文摘
本文提出了绿色物流location-routing基于改进的遗传算法(GA)优化问题从低碳的角度和环境保护。首先,考虑到成本因素,时间窗口,恶化农产品,库存和分销能力,碳交易机制,和其他因素,和总成本最小化作为优化目标,低碳和环保物流location-routing优化模型。然后,介绍了自适应算子和灾变算子改进GA算法,可根据需求调整交叉和变异概率,减少参数和运行时间的影响。此外,改进的GA算法是用来解决location-routing优化问题在绿色物流,以获得低碳、经济、高效的配送路径。最后,执行该方法的实验分析使用你公司的相关数据。结果表明,配送总成本是6771.3元,符合经济和环境保护的设计要求。
1。介绍
随着现代物流的发展,信息化、全球化和一体化,分布起着重要的作用在整个物流系统1]。特别是,冷链物流的发展不仅需要满足安全和新鲜,还需要满足相关政策,法律,法规的冷链物流能源消耗和碳排放2,3]。自能源消耗和碳排放的冷链物流通常远高于传统的常温物流、分发点的位置和运输路线的优化显示很强的相关性与能源消耗和排放。因此,绿色冷链物流配送路线优化的位置已经成为研究的一个关键问题。
以绿色物流为研究对象,考虑location-routing新鲜农产品的冷链配送优化问题基于碳交易。这不仅具有一定的理论意义,还具有伟大的现实意义4]。从理论的角度来看,研究冷链配送新鲜农产品的国内外主要是配送中心的位置或车辆路径的优化。定位问题和路径优化问题实际上是相互关联和相互限制,和联合优化具有重要意义5]。同时,有必要考虑因素,如距离、车辆速度、负载能力和运载工具本身的碳排放和碳排放的制冷设备。从实用的角度,位置和车辆路径的联合优化更有利于企业资源的有效利用,降低储运成本。这可以提高客户服务水平,与此同时,碳交易机制可能为企业带来新的利润来源。通过低碳和环保的分布,它可以反映公司的可持续发展理念和为公司带来新的竞争点6]。其次,整个冷链仓储和分销过程可以确保食品安全。因此,绿色物流配送location-routing优化问题从低碳的角度和环境保护是一个全面的和复杂的综合问题7]。
对传统物流的研究,无论是基本位置或路线规划,大多数人只需要运营成本的最小化作为优化目标,他们很少考虑时间窗和碳排放8]。随着低碳和环保的概念逐渐获得了声望,冷链配送的碳排放问题已成为物流公司解决一个关键问题(9]。此外,部分研究冷链配送车辆路径优化问题,认为碳排放主要是考虑碳税的形式,和碳交易机制很少被认为是(10,11]。
然而,随着环境保护政策的改进和碳排放标准,冷链物流的位置不仅仅是优化成本和及时性。它需要考虑更多因素的碳排放。为此,绿色物流location-routing优化模型从低碳和环保的角度构造。它使用改进的GA算法解决为了得到合理、高效的物流地址和送货路线。结合碳交易机制,制定最优配送路径的基础上充分考虑碳排放和时间成本。该方法的贡献如下:(1)鉴于大多数现有的物流配送路径规划没有考虑低碳和环保问题,绿色物流的location-routing优化问题使用改进的遗传算法(GA)从低碳和环保的角度提出了。(2)标准GA算法易受参数的影响和陷入局部最优。为此,介绍了自适应算子和灾变算子。改进的灾难性的自适应GA可以调整根据需要在遗传算法的交叉和变异概率,提高优化性能,减少了运行时间。(3)为了实现低碳和环保的配送路线,该方法构造一个绿色物流location-routing优化问题模型。它认为成本因素,时间窗口,恶化农产品,库存能力和销售能力,碳交易机制,和其他影响因素,以总成本的最小化作为优化目标。此外,改进的GA算法是用来解决问题,提高物流的经济和环境保护。
2。相关工作
绿色物流的location-routing优化问题旨在提高服务响应速度,节约成本,提高客户满意度通过合理的空间布局和规划12]。国内外学者可以回顾研究location-routing问题从以下三个部分,即location-routing问题(单体),车辆路径问题(VRP)和location-routing问题[13]。
