物流调度（精选9篇）
物流调度 篇1
1敏捷调度模式设计
1.1总部调度与现场调度模式对比
总部调度在订单量小, 运输关系清晰, 客户对发运指标的要求不高情况下有着较高的效率。但当订单量的迅速增加以及客户对发运时间的要求提高, 为适应新的订单要求, 公司提出了现场调度的新模式。然而在实际操作中, 新模式也同样迎来了新问题。因此, 为了更直观的了解两种调度模式之间的差别以及各自的优缺点, 以寻求实际的解决方案, 对两种调度模式进行了对比。
1.2敏捷调度模式
为解决现场调度模式中存在的问题, 对现场模式在应对紧急情况与运输公司物流资源整合时调度模式进行了一系列的改善。融合总部调度的优点, 从敏捷物流的角度出发, 以第四方物流提供商的眼光看待物流企业的未来, 提出了一套敏捷调度模式, 它相比于总部调度模式和现场调度模式都有明显的优势, 其主要构架和流程如图2-1、图2-2所示。
摘要：本文在汽车产业供应链的物流运作为背景, 以敏捷物流、供应链理论、系统工程理论、集成思想、信息技术等一系列科学知识理论为基础, 根据敏捷物流的特点和需求, 结合当今物流的实际情况, 探索物流敏捷化改造方案, 建立敏捷化的物流集成框架体系, 并对该框架体系中物流运作关键技术进行研究。
关键词：敏捷物流,改造方案,物流运作
参考文献
[1]梁丽芳.敏捷供应链的竞争优势.企业研究, 2003, (9) .
[2]姚建农.大规模定制条件下敏捷供应链系统的构建与优化.技术经济, 2005, (7) .
[3]柴跃廷, 刘义.敏捷供需链管理.北京:清华大学出版社, 2001.
物流调度 篇2
【关键词】连锁零售业；物流配送；干扰管理
一、研究背景
随着社会经济发展，生活水平日益提高，顾客对效率和服务的要求也随之增高，这一点在物流配送过程中体现得尤为充分。顾客在配送时往往要求准时、快速并且能满足他们由于其他原因而产生的需求变化，例如时间窗变化、需求量的变化等等。在发生这些被称之为干扰因素的事件时，不仅会改变当前顾客的配送计划，对后续的顾客点也会产生连锁影响，甚至会导致整个配送系统瘫痪。现实情况要求企业要快速应对顾客需求改变，迅速制定新的物流配送方案，期望在满足顾客需求的同时使整个系统因此而增加的成本最少。
车辆路径问题是一个众所周知的难题，国内外众多学者也各自在这一方面进行了深入的探讨和研究。目前，处理这类问题有随机车辆路径问题和鲁棒方法等。随机车辆路径问题是把可变的各种因素随机化，得出平均水平上的最优方案；鲁棒方法考虑未来将会发生的所有情形，寻求最优方案。但是由于顾客配送时间改变的难以预测性，这些方法有时也不能满足实时快速处理的要求。近年来，出现了一种以干扰事件发生时的状态为基础，并在此基础上快速形成对系统影响最小，费用最低的干扰管理思想。这些思想被普遍运用在航空管理、铁路调度、项目管理、供应链等多个领域。
二、连锁零售业配送模式
（一）自营配送模式。自营配送模式是由连锁企业自己建造配送中心，由该配送中心为各营业网点进行配送。选择这种配送模式的企业一般属于中小型企业。
（二）供应商配送模式。供应商配送模式是由供应商建造统一配送中心，在接到企业订单后，由供应商进行统一配送。这种配送模式会要求供应商有足够强的配送能力。
（三）第三方物流模式。第三方物流模式是指企业将所有配送活动外包给第三方物流公司，由这公司统一建造配送中心进行配送。这是现目前运用广泛也是未来将要大力发展的配送模型。采用第三方配送模式，能更加充分的利用各界资源，有效的实现劳动分工。
（四）共同配送模式。共同配送模式是指该连锁企业与其他企业进行合作，集资建立配送中心，实行资源最大化利用。其中的企业既包括连锁企业，也包括物流企业。共同配送有三种方式，一是共同集货，是指由几个配送企业组成的联合配送车队，从供应商处整体取货后，再向客户发货；第二，共同送货，是指由配送企业组成的车队在各个配送企业处集货后，向客户送货；第三，共同集送，有共同集货和共同送货两者的优势，是一种较理想的配送模式。
三、干扰因素分析
（一）客户订单变动。客户订单变动包括两大类：新增订单或订单数量变化。在配送过程中容易发生这种情况，当配送车辆正在配送途中，突然接到总调度命令：顾客要求增加或减少货物数量。在这时，配送车辆就不能继续按原定计划配送，而要尽快形成新的车辆调度计划，在兼顾所有客户订单的同时最大限度的减少成本。
（二）车辆不可用。造成这种情况有几下两种因素：车辆事故、车辆抛锚。这种情况会导致这辆车不可用，已经不能够再进行配送，需要调整总的调度路线，采取派备用车辆前往或者由其他节点上的车辆代替完成配送任务。
（三）外界环境造成配送延迟。当遭遇交通堵塞、天气糟糕，抗议游行等自然事故，配送车辆将不能继续进行配送，这时，解决的办法只有使用其他的配送中心重新进行配送，否则将不能完成这次配送任务，结果导致顾客满意度下降，企业信誉受损。
