗口。

2.1。模型的假设

(1)一个供应商、多个配送中心和多个客户都位于同一城市的不同区域。(2)关于配送中心供应,之间不存在商品分配配送中心。(3)关于客户的供应配送中心,之间不存在商品分配的客户。(4)车辆不满载时,配送中心所需的大宗商品需求小于供应商的车辆的承载能力。一辆车可以完成分配任务所需的多个配送中心。商店所需的商品需求小于车辆的承载能力在配送中心,和一个工具可以完成分配任务所需的多个商店。(5)供应商采用配送中心车辆分配策略或存储服务;也就是说,每个配送中心或商店可以由多个车辆,和所有服务可以服务。(6)运载工具有不同的模型,和交付任务每一行都是只由一个汽车。(7)配送车辆的单位运费率是独立的车辆类型和是相同的。时变的事件,如交通事故、交通堵塞、天气状况,和其他紧急情况,应考虑在旅途中发生的。(8)假设的统计法律o车辆通过时间的交通网络中的每个部分是已知的;车辆通过时部分(O,D遵循正态分布的 。

2.2。旅行时间的分析时变网络条件下冷链车辆

假设并行路径之间的存在OD在城市交通网络。路径长度和行驶的速度影响每个路径的旅行时间 ,和拥堵系数直接影响行车速度 。由于城市交通网络的时变特性,突发交通事件发生点一个当车辆前往T在某OD路径 ,如图1。

的能力助教的路段将不可避免地下降,导致车辆旅行时间的变化来 。路线的旅行时间函数是

如果多个也存在类似的情况OD部分,然后

如果驾驶车辆上道路行驶的时间吗没有拥挤,那么 在哪里代表了部分的长度在路线没有交通堵塞 和代表的速度没有拥挤的部分存在于路线 , 。

假设车辆可以达到正常的行驶速度在路上没有拥堵,转向系数是用来衡量道路的实际驾驶困难。因此,车辆的速度与左、右转的数量和过境点的数量。 在哪里代表了转向系数,是剩下的数量,代表右转的数量,是过境点的数量(17]。

假设汽车的行驶速度在拥挤的部分米是 ,汽车的行驶速度有关穿越的时代和拥堵系数 。 在交通拥堵系数成反比的能力路径 。本研究假设拥堵系数相关事故 ,交通堵塞(在本文中,交通拥堵是假定为实时交通拥堵指数)的倒数,车辆性能 ,天气条件 ,和其他紧急情况 。对速度的影响分为五个等级:正常 ,温和的 ,媒介 ,严重的 ,和非常严重 ,也就是说, 。

3所示。建筑模型

冷链配送服务的可靠性的指标城市冷链物流的服务水平。城市冷链物流运作过程中,冷链物流配送网络的核心是改善城市冷链服务的可靠性,因此尤为重要,选择合适的冷链物流中心和科学的交通网络。

3.1。服务可靠性分析

客户满意度模型构建基于供应链理论。服务可靠性服务时间的函数 。模糊数是凸模糊集定义在实数域,和常用的模糊数功能包括三角形和梯形模糊数。三角形和梯形模糊数的隶属函数如图所示2。

梯形模糊数 本研究采用。客户接收可靠性最高的冷链服务在时间窗口材料 ,量化是1。冷链供应的收据 或 是可以接受的,但满意度随时间而减小。当时间窗口 超过,满意度量化为0。因此,时间为客户表示为收到货物和材料梯形模糊数的隶属函数。

基于梯形模糊数的隶属函数 ,运输时间的优化目标转化为优化目标的服务可靠性。考虑到城市冷链物流的特殊性,客户在指定的时间内收到冷链材料窗口。当时间是早于 ,车辆需要等待,等待成本。如果时间是晚于 ,销售会受到影响,造成机会损失。然而,在车辆的过程中,事故,车辆性能,交通,天气,或其他紧急情况(例如,时变因素)影响车辆移动速度,以及车辆行驶时间变化来 ,导致延期交货的冷链产品交付给客户。这延迟影响车辆效用曲线,和服务可靠性曲线变化。如果服务可靠性最大化的目标没有实现,那么模型将重新分析和实时优化车辆的出行路径将被执行。

除了冷链配送,其他冷链物流环节的可靠性冷链物流运作是假定为1。冷链配送因素影响整个冷链物流服务的可靠性。服务的可靠性的冷链物流中心的概率是指为客户提供冷链产品在指定的时间在一定条件下(18]:

然后,根据公式(7),计算公式的可靠性分配多个客户服务中心

简洁的表示的冷链物流服务的可靠性模型在表1。

3.2。优化模型的时变网络条件下城市冷链运输路径

假设是一组供应商, 。 是一组冷链配送中心 。 是客户, 。供应商导入冷链产品需要提供客户通过冷链物流配送中心存储和冷却后分布。静态和动态优化是按照每个配送中心和客户的时间窗的要求。该模型如下:供应商(码头)⟶配送中心⟶客户(图3)。首先,确定配送中心。总共选择配送中心存在,需要确定配送中心的选择。第二,确定配送中心的客户,和供应商的运输路线(终端)配送中心计划。第三,交通路线从配送中心到客户将保证总成本最低。

3.2.1之上。模型参数

城市的符号冷链车辆路径优化模型在表中做了总结2。

3.2.2。城市冷链运输路径优化模型

模型建立如下。

公式(9)是目标函数代表冷链产品的最低总成本从供应商到客户通过配送中心。公式(10)提供了所需的总时间冷链货物运输从供应商到客户。公式(11)表明,冷链配送中心选择替代冷链配送中心。公式(12)代表的供求关系对冷链配送中心和客户之间。公式(13)表明,每个客户只能由一个单一的冷链配送中心。公式(14)表明,对于每个冷链配送中心选择,相应的分配关系是有限的。公式(15)表明,分布从供应商到冷链配送中心的总和等于冷链配送中心到客户交付量。公式(16)表明,每个冷链配送中心的总交货数量不超过上限 。公式(17)代表相应的冷链配送中心的客户,和在所有情况下,冷链配送中心选择和客户。公式(18)代表估计驾驶时间从供应商冷链配送中心 。公式(19)代表冷链配送中心的估计驾驶时间对客户 。公式(20.从供应商)表示实际驾驶时间冷链配送中心 。公式(21)提供冷链配送中心的实际驾驶时间对客户 。公式(21)和(23决策变量。

4所示。优化算法设计

摘要分解方法用于城市冷链运输路径优化问题分解为两个相互关联的子问题。首先,本文解决了客户的问题归因定位。然后,第二子问题的最优解是基于第一子问题的最优解。最后,根据上述解决方案,城市冷链运输路径优化的目标的解决方案。问题是解决了MATLAB编程和人工免疫粒子群优化算法(19]。

4.1。车辆行程时间计算

在路径模型时变网络和对称,旅行时间的部分 表示为 ,在哪里截面估计平均行车速度吗 。然而,在时变网络模型、车辆旅行时间是受到时变因素的影响,如事故、车辆性能、交通拥堵、天气和其他紧急情况。假设出发的时间距离是 ,根据图1,车辆的行驶速度是受时变因素在驾驶过程中车辆的部分(O,D)[20.]。在本文中,部分(O,D)分为多个小节。如果小节是k段,那么实际的运行速度 ,和相应的时间间隔将开始 。计算到达时间和旅行时间可以表示如下:(1)确定的值按照 ,获得相应的 ,分配 ,和计算 。(2)如果 是真的,输出到达时间和旅行时间 ,和结束循环。否则,继续步骤(3)。(3)更新 ,计算 ,更新 ,并返回到步骤(2)。

4.2。人工免疫粒子群优化

在这项研究中,介绍了人工免疫粒子群优化(AI-PSO)解决提出的数学模型。人工免疫算法引入生物免疫的多样性特征和免疫记忆算法,粒子保持种群的多样性,并能解决过早收敛的问题,搜索精度低、传统的免疫算法的局部搜索能力,优化结果可以满足实际需求21]。

4.2.1。准备生产的初始抗体群

初始抗体群时从记忆库中选择这家银行不是空的。否则,产生初始抗体群随机在可行解空间。一个简单的编码方法是用于这项研究。每一个选址方案可以形成抗体的长度(代表的是配送中心的数量),每个抗体代表序列的需求点所选的冷链配送中心。这工作认为一个问题涉及31个客户,1,2,…,31日代表客户编号。选择四个配送中心。抗体(27)12日,18日,25日,代表了一种可行的解决方案,这意味着12日,18日,25日和27日选为分布中心。