首先,有很多科学研究为单体研究结果。文献[14)提出了一个低碳冷链物流路径优化算法基于核醣核酸acid-ant殖民地。基于建立冷链物流路径优化模型包括碳排放成本,它使用核糖核酸计算和蚁群优化,防止不合理的参数选择对算法性能的影响。文献[15]提出了一种粗糙的基于集合的得分方法优缺点的第三方药品冷链物流的位置。他们不同的权重分配给不同的指标,提供了一种新的解决第三方物流供应商的选择。然而,上述两种方法只优化供应商定位问题,和整体location-routing优化问题仍然需要深入研究。
其次,VRP而言,只有单一的路线优化问题的分销成本最初考虑。然后,考虑成本和服务质量的路径优化问题。最后,多目标路径优化问题,如成本、服务质量、环境影响被认为是,和时间窗口等多种因素的影响,实时路况,恶化率优化模型被认为是(16]。模型求解,VRP主要有两种解决方法:精确算法和启发式算法。精确算法包括分支定界法、割平面法和动态编程。启发式算法,主要包括遗传算法、蚁群算法、禁忌搜索、模拟退火算法(17]。例如,文献[18)提出了一种基于遗传冷链物流网络优化模型,以物流网络的总运营成本为目标。它校正非线性混合整数规划涉及两个分配问题,而有效地确定最优的物流中心布局和运输路线。但它没有涉及到碳排放的问题。文献[19)提出了一个简略的优化方案基于VRP问题的粒子群优化算法。它有效地减少物流和配送的成本,但不包括及时性和碳排放的因素。
最后,国内外学者已经做了一些研究location-routing绿色物流的优化。然而,很少有研究等综合多目标。文献[20.)提出了一种基于改进蚁群算法的多目标优化方案解决成本、碳排放和客户满意度在物流配送过程中。这个解决方案的基础上确保客户满意度,有效减少分销成本和碳排放。
3所示。模型建设和解决方案
3.1。模型的建设绿色物流Location-Routing优化问题考虑碳交易
3.1.1。模型的假设
以下假设为绿色物流location-routing优化问题考虑碳交易:(1)考虑配送中心的容量限制(2)在卸货期间,恶化率将高于恶化率在运输。(3)需求点只能由一个车辆,和其他车辆不允许,不允许分批交货。(4)车辆运行在一个恒定的速度,在储运和温度是恒定的。完成分配的任务后,它将返回配送中心是空的。在这个过程中,不需要制冷。(5)假设,新鲜农产品的质量减少,价格也会相应减少,导致某些商品成本的损失。(6)对于一个给定数量的碳排放津贴,如果冷链企业的排放不超过限额,不足部分津贴可转化为收入在碳交易价格,以抵消成本的一部分。如果冷链公司的排放超过配额,它需要购买额外配额的碳交易市场,导致额外的碳交易成本。
3.1.2。功能分析
(1)变形速度函数。的过程中存储和分布,新鲜农产品的质量与时间和温度会改变。人民对食品质量的要求越来越高。当新鲜农产品的质量下降,销售价格也将相应下降。假设温度在存储和分布常数和严格控制,此时新鲜农产品的变质率只与时间有关。由于加载和卸载时间短,温度变化时,打开门是微不足道的。因此,在恒定的温度,恶化率可以被看作是一个常数。新鲜农产品的质量可以被视为指数改变随着时间的推移。
假设新鲜农产品的质量在时间为0,即质量的新鲜农产品冷藏车辆离开时选定的配送中心。使用代表新鲜农产品的损坏率。在恒定的温度,新鲜农产品的变质率只与时间有关。如果用于表示新鲜农产品的质量在时间吗 ,的数学表达式
(2)碳交易功能。考虑到location-routing优化新鲜农产品的冷链配送问题在碳交易机制下,碳排放的总量。为了研究碳交易机制的影响在location-routing新鲜农产品的冷链配送问题,碳排放总量需要货币化和转化为碳交易成本。总碳排放碳交易成本的转换是通过碳交易功能。碳交易成本的大小取决于碳排放总量、碳排放交易成本,和初始碳补贴(21- - - - - -25]。