（四）顾客时间窗变化。顾客突然要求改变收货时间，这就意味着顾客时间窗发生了变化。这种干扰事件会影响该顾客所在节点的配送完成情况，处理不好还会影响后续节点的配送情况。
四、车辆调度策略
（一）增派策略。当突然发生干扰事件后，运用模型进行求解得出扰动恢复方案，这时如果要求需要增派一辆新车再进行配送，那么，在考虑成本等各方面因素之后，决定增派一辆新车进行配送，这就是增派策略。
（二）邻近策略。如果在车辆出发前就能考虑到途中可能会存在这以干扰事件发生，那么就应该让车辆在出发时满载。当干扰事件发生需要救援时，可以通过让最邻近的车辆代替完成配送任务，前提是邻近车辆有足够的货物可以实行救援，这种策略相比增派策略来说，更加节约成本和人力物力，是较优的车辆调度策略。
（三）取消策略。即是对规划路径中的某些顾客不进行服务。如果由于服务该顾客而导致后续多数顾客的服务都不能准时完成，或是车场中没有了多余的车辆进行增派策略。那么就将采取取消策略。因为干扰管理的目标是得出对系统扰动最小的方案。但这种策略经常使用就会降低顾客的满意度，造成企业市场份额降低，竞争力减弱。
五、干扰管理目标
（一）合理的配送路径。合理的配送路径使得物流配送成本偏差最低和与初始路径偏离程度最小。这时物流配送商对成本效益的要求，也是实现节约能源的手段。
（二）提高顾客满意度。顾客改变收货时间，不仅可能会导致当前顾客不能按时收货，而且会影响后续顾客的收货时间，这对顾客的满意度是一个很大的扰动。运用干扰管理手段，生成调整方案，找出使顾客满意度偏离最低的方案作为调整方案。
（三）降低对初始目标函数的扰动。当干扰事件发生后，新的方案会导致初始配送模型的解发生变化。降低对初始目标函数的扰动也就是降低对整个系统的扰动。
参考文献
[1]姜大力，杨西龙等.车辆路径问题的遗传算法[J].系统工程理论与实践，2009，19（6）：40-45.
整车物流智能调度研究综述 篇3
由于业务量的激增, 越来越多的汽车生产企业和汽车物流企业开始重视整车物流环节的成本和效率问题, 在信息技术高度发达的现代物流背景下, 各大汽车企业开始重视整车物流智能调度优化, 以缓解由于原有调度模式不力, 造成的订单延误、商品车质损、订单反应速度过低的问题。整车物流行业中的几大领军企业纷纷开发了自己的整车物流智能调度系统, 如上海的安吉物流有限公司、吉林的长久集团、大众一汽、上海汽车集团等。
二、研究背景
根据北京市政府网站数据, 北京汽车生产基地2010年生产汽车约186.5万辆, 2011年北京生产汽车150万辆, 2012年产量达到167万辆。根据中商情报网数据中心监测, 北京市2013年共生产汽车203万辆。其中, 约75%的汽车要运往全国各地进行销售, 25%在北京当地销售, 销售额达到1600多亿, 每年的汽车物流量是非常巨大的。汽车市场的迅速扩张和汽车进出口的快速增长拉动了汽车物流行业的高速发展。伴随着汽车销量的直线上升, 整车物流行业也相继崛起。
整车物流过程当中, 运输占十分重要的地位, 其成本占整车物流总成本的80%左右。汽车整车物流在整个汽车销售中占据重要地位, 它是将整车经由主机厂、配送中心、经销商、最终传送到客户的一系列活动和过程, 它作为连接主机厂和销售前端的4S店的纽带, 承担着整车运输、仓储、搬运、包装、暂存、集散、零部件配送等一系列与汽车销售息息相关的核心业务。
三、整车物流智能调度研究文献综述
整车物流智能调度系统的优劣直接决定汽车物流配送的效率。目前国内外对于整车物流配送智能化调度的研究, 主要集中在考虑物流车辆行驶路径的车辆配载问题方面。智能化的整车物流配送智能决策支持系统或平台在国内还比较少见。不过已有的从不同角度研究物流调度的文献对本文的研究也有着极大的意义。
1、车辆路线调度问题研究
Dantzing和Ramser (1959) 年首次提出车辆调度问题, 由此学术界开始系统研究车辆调度难题, 其中应用数学、组合数学、计算机应用、运筹学等相关学科的专家利用专业理论方法做了大量理论分析和实证研究, 在车辆调度问题研究中取得了丰硕成果。
不同的学者以不同的角度, 对车辆调度问题上都做出了相关定义。本文认同的学术定义为:车辆调度是指为达到特定的目标, 在满足一定约束条件的前提下, 统筹安排发货点或收货点行车路线的一系列活动。
刘林 (2007) 基于遗传算法和组合优化理论, 将Pareto解加入到了遗传过程对于算法过程进行了一定的改进, 通过分别优化分配和运输这两个汽车调度过程, 来寻求汽车调度中问题中的解决方案。
纪寿文等 (2003) 分析了货运车辆调度问题的不同类别以及求解货运车辆优化调度问题常用的方法。
丁源等 (2004) 针对物流系统当中运输工具利用率和行车路线的优化问题, 提出利用扫描法来相关获得问题的满意解。
傅铅生等 (2005) 利用逐步调优法求解使运输车辆数保持均衡的模型。
2、调度车辆配载问题研究
