研究文章| 宏伟龙龙愣,Yanwei赵,郑Wang Wang的叮当声共享系统,自适应区域低碳Hyperheuristic Location-Routing时间窗问题
文摘
在这篇文章中,我们考虑一个变体location-routing问题(含),即区域低碳含碘与现实约束条件(RLCLRPRCC),特点是客户和仓库,位于嵌套区域以不同的速度限制。RLCLRPRCC旨在降低物流总成本和碳排放和提高客户满意的代替出行距离与燃油消耗和碳排放成本/时间考虑异构机群,同时皮卡和交付,硬时间窗。针对这个项目,提出了一种新颖的方法:hyperheuristic (HH),操纵空间,由一个固定的简单运算符如“转变”和“交换”直接修改的空间解决方案。在HH拟议的框架,一种共享系统,自适应选择策略和自适应的验收标准开发,以改善其性能,加速收敛,提高算法精度。结果表明,提出的HH有效地解决了含LRPSPD / RLCLRPRCC在合理的计算时间和提出的数学模型可以降低物流总成本的2.6%,27.6%的碳排放/燃料消耗,和13.6%的旅行距离。此外,一些管理的见解提出了物流企业规划和设计广泛的分销网络分析各种问题的影响参数,比如仓库成本和位置,客户的分布、异构的车辆,和时间窗口津贴,关键绩效指标,包括燃料消耗、碳排放,运营成本,出行距离,和时间。
1。介绍
Location-routing问题(单体)是最重要和广泛研究了组合优化问题,与实际应用程序在分销物流和运输,讨厌浪费和救灾等(<一个href="#B1">1一个>,<一个href="#B2">2一个>]。低碳物流的仓库位置和路由和有关环境污染的车辆。最近,几个定位、路由和含碘的分布模拟的社会、经济和环境意义(<一个href="#B3">3一个>),导致获得学习低碳物流的重要性。这启发我们定义一个单体考虑环境影响,寻求降低物流总成本和碳排放与取代旅行距离/时间的一部分燃料消耗成本。
提出了低碳location-routing问题(LCLRP)由张et al。<一个href="#B4">4一个>]。目标是确定设施选址和车辆路线与低碳排放,以减少碳排放总量由仓库固定碳排放和汽车旅游碳排放,而解决环境友好的低碳目标路由和仓库的位置。区域LCLRP (RLCLRP)是由Koc et al。<一个href="#B5">5一个>)评估的影响仓库、客户、和舰队物流成本、燃料消耗和碳排放通过替换路由距离与燃油消耗成本建立速度下区。有相当大的差异RLCLRP和本文提出的模型,即RLCLRPRCC。RLCLRP担忧经济和环境效应但RLCLRPRCC也考虑了客户的满意度,即客户的硬时间窗。在RLCLRP,交货需求的客户是唯一的活动,但是在提出的模型中,皮卡也是一个重要的计划。在RLCLRP arcs-specific速度和速度区域是固定的,但在本文中是随机的。此外,RLCLRP使用pollution-and-location-heterogeneous解决自适应大型小区搜索和RLCLRPRCC解决通过hyperheuristic共享系统,选择策略和自适应接受。
本文的主要贡献如下:
本研究的提醒组织如下。部分<一个href="#sec2">2一个>简要回顾问题,提出启发式。数学公式和问题描述进行的部分<一个href="#sec3">3一个>。该方法在节中有详细描述<一个href="#sec4">4一个>。部分<一个href="#sec5">5一个>评估该模型和hyperheuristic最后结论部分<一个href="#sec6">6一个>。
2。文献综述
2.1。问题域审查
含碘处理两种类型的组合赋权的决定经常出现物流:子问题(圈)和车辆路径问题(VRP) (Ouhader和Kyal) [<一个href="#B6">8一个>)(太阳)<一个href="#B7">9一个>]。单体的应用程序中,单体考虑环境影响,如碳排放/燃料消费,即LCLRP,最近已成为一个最解决,它还处理两个np难度问题:大腿上,pollution-routing问题(PRP) (Bektas和Laporte) [<一个href="#B8">10一个>)或绿色车辆路径问题(GVRP)(刘et al。)<一个href="#B9">11一个>]。
LCLRP车辆路径问题是影响仓库位置和大小,燃料消耗和碳排放的担忧。减少燃料消耗和提高运输效率在运营层面上是最简单的课程规划活动(林等。)<一个href="#B10">12一个>]。如上所述在Demir et al。<一个href="#B11">13一个>),评估和减少燃料消耗和碳排放的要求优秀的估计模型输入物流行为和方法。此外,灵感来自不同特点和交通行为的本质,估算模型的类型和性质也显著的准确评估燃料消耗和二氧化碳排放。同时,油耗一直在强调的一项关键指标近似碳排放,燃料消耗的数量成正比的碳排放(Poonthalir和Nadarajan) (<一个href="#B3">3一个>]。随着时间的推移,数学模型估计油耗/碳排放鼓励多元化的思考。在各种燃料消耗和碳排放模型,可以包括三个主要类别如下:
上述三个模型的关系可以得出如下。第一个因子模型视为简单的宏观模型和燃料消耗最后两个是相互转换的。各种不同性质的交通行为,相应的油耗模型的合理性和正确性扮演一个角色在近似燃料消耗和碳排放。在上述三个模型的因素,可以得到五个主要类别:车辆参数、交通条件、天气条件、驾驶习惯/技能,并提供设施。例如,Poonthalir和Nadarajan<一个href="#B3">3一个>)强调司机旅行和一些可能的速度。和仓库的数量和位置或机队规模和类型也要点在影响燃料消耗和碳排放。为更好地理解油耗/排放模型和因素,论文的读者推荐林et al。<一个href="#B9">11一个>)和Demir et al。<一个href="#B11">13一个>,<一个href="#B21">23一个>]。
在各种因素影响燃料消耗和碳排放,机队规模和类型在大多数分布中具有特殊的意义和实际活动(Koc et al .,霍夫et al。) (<一个href="#B5">5一个>,<一个href="#B20">22一个>,<一个href="#B22">24一个>,<一个href="#B23">25一个>]。Koc et al。<一个href="#B22">24一个>]说明混合舰队在减少碳排放的好处。李和傅<一个href="#B24">26一个>)得出结论:异构舰队可以有效地减少燃料消耗/碳排放或舰队的数量和增加舰队的产能利用率。Koc et al。<一个href="#B5">5一个>也证明了混合舰队的使用可以降低物流总成本和产能利用率。皮泰拉et al。<一个href="#B25">27一个>]探索的经验法则混合舰队内车辆分配获得的理解简单的实现,如分配清洁车辆路线与更多的客户和更长的旅行距离。肖et al。<一个href="#B26">28一个>)强调混合舰队关注个性化的功能,包括舰队类型、碳排放/利率模型、负荷能力,等等。
车辆速度是另一个关键因素在影响燃料消耗和转化率和碳排放(美国能源部)[<一个href="#B27">29日一个>]。如上所述在巴斯和Boriboonsomsin [<一个href="#B28">30.一个>),当车辆速度小于30英里每小时,碳排放和燃料消耗将非线性快速增长;即,当车辆从30英里每小时的速度降低到12.5英里每小时或12.5英里每小时5英里,碳排放和燃料消耗每一英里将翻倍。不同的车辆速度被认为对一天中不同时段将交通规则(Kazemian和Aref) (<一个href="#B29">31日一个>]或交通堵塞。针对反映限速,几种主要礼仪应用和描述如下。第一个代表交通拥堵是特色,不同速度或旅行时间是制定一个阶跃函数的时间和使用一个简单的方法来获得连续的旅行时间(郭<一个href="#B13">15一个>肖,et al。<一个href="#B26">28一个>),Kazemian诺(<一个href="#B29">31日一个>),Mirmohammadi et al。<一个href="#B30">32一个>],Figliozzi [<一个href="#B31">33一个>),党的et al。<一个href="#B32">34一个>),Franceschetti et al。<一个href="#B33">35一个>]等)或只有一个速度限制是分配给一个特定的车辆穿越一个特定电弧(Afshar-Bakeshloo et al。) [<一个href="#B34">36一个>]。然后,Poonthalir和Nadarajan<一个href="#B3">3一个>)提出了一个新颖的策略来模拟变速环境使用三角形分布的概率密度函数。在他们的方法中,预期值几速度间隔,代表司机的可能速度在每一个时间间隔,提前给出了计算平均预期速度。第三个是Koc等提出的方法。<一个href="#B5">5一个>),即arc-specific速度和速度区。建立了三个速度区与不同常数车辆速度代表速度的限制,在每个区和仓库的成本不同。作者设计的最便宜的路径计算(CPC)策略获得nondominated的路径集的性质取决于CMEM模型和速度区。这项工作是基于提出的战略Koc et al。<一个href="#B5">5一个>),但每个嵌套的位置和速度速度区是随机的,也就是说,<我>V我>区我>1<<我>V我>区我>2<<我>V我>区我>3和<我>V我>区我>3U ~ (80),<我>V我>区我>2U ~(40、60)和<我>V我>区我>1U ~ (20、40)。原因是每一个旅行时间或持续时间分布的每辆车在城市物流可以在几个小时内保持不变,但是他们会随交通状况,即使速度限制是固定的,针对人工/自动应用适当的速度与不同交通状况导致选择低成本的路径,就像时间系数的方法(Zhang et al。)<一个href="#B35">37一个>]。此外,提出了数学模型中的几个现实世界的情况是:同时皮卡和交付和硬时间窗。