当公司的实际碳排放总量小于最初的配额,小于配额的部分可以卖给碳交易机构。这可以产生收益和偏移量的一些成本。当公司的实际碳排放总量高于最初的津贴,这将需要花费一定的成本购买碳排放津贴高于最初的津贴。因此,碳交易函数可以表示为 在哪里代表碳交易价格,交易价格的单位碳排放津贴;代表企业的实际总碳排放;代表企业的初始碳排放津贴;和是用来表示公司的碳交易量,这之间的区别是公司的实际碳排放总量减去初始碳排放津贴。的价值可能是积极的还是消极的。当 ,这意味着公司的实际碳排放总量高于初始碳排放配额。在这个时候,代表公司购买的碳交易配额碳交易市场。当 ,这意味着公司的实际总碳排放量低于初始碳排放配额。在这个时候,代表碳交易配额的公司卖给了碳交易市场。
(3)目标函数。location-routing目标函数的问题,最常见的是成本最小化,时间最小化,利润最大化。对于不同的情况,选择的目标函数也是完全不同的。location-routing的配送中心在绿色物流的问题,考虑到弱绿色物流的成本,时间通常是选择最小化目标函数。的冷链物流,冷链物流企业的角度来看,最低成本尤为重要。
该方法建立的模型与目标最小化总成本,总成本等于各种成本的总和。在研究低碳和环保的新鲜农产品冷链配送location-routing问题,冷链企业选择合适的冷藏从现有替代冷藏配送中心和合理安排每个需求点的配送路径。总成本考虑的本质新鲜农产品和碳交易机制除了固定使用冷藏成本,制冷冷藏成本,固定的车辆使用成本,和车辆分配成本。对新鲜农产品的成本和碳交易成本企业也应该被考虑。(1)固定的使用成本冷藏的从可用的选择一个合适的冷藏冷库选项作为新鲜农产品的配送中心。配送中心主要完成简单的处理和存储操作的新鲜农产品。选择冷藏时,企业应该把重点放在冷藏的地理位置。一个合理的地理位置可以节省交货时间和减少质量损失的新鲜农产品。此外,温度和湿度,是否有一个完整的操作系统也应该被考虑。位置等因素,温度和湿度,并支持替代冷藏设备的完整性也将影响冷库的租赁价格。一般来说,固定使用冷藏成本是一个常数,它仅仅是相关单位固定冷库的使用成本和存储容量。假设单位固定成本使用替代冷藏是和存储容量 ,固定的使用成本冷藏的计算如下: 在哪里是一组候选配送中心和代表候选人的配送中心, 。(2)冷却成本冷藏的为了确保新鲜农产品的质量,有必要保持低温环境中简单的处理和存储。为了控制温度,制冷设备需要冷却。冷库的制冷成本主要来自电力消耗的制冷设备。制冷设备所消耗的电力和冷库的温度和能力有关。假设制冷设备中使用的冷藏冰箱都是相同的模型与权力 ,动力装置是W,冰箱的数量 ,和电价将 。表达的平均工作时间 ,单位是h。然后,冷却成本冷藏的计算如下: (3)固定的使用成本的车辆固定车辆的使用成本是指日常维护等相关费用,维护,和折旧的车辆以及司机的工资和劳动力成本的其他相关人员。车辆的固定成本通常是一个常数,这个成本等因素无关的输送距离和负载能力的车辆。不管多个模型,假设相同的冷藏车辆模型用于新鲜农产品的分布。固定每个冷藏车辆的使用成本 ,然后是固定的使用成本车辆的计算如下: 在哪里是集汽车,车辆由吗 , ; 。 是需求的集合点,然后呢代表的需求点, 。(4)分配成本的车辆车辆的成本分布主要是可变成本的冷藏车辆在配送过程中。这个成本密切相关的因素,如距离和货物交付能力。其中,汽车经销成本包括两部分,车辆的运输成本和冷却汽车的成本。车辆的运输成本主要是配送过程中造成的燃料消耗。这部分成本是正相关的运输距离。使用代表车辆的运输成本,计算如下: 在哪里表示节点之间的距离和节点和代表了固定车辆的使用成本 。新鲜农产品易腐。在整个销售过程中冷藏车辆,以确保新鲜农产品的质量,分布环境需要维持在一个合适的温度。冷藏车辆的制冷成本是制冷剂的成本消耗维持车辆内部的温度。的制冷剂消费冷藏车辆在配送过程中可以由热负荷。一般来说,冷藏车辆内部的温度需要高于室外温度。热负荷主要是分隔墙的换热,换热引起的空气交换在隔间里,和热负荷由太阳辐射引起的。在分配过程中,热负荷系数冷藏车辆所产生的计算如下: 在哪里代表了马车的恶化程度系数。马车的老化和渗漏程度越大,越大热传导引起的。代表了马车的传热系数,是指单位时间内导热单位单位面积上的温差,和单位 。 