王玲玲, 覃运梅 (2008) 针对应急系统中, 单出救点、多受灾点应急物资配送问题, 在满足时间约束条件下, 建立以应急出救总行程最短和应急车辆数最少的双目标模型。在判断各受灾点的配送方式基础上, 考虑车辆体积、载重、时间限制, 采用改进的动态聚类算法分派车辆的配送任务, 引入惩罚函数调整可行解, 再用最短路方法求出车辆的行车路线。用算例验证所建模型的合理性与算法的有效性。
孙晓静 (2013) 将滚装船配载问题归类成背包问题, 并进行算法设计, 通过大量的仿真实验以及与现实的调度规则对比来验证算法的有效性和实用性, 在合理的计算时间内就可找到高质量的近似解。
张腾松 (2012) 分析了SQ公司整车物流路径现状, 在引入约束条件, 即一定容量限制的路径规划问题, 建立数学模型, 利用节约里程法求解路径规划问题。最后根据实际算例, 提高数据的有效性, 得出满意解。
覃运梅, 王玲玲 (2009) 在数学模型中以双目标函数为优化目标, 将车辆调度问题拆解为两阶段:首先利用动态聚类的方法将需求点做区域划分, 解决车辆配送任务;接着用动态规划的数学方法求解数学模型, 得到最优解。
王向阴 (2010) 设计了改进的二次粒子群优化算法, 并给出了运用此方法求解整车物流配载问题时的基本思路和具体模型求解步骤。
莫金康 (2011) 通过开发智能调度系统实现资源的最优配置。实现对整车物流配送公平合理调度, 保证运输的规范和安全, 提高工作效能和服务水平, 有效降低运输成本。
综上所述, 整车物流智能调度过程作为影响商品车生产销售的重要因素之一, 目前并没有得到很好的研究。许多文献在车辆路径、配载方案等方面做出了大量研究, 硕果累累。可是针对客户车辆配载, 解决驳运车调度优化研究, 对于提高驳运车装载率, 配载方案等的研究却并不丰富, 鲜有参考文献对此做出系统的科学研究, 具有较大的研究价值。
四、整车物流智能调度基本理论综述
1、整车物流调度的概念
调度一词在字典的含义为调动、安排人员、车辆、资源等。整车物流调度是指在满足顾客订单时间地点数量要求的同时, 考虑车辆的容量与载重、整车装载规则、运输路线选择等限制因素, 以降低物流成本、提高订单配送准时率、降低物流运输质损率为目标, 计算出最佳的运输调度方案, 合理的安排调动人员、车辆等各种资源的过程。这种调度方式大多由经验丰富的调度员操作完成。
整车物流调度的工作内容, 可以诠释为调度中心按照从汽车生产主机厂接收的4s店经销商订单, 考虑不同车型与运输车辆的匹配状况, 制定装车方案, 在合理的装车顺序下进行装载, 指定运输车辆从物流作业中心出发, 按照计划好的合理的行车线路行驶, 在满足订单的一切约束条件的基础上, 实现目标的最优的过程。
整车物流调度过程中的约束条件有:4S店经销商订购量需求, 驳运车容量载重量, 驳运车数量、驳运车运力和路线, 订单配送完成时间。
整车物流调度寻求的最优目标一般有:订单配送及时率最高, 运输总成本最低, 车辆空载率最小, 运输距离最短, 用车数量最小。
2、整车物流调度的特点
与其他调度工作不同, 运输对象为成品商用车, 汽车为高价值产品并且体积较大, 这就需要在调度过程中, 充分考虑商品车与驳运车在体积与重量上的匹配。
一般情况下, 4S店经销商的订单中包含不同车型且数量较少。这就决定了在一批订单配送周期内, 就会出现一个4S店经销商的订单有可能不能满载一辆驳运车或超出满载驳运车的数量无法满载另一辆驳运车的情况, 这就会造成驳运车有空位的运输。
整车物流运输一般允许拼单装载, 而商品车的装车方式相对复杂, 这就要求调度过程中充分考虑会影响卸载顺序的装车顺序。驳运车辆一部分为第三方整车物流服务商自有车辆, 一部分为外包车队。对于外包车队, 在安排调度时要考虑车队运输车辆的可行路线属性、月度运输任务以及车队的绩效考核情况。
第三方承运商距离汽车生产主机厂距离一般较近, 而成品车的需求点在一个调度周期内, 为分散在地图上不同的随机点。这就决定了整车物流调度的运输线路较长且配送需求预测较难的特点。
摘要：随着我国汽车消费数量的增加, 整车物流行业的业务规模也在逐渐扩大, 面对越来越多的订单配送量, 整车物流企业配送中心原有的调度模式, 已明显难以满足订单量增加所带来的整车物流需求的快速增长。因此, 为了增强企业的竞争力, 提高整车物流运作效率, 建立整车物流智能调度系统, 成为大多数从事整车物流活动的企业关注的焦点。本文基于此, 首先介绍了研究背景, 我国整车物流企业面临的订单需求递增, 对智能调度系统的重视越来越大。接着从车辆路线调度、车辆配载调度、整车物流调度三个方面对现有的研究做了文献综述。最后本文针对整车物流调度的概念和特点做了相关理论介绍。
关键词：整车物流,智能调度,研究综述
参考文献
[1]GB.Dantzig.The Truck Dispactching Problem[J].Management Sic, 1959.6:80-91.