4.2.2。多样性的评估解决方案

认为免疫系统组成抗体基因的长度 。以下术语定义:(1)多样性。一个有效的指标来衡量和评估个体之间的差异必须开发维持或扩大个体在种群进化的多样性。平均信息熵 ,这是用来测量个体之间的差异(22]。它是表示为 。 信息熵的吗基因,它被定义为 ,在哪里的概率吗 符号出现在轨迹 ;也就是说, 。(2)相似。抗体之间的亲和是计算使用一些连续的方法,这是一个部分匹配的规则。首先,决心代表的亲和程度的阈值。高度的相似性抗体是由高的存在或连续两个编码比特;否则,它意味着两个不同的个体。 ,在哪里 代表了相同位数的抗体和抗体和代表的长度一般抗体(23]。如果两个抗体(6 5 2 7,18日,19日,16日,10,12)和(6 7 11日8日,26日,19日,21日,9日,15),然后中心7日6日和19个是相同的。 ,和长度是9。因此,相似度是1/3。这种相似性计算在数据挖掘中使用相似(24]。(3)抗体浓度。这个浓度指的是类似的抗体的人口比例(计算使用位连续方法上面提到的);也就是说, ,在哪里 , 是一个预先确定的阈值,抗体的浓度吗 , 抗体的总数,是集抗体(25]。(4)期望繁殖率。每个人期望繁殖率的人口是由亲和力抗体和抗原之间的浓度的抗体。 ,在哪里是多样性评价参数(通常是0.95)。方程表明,个体浓度成反比期望繁殖率,和个人亲和力期望繁殖率成正比。(5)免疫记忆单元。增加一定数量的抗体与抗原亲和力高的内存单元有利于更新内存单元。 和 ,在哪里抗体的浓度选择概率和吗是普通健身26]。(6)综合健身。综合健身的修改 。抗体选择的概率正比于聚合物健身时选择执行。当浓度是恒定的,健康是越高,被选中的概率越大。然而,当健身是常数,抗体浓度越高,选择的概率越低(27]。

4.2.3。人工免疫粒子群优化算法(AI-PSO)流

AI-PSO解决城市冷链运输路径优化可以归纳为如下步骤。所示的AI-PSO算法算法的伪代码1。

5。实例分析

介绍厦门东渡港作为配送中心,31日客户选择在厦门岛分发点。

5.1。Instance-Related数据

本研究使用MATLAB程序计算和模拟进口水果在厦门的冷链配送网络。这个地区有一个供应商(东渡港)和31个客户。考虑到各种因素的冷链城市交通车辆分布,模型的服务时间是6点到12点。,6点我是最早的配送中心的服务时间,和时间设置为0。根据厦门市交通法律,交通堵塞时间将从早上7点到9点,剩下的时间是正常的开车时间。速度与事故、交通堵塞、天气条件、车辆性能、和其他紧急情况。AI-PSO用于解决城市冷链运输优化模型和相关参数如表所示3。

四个配送中心选择31提供分销服务客户。供应商的坐标矩阵,配送中心和客户表所示4和空间布局如图4。客户的时间窗口是通过调查进口水果的冷链运营中心在厦门自由贸易(实验)区。如果客户被选中作为一个配送中心,客户的时间窗口的时间窗口是配送中心接受供应商的出货。

在这项研究中,使用MATLAB R2014b编程软件来解决模型,以及平台的基本信息如表所示5。在路径优化研究中,人口规模米= 200和最大迭代次数达峰时间= 100。内存容量Overbest = 10, cross-probability pcross = 0.5,和变异概率P= 0.4。粒子群算法中惯性权重wstart = 0.9,行= 0.4,和学习的因素C₁=C₂= 1.5。

5.2。静态优化阶段

AI-PSO采用按照已知的信息,和时间窗的要求配送中心和用户相结合来确定客户的所有权在静态环境。分析结果如图所示5,和相应的客户信息表所示6。

pre-optimization阶段分布模型确定在一个静态环境中按照已知的信息,和AI-PSO采用的解决方案。供应商服务配送中心B21, B27, B24, B28。车辆的总里程82.173公里,平均每个配送中心服务供应商的可靠性和0.8787。五个城市冷链运输路线、成本、汽车驾驶距离,和服务可靠性在静态环境如表所示7。

的收敛曲线AI-PSO在静态环境如图6,目标函数的最小成本是57613 .91点元。

5.3。动态实时优化阶段

因素变化时,继续实施优化方案在静态环境中导致未能履行服务供应商的可靠性目标或配送中心的一部分。实时交通拥堵指数的变化从早上8:00到18:00点11月20日,2019年,获得与百度地图智能交通软件如图7。据百度流量大数据,厦门的事故系数是0.846,和其它紧急情况的系数是0.995。厦门的天气信息来自中国气象局。2019年11月20日,是一个晴朗的和多云的一个温度16°C-22°C和风力5 - 6转3 - 4。天气条件系数设置为0.990。根据车载数据库,车辆性能系数是0.999。

