需求与物流网络不确定下的应急救援选址问题

针对应急物流中需求与物流网络的不确定性特征,对应急救援中应急需求和物流网络均不确定条件下的应急配送中心选址问题进行研究,以成本最小化为目标,建立基于集合覆盖的应急救援设施选址的随机规划模型,采用期望值法和随机模拟两种方法处理数学模型中的不确定性。通过算例与仿真研究,获得应急救援下的配送中心选址最优方案。结果表明,相对于传统的期望值方法处理随机参数,随机模拟方法具有较明显优势。     

考虑碳排放的物流网络优化模型研究

考虑碳排放的物流网络优化问题, 分两阶段建立考虑碳排放的配送中心选择与需求匹配模型和碳排放成本最小的配送路径优化模型, 通过两阶段模型的配合使用, 解决了物流网络中配送中心选址、不同物流节点间的需求匹配以及配送车辆路径优化等多种决策问题。对“考虑碳排放”与“不考虑碳排放”情况进行Lingo软件的数值分析, 结果表明：考虑碳排放的物流网络综合物流成本明显降低, 比不考虑碳排放的传统方法更具现实意义。     

基于时空聚类求解带容积约束的选址-路径问题

选址-路径问题是供应链管理和物流系统规划中的一个重要问题,对总成本具有十分重要的影响.对考虑配送中心容积约束的带时间窗的选址-路径问题进行研究,建立以总成本最小和客户满意度最大为目标的多目标规划模型,提出两阶段算法对其进行求解.首先,利用k-means聚类算法确定配送中心选址;然后,提出一种基于时间-空间双因素的客户划分方法以确定配送中心所服务客户;最后,利用粒子群算法对各配送中心的配送路径进行规划.数值算例表明,所提出的算法较其他已有算法,均能有效地降低物流运作总成本及总配送路径长度,为解决带容积约束及时间窗的选址-路径问题提供了一种新的解决思路.     

考虑多重覆盖的应急设施多级协同布局鲁棒优化

应急设施的合理布局是灾后实现物资高效、公平和稳定供应的重要保障.针对突发自然灾害的不确定性,研究基于多重覆盖的应急设施多级协同布局鲁棒优化问题.首先,提出多级设施选址下的多重覆盖水平函数,以最小覆盖水平和期望总成本最优为目标,建立应急设施多级协同选址双目标优化模型;其次,应用基数不确定集和p-鲁棒方法构建两类鲁棒优化模型,分别研究场景内不确定需求和随机场景对设施布局的影响;最后,以湖南省救灾备荒种子储备库选址为例进行实证分析,验证所提出优化模型的有效性.研究结果表明:多级协同布局相比传统布局方案更具优势;鲁棒优化模型能够有效应对不确定情形和随机场景下的物资需求;决策者的风险偏好程度和预算水平对设施协同布局有重要影响,需对二者进行综合权衡.     

充电中断情景下电动汽车充电站两阶段多目标区间选址优化决策

考虑到充电站选址用户需求量的不确定性和突发状况的复杂性特点,以充电站选址服务效益最好、充电站风险最小以及"预选址-增建选址"两阶段经济成本最低为目标,基于传统p-median模型和多目标应急选址模型,构建两阶段多目标区间p-median模型.第1阶段在需求和设施损坏存在不确定因素的情况下,基于不确定需求模型模拟充电站遭...     

两阶段组合优化算法的农产品物流配送中心选址研究

提出两阶段组合优化算法的农产品物流配送中心选址算法。以农产品物流配送中心选址假设为基础,采用基于聚集度的启发式算法划分客户类别,确定备选配送中心的配送界限;以配送服务的可靠性最大化为目标,以配送总成本为约束条件,建立农产品物流配送中心选址的优化模型,使用免疫算法求解优化模型。实验结果表明,算法可有效获取最佳农产品物流配送中心选址,所选取配送中心到各配送点的运输费用较低,到达各个配送点的运输距离均未超过600元/吨;所选取配送中心到各个配送点的距离最小。     

易腐品多周期闭环物流网络鲁棒优化模型

针对不同周期的易腐品需求与退货不确定性问题,构建了易腐品多周期闭环物流网络,并设计了对应的混合整数线性规划（MILP）模型,以实现最低系统总成本、最佳设施选址以及最优配送车辆运输路径的决策。为有效规避不确定参数的影响,采用基约束鲁棒方法,将模型中的部分清晰约束转换为鲁棒对应式。以上海市果蔬农产品企业为实例,通过遗传算法对模型进行求解。结果表明,相对单周期而言,多周期系统具有动态性、系统成本更低的优点,同时通过不确定预算参数的变化分析,验证了鲁棒模型的可行性与有效性,进而为不确定环境下构建多周期闭环物流网络及降低系统成本提供了借鉴。     