代表了马车的传热面积,等于算术平方根的内外表面运输领域,也就是说, ,在哪里和代表外隔间的表面积和表面面积内舱,分别。和代表舱室内的温度和室外温度,分别。分配过程中冷藏车辆,采取的路线为例,如图1。假设冷藏车辆从0开始配送中心,服务需求点(1,2的需求,和需求点3,最后回到配送中心0。在这个过程中,配送中心0-demand点1,需求点1-demand点2,3点2-demand点包含产品的需求,需要制冷。需求点3-distribution中心0部分卸载,这部分不需要制冷。使用代表车辆的冷却成本由于热量交换,这是计算如下: 在哪里是单位制冷成本;代表冷藏车辆的总时间从配送中心到最后一个需求点的服务。车辆的平均速度是V,代表了汽车的时候了从节点到节点 。当车辆到达需求点,门需要打开卸载。这时,车外的空气对流和空气在车辆生成热负荷。车辆的热负荷当门打开计算如下: 在哪里是门洞频率系数,取0.54,然后呢冷藏车辆的体积。使用代表车辆的冷却成本由于打开门,这是计算如下: 在哪里代表车辆的服务时间在节点 。然后,汽车分销成本计算如下: (5)货损总成本假设分布过程中温度是恒定的。因此,新鲜农产品的货损成本主要是相关的运输距离。运输时间的积累,新鲜农产品的质量逐渐下降。这导致了一个相应的降低其交易价格。根据恶化率函数的分析,货损在冷藏运输车辆的成本计算如下: 在哪里代表新鲜农产品的价格没有腐败;表示需求点的需求 ; 代表车辆的时候到达节点 ,假设车辆离开配送中心在时刻0。为方便计算, ,的价值需要被认为是0。打开门造成的货损成本计算如下: 在哪里代表车辆的负载能力运输时的需求点需求点 。然后,货损总成本计算如下: (6)碳交易成本冷藏车辆节点之间的碳排放 是 ,和在整个生产过程中碳排放可以表示为
3.2。模型的解决方案
3.2.1之上。算法的选择
在建立绿色物流location-routing优化模型中,有一个现象,不能相比,由于目标之间的冲突和不同的维度。优化一个目标可能会导致另一个目标一个贫穷的解决方案(26]。自1990年代以来,许多学者开始关注研究智能优化算法和将它们引入到配送车辆的路径问题。智能优化算法可分为两类基于个人行为和基于组智能根据组大小。第一类包括模拟退火算法、禁忌搜索算法。第二类包括遗传算法、蚁群算法、粒子群算法。算法基于个人行为有记忆的特点,这是确定的,但也是随机的。这样的特点往往是零星的、随机的和不可预测的。基于群体智能的算法是使用模拟的方法学习机制和组织之间的信息交换和共享生物通过迭代,逐步选择高质量的解决方案。其中,遗传算法可以处理约束条件,获得全局最优解,并具有较强的全局搜索能力。但其收敛速度较慢,局部搜索能力较弱,运行时间较长,容易影响参数(27]。
因此,自适应算子和灾变算子引入遗传算法。其中,灾难自适应GA可以调整在遗传算法的交叉和变异概率根据需求,从而降低了标准遗传算法的缺陷,容易受到参数,同时降低了运行时间(28,29日]。流的自适应灾难算法如图2。
3.2.2。算法设计
遗传算法具有计算速度快,优化能力强,良好的鲁棒性。然而,有缺陷的解决方案过程中,如过早成熟和本地捕获。基于绿色物流的特征区域分布路线的研究,改进了传统遗传算法的基础上。通过改进编码、选择、交叉和变异遗传算子的方法,减少错误的产生和过早收敛的缺点是改善。
(1)编码方法。使用遗传算法的主要问题是解决染色体编码,和它的一个重要基础是选择合适的表达方式的解决方案。目前,许多学者展开研究。根据实际情况,总结了不同的编码方法,可以概括为二进制编码、实数编码、整数排列编码,编码和数据结构。最常用的编码方法是二进制编码。1和0组成它的符号集,分别代表了两种状态。这使得后续操作简单和容易。然而,当解决sequence-related路径规划等问题,二进制编码方法具有可操作性差。很可能不可行的解决方案往往会出现,这将给未来带来更大的复杂性。因此,为了提高遗传效率和避免产生不可行解,直观的自然数和整数编码方法的路径规划问题可以表达解决方案获得的顺序。