按照道路特征在厦门,驱动转向系数为1。根据公式(5),车辆的实际行驶速度也相应变化。在此基础上,采用AI-PSO方法来确定客户的所有权在动态环境中在满足需求的前提下的模糊时间窗。分析结果如图所示8,和相应的客户信息表所示8。

依照变化信息,实时的传输模型优化阶段是建立时变条件下的网络条件,采用AI-PSO解决方案。结果表明,供应商服务配送中心B16转椅,B24, B27, B28。车辆的总里程283.832公里,平均每个配送中心服务供应商的可靠性是0.8557。五个城市冷链运输路线、成本、汽车驾驶距离,和服务可靠性在动态环境中如表所示9。的收敛曲线AI-PSO在静态环境如图9,目标函数的最小成本58101.23元。

5.4。实验结果分析

传统的粒子群优化(PSO)和混合粒子群优化(GA-PSO)程序还使用MATLAB编写R2014b验证的有效性城市冷链运输路径优化算法在时变网络。混合粒子群优化(美索)抛弃了传统的粒子群优化(PSO)的方法更新粒子的位置通过追踪极端值,但它引入了遗传算法中的交叉和变异操作和搜索最优解通过个体之间的交叉和人口极端值的粒子和粒子的变异。比较实验与AI-PSO算法进行了设计。在相同的实验条件下,冷链运输路径,距离、成本、可靠性和服务在一个静态环境下计算,和三种方法的结果如表所示10。运输路径、距离和冷链成本动态环境下表所示11。

从表可以看出10在两层的模型的结果GA-PSO算法下的最优车辆路径与城市冷链运输成本为目标函数,供应商需要发送五车,一个C的车,和一个D车进行分布四个配送中心。四个配送中心需要发送三个车,三个汽车,一个C的车,和两个D冷藏运输车分发到27个客户。GA-PSO和PSO相比,AI-PSO车辆选择的差异,但他们并不可观。程序运行时间而言,PSO和GA-PSO需要40.1203和33.2169,分别收敛。收敛AI-PSO需要31.3470秒,这是21.88%比算法更有效。在总成本方面,PSO总成本最低,但其平均服务可靠性也是最低(0.8319)。的总成本和总距离AI-PSO算法略有增加,但平均服务可靠性提高。的平均服务可靠性AI-PSO算法0.8787。测试算法在静态环境中达到预期的效果。

如表所示11在两层的模型的结果GA-PSO算法下的最优车辆路径与城市冷链运输成本为目标函数,供应商需要发送五车,一个C的车,和一个D车进行分布四个配送中心。一共有三个,三个B, C, 1 D冷藏运输车辆被发送到四个配送中心提供27客户。GA-PSO和PSO相比,AI-PSO车辆选择的病例中没有区别。程序运行时间而言,PSO和GA-PSO 41.0860和33.9370,分别收敛。AI-PSO需要32.6719秒收敛,这是比算法更有效率20.48%。在总成本方面,GA-PSO总成本最高。AI-PSO总成本最低,但其平均服务可靠性是0.8557,在PSO和GA-PSO的值。尽管AI-PSO算法的平均服务可靠性不是最高的,其总成本和总距离是最低的。在动态环境中,测试算法也达到预期的结果,城市冷链运输路径的优化方案基于AI-PSO算法符合经济和服务可靠性的要求。该算法可以获得更好的目标函数值比其他两种算法在静态和动态环境中,这表明该算法是可行的和有效的在不同优化目标。

比较表10和11表明,AI-PSO算法,静态环境中的分布总成本是57613.908,和动态环境中的分布总成本是58101.23(增加了0.85%)。在静态和动态环境中,总的分布距离是282.039和283.832,分别增加了0.67%。平均服务交付的可靠性在静态和动态环境中是0.8787和0.8557,分别减少2.62%。这一结果表明,时变网络环境增加了配送成本和降低了平均冷链物流企业的服务可靠性。为了避免时变网络环境对城市分布的影响,城市冷链物流和运输企业应该建立一个合理的服务时间分布服务,为冷链需求客户一个合理的时间窗口。服务可靠性的计算结果表明,优化目标在一定程度上增加了配送成本,并提高服务的可靠性冷链物流企业将在一定程度上增加配送成本。冷链物流企业应该在交付过程中探索差异化客户管理基于客户的特点,采用硬时间窗为重要的客户服务,和软时间窗对其他不重要的客户服务。