逆向物流,即同时皮卡和交付,提出了Karaoglan et al。<一个href="#B36">38一个>)为客户提供更好的服务在单体(LRPSPD)。Karaoglan et al。<一个href="#B37">39一个>)提出了两种类型的LRPSPD模型,即基于节点的基于流程的方法。Yu et al。<一个href="#B39">7一个>,<一个href="#B38">40一个>]开发了模拟退火(SA)启发式LRPSPD,高质量的结果。超出企业经济和环境的影响,客户的满意度水平也是一个极其重要的因素在取胜客户长期的心脏,也就是说,客户服务时间窗口。Zhang et al。<一个href="#B40">41一个>]应用隶属函数估计的满意程度。Afshar-Bakeshloo et al。<一个href="#B34">36一个>)开发服务水平函数的模糊时间窗。王,李<一个href="#B41">42一个>)关注客户满意通过惩罚车辆提前到达或最近外面的时间窗口。
我们最好的知识,我们的论文之间的差异和王先生和李<一个href="#B41">42一个>详细:(1)类型的客户的时间窗口,(2)模型的燃料消耗和碳排放,(3)解算法,等等。因此,没有出版工作同时集成在一个案例研究的单体arc-specific速度和速度区,异构舰队,同时交付和皮卡,硬时间窗。
在“没有免费的午餐定理”(沃伯特和麦克里迪)(<一个href="#B42">43一个>),即使一个框架和方法可能是表现最好的几个研究领域,没有人可以执行在所有情况下理想。此外,毫无疑问地,它是困难的任务解决方案域的测试人员不需要深入了解,研究现有的基于搜索的方法通常是domain-dependent。的理想hyperheuristic (HH)被定义为Denzinger et al。<一个href="#B43">44一个>)和Crowling et al。<一个href="#B44">45一个>选择启发式]为“启发式”。后方,一个广泛的版本是由伯克et al。<一个href="#B45">46一个>)方法,分为两种类型:启发式选择和启发式生成(启发式生成启发式)。本文基于single-point-search方法前,和简短的描述和评论以后提供。
在HH的框架下,两个水平而言:通过和LLH。通过操纵的空间包括一个固定池LLHs而不是直接转换的空间解决方案(Kalender et al。) [<一个href="#B46">47一个>),是独立的问题域。两个主要类别可以通过考虑:选择机制和验收标准(Ozcan等。)<一个href="#B47">48一个>]。启发式选择机制的作用是明智地选择合适的启发式LLHs从池中,同时验收标准来决定是否接受或拒绝合成解决方案在应用选择LLH(任等。)<一个href="#B48">49一个>]。通过分析反馈信息的来源,三个模块可以被认为是在选择机制:在线,离线,没有学习。选择函数(整流罩等。)<一个href="#B44">45一个>)、健身率排名基于Multi-Armed土匪(FRR-MAB)(李等。)<一个href="#B49">50一个>),强化学习(Nareyek) [<一个href="#B50">51一个>),禁忌搜索(Zamli等。)<一个href="#B51">52一个>)等对自适应地选择合适的例子LLHs通过评估每个LLH的性能,和简单随机(SR),随机下降(RD),随机排列(RP),等被视为不学习方法。验收标准可分为两类:确定性和非确定性的方法。前确定地接受合成的结果,如所有移动(AM),只有改善(OI),改善和相等(IE),等等,虽然SA,大洪水(GD),并且蒙特卡罗(MC)举出作为不确定性的方法。
随着时间的推移,HH已先后应用于各种组合优化问题,如教育制定时间表问题(肯德尔和Hussin,伯克et al。) (<一个href="#B52">53一个>,<一个href="#B53">54一个>),VRP(沃克等。)<一个href="#B54">55一个>)、施工水准问题(Koulinas和Anagnostopoulos说道)(<一个href="#B55">56一个>),可变性特征模型的测试(斯特里克勒等。)<一个href="#B56">57一个>),<我>t我>方法生成测试套件(Zamli等。)<一个href="#B50">51一个>,<一个href="#B57">58一个>),dial-a-ride问题(Urra等。)<一个href="#B58">59一个>),和其他方面的问题。我们感兴趣的读者参考的论文Chakhlevitch和整流罩<一个href="#B59">60一个>和伯克et al。<一个href="#B45">46一个>,<一个href="#B60">61年一个>关于hyperheuristic的广泛审查。
我们所知,hyperheuristics没有使用到目前为止解决提出的问题。此外,在HH拟议的框架,一种共享系统,自适应选择策略和自适应的验收标准开发改善性能,加速收敛,和提高精度;提出的方法将提供的细节部分<一个href="#sec4">4一个>。
摘要燃料消耗和碳排放是立即估计使用综合模态发射模型(CMEM),可以被视为一种最先进的微观油耗/碳排放模型由于其易于应用程序(Demir等。)<一个href="#B21">23一个>]。该模型提供RLCLRPRCC的部分<一个href="#sec3.2">3.2一个>。
三个模块CMEM有关:发动机功率,发动机转速和燃料消耗率。第一个模块的车辆类型<我>h∈h我>所获得的总牵引功率要求吗<我>TPR我>h我>: 模块考虑发动机转速和油耗率和近似如下: 因此,<我>足球俱乐部我>h我>(左)可以表示如下: RLCLRPRCC可以定义一个完整的和有向图<我>G我>= (<我>V我>,<我>E我>)与一个顶点集<我>V我>和优势<我>E我>。<我>V我>由客户组<我>我我>= 一些假设应该描述如下:(1)必须满足每个客户只在特定时间窗;(2)每辆车必须回到出发的仓库;(3)负载的每条边必须小于这个类型的车辆的能力<我>h我>;(4)每个仓库的负荷不得超过其能力;(5)舰队在每个仓库的数量是无限的;(6)车辆被分配到服务客户端基于最大负载率的原则;(7)违约成本计算如果车辆到达早;(8)车辆必须在关闭之前到达客户机节点时间窗口,等等。
决策变量的定义如下:<我>x我>ijh我>如果车辆类型= 1<我>h我>从节点<我>我∈V我>到节点<我>j∈V我>;<我>y我>j我>如果仓库= 1<我>j∈我>打开;<我>z我>ij我>= 1,如果客户<我>我∈我>是由仓库提供服务<我>j∈我>。Koc等提出的数学公式。<一个href="#B5">5一个>]RLCLRP可以修改RLCLRPRCC公式提出了模型,如下: 受 目标函数(<一个href="#EEq6">6一个>)是物流总成本包括车辆租赁费用,仓库开放成本、燃料消耗、碳排放成本和惩罚成本。约束(<一个href="#EEq7">7一个>)确保每个客户只访问了一次由一个车。约束(<一个href="#EEq7">8一个>)保证每个节点边进出的数量是一样的。约束(<一个href="#EEq7">9一个>)和(<一个href="#EEq7">10一个>)表明,每个客户端仅服务一次由一个仓库和车辆。约束(<一个href="#EEq7">11一个>)- (<一个href="#EEq7">13一个>)禁止不可行工艺路线不回到出发的仓库。约束(<一个href="#EEq7">14一个>)确保每个仓库的负荷不得超过其能力。约束(<一个href="#EEq7">15一个>)和(<一个href="#EEq7">16一个>)说明每个车辆出入仓库的负载必须等于所有客户的交付和皮卡的需求,分别。约束(<一个href="#EEq7">17一个>)是负载动态平衡约束。约束(<一个href="#EEq7">18一个>)和(<一个href="#EEq7">19一个>)确保车辆负载的每条边必须小于其容量和啤酒比0。约束(<一个href="#EEq7">20.一个>)和(<一个href="#EEq7">21一个>)保证车辆的总负载出发/到达仓库等于所有客户的交付/皮卡总需求分配给它。约束(<一个href="#EEq7">22一个>)是骑马来计算车辆到达时间。约束(<一个href="#EEq7">23一个>)执行,每辆车必须到达客户之前关闭窗户。约束(<一个href="#EEq7">24一个>)- (<一个href="#EEq7">26一个>)定义一些完整性约束的决策变量。
图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig1/" target="_blank">1一个>显示了hyperheuristic解算器的框架实现,包括两个层次。在底层,一组启发式调度,具有相应的专业知识,定义。和在一个较高的水平,一个共享系统,选择策略和自适应开发验收标准选择有前途的启发式和维护的多样性选择。
hyperheuristic提出的方法是一个单点搜索框架,它的特点是倾向于陷入局部最优解。旨在克服这个令人讨厌的虫子,每次运行开始随机选择一个个体从随机生成初始种群,并选择一个合适的LLH从一组固定的运营商。实施后选择的运营商,我们更新启发式空间根据拟议的高层战略和获得一个承诺通过轮盘赌选择运营商。停止准则是基于迭代的最大数字。
个人提出了HH由一组的路线,给出的<我>R我>= 明确解决方案表示,一个简单的例子15客户,4车辆和5潜在的仓库位置如图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig2/" target="_blank">2一个>。所有数组的长度代表4路线安排,左边代表4路线包括服务的跟踪客户的订单,仓库,右边是4路线的性质与类型的车辆在最后的位置。最后,种群初始化,称为<我>N我>流行我>,是随机产生的。