总之,该方法更适合使用自然数编码。也就是说,每个人我是编码为一个完整的一系列自然的数字从1到n,每一个自然数对应客户节点的数量需要在车辆路径。它的表达序列意味着实际驾驶每个物流车辆服务客户点序列。因为车辆的出发点和返回点的整个任务配送中心,物流车辆离开配送中心后,最终回到配送中心执行任务在每个客户点。基于这种编码方法,它可以确保每个客户机节点将在一定的顺序访问没有重复。它可以使模型约束的处理更方便、更快和方便的阅读和修改程序。如果有n客户需求点,有k车辆提供服务。通过这种方式,染色体是由配送中心和客户在一起,他们被安排在染色体中的一行。每个节点对应于一个轨迹,最后一个n+k+ 1形成染色体。可以表示为染色体的代码 在哪里代表了客户的车辆k。0代表一个配送中心,每个0代表一个车辆配送路径。也就是说,第一个车辆离开配送中心0,经过客户 , ,和 ,然后返回配送中心0。汽车也是一样k和编码意味着年底交付完成。例如,染色体0137029805670,这意味着3车辆服务9客户,和相应的路径如下:子路径1:分布center-customer顾客3-customer 7-distribution中心子路径2:分布center-customer 2客户9-customer 8-distribution中心子路径3:分布center-customer客户6-customer 7-distribution中心
(2)生成初始种群。遗传算法,它不同于其他算法搜索人群。因此,初始种群的生成整个解决方案过程中是非常重要的。的利弊初始种群产生更大影响的操作效率和计算复杂度算法在计算过程中。确定人口素质的关键是初始种群的生成方法和人口规模。如果人口规模小,会影响算法的解决方案的过程在某种程度上,一般来说,不会太好。然而,选择一个更大的集团可以避免的情况在一定程度上解决方案获得局部最优。但这一次将增加空间的复杂性,也会增加计算量和计算时间。一般而言,染色体长度的情况下,不是非常大,人口规模的适当的值范围是20 - 150。但是对于大规模解决问题,人口的规模应该增加到一定程度上基于实际情况。
染色体选择实值自然数编码,解决方案相关的表达的顺序安排。因此,当初始化种群,一个完整的数组客户机节点可以形成一个二维矩阵的生成 ,在哪里n代表客户机节点和数量代表人口的数量。
(3)确定适应度评价函数。健身不仅是判断一个人的品质的标准也是后续操作的关键指标。适应性解决方案是,越大越好。因此,被选中的可能性将更大。因为该模型需要满足配送总成本最小化的目标,一方面,另一方面,也需要考虑时间窗,负载和其他约束的车辆在任何客户节点。因此,解决方案的可行性在人群中是非常重要的。车辆路线优化问题的数量是不确定的,和运载工具的数量可以有效地配置结合现实条件和相关的限制。因此,可以确定的可行性解决方案通过设置一个适当的适应度函数值。可行解的同时,一个人可以计算,也代表了车辆的行驶路线和安排物流车辆。具体过程如下:
定义一组存储车辆路径的设置和使用“0”元素分离不同的车辆。它的目的是显示车辆路径的分布包含“0”元素的集合。这意味着只有一个“0”元素集合时初始化。然后,针对单一个体我,从第一个从未参与基因积累,交付体积,体积小,和客户的时间点对应于每个基因积累。当积累一定客户点不满足约束条件,记录周期的基因集 ,最后添加一个“0”元素来表示周期的结束。如果有基因没有参与的个人积累,他们将被分配另一辆车在接下来的循环操作。否则,循环计算结束。
因此,使用适应度函数表示如下: 在哪里个人的综合总成本我,固定成本的总和,运输成本、碳排放成本、时间和惩罚成本。总成本的变化与车辆的距离,因此有必要考虑是否达到某个客户点的起点是车辆的路线。如果是这样,你需要计算配送中心的距离和这个点和下一个点之间的距离。如果不是,你只需要计算节点和节点之间的距离。车辆离开起点(配送中心)和服务客户完整路径。最后客户服务后,需要返回配送中心。因此,完整路径的总距离计算通过添加最后一个顾客点的距离配送中心距离的总和在每个循环周期结束前。
