基于模糊时间窗的多目标冷链配送优化

随着生鲜冷链行业竞争逐渐白热化,成本高、时效性强、新鲜度难以保持等问题已成为制约冷链物流配送的瓶颈。为提高生鲜配送效率,考虑客户满意度,以货损成本、惩罚成本等综合配送成本最低为目标函数,构建了一个多目标配送路径优化模型。设计带精英策略的非支配排序遗传算法（Elitist Non-dominated Sorting Genetic Algorithm,NSGA-II）求解该问题,利用Solomon标准数据集进行仿真模拟实验。实验结果对比分析表明,考虑满意度时冷链物流配送所需车辆更少,总路径长度更短,设计的算法可以在较短的时间内获取到帕累托最优解集,能够有效地解决模糊时间窗下的配送路径优化问题。     

基于用户满意度的冷链物流配送需求预测方法

为提高冷链物流配送需求量预测精度，提出基于用户满意度的冷链物流配送需求预测方法。首先，将与冷链物流配送需求相关的各个方面作为一级指标，将对应的影响因素作为二级指标，构建冷链物流配送需求预测指标体系。其次，引入主成分分析（Principal Component Analysis,PCA）算法分析冷链物流配送需求与用户满意度之间的相关性。最后，借助惩罚函数，实现对冷链物流配送需求量的预测。实例应用结果证明，该方法的预测结果平均相对误差和均方差比较低，能够实现对配送需求量的准确预测。     

PSO-GA-ACO算法在冷链物流配送路径优化中的应用

伴随着现代物流的快速发展,冷链物流也得到快速发展。在冷链物流研究中配送路径优化问题对冷链物流的发展起到至关重要的作用,鉴于蚁群算法在路径优化问题中的成功应用,因此将蚁群算法应用到冷链物流配送路径优化问题中。考虑到蚁群算法运行中存在的问题,将遗传算法与粒子群算法引入到蚁群算法中,构成基于PSO-GA-ACO算法的冷链物流配送路径优化算法。实验结果表明,这种构想是可行的,可以有效提高算法运行效率,缩短配送距离,提高经济效益。     

考虑交通拥堵的冷链物流城市配送的GVRP研究

针对目前研究冷链物流车辆路径问题多未考虑交通拥堵对运营成本的影响,将道路拥堵因素融入到冷链物流绿色车辆路径（Green Vehicle Routing Problem）优化数学模型中。兼顾经济成本和环境成本,在时变网络下综合考虑冷链物流中车辆管理成本、运输能耗成本、货损成本、制冷成本以及客户需求时间窗的惩罚成本,同时引入运输和制冷过程中产生的碳排放成本,统筹安排车辆路径,使得物流企业整体运营成本最低,更绿色环保。在此基础上根据模型特点设计改进蚁群算法进行求解,用实例对模型和算法进行仿真,验证该模型和方法可以有效地规避拥堵时段,降低配送成本,促进物流企业的节能减排,可以为物流企业冷链配送路径决策提供良好的参考依据。     

考虑时效性和品质性满意度约束的易腐品冷链物流配送

针对易腐品冷链配送环节存在的成本高、碳排放量大、客户满意度低等问题,从易腐品配送的时效性和品质性两方面度量客户满意度,并以此为约束考虑配送过程中的固定成本、运输成本、货损成本、制冷成本、惩罚成本以及碳排放成本,构建以总成本最小为目标的易腐品冷链配送车辆路径优化模型,设计改进遗传算法求解优化模型,分析求解算法的复杂度.数值实验结果表明,所设计的求解算法总能获得总成本更低、产品新鲜度更高以及碳排放量更少的配送方案,同时表明改进的遗传算法相比于传统遗传算法在成本节约以及客户满意度提高方面具有一定优势,在一定程度上验证了所建模型的合理性及求解算法的有效性.     

基于混合蚁群算法的冷链电动汽车车辆路径问题

用电动汽车进行冷链物流配送符合绿色物流的发展趋势。针对电动汽车冷链配送需消耗更多能源以维持低温环境,而电动汽车续驶里程短、充电时间长,致使运营成本高的现象,思考了电动汽车配送中的冷链车辆路径问题（REVRP）。考虑电动汽车能耗特点和社会充电站的充电需求,构建了以总配送成本最小为优化目标的线性规划模型,而目标函数由固定成本和可变成本构成,其中可变成本包含运输成本和制冷成本。模型考虑容量约束和电量约束,并设计混合蚁群（HACO）算法对其进行求解,其中重点设计了适合社会充电站的转移规则以及4种局部优化算子。在改进Solomon基准算例的基础上,形成了小规模和大规模两个算例集,并通过实验比较了蚁群（ACO）算法和局部优化算子的性能。实验结果表明,在小规模算例集中,传统ACO算法与CPLEX求解器均能找到精确解,而ACO算法在运算时间方面可节省99.6%;而在大规模算例集中,与ACO算法相比,结合4种局部优化算子的HACO算法的平均优化效率提升了4.45%。所提算法能够在有限时间内得出电动汽车REVRP的可行解。     