基于遗传算法的西安邮政配送中心选址研究

从配送中心选址问题的实际需求出发,在综合考虑配送中心的建设经济性、交通便利性和功能布局合理性的基础上,构造了基于实际交通距离和实际地价的选址模型,并把遗传算法引入模型求解中,通过构造恰当的编码方式和遗传算子,对西安邮政物流配送中心的选址问题分别按照不考虑土地地价、需求点类型差异和考虑土地地价、需求点类型差异两种情况求解.得到了最优选址方案.研究结果证明了模型的正确性和有效性,对于解决大规模物流系统配送中心的选址问题具有重要的现实意义.     

模糊需求下绿色同时取送货问题与算法研究

研究绿色同时取送货车辆调度问题,提出改进的遗传禁忌搜索算法（Genetic Algorithm with Tabu Search,GA-TS）求解该问题。模型中,以服务成本、油耗成本和碳排放成本构成的总成本最小为目标,采用了综合模型计算油耗和碳排放成本,引入三角模糊数来描述客户需求的不确定性,并考虑同时取送货需求。在改进的GA-TS算法中,将惩罚因子引入适应度函数,采用结合精英策略的选择算子,提出结合禁忌搜索算法的变异算子。在案例分析中,采用田口分析法获取合理的参数设置,通过案例结果分析和算法对比分析验证模型和算法的有效性和先进性。     

不确定条件下战时应急物资配送中心选址研究

应急物资配送中心是战时运送应急物资的重要枢纽,面对战场环境的不确定性,设计高效、可靠的战时应急物资配送网络具有重要战略意义。将需求不确定性和设施损毁同时纳入考量,建立了模糊需求和设施损毁场景下带容量约束的可靠性选址模型。设计了一种改进的免疫遗传算法对模型进行求解。算法中针对模型特点加入动态交叉变异算子和客户优先级算法,通过仿真实验验证了模型和算法的有效性,为可靠性选址问题提供模型和求解思路。通过数值实验分析了不确定水平和损毁概率对实验结果的影响,结果表明损毁概率对最终选址方案有更大的影响。     

微电网耦合碳捕集封存与需求响应的多时间尺度鲁棒优化调度

随着可再生能源的普及,微电网成为了一个可持续能源供应的重要工具。然而,由于其源荷多不确定性和碳排放挑战,优化调度成为了一个难题。本文提出了一种基于储液式碳捕集封存和需求响应的多时间尺度鲁棒优化调度方法,旨在降低微电网的碳排放和提高其运行性能。该方法在日前阶段以1小时时间间隔进行调度,采用鲁棒优化处理不确定性中的低频分量,同时结合碳捕集技术和需求响应以促进调度计划的低碳经济性。日内阶段以15分钟时间间隔进行调度,采用模型预测控制跟踪并滚动修正日前鲁棒经济调度计划,以应对源荷预测误差和不确定性中的高频分量,确保微电网实际功率平衡。仿真分析表明,这种方法可以显著降低微电网的总成本和碳排放量,提高了微电网的运行性能和可持续性。     

动态需求下的基于医药前置仓的选址-路径问题

随着新冠疫情的发展,公众逐渐建立起通过互联网购买医药物品的习惯,发展高效绿色的医药配送模式迫在眉睫.通过建立考虑动态需求的选址-路径两阶段数学规划模型,解决医药前置仓的选址规划和配送路径设计问题.采用第三代非支配排序遗传算法(NSGA-Ⅲ)对初始优化阶段和动态优化阶段分别求解,并用模糊聚类法筛选出最优方案作为动态优化阶段的初始状态.再与NSGA-Ⅱ算法进行求解时间、Spacing、HRS和PR等指标的对比分析,结果表明NSGA-Ⅲ的运行时间更快,解集分布更均匀,收敛效果更好.最后分别计算运输车辆种类和药房合作前置仓的固定成本总预算变化对成本、时间和碳排3个目标函数的影响,测试模型和算法的敏感性,说明第三方药品配送企业更适合使用中小型车辆完成配送任务,并设置相对充裕的选址预算.     