[2]纪寿文等.货运车辆优化调度方法[J].公路交通科技, 2003.9
[3]丁源等.物流配送 (集货) 中运输车辆优化Greedy Swee算法[J].兰州交通大学学报 (自然科学版) 2004.8
[4]傅铅生等.第三方物流企业均衡运输的优化方法[J].铁道运输与经济2005
[5]王玲玲, 覃运梅.单出救点应急配送车辆调度研究[J].铁道运输与经济.2008.8
[6]覃运梅, 王玲玲, 郝忠娜.基于改进的动态聚类算法的配送车辆调度研究[J].合肥工业大学学报 (自然科学版) 2009 (7)
物流调度员岗位职责 篇4
1、与下游客户确认次日发货计划及目的地，提前安排车辆确保运输任务。
2、与上游厂家衔接并协调当日计划按时发车；
3、负责目的地运费、运距确认并建立相应的台帐；
4、负责与监控员沟通掌握LNG运输从装车到卸车期间车辆信息；
5、处理突发工作：如下游目的地变更、车辆无法按时到达气源地、车辆临时调配等；
6、与其它物流公司保持紧密联系，与监空员和客服做好沟通工作。
7、完成经理安排的其它工作。
物流监控员岗位职责：
1、负责24小时监控车辆的运行情况，发现问题及时处理。发现重大安全隐
患及时向领导汇报。
2、负责GPS平台正常使用及维护，发现系统不能正常工作应及时与运营商
联系保证监控平台的运转正常。
3、坚守工作岗位，严禁擅离职守。做好车辆监控日常记录和上下班交接。
4、负责不同路段时速限定，发现超速行驶应及时联系司机，并将监控信息
按时录入工作平台内。
5、严禁将平台使用权交与无关人员操作、查阅。
6、严守岗位职责和职业道德，不得徇私舞弊、隐瞒不报或弄虚作假。
7、定期向公司只能部门送报监控资料，严禁私自篡改各种平台资料。综合文秘岗位职责：
一、文员岗位职责：
1、接听、转接电话；接待来访人员。
2、负责办公室文件、合同的整理归档以及机要文件的保密工作。
3、负责公司全体员工的后勤保障工作，包括订水、订票、复印、邮寄、交
电话费、办公用品采购、打印机维护等。
4、负责总经理办公室卫生工作。
二.、客服岗位职责：
1、负责与上下游客户保持良好的沟通关系，及时掌握下游客户用气需求和
上游客户的装气量。
2、负责与调度沟通，及时掌握发车信息确保下游客户的购气计划完成。
3、不定期回访客户，虚心听取意见，诚恳接受批评，采纳合理化建议，做
好回访记录
4、起草书面文件，及时整理相关文件做好归档。
5、做好每天台帐统计统计工作，掌握款项动态信息。
6、定期与客户进行对账工作，做好发票及款项的统计工作。
物流配送车辆优化调度问题概述 篇5
配送是以用户需求为前提,对货物进行挑选、包装和分配等一系列工作,并将其送至指定地点的活动。配送是物流活动的核心环节,需要完成货物的包装、保管、运输和装卸等多项任务。配送的基本要求是保证货物的种类和数量没有差错,在此基础上保证能够按时送达客户。在实现这两个保证后,力争寻求到更加节约成本且更为快捷的配送方案,以实现利益的最大化。而在整个物流配送环节中车辆调度问题最为重要,与经济效益密切相关。
从1959年首次提出物流配送车辆优化调度问题直至发展到今天,物流配送行业一直致力于在满足一定约束条件下(包括用户需求和现实因素的限制等),选取最为合适的行车路线,争取最大面积覆盖取送货点,优化各项指标,最终实现效益的不断攀升。
2 车辆优化调度问题概述
车辆优化调度问题根据时间特征的差异可分为车辆调度问题VSP(Vehicle Scheduling Problem)、车辆路径规划问题VRP(Vehicle Routing Problem)以及有时间窗的车辆路径问题VRPTW(Vehicle Routing Problem with Time Windows)。其中VSP问题侧重于考虑时间上的要求来安排运输线路;VRP问题不考虑时间因素,仅从空间上对问题进行优化,目的在于令安排的路线更加合理;此外,由于VRP问题的不断发展,在原本根据空间来安排路径的基础上,加上时间上的排程考虑,便成为有时间窗的车辆路径问题VRPTW,特点在于在车辆途程问题之中加入时间窗的限制。
也可进行如下分类:
(1)按送货计划安排分为纯装问题、纯卸问题和装卸混合的问题。区别在于安排纯装问题和纯卸问题的车辆允许在所有任务点装货或卸货。而装卸混合问题比较复杂,装货和卸货可能同时进行,并没有严格界定。
(2)按车辆的装载货物量分为满载问题和非满载问题。安排满载的车辆完成任务时可能需要多辆车,而安排非满载的车辆完成任务时,多项任务仅需一辆车就能完成。
(3)按车辆类型分为单车型问题和多车型问题。单车型要求完成此次任务的所有车辆,其容量完全相同,而多车型并没有此要求,可以搭配安排。
(4)按优化指标多少分为单目标优化问题和多目标优化问题。单目标优化问题仅要求一项指标最优,通常这项指标是该次任务最为重要的指标,而多目标优化问题将考核目标范围扩大,要求多项指标最优或较优,如既要求路途短,又要求运费少。