的因素(如解决方案表示和方法参数)的现有方法带来了诸多不便,难以开发hyperheuristics和减少LLHs灵活应对不同的应用程序,一些减少运营商指定RLCLRPRCC是本文开发的。的模块<我>ξ我>(运营商)由16 LLHs<我>h我>1,<我>h我>2、…<我>h我>16跨两个池的启发式:突变启发式(MH)和本地搜索/山登山者(HC),确定的角色在改善或恶化的解决方案。LLH搜索策略提出了下面的列表: 第一个8 LLHs属于MH,有良好的全局优化能力帮助搜索逃离当地的最适条件。其余的导电是局部优化与确保提高解决方案的质量<我>冷杉≥我> 0。节的约束<一个href="#sec3.1">3.1一个>在获得解决方案必须满足上述16个运营商,旨在避免可行的修复方法。
HH框架提出的通过选择一个合适的算子搜索解决方案域空间。运营商可能不同动态的性能在不同的搜索阶段。因此,如何估计的性能和选择最合适的运营商在发展中重要性通过。收购,战略,可以跟踪性能的实时LLHs应该发达;即每个LLH的选择概率更新基于它的实时或阶段的性能。
灵感从配对选择的性能函数(整流罩等。)<一个href="#B44">45一个>)和FRR-MAB(李等。)<一个href="#B49">50一个>),共享机制结合自适应选择策略开发和特点如下:(1)滑动窗口组织为先进先出(FIFO)队列存储最近应用的运营商和应用适应性改进率(杉木)值;(2)认为实现健身提高值滑动窗口内运营商的共同努力;(3)父母和孩子之间冷杉健身不适合评估可怜的性能/突变启发式(PH),研制了一种新策略;(4)FRR-MAB用于计算信贷的PH值和精英启发式(呃)。在下面,上面描述的细节。
在共享机制,滑动窗口是一个二维的列表<我>W我>行和2列。记录操作员指数第一列和第二列记录对应的<我>冷杉我>。然而,只有那些运营商<我>冷杉我>> 0,而不是所有的运营商,存储。据信,共同努力是通过运营商<我>冷杉我>> 0。此外,如果<我>冷杉我>通过其他运营商小于0,滑动窗口将被清除。然后滑动窗口工作的简历。摘要<我>W我>值设置为4,这只是4运营商可以共享的性能<我>冷杉我>通过最近的运营商。分配方法,性能值获得的建议是成正比的<我>冷杉我>最近与偏见比算子方法,获得的<我>br我>= 滑动窗口确保存储<我>冷杉我>值反映了搜索的现状,和只有操作员<我>冷杉我>> 0可以分享<我>冷杉我>其他的运营商。然而,如何估计运营商<我>冷杉我>< 0也是重要的在选择合适的运营商。在本文中,一种分类是适应分区运营商分成两组根据他们的全球效率,和最有前途的运营商精英列表中列出(EL)和低级别的运营商都包含在低排名(LRL)。运营商EL被称为精英启发式(呃),否则贫穷启发式(PH)。全球运营商采用全球效率<我>冷杉我>(GFIR)分类操作符,如下所示: 此外,如何选择一个合适的类型(PH值或嗯)的意义根据搜索的情况;如上所述在Ozcan et al。<一个href="#B47">48一个>),它可能是可取的应用HC /嗯每当MH / PH值实现,反之亦然。本文选择PH值的概率取决于迭代的数量并没有提高的最佳解决方案,如提名<我>TQ操作我>;<我>NH我>是运营商的数量;<我>φ我>是控制因素。的啤酒<我>TQ操作我>值时,啤酒的概率选择PH值。 骑马(<一个href="#EEq29">30.一个>)函数计算信用值(<我>简历我>),<我>FRR我>信贷分配值正常化后,<我>ξ我>是运营商的集合,<我>N我>是一组使用计数的运营商,<我>C我>是一个比例因子来控制开发和探索之间的权衡,前者倾向于经验奖励最好的武器,而后者关注的是经常试着手臂。的<我>FRR我>代表两个性能指标,即标准化的价值<我>SFIR我>嗯,<我>PFIR我>的博士根据上述定义的描述,伪代码共享机制的过程和高层选择策略显示算法<一个href="//www.newsama.com/journals/mpe/2018/8987402/alg1/" target="_blank">1一个>- - - - - -<一个href="//www.newsama.com/journals/mpe/2018/8987402/alg2/" target="_blank">2一个>。
在每个迭代中,启发式的选择运营商通过轮盘赌选择的选择概率<我>我我>th操作符,如下所示: 每个应用程序的底层启发式需要一个现任的解决方案和修改它来构造一个新的孩子的解决方案。孩子解决方案然后考虑接受解决方案在未来的迭代。如果新解决方案不被接受,那么它就会被丢弃。如果新的解决方案是至少一样好解决方案,然后它会自动接受现任不管HH指定的验收标准的解决方案。摘要nonimproving解决方案接受概率<我>p我>交流我>如下: 实现方面评估的数学模型和方法,在以下部分中讨论。
2018年Matlab算法并行编程和结果是通过使用一个4.0 GHz Intel Core i7 - 6700 k与8 GB的RAM和CPU运行Windows 10;关于组件的算法,提出的参数HH发挥重要作用的质量解决方案。因此,与各种参数进行了初步实验,以下是最合适的。
迭代的最大数量(<我>T我>马克斯我>)直接取决于客户的数量,仓库,和车辆的最大数量;推理是值越高,越加剧的寻找好的解决方案,和更费时(尤其是大型实例),所以上限设置为10 配置参数用于分解机制提出了如下:<我>br我>4~ U (0.4, 0.6),<我>br我>3= 0.5 (1 -<我>br我>4),<我>br我>2= 0.3 (1 -<我>br我>4),<我>br我>1= 0.2 (1 -<我>br我>4)。/嗯使用控制PH值的选择因素<我>φ我>= 1.6。自适应验收标准验收因素<我>ψ我>~ U (2, 2.4)。相关的参数到FRR-MAB遵循建议在李et al。(默认值<一个href="#B49">50一个>),比例因子(<我>C我>= 0.5),如果需要,和滑动窗口大小(<我>W我>= 50),它也被Srickler et al。<一个href="#B56">57一个>]。
潜在的威胁的有效性可以确定上述参数配置实例和实验经验的美德;即,参数配置实例的特点不同。
的实例RLCLRP缺乏,RLCLRPRCC首先研究,本文测试实例是随机生成的。三个地区的速度设置如下:<我>V我>区我>3U ~ (80),<我>V我>区我>2U ~(40、60)和<我>V我>区我>1~ U(20、40)(公里/小时),和三个区域的位置和大小是随机保持自然嵌套。我们生成的四组实例,即LCLIENT, LDEPOT, LTW, LVEHICLE,用于评价分布的影响的客户/仓库,客户的时间窗口和舰队的总成本(TT),碳排放(CE)、旅行距离(TD)、旅行时间(TT),等等。在第一组,四个子集生成:(1)所有客户集群区域1,用CC1;(2)所有客户集群区2,用CC2;(3)所有客户集群区域3,用CC3;(4)客户随机位置,用CR。LDEPOT LCLIENT相似。第三组还包括四个不同的子集<我>l我>我我>和<我>e我>我我>,即<我>l我>我我>- e我>我我>=<我>η我>×<我>圣我>我我>,<我>η我>∈我>
。 我们已经进行了初步的单体LRPSPD基准的情况下,评估拟议的高层策略的效率高。为此,我们的解决方案相比,提出的算法与最优结果hyperheuristic FRR-MAB和最著名的解决方案(noble)文学。使用实例集三种基准集,即由Barreto et al。<一个href="#B61">62年一个>]。的结果中可以看到这组表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab1/" target="_blank">1一个>和<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab2/" target="_blank">2一个>。第一列显示每个实例的名字,其次是商品,然后结果论两种HH的方法提出了选择策略和FRR-MAB证明:最佳解决方案(BS)。差距 BS的表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab1/" target="_blank">1一个>,HH-SMAA可以获得17人,两个新的商品,其中一个达成改善0.3%,前面的人。只有10人通过HH-FRR-MAB SD值中值为4.25,远远大于HH-SMAA的值。LRPSPD的结果,13人得到和5新商品达成改善超过1.6%被发现有一个能接受的解决方案。HH-FRR-MAB可以11募集和4 BS比先前的结果。此外,针对演示的效率提出了HH,弗里德曼统计实验进行了两种方法的结果之间,和表中提供的结果<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab3/" target="_blank">3一个>。获得的<我>χ我>2值大于临界值,表明上述两种方法之间存在显著差异,统计上的性能提出了HH优于HH-FRR-MAB。