(4)选择过程。选择操作是遗传算法的进化过程。是个人选择与大型健身值从人口进行交叉、变异操作,或直接作为下一代的新个体,形成一个新的人口。这个过程体现了人口进化定律”自然选择,适者生存。“选择机制所采用的方法是一个复杂的选择机制。也就是说,第一个人健身人口按大小排序。根据一定比例,较高的人口适应性选择进入下一阶段防止染色体有更好的适应性错误地消除。然后,剩下的个人选择的形式类似于赌博市场的选择。在整个过程中,个体被选中的概率将增加,增加健康。
传统的轮盘赌方法简单,操作方便。然而,随机操作的结果是,选择误差相对较大,有时甚至发生退化。这意味着可能会有较高的个人健康水平,不是选择,而是消除,从而导致算法难以获得高质量的解决方案和在随后的大波动过程。因此,该方法操作排序multiround轮盘赌方法没有更换。中所示的特定过程的算法1。
|
||||||||||||||||||||||||||||||||
该方法使用一个事multiround轮盘赌方法没有更换,大大增加随机数生成的数量。它可以防止染色体更好的消除和有效降低选择错误。健康的个体越高,越高排名的顺序,增加健康个体被选中的概率。虽然传统的选择操作可以减少个人选择的差异在某种程度上,这并不能保证最好的个体在当前一代的人口可以进入下一步。因此,在改进的算子选择方法中,每个操作后,孩子最健康的解决方案将被取代。这使得高质量的解决方案进入下一个步骤,所以收敛效率提高。
(5)交叉操作。与传统的交叉方法相比,部分匹配交叉方法不直接交换染色体的交叉部分,但是第一个添加基因片段之前需要越过第一个基因的染色体。然后一个接一个,原来的个体基于比较,如果是同样的基因,它将被保留,如果它是不一样的,它将被删除,所以生成一个新的个体。这种方法不仅可以避免过早成熟的现象,但也不需要人口的多样性。部分匹配交叉操作的示意图如图3。
假设父A和B,染色体编码“235 | 4891 | 67”和“584 | 3192 | 67年,”分别,“|”表示染色体的交叉位置。当执行交叉操作,第一次把基因段选择交叉的“4891”父母面前。然后,安排其他父母的染色体B从第五的位置轨迹。然后,比较元素在父B基因段“4891”。在这个过程中,相同的基因被删除;否则,基因保持不变。从这,我们可以得到的后代为“489143267。“同样,孩子B可以获得为“319254867”。
(6)变异操作。为了保持种群个体的多样性,避免收敛个人在进化后期,变异操作可以修复这个问题。变异操作的范围可以扩大局部优化综合目标值,从而提高算法的全局搜索能力。该方法采用突变逆转操作作用于个体的方法。首先,选择个体人群中根据一定的概率和随机生成两个突变点个人的基因,导致突变。然后,对变量执行反转操作。变异操作过程如图4。
随机选择一个特定的人口一个= " 156827394 ",然后随机生成两个突变“3”和“8”,即一个= 156 | 8273 | 94。最后,变体部分逆转获得一个新的个体一个“156372894。”
(7)灾难操作。在没有更好的人N连续几代人或人口多样性变化非常低,算法很可能陷入局部最优解。通过使用灾难性的方法杀死最优个体的人口在接下来的迭代中,它会跳出局部极值。
灾难的判断过程如下:让初始设置值,灾难计数器从0开始计数。当灾难的计数器值超过 ,认为本地搜索产生了最佳的解决方案,和灾难。如果新的最优解继续生产,这场灾难计数器的值是清除。为了防止本地搜索不足在灾难中,介绍了集值放大系数和灾难,然后是灾难的判断价值如下。
当小于初始设置值,再计算。当大于初始值,这表明人口多样性变化非常低。使用这个值来更新灾难判断价值根据方程(18),然后开始倒计时。
(8)终止条件。终止标准用来判断遗传操作结束。算法的终止条件通常有以下形式:执行该算法迭代的最大数量,当相邻的一代无法进化,这两个目标之间的差异的绝对值值小于一个精度。该方法采用设置最大迭代次数N,当进化代数达到最大迭代次数,算法结束。否则,继续重复上述过程。
4所示。实验和分析
4.1。仿真数据