(5)按时间窗要求分为硬时间窗问题、软时间窗问题。硬时间窗要求车辆必须完全遵照时间安排,早到必须等待,而晚到则拒收。而软时间窗相对灵活一些,可以不在时窗内到
3 车辆优化调度问题研究
车辆优化调度问题可通过精确算法和启发式算法来进行求解。精确算法是根据问题建立数学模型,然后进行求解,具体方法都有割平面法、线性规划法、动态规划法等,精确算法由于设计过于理想,并不具有普遍适用性。启发式算法结合直观情况和经验,是一种逐步逼近最优解的算法,具体方法有构造算法、神经网络法、遗传算法等,启发式算法更为接近实际生活情况,适用范围广泛,正是我们研究的重点所在。
在此介绍几种常用的优化算法:
3.1 遗传算法
J.Holland教授于1975年首次提出遗传算法(Genetic Algorithm,GA),遗传算法源于物种进化的自然选择理论,结合物种进化过程中适者生存规则以及染色体中随机信息的交换,发展形成的一种智能算法。遗传算法的基本思想是:从群体中选择较为适应环境的个体用于繁殖下一代,对选中个体进行交叉、变异等操作,以适应度为选择原则,通过算法的迭代选取最优个体。当最优个体的适应度不再变化时迭代结束,得到全局最优解。遗传算法广泛应用于多项领域,属于智能计算的关键技术。
优点是具有鲁棒性,全局搜索能力强,耗时较短,但是不能保证每次搜索结果一样。
3.2 模拟退火算法
N.Metropolis于1953年首次提出模拟退火算法(Simulated Annealing,SA),模拟退火算法的基本思想是:首先,给定一个初始状态,并设定初始温度和降温次数,同时在邻域范围求出另一个解,结合控制参数选择接受或舍弃,经过反复实验后,求得参数控制下的相对最优解;下一步,构造降温函数,不断减小控制参数的值直至为0,此时获得的解即为全局最优解。前半部分是通过加热增加物体能量;后半部分是通过降温来减少物体的能量。对照数学模型,所构造的目标函数就是物体的能量,故求最优解的过程就是求能量最低态的过程。
优点是有很强的全局搜索能力,但是由于允许移动到较差的解,所以会出现接受目标值不好的状态,仅产生局部最优解,导致求得全局最优解要花费较长时间。此外模拟退火的有效性与邻域的选择相关,若邻域的设计范围合理,算法将更为优越,反之,会影响获得的结果。
3.3 蚁群算法
M.Dorigo于1992年首次提出蚁群算法(Ant Colony Algorithm,ACA),蚁群算法源于蚁群在觅食时发现最短路径的行为,蚁群通过寻找信息素浓度最高的路径,从而找到最佳路径,蚁群算法是一种模拟进化算法。蚁群算法的基本思想是:首先,将多只蚂蚁分别放在不同的初始点处,设定顶点也置于当前解集中,蚂蚁从初始点开始转移,直到所有的点都已存在于解集中,得到各只蚂蚁的适应度,记录下当前最优解;然后更新信息素,迭代结束后,求出种群进化后的最优解,便得到问题的最优解。
优点是求解结果不依赖于初始线路,且不需要人为参与调整,设置较为简单,但需要不断调整变量,过程繁琐,任务量大。
4 当前研究中存在的问题
当前对于物流配送车辆优化调度问题的研究,模型设计比较简单,而且将影响因素孤立开来,使得构造的模型与现实复杂的情况出入较大。其次,典型模型的设计与实际情况不符,如典型模型默认是集货送货一体化的问题。实际上,大部分物流公司的业务是集货任务、送货任务、集送一体化任务混合在一起的,在物流配送中需要综合考虑,统一安排车辆。另外,在模型的设计中并未考虑到一些突发情况,过于公式化,导致在实际应用中比较局限。
5 车辆优化调度问题研究展望
针对当前研究中存在的问题,要想把研究真正与实际相结合,更具有应用价值,应该注重对研究问题的描述,建立与实际情况相符合的模型。其次,鉴于道路交通状况对调度的影响越来越大,将实时交通状况与车辆调度问题相结合是十分有必要的。
物流业和配送业近几年在我国迅速崛起,车辆优化调度问题也日益重要。但是由于我国在这方面起步晚,发展速度缓慢,无法满足日益增长的需求。同时对于通用理论的研究较少,对于应用性研究也过于局限。因此,有必要将研究的部分重心转移到通用性好、运算速度快且精度高的优良算法上来,以缩短存在的技术差距,健全快速发展的物流业,促进经济的进一步发展。
参考文献
[1]张强,荆刚,陈建岭.车辆路线问题研究现状及发展方向[J].交通科技,2004,(1):60-62.
[2]胡大伟,朱志强,胡勇.车辆路径问题的模拟退火算法[J].中国公路学报,2006,19,(4).
[3]唐小明,郭晓汾.基于物流配送服务水平多指标的车辆模糊优化调度[J].西安工业学院学报,2005,25,(3).
[4]骆义,谢新连.物流配送车辆调度优化研究[J].大连海事大学,2003,(3):7-12.
[5]宋华,胡左浩.现代物流与供应链管理[M].北京:经济管理出版社,2000,11,4.