考虑拥堵区域的多车型绿色车辆路径问题优化

针对降低物流配送过程中产生的碳排放问题,从绿色环保角度出发,提出一种考虑交通拥堵区域的多车型物流配送车辆的绿色车辆路径问题（GVRP）。首先分析不同类型车辆、不同拥堵状况对车辆行驶路线规划的影响,然后引入基于车辆行驶速度和载重的碳排放速率度量函数;其次以车辆管理使用费用和油耗碳排放成本最小作为优化目标,构建双目标绿色车辆路径模型;最后根据模型的特点设计一种融合模拟退火算法的混合差分进化算法对问题进行求解。通过实验仿真验证模型和算法可以有效规避拥堵区域,与只使用单一4 t车型配送相比,所提模型总成本降低了1.5%,油耗碳排放成本降低了4.3%;和以行驶距离最短为目标的模型相比,所提模型的总配送成本降低了8.1%。说明该模型提高物流企业的经济效益也促进了节能减排。同时所提算法与基本差分算法相比,总配送成本可以降低3%~6%;与遗传算法相比,优化效果更明显,总配送成本可以降低4%~11%,证明该算法更具有优越性。综上所提模型和算法可以为物流企业城市配送路径决策提供良好的参考依据。     

基于BIRCH聚类的物流配送设施选址算法

物流配送设施的选址对于物流成本、在途时间影响巨大.其特点包括：配送设施选址和配送路线交互影响、多层级选址、配送设施存件数量均衡性等.本文通过分析物流配送设施选址的特点设计了一个基于BIRCH聚类的物流配送设施选址算法,融合了BIRCH聚类算法和基于Dijkstra距离的重心法,为物流配送设施选址提供了更好的方案,大幅节约长期运营成本.     

考虑碳排放的冷链物流轴幅式网络多目标优化

针对传统冷链网络优化模型忽视碳排放量的不足,基于绿色物流、共享经济的相关理念,在轴幅式理论下对多个区域的冷链配送进行资源整合后进行共同配送,提高冷链配送车辆的满载率。同时,构建考虑碳排放成本在内的总成本最小和最大化客户满意度的多目标优化模型,达到降低总成本和满足客户最大满意度的目的,实现经济效益和环境效益共赢的状态。以客户满意度来表示物流网络系统的可靠性和服务质量,并结合易腐品的新鲜度对时间的敏感性,引入货损成本。最后,设计粒子群算法对其进行求解。通过算例对比验证了模型与算法的有效性,有效解决冷链物流网络的网点布局和运输配送问题。     

一种基于蚁群算法的物流配送VRP 解决方案

物流配送是目前物流发展的新趋势,在物流配送中,配送路径规划对于顾客的满意度以及经营总成本有相当大的影响。通过应用蚁群算法,实现了物流配送VRP的优化过程,建立的算法能在短时间内找到最佳车辆数及对应的最佳配送路径。通过数据测试,发现该算法收敛性较好,在较高服务水平的基础上,明显降低了配送成本。     

基于时间阈值及竞争决策的VRP模型

为降低物流成本,提高用户满意度,优化物流配送的路径选择决策,在多约束条件下,采取配送任务聚类,沿途配送同城O2O(online to offline)包裹任务策略。以物流配送时间最小为目标,兼顾用户满意度,建立具有时间约束的VRP(vehicle routing problem)的模型,解决物流优化问题,设计一种基于时间阈值的竞争决策算法求解该模型。以阿里巴巴天池大数据科研平台提供的样本数据对该方法进行验证,验证结果表明,该算法有效且可行,为企业物流调度提供参考模型和求解算法。     

“双碳”背景下联合配送冷链物流模型及其求解算法

首先,基于“双碳”战略目标的提出以及物流企业低碳转型的发展趋势,以多中心冷链物流绿色车辆路径问题为研究对象,以碳排放成本、配送成本和时间窗惩罚成本之和最小化为优化目标,建立考虑联合配送和碳交易机制的冷链物流模型;然后,针对遗传算法局部搜索能力差、收敛速度慢等缺点,设计一种具有变邻域搜索操作和动态灾变机制的多种群遗传算法,以标准算例集验证该算法在寻优能力、稳定性、收敛速度等方面的优势;最后,通过实验验证所提出模型的有效性,并从联合配送、决策目标、碳交易机制等多角度进行分析,为冷链物流企业和政府提供管理启示.     