表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab4/" target="_blank">4一个>介绍了关键性能指标得到了该方法求解LCLIENT集,针对分析的影响客户的分布在元的总成本(TC),车辆成本(VC)元,燃料和碳排放成本(FEC)元,违约成本(PC)元,旅行距离(TD)公里,旅行时间(TT)分钟,和碳排放(CE)公斤。第一列显示实例的名称。从结果表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab4/" target="_blank">4一个>,所有的客户区1可以减少所有性能指标但不太在结果与其他客户的分布,如图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig3/" target="_blank">3一个>。与CC2的结果相比,tc CC1似乎平均减少5.56%,2.96%的风险投资,20.82%的选举委员会/ CE, 37.77%的个人电脑,19.25% td, 7.87% tt。CC3的结果显示,这是费时,昂贵,和长途服务该区域的客户即使车辆的速度限制在这一领域是最快的,导致tc增加19.24%,20.89%的风险投资,62.67%的选举委员会/ CE, 131.74%的个人电脑,65.11% td, 32.22% tt。随机分布的客户,即铬、铅tc增加18.08%,19.94%的风险投资,59.77%的选举委员会/ CE、99.02%的pc, td的66.65%,和28.69% tt,近乎CC3。目标函数的每个部分的比例似乎没有与客户的分布,如图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig4/" target="_blank">4一个>四个比率中,最大的是仓库的成本从44%到60%,平均值为51.68%,其次是汽车燃料消耗和碳排放成本22%左右,和惩罚成本的比例至少达到平均4.12%的比例。
提出模型的效率报告在表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab5/" target="_blank">5一个>。表中的值<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab5/" target="_blank">5一个>显示结果的增量RLRPRCC-TT / RLRPRCC-TD,指的是旅行时间/距离作为目标函数,而不是第三部分燃料消耗和碳排放成本。图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig5/" target="_blank">5一个>揭示了在上述三种模式,改变RLRPRCC-TT相比,该模型可以减少1.95% TC,选举委员会的16.46%,和6.83% TD牺牲风险增加4.27%,20.71% pc /大众,8.44% tt。与此同时,TC提出的数学模型也可以减少1.57%,14.08%的选举委员会,td风险增加3.04%和6.68%,22.94%的pc /大众,6.76% tt。
上述结果表明,客户的分布的关键性能指标有很大的影响,和CC1总是达到最小值的类型。此外,本文提出的模型可以降低物流总成本的2%左右,15%的燃料消耗和碳排放成本和碳排放,车辆平均出行距离和7%,这说明了数学模型的效率。
摘要仓库成本强烈与日常租赁仓库(取决于他们的位置),货物管理成本和运输费用。仓库在一个城市的分布决定了成本和每个仓库的位置,共同影响关键性能指标。LDEPOTS实例的结果在表进行<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab6/" target="_blank">6一个>。的观测值在表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab6/" target="_blank">6一个>仓库的分布区域3 TC可以显著减少59%,1.62% FEC / CE和3.83% td与DC1相比,TC DC2 TC为29%和14%,和4.48%的选举委员会/ CE博士DC2达到最低选举委员会的类型,CE, TT平均四种类型之一。关于PC / WT(车辆等待时间在几分钟内)和TT,博士的类型获得最小值平均13.46%的PC / WT和6.19% TT。相应的趋势影响仓库分布如图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig6/" target="_blank">6一个>。
在图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig7/" target="_blank">7一个>,每个部分的比例在目标函数显示在箱线图,仓库的成本在DC3最低比例平均为53.66%,和其他人的最低比率可以在DC1的类型。每个部分的比例在不同类型的目标函数不同仓库的分布。因此,物流公司应优先优化最大比率四个部分为选择最有利的仓库获得最低总成本,仓库的费用平均占50%以上。表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab7/" target="_blank">7一个>显示结果的增量RLRPRCC-TT RLRPRCC-TD。图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig8/" target="_blank">8一个>显示每个绩效指标的增量在RLRPRCC-TT RLRPRCC-TD,这表明,我们的模型可以降低3.76% / 3.07 tc,选举委员会/ CE 41.57% / 38.31%,平均18.80% / 22.12% td。因此,我们的模型还有高效解决这些实例。
在本节中,我们分析的影响变化的客户时间窗;如上所述节<一个href="#sec5.1">5.1一个>,存在4设置指示津贴的时间窗口,也就是说,<我>l我>我我>=<我>η我>×<我>圣我>我我>+<我>e我>我我>,<我>η我>∈我>
,和<我>e我>我我>值和其他参数保持相同的所有变化。提供了四种变体的比较表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab8/" target="_blank">8一个>和<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab9/" target="_blank">9一个>。表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab8/" target="_blank">8一个>提供了实例的结果<我>η我>=我>1。表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab9/" target="_blank">9一个>介绍了关键绩效指标的衰减值,TC, PC,选举委员会/ EC, TD和TT。从观察表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab9/" target="_blank">9一个>,上述五个指标的平均衰减率的增加<我>η我>价值增加,但的惩罚成本<我>η我>=我>1小于它的<我>η我>=我>1.5。对于每一个绩效指标,TC的增量,VC,选举委员会/ EC, PC / WT, TD, TT范围从3.93%到19.45%,从-0.36%到23.94,从16.54%提高到33.60%,从5.43%提高到42.96%,分别从8.84%到25.36%。图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig9/" target="_blank">9一个>显示的趋势6性能指标的影响<我>η我>价值,包括TC、VC、选举委员会/ EC, PC / WT, TD和TT。我们的研究结果表明,客户的时间窗对大多数关键性能指标有显著影响,物流公司应采取适当的偏见的方法来选择合适的客户服务。
针对评估的好处利用异构的车队,LVEHICLE集试验获得的结果与同质的,也就是说,L1, L2和m .表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab10/" target="_blank">10一个>给出了计算结果,它提供了11个绩效指标包括TC、直流,VC,选举委员会,PC,车辆等待时间(分钟。VWT), TD, TT, CE、产能利用率百分比(坏蛋),和太表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab11/" target="_blank">11一个>结果在表相比提供结果<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab10/" target="_blank">10一个>用同质的,它提供了△TC,△铁、△VC、△PC,△CUR,△TD,△TT。表<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab10/" target="_blank">10一个>和<一个href="//www.newsama.com/journals/mpe/2018/8987402/tab11/" target="_blank">11一个>建议如下:(1)总成本增加24.91%,3.05%,和4.28%平均当L1, L2,和M,分别使用。(2)简历的平均增加70.73%,10.21%,和7.87%,分别。(3)总燃料消耗和碳排放增加10.21%,L1车辆为14.99%,M车辆,使用L2车辆时减少1.73%。(4)为客户满意,车辆等待时间/违约成本平均降低126.07% L1和L2为22.04%和12.18%当辆被利用。(5)TD和TT, L1车辆分别增加43.31%和61.77%,5.75%和10.66% L2当辆车辆,减少0.47%和5.75%。(6)当使用L1车辆CUR增加1.09%,减少2.26%和25.92%时L2和M车辆使用。
上述结果表明,实例使用异构的车队可以有效地降低物流总成本,燃料消耗、碳排放,车辆等待时间,和旅行距离/时间和增加产能利用率和车辆的数量,即使车辆的使用类型直接取决于客户的需求和时间窗口。因此,物流公司应该租各种类型的舰队组成基于windows的客户需求和时间的性质推导出成本、环境影响和提高客户满意。