物流车辆调度平台的设计与优化 篇6
1.1 GPS系统结构
GPS系统结构复杂, 主要由以下三部分组成。
1) 空间区段 (GPS的卫星星座) 。由24颗GPS工作卫星所组成, 这些GPS工作卫星共同组成了GPS卫星星座。
2) 地面区段。控制区段主要由分布在全球的几个监测站和上行注入站以及通信网络构成。即包括主控站、监测站、信息注入站。
3) 车载部分。GPS接收机首先通过天线前置放大器接收GPS卫星发送的信号, 然后利用信号处理器及振动器对信号进行初处理。再利用微处理器导航计算机对信息进行终处理。同时用户的运输也输送到微处理器导航计算机。
1.2 GPS数据处理
首先对运输路程中会途经的地点进行编码, 将地点的名称, 类型, 所在经纬度等信息录入数据库系统。此功能可实现对数据的查找、编辑、删除和修改等功能。
车载终端会实时采集GPS数据, 并根据预先定义好的协议按照一定格式, 通过GPRS发送给后台系统软件。系统软件按照协议对数据进行解码, 通过查找表, 获知车辆的实时位置。
2 平台数据库
2.1 数据库设计步骤
数据库的设计与实现一般包括六个步骤:需求分析、概念设计、逻辑结构设计、物理结构设计、系统实施与运行维护。具体过程如下。
1) 需求分析:对系统的应用进行全面、详细的调查, 了解用户的数据需求、处理需求、安全性及完整性要求, 并最终形成用户与设计者都能接受的数据库需求分析报告。
2) 概念设计:将第一步需求分析得到的用户需求抽象为信息结构, 通过对用户需求进行综合、归纳与抽象, 设计系统概念模型, 一般为E-R模型。
3) 逻辑结构设计:将概念设计阶段设计好的全局E-R模式转换为某个DBMS所支持的数据模型, 设计系统的模式和外模式, 对于关系模型主要是基本表和视图, 并对其进行优化。
4) 物理结构设计:即对给定的基本数据模型选取一个最适合应用环境的物理结构的过程, 设计数据的存储结构和存取方法, 如索引的设计。
5) 系统实施:根据逻辑设计与物理结构设计建立数据库, 编制与调试应用程序, 并把原始数据装入数据库, 进行试运行。
6) 运行维护:数据库系统在正式投入运行后, 进入长期的维护工作阶段, 不断地对数据库系统进行评价、调整与修改。
2.2 E-R关系图设计
1) 车辆信息对于管理者而言具有重要作用, 使管理者能够从整体把握所管理车辆的使用情况和车况等问题, 对于提高管理效率具有重要意义。储存信息包括车辆编号, 车辆品牌, 出产单位, 购买厂商, 购买日期, 车辆类型, 年审时间, 行驶里程。
2) 车况是查看司机是否正常驾驶车辆的重要方式之一。可以通过GPS定位技术, 查看车辆是否在规定的线路行驶, 是否超速, 是评定司机工种的依据之一。储存信息包括:车辆当前位置、当前位置描述、归属地、车载终端端口、车载终端IP、最大承载能力等。
3) 运输订单是车辆调度平台工作的前提, 当系统接收到订单信息, 处理之后对车辆调度平台发出指令, 并根据订单详情生成合适的运输决策方式。运输订单储存信息包括:目的地、运输订单编号、始发地、完成时间、运输总量、RFID条码号、完成情况。
3 RFID货物监管的设计优化
3.1 入库过程
当货物入库的时候, 货物会被贴上RFID电子标签, 所以当货物离开配送中心的时候, 货物中的RFID条形码信息会被天线捕获并通过网络将信息发送给车辆调度中心。
RFID技术运用于货物的入库与出库过程中, 主要目的是减少整个商品入库过程中所带来的时间消耗和人工劳动损失, 以便增加货物信息的准确性。对于货物入库我们设计的流程如下。
1) 接收指令, 预先准备。在货物真正从供应商一方发货之前, 管理员会接收到来自车辆调度平台系统发出的指令。在收到指令后, 会基于数据库记录的货物信息核查具体入库时间、供应商信息、入库商品明细表、送货车牌号等相关数据。
2) 货物检测。当车辆到达仓库门口时, 由于货物表面粘贴有RFID电子标签, 在仓库大门上安装RFID阅读器, 会自动读取货物上的电子标签信息。
3) 商品入库。在货物运输的叉车上安装一个无线数据终端, 司机根据所提示的信息将货物运送至指定货物处, 然后通过无线终端将货物的状态由预入库改为已入库, 并同时将货物电子标签中的数据信息更改相应的入库时间。
3.2 出库过程
当货物出库的时候, 我们将流程划分为三部分:一是拣选, 二是装载。三是获取信息。货物出库监管流程如下。
1) 货物拣选。当有订单需求时, 系统借助车载终端提示人员拣货, 这时拣选人员需要对货物的RFID电子标签执行扫描操作, 操作结束后通过车载终端改变货物储存状态并发送至系统平台。
2) 货物装载。将选好的货物送至自动分拣系统中执行自动识别, 通过对货物上RFID电子标签的自动识别在车辆调度系统平台数据库系统中确定所属用户的名称及信息。
3) 获取货物信息。当货物被运送至出口通道时, 由RFID阅读器对货物进行读取, 并将货物信息传至系统平台, 系统会自动再次确定货物信息是否与客户信息对应, 并更改货物存储状态。
参考文献
[1]刘芹, 史忠科.基于信息平台的车辆调度研究与仿真[D].西安:西北工业大学, 2006.
[2]冯希.基于GPS物流车辆调度平台的设计与实现[J].物流技术, 2015 (1) .
[3]王树良.仓储管理系统的设计与实现[D].天津:天津大学, 2007.