6。结论

根据特征强烈的时间要求城市冷链运输的主要因素影响冷链的及时性是客户的所有权。在这项研究中,梯形模糊隶属函数的时间窗约束是介绍了研究。城市交通部分涉及时变因素在改变的过程中,导致时间延迟问题。服务可靠性最大化的基础上,一个城市冷链运输路径优化模型时变网络条件下构造。AI-PSO被用来解决模型两个阶段,即冷链运输路径优化静态环境下和实时冷链运输优化动态环境下。研究后,以下贡献了:(1)城市冷链运输路径模型构建本文包括三层网络,即supplier-distribution center-customer。首先,配送中心的位置,从供应商到配送中心的运输路径是根据模型来解决。其次,确定顾客归因和运输路径从配送中心到客户解决根据客户属性的结果。(2)在动态优化阶段,本文使用百度地图交通大数据(中国城市交通拥堵指数)来反映城市道路网络的时变特性,解决了城市冷链运输路径在时变网络条件下。与冷链运输路径的优化在静态环境下,动态环境的结果表明,该模型可以获得成本最低的最优配送路径和调整城市冷链运输路径根据实时交通信息,以避免交通堵塞。

领域的运输、大数据已经开始扮演越来越重要的角色,以及大数据在城市交通管理的作用正在逐渐显现。然而,如何有效区分和科学、合理使用数据是一个决策者的智慧和远见的考验。本文提出的模型和算法可以提供方法论的支持和科学参考冷链企业的决策者,他们计划他们的运输路径。

事实上,城市道路的交通流量是大大不同于高速公路,和测量车辆到达市区道路中间部分也将严重干扰上游信号灯和上游公交车站。如果这条路没有足够长的时间,它也可能被下游交通设施。王(28]发现,汽车的数量到达一定的时间间隔在一个路段是随机数,及其统计规律可以用三种描述离散分布取决于不同的情况:泊松分布时交通密度很小。当车辆密度太大,这是二项分布。负二项分布用于其他情况和受灾高峰期。然而,为方便解决模型本文假设的车辆通过部分(O,D)遵循正态分布 ,这是实际情况。未来的研究在这一领域仍需努力。本研究也没有考虑时变需求的客户,也不讨论涉及客户的退货逆向物流问题和材料。此外,车辆调度问题,如城市道路网络的随机时变特性,路段失败,基于实时交通信息和交通避免,不包括,因此需要进一步的研究。

数据可用性

本文所需的基本数据是通过公共数据收集和实地研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由以下基金项目:国家自然科学基金委资助项目(71662011),教育研究项目为年轻和中年教师福建教育部门(jas20228),江西经济社会发展智库项目(19 zk7),江西社会科学规划项目(18 gl7),培养“Tianyou计划”的项目华东交通大学(2018 xlty007),和福建社会科学规划项目(fj2018b020)。