图<一个href="//www.newsama.com/journals/mpe/2018/8987402/fig10/" target="_blank">10一个>说明了该方法的计算性能;不用说,平均计算时间与实例的大小关系,计算时间等 本文提出了一种新的模型对区域低碳location-routing同时皮卡和交付的问题,硬时间窗,和异构舰队。为解决理解np难问题,开发了一个新颖的方法,也就是说,共享系统,自适应hyperheuristic (HH-SMAA)。一个3项exponential-size MIP数学模型第一次被介绍给最小化物流总成本包括总仓库,车辆、燃料消耗、和碳排放成本和损失成本,倒数第二个被认为是路由成本考虑环境影响,后者是车辆等待成本(如果提前到达)对客户满意度和维护长期的客户忠诚度。
来验证我们的提议HH-SMSA,单体LRPSPD基准实例,即Barreto集,其性能和可靠性进行评估与改善与健身hyperheuristic率排名基于Multi-Armed土匪(FRR-MAB)。此外,四组新基准实例是有目的地构建评估各种问题参数的影响,如仓库、客户分布、客户端时间windows津贴,舰队,等等,关键绩效指标,包括总成本、仓库成本,车辆成本、燃料消耗和碳排放成本、惩罚成本,汽车旅行距离和时间,等。从上面的分析和结论,几个管理见解物流公司提供短期/长期。
未来可能定义多目标函数模型适合RLCLRPRCC经济效益,环境影响,客户满意;相应的多目标hyperheuristics会发达。此外,未来的研究也可以考虑在RLCLRPRCC时间维度对时间速度占交通状况。
使用的数据来支持本研究的发现可以从相应的作者。
作者宣称没有利益冲突有关的出版。
这项工作在一定程度上支持中国的国家自然科学基金(61572438和61572438号)和国家自然科学基金委的浙江(没有。LQ14F030005)。
版权©2018龙龙愣等。这是一个开放的分布式下文章<一个rel=”l我cense" href="http://creativecommons.org/licenses/by/4.0/">知识共享归属许可一个>,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。
2.2。方法回顾
3所示。数学公式
3.1。CMEM模型
3.2。提出了制定
4所示。提出Hyperheuristic
4.1。问题域
以下4.4.1。染色体表示
4.1.2。低级的启发式
4.2。提出了高层选择策略
冷杉我>是最近的健身改进率应用算子;
FRR我>SFIR正常化。
输入:冷杉,SFIR我>
输出:FRR我>
如果冷杉我>> 0
为我我>= 0到滑动窗口的大小
人事处我>= SlidingSindow。getOperatorPos (<我>我我>)
奖励=男朋友我>我我>×杉木。我>
SFIR我>人事处我>= SFIR我>人事处我>+奖励。我>
结束了
TotalReward我>=∑<我>SFIR。我>
为人事处我>= 0<我>NT我>做
FRR我>人事处我>= SFIR我>人事处我>/ TotalReward我>
结束了
保存冷杉我>为贴近窗口
其他的
清晰的侧窗
如果
人事处我>是最后一次迭代的运算符;<我>nop我>是电流选择算子;
FIRop我>是健身改进了吗<我>人事处我>;<我>达峰时间我>和<我>t我>
最大/当前迭代,et al。
输入:op, FIRop TQ,男朋友,男朋友我>0
输出:nop我>
/ /分类我>
GFIRop = GFIRop + FIRop我>
我我>= 0
而我我>≤<我>TN我>做
如果GFIR我>我我>< 0
分区。操作符(<我>我我>PH值)
其他的
分区。操作符(<我>我我>)嗯
如果
结束时
/ /类型的粮我>(<我>PH /嗯我>)
FRR我>=算法。实现(<一个href="#EEq1">1一个>)
p我>ph值我>=概率。计算(<我>TQ操作我>,<我>TN我>)
如果p我>ph值我>>兰德
奖励我>人事处我>=奖励。计算(<我>人事处我>,<我>t我>,
PFIRop = PFIRop +奖励我>人事处我>
TotalReward我>=∑<我>PFIR我>。
为人事处我>= 0<我>NT我>做
FRR我>人事处我>= PFIR我>人事处我>/ TotalReward我>
结束了
如果
/ /信贷价值计算我>
为我我>= 0到呃或PH值的大小
人事处我>=嗯/ PH值。getOperator (<我>我我>)
简历我>人事处我>= CreditValue。计算(<我>FRR我>人事处我>,<我>N我>)%骑马(<一个href="#EEq29">30.一个>)
结束
/ /轮盘赌选择我>
nop我>=轮盘赌。选择(<我>简历我>,<我>嗯/ PH值我>)
4.3。提出了高层验收标准
5。
5.1。实现和配置方面的参数
5.2。测试实例
5.3。高层选择策略的效率
实例
商品(<一个href="#B63" target="_blank">6一个>]
HH-SMAA
HH-FRR-MAB
废话
差距
差距
SD
太
废话
差距
差距
SD
太
G67-21×5
424.9
424.9
0.00
0.00
0.00
0.54
424.9
0.00
0.00
0.00
0.80
G67-22×5
585.1
585.1
0.00
0.00
0.00
0.43
585.1
0.00
0.01
0.31
0.62
G67-29×5
512.1
512.1
0.00
0.00
0.00
0.75
512.1
0.00
1.40
10.37
0.91
G67-32×5 - 1
562.2
562.2
0.00
0.00
0.00
0.60
562.2
0.00
0.11
2.04
0.98
G67-32×5 - 2
504.3
504.3
0.00
0.00
0.00
0.49
504.3
0.00
0.01
0.21
0.97
G67-36×5
460.4
460.4
0.00
0.00
0.00
0.72
460.4
0.00
0.05
1.55
0.98
C69-50×5
565.6
565.6
0.00
0.00
0.00
2.35
565.6
0.00
1.50
8.74
2.63
c69 - 75×5
844.4
844.4
0.00
0.00
0.00
8.58
844.6
0.02
2.02
9.52
10.14
c69 - 100×5
833.4
833.4
0.00
0.04
1.03
12.19
836.7
0.39
2.24
8.56
8.32
P83-12×2
204.0
204.0
0.00
0.00
0.00
0.12
204.0
0.00
0.00
0.00
0.13
P83-55×15
1112.1
1112.1
0.00
0.00
0.00
4.09
1112.8
0.06
0.20
3.03
5.46
p83 - 85×7
1622.5
1622.5
0.00
0.01
0.16
13.94
1625.8
0.21
0.44
4.25
10.62
p83 - 318×4
557249.3
555974.2
-0.23
-0.11
467.08
30.22
560732.4
0.63
2.72
6812.70
17.79
p83 - 318×4 - 2
663070.0
661065.0
-0.30
-0.05
1157.83
46.50
666867.9
0.57
2.78
17089.75
50.02
M92-27×5
3062.0
3062.0
0.00
0.00
0.00
0.85
3062.0
0.00
0.00
0.00
0.78
m92 - 134×8
5709.0
5709.0
0.00
0.11
4.92
20.29
5719.3
0.18
1.60
59.26
12.35
d95 - 88×8
355.8
355.8
0.00
0.00
0.00
10.41
355.8
0.00
0.50
3.95
11.10
d95 - 150×10
43919.9
43919.9
0.00
0.03
21.66
21.67
44207.5
0.65
1.49
325.46
16.16
o76 - 117×14
12290.3
12290.3
0.00
0.01
2.80
11.60
12296.9
0.05
2.08
115.98
4.94
平均
68099.33
67926.70
-0.03
0.00
87.13
9.81
68498.97
0.15
1.01
1287.14
8.20
中位数
0.00
0.00
0.00
4.09
0.01
0.50
4.25
4.94
实例
商品(<一个href="#B39" target="_blank">7一个>]
HH-SMAA
HH-FRR-MAB
男朋友
差距
差距
SD
太
男朋友
差距
差距
SD
太
G67-21×5
528.42
528.42
0.00
0.27
1.26
0.58
528.42
0.00
0.91
2.06
0.98
G67-22×5
653.80
653.80
0.00
0.00
0.00
0.58
653.80
0.00
0.00
0.00
0.65
G67-29×5
592.10
592.10
0.00
0.00
0.00
0.81
592.10
0.00
1.89
22.56
1.25
G67-32×5 - 1
696.38
696.38
0.00
0.08
0.16
1.20
696.38
0.00
0.47
4.41
1.27
G67-32×5 - 2
595.27
595.27
0.00
0.00
0.00
1.19
595.27
0.00
0.01
0.21
1.03
G67-36×5