物流配送车辆调度问题算法综述 篇7
无论是对于物流中心,还是第三方物流公司,物流配送运输车辆的调度都是工作重点,通过减少运输成本、节约运输时间,从而提高经济效益。
1 配送车辆调度优化问题的分类
车辆路径调度问题的一般定义为:对一系列发货点和收货点,组织适当的行车路线,使车辆有序通过它们,在满足一定的约束条件下(如货物需求量、车载量、交发货时间、行车里程、时间限制,路线约束等),达到一定目标最优化(如路程最小、运费最少、时间准时、车辆较少等)。
1.1 按时间因素分类
配送车辆调度优化问题可以简单地分为三类,第一类问题称为车辆路径规划问题(Vehicle Routing Problems,VRP),VRP问题关注为车辆安排合理、高效益的线路,仅是在空间上对问题进行优化,而不考虑时间因素。第二类问题称为车辆调度问题(Vehicle Scheduling Problems,VSP),VSP问题也关注合理、高效安排车辆行车路线,所不同的是,VSP问题考虑的是在满足时间要求的前提下实现最优调度。第三类问题称为路径和调度的混合问题(Vehicle Routing And Scheduling Problems,VRP&VSP),就是将前两类问题综合考虑的问题。而目前也有学者不区分VRP和VSP问题,而是将考虑时间因素的VSP问题称为VRPTW(Vehicle Routing Problem with Time Windows)问题。
1.2 按性质分类
车辆优化调度问题可以根据其不同的性质分为以下几类:
(1)按运输任务可以分为纯装问题、纯卸问题和装卸混合问题。纯装问题就是每一项任务只有装货点,是一个集货的过程。纯卸问题是指每一项任务只有卸货点,是一个送货的过程。而装卸混合问题是指每一项任务有不同的装货点和卸货点,是集货、送货一体化的过程。
(2)按车辆载货情况可以分为满载问题和非满载问题。满载问题是指一次任务的货运量多于车辆的最大容量,而非满载问题是指一次任务的货运量不多于车辆的最大容量。
(3)按车辆类型分为单车型问题和多车型问题。单车型问题指所有车辆的容量都给定同一值,多车型问题指所有车辆的容量都给定不同值。
(4)按车场的数量可以分多车场和单车场问题。因为多车场问题可以转化为单车场问题,而且通常一个车场(仓库)都会有固定的服务对象。根据传统的处理方法,在将多车场问题转化为单车场问题的过程中,先设一个虚拟车场,将所有配送点和实际车场都看作虚拟车场的配送点,这样就转化为单车场问题了。所以这里的算法只考虑单车场问题。
(5)按车辆是否返回车场可以分为车辆开放问题和车辆封闭问题。车辆开放问题是指在车辆开出车场以后不返回车场。而车辆封闭问题是指在车辆开出车场以后返回其发出车场。
(6)按优化目标可以分为单目标优化问题和多目标优化问题。单目标优化问题是指目标函数只要求一项指标最优,如要求运输路径最短。多目标优化问题是指目标函数要求多项指标最优或较优,如同时要求运输费用最少和运输路径最短。
(7)按货物种类可分为同种货物优化调度和多种货物优化调度。同种货物优化调度是指要运输的货物的种类只有一种。多种货物优化调度是指要运输的货物的种类多于一种,所以车辆装载时要考虑一些种类的货物不能同时装配运输。
(8)按有无休息时间要求可分为有休息时间的优化调度问题和无休息时间优化的调度问题。
(9)按有需求点有无时间窗要求,可分为无时间窗问题、硬时间窗问题、软时间窗问题。硬时间窗问题指车辆必须在时间窗内到达,早到则等待,晚到则拒收。软时间窗问题指车辆不一定要在时间窗内到达,但是在时间窗外到达必须受到惩罚。
建立车辆调度问题模型如下:
目标函数:a.单目标,b.多目标(目标函数包括总费用最小、总里程最小、休息时间最大、惩罚最少等)
约束条件:a.时间约束(无时间窗、硬时间窗、软时间窗)
b.距离约束(无距离限制、硬距离限制、软距离限制)
c.行车路线约束(无相交性限制、顶点不相交)
d.流量限制(无流量限制、边限制、顶点限制)
e.满载限制(满载,非满载)
f.其它要求
2 物流配送车辆调度算法综述
在求解车辆优化调度问题时,可以将问题归类为几个简单的组合优化基本原型,如旅行商问题(TSP)、最短路径问题、最小费用流问题、中国邮递员问题等,再用相关的理论和方法进行求解,得到模型最优解或较优解。
一般求解VRP问题主要可分两大类,一类是精确算法;一类是启发式算法。精确算法主要有分支定界法、割平面法、线性规划法、动态规划法等,它的主要思想是根据问题先建立具体的数学模型,然后利用数学方法进行求解。启发式算法主要有构造法、人工智能法等,如构造算法、两阶段法、神经网络法、遗传算法等,它的主要思想是根据直观和经验开发出能朝着最优解方向搜索或靠近的算法。
由于车辆优化调度问题的规模大、复杂性强,而各种计算和实验得出,智能算法在求解这类问题时有较强的可行性,所以这里仅探讨智能算法求解车辆优化调度问题。
2.1 遗传算法
遗传算法(Genetic Algorithm,GA)由美国J.Holland和他的学生于1975年建立并发展起来的。遗传算法是根据自然选择和遗传理论,将生物进化过程中适者生存规则与同一群染色体的随机信息交换相结合的智能算法。遗传算法的基本思想是:首先,通过一组编码,将问题在表现型与基因型之间转换,并形成初始种群,计算种群中个体的适应度;其次,设计遗传算子(包括复制、交叉、变异),从对已产生的解(“父代”)中根据交叉率,从部分个体中选取部分基因,按某种组合形成新的个体;根据变异率,从部分个体中选取部分基本变异,产生新的个体;同时将“父代”中适应度高的个体进行复制,成为新一代个体,不断操作、迭代,以形成新的一组解(“子代”),计算个体适应度。如此反复,可求出整个种群的最优解。