引用

1. k . Govindan a . Jafarian r . Khodaverdi, k . Devika”Two-echelon多车location-routing问题可持续供应链网络优化的时间窗口易腐食品,”国际生产经济学杂志》上,卷152,不。2,9-28,2014页。视图:出版商的网站|谷歌学术搜索
2. 肖c、l . y . Zhang和t·范”研究细菌觅食蚁群优化算法对冷链低碳物流配送路径优化,“数学在实践和理论,没有。21日,第109 - 100页,2017年。视图:谷歌学术搜索
3. k康,j .汉w . Pu et al .,“冷链配送路线优化研究考虑碳排放的新鲜农产品,“计算机工程与应用,55卷,不。2、259 - 265年,2019页。视图:谷歌学术搜索
4. c·d·Tarantilis和c t Kiranoudis”meta-heuristic易腐食品的有效分布的算法,”《食品工程,50卷,不。1、1 - 9,2001页。视图:出版商的网站|谷歌学术搜索
5. p .阿莫林和b . Almada-Lobo食品非持久性问题的影响在车辆路径问题,“计算机与工业工程,卷67,不。1,第233 - 223页,2014。视图:出版商的网站|谷歌学术搜索
6. m·拉巴尼,a . Farshbaf-Geranmayeh和n . Haghjoo“车辆路径问题考虑为易腐食品multi-middle仓库交货,”不确定的供应链管理,4卷,不。3、171 - 182年,2016页。视图:出版商的网站|谷歌学术搜索
7. y y . m . Zhang m·李和h o . Liu”研究蚁群优化的多类型车辆冷链物流满意约束,“统计与决策4卷,第181 - 176页,2019年。视图:谷歌学术搜索
8. h . j .郑研究冷链物流车辆路线重新规划的紧急情况下,北京交通大学,北京,中国,2014。
9. h .局域网、问:f .他和z扁,“分布路由优化冷链物流道路交通条件的考虑,“大连海事大学学报,11卷,不。41岁,67 - 74年,2015页。视图:谷歌学术搜索
10. y邓和w·h·朱”,研究时变条件下军事物流配送车辆调度优化,“军事行动计划和系统工程,卷2,41-48,2017页。视图:谷歌学术搜索
11. 王l . j . Lu,“迷因算法与竞争生产绿色车辆路径问题,“IEEE / CAA自动化杂志》上》第六卷,第526 - 516页,2019年。视图:出版商的网站|谷歌学术搜索
12. 马h·w·s·l·杨,t·j·顾“模拟退火算法在时变条件下根据带时间窗的车辆调度,“运筹学的事务,14卷,不。3、84 - 90年,2010页。视图:谷歌学术搜索
13. y和z . j . y . f . Li Li高,“旅行推销员问题时变网络,”系统工程学报,25卷,不。5,585 - 591年,2010页。视图:谷歌学术搜索
14. j·h·李,“时变最大效用的旅游规划问题。”中国管理科学杂志》上,19卷,不。4、137 - 143年,2010页。视图:谷歌学术搜索
15. 傅z史和z,“食品冷链配送定位时间窗口在时变网络条件下优化的运输路径,”计算机应用研究1卷,第189 - 183页,2013年。视图:谷歌学术搜索
16. j·f·张z h·杨,“multi-temperature冷链配送路径优化研究在时变路网环境下,“重庆交通大学学报(自然科学版),1卷,页57 - 64,2020。视图:谷歌学术搜索
17. z h .丁、y周和m . c .周”建模的自适应软件系统由模糊规则和佩特里网”IEEE模糊系统26卷,第984 - 967页,2018年。视图:出版商的网站|谷歌学术搜索
18. 黄懿慧沈、w . Pedrycz和x m .王”区间二型模糊集的近似梯形模糊集,“IEEE控制论,50卷,第4740 - 4722页,2018年。视图:谷歌学术搜索
19. t·金、杨x h .夏et al .,“可靠性指数和期权定价公式的第一个打击时间与卡普托模型基于不确定的分数阶微分方程类型,“分形,1卷,2020年。视图:谷歌学术搜索
20. w·邓j . j .徐高x z . et al .,”一个增强MSIQDE与小说多种策略算法全局优化问题,“IEEE系统,人,和控制论:系统,19卷,第1256 - 1231页,2020年。视图:谷歌学术搜索
21. 江j . j . Li问:张先生,c . j . et al .,“复合粒子群优化器与历史记忆功能优化,“IEEE控制论,45卷,不。10日,2350 - 2363年,2017页。视图:谷歌学术搜索
22. w .董和m . c .周”,监督学习和控制方法来提高粒子群优化算法,”IEEE系统,人,和控制论:系统卷,47号7,1149 - 1159年,2017页。视图:出版商的网站|谷歌学术搜索
23. 王朱j .张x, y, m .周”Dual-environmental粒子群优化器在嘈杂和无噪声的环境中,“IEEE控制论卷,49号6,2011 - 2021年,2019页。视图:出版商的网站|谷歌学术搜索
24. t·金·h·夏,h·陈,“最优控制问题的不确定第二高阶电路根据第一次达到标准”应用科学的数学方法,8卷,2020年。视图:出版商的网站|谷歌学术搜索
25. y的歌,d . Wu w·邓et al .,“MPPCEDE: multi-population并行协同进化微分进化参数优化,“能量转换和管理文章ID 113661卷,228年,2021年。视图:出版商的网站|谷歌学术搜索
26. 和y l . n . j . y . Chen Li罗,“双向量子粒子群优化聚类算法基于多样性的选择,”计算机工程与应用,54卷,不。9日,42-46,2018页。视图:谷歌学术搜索
27. g .彭、y . w .方和w·s·彭,“多目标粒子优化算法基于分享学习和动态拥挤距离,”Optik,27卷,不。9日,第5020 - 5013页,2016年。视图:出版商的网站|谷歌学术搜索
28. d·h·王,交通流理论,人们ʼ通信出版社,北京,中国,2002。

版权

版权©2021 Shouchen刘和张程。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。