改进量子粒子群算法的物流配送路径优化研究

传统物流配送路径优化方法存在运输成本高的问题,已经不能满足物流配送需求,为解决这一问题,设计了一种改进量子粒子群算法的物流配送路径优化方法.首先根据改进量子粒子群算法构造粒子实数编码,并确定物流配送路径优化目标,建立物流配送的运输固定成本和准时到达的目标函数,然后应用改进量子粒子群算法实现物流配送路径优化,最后采用具体实验对象分析了配送成本,实验对比结果表明,在多次物流配送过程中,传统方法配送方法比改进量子粒子群算法的物流配送路径优化方法的配送成本要高.     

基于改进粒子群算法的物流配送车辆调度

物流配送车辆调度问题是指安排有限的车辆有效地完成配送任务。优化目标是在满足客户需求和车辆能力约束的条件下,找出配送成本较低的配送车辆调度方案。由于配送过程受客户位置、配送车辆限制等多种因素影响,导致车辆的调度问题十分复杂。参照经典车辆路径问题模型,考虑了车辆配送里程和用户数等限制,建立了双向车辆调度问题的数学模型。在标准粒子群算法的基础上,引入爬山操作,增加了粒子群的多样性,提高了算法的局部搜索能力,并设计了基于改进粒子群算法的物流配送车辆调度算法,有效地解决了物流配送车辆的优化调度问题。     

考虑满意度的团购两级混合冷链低碳路径优化

考虑当前社区团购生鲜品冷链运输过程中，因品质衰减导致顾客满意度降低，同时需求井喷造成运力不足的问题，提出一种基于众包模式的两级冷链协同优化配送策略，即由企业冷藏车完成城市仓至中转仓的一级冷链运输，由众包冷藏车完成由中转仓至团长的二级冷链运输，并以包含服务延迟成本、碳排放成本和固定成本的总成本最小，及团长对产品品质满意度最大为优化目标，建立一个带有众包的两级开闭混合冷链低碳路径规划模型。针对模型特点，构造了一种改进的自适应大领域搜索算法（improved adaptive large neighborhood search,IALNS），设计了新的破坏-修复解的策略，并在算子选择阶段加入模拟退火算法（simulated annealing,SA）的思想，以加快收敛速度，提高算法全局搜索能力。通过分别与自适应大领域算法（adaptive large neighborhood search,ALNS）、模拟退火算法、遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）的算例优化结果对比，证明该算法的有效性。该策...     

配送问题的数学模型与遗传算法

配送问题在物流配送业中有着广泛的应用背景,合理进行配送是实现运输规模经济、节省运输费用的重要手段。论文首先在一些模型假设的基础上,建立了客户订单合成配送问题的数学模型,提出并实现了解决该问题的遗传算法。大量仿真结果表明该算法能够在较短的时间内有效求得问题的近优解,该算法的运行时间主要取决于订单数和交货组数。该算法可以有效求得客户订单合成配送问题的近优解,为实现物流配送提供了一个基本方法。     

客户订单合成配送问题建模与遗传算法研究

为了降低成本,取得企业竞争优势,合理进行配送成为实现物流规模经济、降低物流成本的重要手段。在一些模型假设的基础上,建立了目标函数为最小化运距的客户订单合成配送问题的数学模型,提出并实现了解决该问题的遗传算法。大量仿真结果表明：该算法能够在较短的时间内有效求得问题的近优解,该算法的运行时间主要取决于订单数和交货组数,为实现物流配送提供了一个基本方法。     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

粒子群算法的物流配送路径优化研究

研究物流配送路径优化问题,物流配送路径优化要找到一条配送车辆少,路径总长度最短的最优配送路线,并具有配送快速性。传统算法搜索最优路线时间长,难以找到最优配送路线,导致物流配送成本高。为了提高快速找到物流配送路径最优配送路线,提高物流服务质量,提出一种粒子群算法的物流配送路径优化方法。首先根据物流配送路径问题的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,最后通过具体实例进行仿真测试,结果表明,粒子群算法不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本。     

生鲜农产品冷链物流低碳配送路径优化研究

综合考虑配送车辆的固定成本、运输成本、生鲜农产品的货损成本、制冷成本、配送过程中产生的碳排放成本，以及因未满足客户要求的服务时间窗而产生的惩罚成本作为目标函数，构建考虑碳排放的生鲜农产品配送路径优化模型，提出了解决该问题的一种结合2-opt局部搜索机制的改进蚁群算法，并用实例对模型及算法的有效性进行验证，同时对算法参数进行了敏感性分析。仿真实验及算法对比结果证明模型和算法是有效的，可以为物流企业的配送决策提供参考。