在实验中,数据来自公司的实际操作数据(公司U)。你公司的供应商的订单信息交给你公司,然后,由你公司的内部运营,交通部门负责超市分布。在整个过程中收到货物后在交付之前,你公司的控制商品和能保证完整的温度控制。其中,你公司的冷链物流部门负责20超市生鲜食品配送业务不同的大小。其分布现状表所示1。
为了促进业务,公司U计划选择几个合适的冷存储中配送中心现有的存储组。通过调查你公司冷链物流业务,根据其对2020年上半年的业务数据,地理位置和平均交付量20门店负责交付。案例分析,有必要对收集到的数据进行预处理,如选择配送中心和商店的位置和每个商店的需求。主要的预处理步骤是先将纬度和经度信息3替代配送中心和20商店格式的度,分和秒。然后,我们使用了利用MAPGIS软件将经度和纬度转换为横坐标和纵坐标的直角坐标系,然后计算点之间的距离。
首先,挑选出20家分店的纬度和经度信息和3选择配送中心和数量。其中有1 - 3四个可供选择的配送中心。4-23代表20商店,和特定的纬度和经度信息如表所示2。
为了更直观地观察每个商店的地理分布和替代配送中心,一个比赛地理分布散点图,如图5。
此外,绿色物流和配送需要满足客户的要求时间窗,最大可容忍的时间窗口和服务时间。15个用户的数据如表所示3。
4.2。参数设置
除了分配点信息和选择配送中心的信息,其他参数设置如表所示4和5。截至2020年,历史上最高的碳交易价格83元/吨,最低的是31.5元/吨,与历史平均水平价格47元/吨。所以,这里的平均价格。
为了计算整个过程的总成本,还需要以下参数:用电量的存储过程被认为是工业用电,电价是1元/千瓦时;空转过程中燃料消耗是8(升/ 100吨千米)。燃料消耗是12(升/ hundred-ton公里);排放的因素是二氧化碳排放的数量单位的燃料消耗。冷藏车辆使用柴油车辆。数据显示,1升的柴油产生2.65千克的二氧化碳,这意味着一个排放系数为2.65。固定车辆的使用成本是70元/天;车辆的可变成本是25元/公里。
4.3。收敛曲线
该方法采用改进的遗传算法解决优化问题。为了证明它的性能,与标准遗传算法相比。图6显示了两个GA的优化迭代曲线总目标函数考虑碳排放模型。
从图可以看出6改进的遗传算法实现迭代收敛后约500,和健身价值是0.11。标准遗传算法迭代收敛达到700倍,和健身价值是0.125时是稳定的。可以看出,改进的遗传算法收敛更快,和一般的健身价值和最好的健身价值都是较小的。因此,它的优化性能更理想,更适合处理的选择和路由优化问题在绿色物流配送中心。
4.4。参数分析
人口规模而言,初始人口规模通常设置为30 - 150。如果人口很小,它将限制算法的搜索空间,容易陷入局部最优。如果人口规模太大,搜索将更加复杂和搜索效率会减少。这将导致增加迭代次数和一个长时间运行的时间,降低了算法的效率。因此,为了选择一个合适的人口规模,交叉率为0.8,变异率为0.1,是1000代的迭代次数来模拟不同的人群大小的情况。对目标函数的值,观察其影响第一最优解的迭代次数和程序的运行时间。目标函数值的变化在不同人口大小如图7。
从图可以看出7当人口规模N增加从30到90年,目标函数值的总体变化相对较大,波动明显由于搜索空间范围相对较小。总体目标函数值太大。当人口规模N120年和150年,几乎没有客观价值函数的值的差。值小于人口规模低于90,和波动相对稳定。因此,如果只从经营成果的目标价值,可以推断,120年和150年人口规模的选择可以使目标函数最优。
同样,获得最优解的迭代次数首次在不同人口大小如图8。
从图可以看出8当人口规模是30和60,产生最优解的代数很不稳定,波动幅度也很大。代数是相对较晚,基本上超过1000。人口规模是120和150时,产生最优解的迭代次数相对稳定,基本维持小幅波动在800到1000代。此外,其收敛性也是可以接受的。当人口规模是90代,尽管总的迭代次数相对集中在900年和1000年之间,不确定性也非常大,最大和最小的迭代次数的迭代次数有很大的不同。与120年和150年的人口规模相比,其存在的不稳定性更加突出。因此,它是一个很好的选择120或150的人口规模。具体的选择需要结合其他参数进一步分析。