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。     

模糊需求下低碳取送货车辆调度问题与算法

针对物流配送过程中的高碳排放问题,从低碳视角出发,构建考虑模糊需求的低碳取送货车辆调度（LCVRPPD）模型,并提出一种基于2-OPT的差分算法对问题进行求解。该算法中,采用自然数编码方式并设置三种不同的适应度函数;随后,引入2-OPT算法取代差分算法原有的变异机制,并结合二项交叉算子和贪婪选择算子,从而提高改进算法的收敛速度。案例分析中,通过田口法确定改进算法参数的合理取值,通过SPSS分析揭示了在运输成本最小、碳排放量最小和总成本最小的三种不同目标模型中,以总成本最小为目标函数的模型的解的效果最好。针对不同顾客规模的算例,改进算法与基本差分算法相比,总成本可以降低1.8%~3.0%,碳排放量可以降低0.7%~3.5%;与遗传算法相比,总成本可以降低1.9%~16.47%,碳排放量可以降低1.2%~4.3%;与粒子群优化算法相比的优化效果更加明显,总成本可以降低4.0%~22.5%,碳排放量可以降低1.56%~7.88%,验证了算法的有效性及先进性。综上,所提出的模型和算法可以为低碳取送货车辆调度问题提供参考。     

军民融合背景下无人机配送中心选址问题研究

结合“平时服务、急时应急、战时应战”的军民融合战略背景,考虑不同类型的需求点及配送中心,建立了一个以网络总里程最小为目标,以投资预算、规模效益、网络抗毁性等为约束条件的纯整数线性规划模型,据此对无人机配送中心的选址进行决策。算例分析验证了模型的可行性、有效性及大规模问题的适用性。参数分析表明在其他条件不变情况下,网络时效性与投资预算正相关,与规模效益、建设成本和网络抗毁性负相关,决策者需在网络时效性与投资预算、规模效益、建设成本、网络抗毁性之间进行权衡。     

制造/再制造集成物流网络的优化设计研究

考虑到闭环物流系统中不同周期内各消费区域的产品需求数量、回收产品质量的不确定性,建立了多周期、有能力限制、正逆向物流集成运作的混合整数非线性规划模型。以总运营成本最少为目标,确定了制造/再制造集成物流系统中各种设施的数量、规模、位置以及各设施间的物流量分以配。通过算例验证了模型的有效性。     

多目标模糊机会约束规划的低碳多式联运路径优化

针对时间窗与需求量不确定性下的多式联运路径优化问题,运用梯形模糊数表示模糊需求量与模糊时间窗,并考虑碳排放成本、运输成本以及客户满意度,建立了多目标模糊机会约束模型。固定的交叉、变异概率会直接影响算法的收敛性,针对此问题,将自适应性与非支配排序遗传算法Ⅱ（NSGA-Ⅱ）结合,并通过与DOCPLEX和NSGA-Ⅱ的对比验证了所提模型与算法的有效性。最后,探究了碳税值与模糊需求量偏好值的变化对优化结果的影响。研究结果表明：碳税值的提出可有效促进“公转铁、公转水”,从而显著减少碳排放量,然而过高的碳税值并不一定意味着碳排放量的减少,还会对企业造成过高的成本;模糊需求量偏好值的提高会造成总成本的增加,意味着运输经济性与可靠性两者不可兼得。因此,合理设置碳税值与模糊需求量偏好值是提高多式联运环保效益与运输效益的有效方式。     

城市物流配送的混合车辆路径规划模型与优化算法

针对城市部分区域限行、物流系统中燃油车与电动车同时并存的实际情况,综合考虑客户需求量、服务时间、电动车行驶里程、已有充电设施、部分充电策略、燃油车油耗与碳排放等因素,以车辆使用固定成本、驾驶员工资、电动车的充电成本、燃油车的油耗与碳排放成本之和最小为目标构建混合车辆路径规划模型.根据模型特征设计一种改进蚁群算法求解,并采用多类型算例进行实验.实验结果表明,所提方法能在非常短的时间内给出符合决策者目标的混合车辆路径规划方案,有效降低总配送成本,减少燃油车油耗与碳排放,具有合理性、可行性与有效性.     

A capacitated hub location problem under hose demand uncertainty

In this study, we consider a capacitated multiple allocation hub location problem with hose demand uncertainty. Since the routing cost is a function of demand and capacity constraints are imposed on hubs, demand uncertainty has an impact on both the total cost and the feasibility of the solutions. We present a mathematical formulation of the problem and devise two different Benders decomposition algorithms. We develop an algorithm to solve the dual subproblem using complementary slackness. In our computational experiments, we test the efficiency of our approaches and we analyze the effects of uncertainty. The results show that we obtain robust solutions with significant cost savings by incorporating uncertainty into our problem.