540.37
540.37
0.00
0.00
0.00
1.05
540.37
0.00
0.82
7.89
1.02
C69-50×5
708.37
708.37
0.00
0.00
0.00
3.99
708.37
0.00
0.76
4.44
5.19
c69 - 75×5
1132.80
1132.80
0.00
0.37
2.77
9.53
1135.88
0.27
2.16
11.36
12.02
c69 - 100×5
1011.53
1011.53
0.00
1.11
4.33
8.90
1035.19
2.34
4.90
12.08
10.43
P83-12×2
243.98
243.98
0.00
0.00
0.00
0.13
243.98
0.00
0.00
0.00
0.13
P83-55×15
1327.06
1327.06
0.00
0.01
0.07
5.92
1327.06
0.00
0.72
5.32
9.46
p83 - 85×7
1855.55
1855.55
0.00
0.03
0.96
11.88
1855.55
0.00
1.46
12.47
15.61
p83 - 318×4
573335.00
566107.39
-1.26
-0.95
738.69
25.83
572517.08
-0.14
2.32
7560.65
22.75
p83 - 318×4 - 2
724561.00
712528.47
-1.66
-1.07
1900.42
52.99
722348.67
-0.31
2.48
22050.45
49.56
M92-27×5
3142.02
3142.02
0.00
0.00
0.00
1.20
3142.02
0.00
0.00
0.44
0.87
m92 - 134×8
5953.68
5913.51
-0.67
-0.53
2.45
15.90
5935.24
-0.31
1.15
51.65
12.68
d95 - 88×8
497.60
497.98
0.08
0.32
1.43
7.24
498.05
0.09
2.61
9.58
7.82
d95 - 150×10
45152.90
44964.68
-0.42
-0.08
61.17
16.61
45110.45
-0.09
1.56
422.26
15.66
o76 - 117×14
12360.70
12350.20
-0.08
0.01
14.37
9.22
12383.89
0.19
2.43
206.37
7.88
平均
72362.55
71336.31
-0.21
-0.02
143.58
9.20
72202.51
0.11
1.40
1599.17
9.28
中位数
0.00
0.00
0.96
5.92
0.00
1.15
9.58
7.82
集
算法
测试统计数据
结论
HH-SMAA
HH-FRR-MAB
N我>
χ我>2
df我>
p我>
含碘
1.26
1.74
19
9.000
1
0.003
χ我>2>临界值,拒绝H
LRPSPD
1.29
1.71
19
8.000
1
0.005
χ我>2>临界值,拒绝H
5.4。评估的影响域问题
5.4.1之前。客户分布的影响
实例
TC
风投
选举委员会
个人电脑
道明
TT
CE
太
25 cc1
968.40
214年
160.37
44.04
63.25
379.26
48.06
14.45
25 cc2
989.54
214年
176.12
49.42
69.29
375.19
52.78
13.93
25 cc3
1102.22
224年
277.66
50.57
96.19
388.97
83.21
13.69
25 cr
1119.49
252年
258.06
59.43
104.23
440.12
77.34
13.53
50 cc1
1511.03
294年
287.49
29.53
95.56
525.24
86.16
99.13
50 cc2
1609.45
304年
364.57
40.88
116.85
563.76
109.26
91.61
50 cc3
1819.25
362年
472.31
84.94
162.55
731.86
141.55
90.68
50 cr
1748.20
338年
449.01
61.18
144.94
638.15
134.57
99.47
75年cc1
1768.03
402年
365.98
50.05
113.47
675.48
109.68
430.56
75年cc2
1884.29
412年
456.49
65.80
131.62
707.90
136.81
392.80
75年cc3
2117.60
532年
482.19
153.41
164.23
1010.34
144.51
349.89
75 cr
2166.86
538年
539.14
139.72
192.18
1012.16
161.58
416.82
100年cc1
2787.31
606年
515.13
66.19
159.43
973.26
154.38
414.69
100年cc2
2981.92
642年
628.08
111.84
205.93
1171.83
188.23
423.75
100年cc3
3427.17
748年
934.88
144.28
308.55
1337.28
280.18
430.09
100 cr
3301.48
686年
899.81
115.67
288.23
1239.87
269.67
418.17
平均
1956.39
423年
454.21
79.18
151.03
760.67
136.12
232.08
中位数
1793.64
382年
452.75
63.49
138.28
691.69
135.69
224.68
实例
RLRPRCC-TT
RLRPRCC-TD
△TC
△VC
△选举委员会/ CE
△电脑
△TD
△TT
△TC
△VC
△选举委员会/ CE
△电脑
△TD
△TT
25 cc1
1.43
-0.93
6.39
12.63
-0.23
0.79
0.60
1.87
4.87
-13.69
-6.05
-4.09
25 cc2
0.49
0.00
1.95
2.79
0.17
-0.32
0.00
0.00
0.00
0.00
0.00
0.00
25 cc3
0.73
0.00
2.29
3.39
-1.41
-0.62
0.33
0.00
0.90
2.26
-1.41
-0.31
25 cr
1.22
-12.70
24.47
-29.41
11.15
-13.46
3.26
1.59
14.60
-8.63
-1.65
-5.04
50 cc1
-0.32
1.36
-0.33
-26.86
-7.79
-8.88
1.23
1.36
8.77
-35.87
-0.33
-6.68
50 cc2
2.00
0.00
10.72
-16.85
6.24
-4.38
1.21
0.00
7.11
-15.63
6.05
-2.42
50 cc3
3.16
-6.63
22.13
-27.12
1.58
-13.25
0.88
-6.63
13.69
-29.08
1.88
-11.48
50 cr
4.18
-1.78
21.39
-27.68
15.82
-8.36
3.17
-1.78
17.24
-26.27
12.14
-5.51
75年cc1
1.94
0.00
11.88
-18.28
8.84
-3.42
1.38
0.00
10.60
-28.89
8.69
-4.78
75年cc2
-1.09
-2.43
-1.00
-9.18
1.77
-3.89
1.40
-2.43
11.79
-26.55
12.50
-5.79
75年cc3
3.74
-17.29
52.66
-53.94
25.70
-23.71
4.10
-17.29
54.94
-56.18
29.11
-23.98
75 cr
6.78
-23.42
69.49
-72.75
30.41
-29.56
2.83
-17.10
43.56
-58.39
20.18
-22.44
100年cc1
0.43
0.99
0.70
3.63
-1.07
-0.71
0.60
0.00
5.73
-19.23
2.77
-3.56
100年cc2
1.32
0.62
10.34
-26.41
5.07
-8.27
1.46
-0.93
12.16
-24.11
9.14
-5.46
100年cc3
1.53
-5.88
13.63
-21.46
4.73
-9.00
2.18
-5.88
15.17
-16.09
10.43
-3.80
100 cr
3.64
-0.29
16.66
-23.85
8.37
-7.91
0.43
-1.46
4.08
-10.75
3.36
-2.76
平均
1.95
-4.27
16.46
-20.71
6.83
-8.44
1.57
-3.04
14.08
-22.94
6.68
-6.76
中位数
1.48
-0.61
11.30
-22.66
4.90
-8.09
1.30
-0.47
11.19
-21.67
4.70
-4.91
(一)RLRPRCC-TT和RLCLRPPRCC
(b) RLRPRCC-TD和RLCLRPRCC
(一)RLRPRCC-TT和RLCLRPPRCC
(b) RLRPRCC-TD和RLCLRPRCC5.4.2。影响仓库的分布
实例
TC
直流
风投
选举委员会
个人电脑
道明
TT
CE
太
25 dc1
1490.66
1000年
220年
216.58
54.08
84.49
427.03
64.91
10.25
25 dc2
1183.05
700年
220年
207.07
55.98
80.97