运行时间的变化在不同人口大小如图9。
从图可以看出9,无论什么人口规模的价值N运行时间是相当稳定的。然而,随着人口数量的增加,数量的选择,交叉,变异操作将增加,操作内存的数据量将增加比例。从30到150年人口规模增加时,运行时间也逐渐增加,增加变得越来越大。当人口是150,它大大超过2倍的运行时间为60的人口规模。因此,人口规模在120时,操作时间的增加是相对稳定的,是可以接受的。
基于实验结果在上面的三个案例中,当人口规模是60和90年目标值和第一次最优解的性能差,稳定性不好。人口规模是150时,最优解的代数波动略大,由于长时间运行的时间。因此,效果并不理想。当人口规模是120,目标函数值在解决目标函数值和产生最优解的代数更好,运行速度是合适的。因此,它是更合适的选择120年作为人口规模来解决这个问题。
因为不同的交叉率和变异率会对目标函数值有一定的影响,选择最优时交叉率和最优变异率,更关注目标函数值的变化在不同的值。图10显示了目标函数值的结果在不同的交叉率和变异率。在实验过程中所选择的人口规模是120,和终止迭代的数量是1000。
从图可以看出10对交叉率,当交叉率的区间[0.35,0.55],目标函数值显示一个下降的趋势。的区间[0.55,0.75],函数值显示一个上升趋势,在区间[0.75,0.85],函数值显示一个向下的趋势。因此,达到最小值时,交叉比率是0.55和0.85。通过比较函数值对应于两个极端点,发现目标函数值较小的交叉率是0.85。因此,交叉概率为0.85,这是最容易找到的最优解。
对突变速率的情况下,设置间隔的突变率[0.01,0.1]进行计算分析。在区间[0.01,0.07],目标函数值通常显示一个下降的趋势,而在区间[0.07,0.10],目标函数值显示一个上升趋势,目标函数达到最小值的平均值变异率为0.07。因此,确定突变概率设置为0.07,,目标函数的值是最小的。因此,在多个运行数据的综合分析,交叉率和变异率最终将0.85和0.07。
4.5。路径规划结果
从低碳和环保的角度来看,该方法获得的路径规划结果如图所示11。其中的三个候选人的位置被选中作为一个配送中心分发冷链农副产品需求15分。
从图11,可以给这个交付任务的路径:(1)路径1:0⟶14⟶15⟶9⟶1⟶11⟶0(2)路线2:0⟶2⟶3⟶10⟶0(3)路径3:0⟶13⟶5⟶7⟶6⟶4⟶12⟶0(4)路径4:0⟶8⟶6⟶0
根据改进的遗传算法迭代优化、最优配送路线内部门和服务客户需求点的顺序生成的路线。交付是由四个车辆,分别。路线1的驾驶距离是289.25公里,行驶距离的路线2是162.37公里,行驶距离的路线3是301.81,驾驶路线4 = 98.56公里的距离。这个分配任务的总距离为851.99公里。从这个,它可以估计分布的成本包括运输成本的离职成本5642.75元,800元。客户满意度的惩罚成本偏离所造成的时间窗口是328.55元,配送总成本是6771.3元。它可以证明,物流location-routing使用改进的GA算法优化问题模型是有效的。
5。结论
提出了一种location-routing优化解决方案的绿色物流使用改进的GA算法从低碳和环保的角度。考虑到成本因素,时间窗口,恶化率,碳交易机制,和其他影响因素,构建绿色物流location-routing优化模型,可以最小化总成本作为优化目标。此外,灾难性的自适应GA算法用于解决优化问题,以获得低碳、经济、高效的配送路线。路线优化后的配送成本是6771.3元,这符合经济和环境设计要求。这样一个设计合理的物流location-routing计划不仅可以提高客户满意度与物流和配送环节也减少企业的分销成本和节省能源生态环境。
事实上,location-routing优化问题更为复杂。为了简化模型,提出的问题被理想化的模型。在接下来的研究中,多模型、多产品、多周期、需求和不确定会考虑,以及实时路况和其他影响因素进一步满足实际情况的需要。
数据可用性
本文中包含的数据是可用的,没有任何限制。
的利益冲突
作者宣称没有利益冲突有关的出版。