416.89
62.06
11.77
25 dc3
884.94
400年
218年
209.60
57.34
78.90
420.18
62.82
11.10
25个博士
1052.80
550年
220年
223.75
59.05
87.57
438.74
67.06
8.66
50 dc1
2469.23
1500年
396年
465.98
107.25
171.08
837.94
139.65
132.56
50 dc2
2019.93
1050年
396年
471.45
102.47
173.10
816.63
141.29
146.30
50 dc3
1600.06
600年
396年
503.46
100.60
183.40
816.29
150.89
123.46
50个博士
1707.12
750年
396年
456.86
104.25
165.49
804.00
136.92
110.94
75年dc1
3227.22
2000年
514年
580.08
133.14
190.95
1002.75
173.85
344.60
75年dc2
2613.33
1400年
514年
567.51
131.81
184.68
978.86
170.08
390.19
75年dc3
2043.26
800年
542年
547.39
153.86
183.35
1050.73
164.05
375.33
75年博士
2174.48
950年
480年
630.69
113.79
192.34
923.62
189.01
415.12
100年dc1
4260.01
2500年
728年
866.13
165.88
292.57
1392.25
259.58
446.51
100年dc2
3506.57
1750年
766年
797.15
193.42
266.41
1432.90
238.90
553.12
100年dc3
2744.17
1000年
734年
827.89
182.28
264.06
1389.38
248.11
548.96
100年博士
3382.44
1750年
642年
870.85
119.59
250.80
1172.91
260.99
480.78
平均
2272.45
1168.75
461.38
527.65
114.68
178.13
895.07
158.14
256.85
中位数
2108.87
1000.00
438.00
525.43
110.52
183.38
880.78
157.47
245.45
实例
RLRPRCC-TT
RLRPRCC-TD
△TC
△VC
△选举委员会/ CE
△电脑
△TD
△TT
△TC
△VC
△选举委员会/ CE
△电脑
△TD
△TT
25 dc1
1.66
-15.45
37.89
-43.21
26.03
-15.28
1.56
-20.00
44.64
-54.31
38.43
-14.61
25 dc2
2.62
-20.00
48.49
-45.32
39.54
-13.31
2.12
-20.00
47.53
-52.46
39.89
-13.46
25 dc3
3.84
-14.68
42.70
-41.02
29.70
-14.44
2.39
-19.27
43.29
-48.19
42.10
-13.93
25个博士
1.80
-15.45
36.12
-47.22
22.26
-18.75
1.72
-15.45
38.16
-56.38
28.02
-18.90
50 dc1
3.31
-14.65
42.87
-55.92
16.01
-23.80
1.71
-7.58
24.71
-39.90
9.68
-15.67
50 dc2
3.19
-14.65
36.25
-47.41
9.69
-21.30
1.46
-6.06
18.07
-31.00
2.31
-13.35
50 dc3
6.00
-14.65
40.38
-48.94
10.58
-22.28
4.18
-7.58
28.37
-45.64
13.32
-15.00
50个博士
5.72
-16.16
46.79
-49.96
17.76
-20.81
5.91
-14.65
46.51
-51.34
23.87
-17.50
75年dc1
2.99
-17.90
46.74
-62.16
16.83
-26.99
2.77
-17.90
46.17
-64.85
19.53
-25.56
75年dc2
4.75
-17.90
52.44
-61.70
22.34
-25.17
2.53
-19.84
42.50
-55.41
21.70
-20.07
75年dc3
4.85
-22.14
58.43
-65.55
21.85
-30.25
3.44
-22.14
53.00
-64.90
22.75
-27.99
75年博士
5.58
-12.08
36.35
-43.79
16.23
-16.32
9.31
-12.08
51.88
-58.65
33.20
-16.56
100年dc1
2.31
-16.48
35.70
-54.71
8.04
-23.17
1.34
-15.93
31.37
-59.39
4.19
-23.10
100年dc2
0.43
-16.97
28.96
-44.40
6.49
-20.75
0.30
-16.19
28.36
-47.42
10.75
-19.34
100年dc3
3.58
-16.62
37.37
-48.89
11.35
-21.16
1.21
-17.17
30.65
-51.81
13.24
-20.60
100年博士
7.57
-5.30
37.58
-31.25
26.13
-7.69
7.21
-5.30
37.75
-42.62
30.92
-7.90
平均
3.76
-15.69
41.57
-49.47
18.80
-20.09
3.07
-14.82
38.31
-51.52
22.12
-17.72
中位数
3.45
-15.81
39.14
-48.15
17.30
-20.99
2.25
-16.06
40.33
-52.13
22.23
-17.03
(一)比仓库的成本
(b)比汽车的成本
(c)比值的燃料消耗和碳排放的成本
(d)的比值惩罚成本
(一)比仓库的成本
(b)比汽车的成本
(c)比值的燃料消耗和碳排放的成本
(d)的比值惩罚成本
(一)RLRPRCC-TT和RLCLRPPRCC
(b) RLRPRCC-TD和RLCLRPRCC
(一)RLRPRCC-TT和RLCLRPPRCC
(b) RLRPRCC-TD和RLCLRPRCC5.4.3。影响客户的时间窗口
实例
TC
直流
风投
选举委员会
个人电脑
道明
TT
CE
太
L25-1
1286.34
700年
252年
276.75
57.59
114.55
467.06
82.94
7.85
L25-2
957.35
400年
246年
254.95
56.40
107.22
460.02
76.41
12.61
L25-3
981.38
400年
220年
289.74
71.65
113.18
501.76
86.83
13.16
L50-1
1738.69
750年
396年
484.48
108.22
172.59
802.37
145.20
74.08
L50-2
2109.88
1200年
362年
460.86
87.02
164.55
744.64
138.12
98.63
L50-3
1816.81
900年
406年
423.62
87.19
154.81
721.23
126.96
65.22
L75-1
2211.91
950年
592年
538.70
131.21
184.90
1036.40
161.45
388.60
L75-2
2344.82
1100年
576年
545.84
122.98
208.88
1032.67
163.59
303.45
L75-3
2561.74
1250年
532年
637.82
141.92
223.06
1084.45
191.15
377.80
L100-1
3441.15
1750年
728年
801.71
161.43
276.57
1331.37
240.27
433.61
L100-2
3269.60
1300年
842年
915.17
212.42
316.53
1542.28
274.27
419.11
L100-3
2987.50
1150年
806年
835.06
196.44
282.89
1436.71
250.26
490.86
平均
2142.26
987.50
496.50
538.73
119.54
193.31
930.08
161.45
223.75
中位数
2160.89
1025.00
469.00
511.59
115.60
178.74
917.52
153.32
201.04
实例
η我>=我>1。5
η我>=我>2
η我>=我>∞
△TC
△电脑
△CE
△TD
△TT
△TC
△电脑
△CE
△TD
△TT
△TC
△电脑
△CE
△TD
△TT
L25-1
3.09
-1.37
20.02
5.41
10.41
3.74
0.00
17.61
6.65
9.87
13.56
18.34
41.22
41.57
30.03
L25-2
4.98
-1.35
33.86
5.94
16.20
6.92
-11.92
65.00
7.92
29.89
18.37
18.99
41.67
38.22
29.84
L25-3
3.74
-8.53
38.32
4.24
19.40
3.93
-8.07
39.02
3.03
19.40
16.00
21.73
36.41
43.11
29.67
L50-1
2.54
1.31
12.75
7.20
7.78
4.06
3.39
27.81
11.30
15.01
16.98
25.38
42.74
44.98
29.95
L50-2
16.89
13.78
-8.33
14.21
1.49
18.29
19.84
-6.39
20.55
3.64
40.56
29.54
31.75
47.15
27.32
L50-3
2.50
-2.10
23.33
2.16
10.17
3.76
7.30
3.86
13.02
5.08
13.94
21.47
30.22
42.09
22.64
L75-1
1.69
-8.96
21.15
-0.17
8.89
3.25
5.53
13.73
11.69
8.70
14.65
23.40
28.91
40.09
20.34
L75-2
3.57
1.53
10.77
8.79
7.46
4.06
3.13
13.16
9.77
8.69
27.96
18.52
37.74
39.03
24.75
L75-3
2.33
1.64
14.94
6.51
7.59
3.82
8.30
11.96
11.18
7.02
19.48
25.88
21.06
43.81
18.82
L100-1
2.06
-2.39
17.31
5.66
8.84
3.38
2.59
14.52
8.71
8.79
13.93
28.52
26.35
44.29
22.03
L100-2
2.81
2.36
12.41
3.59
6.71
5.27
0.66
22.78
3.92
11.36
20.10
30.80
34.48
47.97
26.37
L100-3
1.01
-0.22
1.99
1.66
1.18
2.04
3.99
-0.16
6.29
1.31
17.82
24.71
30.62
43.25
22.61
平均
3.93
-0.36
16.54
5.43
8.84
5.21
2.89
18.58
9.50
10.73
19.45
23.94
33.60
42.96
25.36
中位数
2.68
-0.78
16.13
5.54
8.31
3.88
3.26
14.12
9.24
8.74
17.40
24.05
33.11
43.18
25.56
(一)TC的倾向
VC的(b)趋势
选举委员会/ EC的(c)趋势
(d)的PC / WT的倾向
TD的(e)趋势
的TT (f)的倾向
(一)TC的倾向
VC的(b)趋势
选举委员会/ EC的(c)趋势
(d)的PC / WT的倾向
TD的(e)趋势
的TT (f)的倾向5.4.4。舰队组成的影响
实例
TC
直流
风投
选举委员会
个人电脑
VWT
道明
TT
CE
坏蛋
太
L75-1
2124.17
950年
514年
548.46
111.71
372.35
185.56
961.13
164.37
87.92
314.96
L75-2
2493.19
1250年
546年
579.61
117.58
391.95
203.19
997.82
173.71
87.62
270.20
L75-3
2300.09
1100年
538年
532.08
130.01
433.36
193.12
1014.45
159.46
92.72
349.07
L75-4
2836.41
1550年
582年
557.70
146.72
489.05
208.10
1104.31
167.14
91.53
401.68
L75-5
2321.80
1100年
514年
602.61
105.19
350.63
200.97
972.82
180.60
92.79
323.40
L75-6
2409.24
1100年
542年
641.01
126.23
420.76
215.20
1017.31
192.11
93.87
316.12
L100-1
3027.41
1300年
718年
823.50
185.91
619.70
267.40
1399.14
246.80
91.28
567.03
L100-2
2923.39
1300年
724年
725.44
173.95
579.82
237.76
1284.36
217.41
93.15
579.02
L100-3
3331.14
1750年
680年
739.08
162.06
540.20
252.53
1309.80
221.50
92.02
475.07
L100-4
3092.60
1450年
666年
799.53
177.07
590.22
250.41
1331.20
239.62
90.25
500.40
L100-5
3098.64
1450年
772年
681.31
195.34
651.13
240.10
1439.02
204.18
91.16
451.74
L100-6
2999.12
1300年
728年
796.53
174.58
581.95
267.47
1373.00
238.72
88.04
459.19
平均
2746.43
1300年
627年
668.90
150.53
501.76
226.82
1183.70
200.47
91.03
417.32
中位数
2879.90
1300年
624年
661.16
154.39
514.63
226.48
1194.34
198.15
91.41
426.71
实例
L1
L2
米
△TC
△简历
△CE
△CWT
△TD
△TT
△坏蛋
△TC
△简历
△CE
△CWT
△TD
△TT
△坏蛋
△TC
△简历
△CE
△CWT
△TD
△TT
△坏蛋
L75-1
30.03
77.43
9.02
170.39
49.93
77.20
4.92
4.06
11.28
-0.57
28.15
12.16
13.45
1.80
3.41
5.06
9.28
-3.90
-1.63
-2.10
-20.95
L75-2
20.31
60.07
2.11
141.21
31.12
62.99
7.46
0.66
-3.30
5.37
2.85
9.07
2.90
9.73
6.06
18.68
8.20
1.28
-4.51
-0.97
-34.74
L75-3
25.16
69.52
13.95
100.30
43.66
53.94
0.38
2.78
6.32
4.70
3.75
9.03
4.57
-2.56
5.77
0.37
33.51
-36.60
9.88
-13.07
-23.35
L75-4
22.20
63.23
24.18
86.39
53.66
49.91
0.91
1.72
5.84
-0.09
10.46
2.10
4.89
-2.49
3.08
2.06
20.79
-27.73
0.14
-12.27
-25.30
L75-5
26.76
77.43
-1.00
217.97
33.40
88.62
-0.59
2.94
11.28
-6.63
47.65
3.56
18.37
-1.71
4.87
15.56
2.90
14.93
-7.80
3.31
-28.94
L75-6
24.40
68.27
7.13
136.48
37.34
64.04
-1.78
2.70
13.65
-10.03
43.86
-3.65
18.10
-9.55
6.89
9.59
18.58
-4.11
3.14
-0.41
-27.30
L100-1
21.31
64.07
-1.70
107.08
24.53
51.32
2.03
2.18
10.31
-4.14
14.00
0.59
6.68
-5.01
4.96
-2.23
27.95
-34.38
7.44
-14.89
-21.05
L100-2
27.78
67.96
15.53
119.34
49.41
63.52
-0.21
3.07
9.39
-3.30
26.18
5.11
13.94
-3.33
2.94
4.42
10.81
-14.08
-5.67
-7.25
-23.41
L100-3
22.59
73.24
6.08
129.37
36.81
62.45
-0.08
2.12
10.00
-6.50
31.15
0.08
13.41
-1.93
3.01
11.18
4.29
-4.69
-10.85
-4.66
-27.39
L100-4
24.83
88.29
19.30
99.12
65.72
57.61
0.42
4.05
18.92
-5.89
26.18
6.74
13.11
-0.97
1.96
13.51
16.86
-7.94
7.60
-2.33
-25.25
L100-5
27.64
72.28
13.77
104.79
47.89
56.10
-2.05
5.82
13.99
6.24
15.27
16.28
10.28
-6.34
3.81
4.92
18.19
-22.40
3.83
-9.97
-25.25
L100-6
25.88
67.03
14.17
100.36
46.24
53.56
1.63
4.49
14.84
0.07
14.95
7.89
8.27
-4.75
4.61
11.26
8.48
-6.57
-7.27
-4.41
-28.14
平均
24.91
70.73
10.21
126.07
43.31
61.77
1.09
3.05
10.21
-1.73
22.04
5.75
10.66
-2.26
4.28
7.87
14.99
-12.18
-0.47
-5.75
-25.92
中位数
24.99
68.89
11.39
113.21
44.95
60.03
0.40
2.86
10.80
-1.93
20.73
5.93
11.70
-2.53
4.21
7.33
13.84
-7.25
-0.74
-4.53
-25.27
6。结论
数据可用性
的利益冲突
确认
引用
版权