遗传算法具有良好的全局搜索能力,可以快速求出全局最优解,但存在过早收敛和搜索效率低、局部搜索能力低的缺点,导致算法比较费时。目前,许多遗传算法在车辆调度问题中应用的研究都通过对编码、遗传算子的设计、基因构建和定义、适应度定义等方面来改进算法效能,如李军[1]等设计最大保留交叉来保证群体的多样性求解非满载车辆调度问题等;也有许多学者通过在遗传算法中引入其它算法来增加其局部搜索能力,如张涛[2]等用3-OPT算法结合遗传算法来加强算法的局部搜索能力,得到针对车辆调度优化问题的混合算法等,而随着模型变化,车辆调度优化问题的求解算法也会有所改变,如Giselher[3]等利用GA算法对装卸混合问题进行了研究。可见,遗传算法正从多方面影响着车辆调度问题。
2.2 模拟退火算法
模拟退火算法(Simulated Annealing,SA)由Kirkpatrick等人于1983年成功引入组合优化领域。模拟退火法是源于材料科学和物理领域的一种搜索过程。模拟退火算法的基本思想是:首先,任意选择一个初始状态,并设定初始温度和降温次数,并在邻域中产生另一个解,根据控制参数t选择接受和舍弃,经过大量操作后,求得给定t时优化问题的相对最优解;其次,通过降温函数,不断减小t的值直到0时的最后系统状态对应优化问题的全局最优解。前半部分是通过加热增加物体能量;后半部分是通过降温和冷却降低物体的能量。对应数学模式时,问题的解就是系统状态,而问题的目标函数就是物体的能量,因此求最优解的过程就是求能量最低态的过程。
模拟退火算法的优点是有很强的全局搜索能力,但是由于允许移动到较差的解,所以可能接受目标值不好的状态,从而使算法陷入局部最优,所以要求出最优解要花费较长时间。而模拟退火的有效性取决于邻域选择设计,如果邻域以一种促进移到更好解而移出局部极小解的方式设计,那么算法将会表现出其优越性。谢秉磊[4]等用模拟退火算法求解配送/收集旅行商问题;蔡延光[5]等用模拟退火算法求解多重运输调度问题等。由于模拟退火算法一个显著缺点就是收敛速度慢,因此在求解车辆优化调度问题时,多将模拟退火算法与其它智能算法结合,加快收敛速度。
2.3 禁忌搜索算法
禁忌搜索算法(Tabu Search,TS)由Glover在1986年提出。禁忌搜索算法是用一个禁忌表记录已经到达过的局部最优解,确保在下一次搜索过程中,不再选择这些点,从而跳出局部最优解。禁忌算法的基本思想是:首先,从一个初始可行解s开始,确定解的搜索邻域N(s),在这个邻域内选出最优解s′,则从s移到s′继续搜索;其次,设定禁忌表最大容量,将每次的移动根据先进先出准则放入禁忌表中,在每次迭代中,表中的移动是可能被禁止的,这都取决于一个渴望水平函数,这个函数用来评价移动的损益,如果损益是可以接受的,则移动不被禁止,反之,移动被禁止;最后,根据迭代停止准则,求出问题的最优解。
从上面的算法描述中可以看出,禁忌搜索算法的主要缺点是对初始解的依赖性很强,当遇到不好的初始解时,将会导致计算时间过长。而且禁忌表最大容量的设定对禁忌搜索算法来说也起着很重要的作用,因为如果容量过多,将会导致搜索被过分限制,造成时间浪费;而容量过少,会造成循环,不利于求解。由于禁忌搜索算法只能对一个解进行操作。钟石泉[6]等在求解多车场车辆调度问题时,以一组初始解的邻域作为搜索空间,突破点点操作,减少禁忌搜索算法对初始解好坏的依赖;并且采用局部、全局两种禁忌表来避免重复操作。但总体来说,禁忌算法比较容易与其它启发式算法相结合构建混合算法。结合之前介绍的两个算法,可以看出,遗传算法在每次迭代中都会生成很多不同的调度,而且会延续到下一次迭代,而在模拟退火法和禁忌搜索法中,只有一个调度从一次迭代延续到下一次迭代。
2.4 蚁群算法
蚁群算法(Ant Colony Algorithm,ACA)由意大利学者M.Dorigo及其导师Colorni于1991年提出并用于求解TSP问题,它是根据自然界中蚂蚁觅食行为而提出的一种优化算法。蚁群通过寻找信息素浓度最高的路径,从而求出最佳路径。蚁群算法的基本思想是:首先,初始化各蚂蚁,将m只蚂蚁放在n个顶点上,并设定初始参数,并将初始解置于当前解集中;其次,每只蚂蚁根据选择策略和转移概率选择顶点,并将该顶点置于当前解集中,则蚂蚁从初始点转移,不断操作,直到所有的点都已置于解集中,则求出各蚂蚁的适应度,记录当前最优解;通过更新信息素,不断迭代,直到结束条件满足,求出种群进化后的最优解,也就是问题的最优解。
蚁群算法的优点是其正反馈机制和分步式计算。但对于规模较大的问题,其搜索时间长且易收敛至局部最优解。目前,蚁群算法收敛性方面的理论成果则非常稀少。马良[7]等通过在蚁群算法的基础上嵌入2-OPT等算法加速其循环最优解的得出来求解带容量限制的多目标车辆路径问题;陈金[8]等结合sweep和saving算法确定客户归属的混合算法求解带时间窗的中转联盟运输调度问题。而蔡延光[9]等人也提出调整选择策略、信息素浓度与挥发速度的同向关系调节信息素更新方程的方法改进传统蚁群算法求解带软时间窗的联盟运输调度问题。许多学者在求解车辆优化调度问题时都对蚁群算法作了多种改进,这些改进都具有很强的意义。
2.5 微粒群算法
微粒群算法(Particles Swarm Optimization,PSO)由美国心理学家Kennedy[10]和电气工程师Eberhart于1995年提出。微粒群算法起源于鸟类在搜索食物过程中,个体之间可以进行信息的交流和共享,每个成员可以得益于所有其他成员的发现和飞行经历[11]。微粒群算法的基本思想是:首先,产生一组初始解,得到初始位置并初始化速度、个体最优解、全局最优解;然后,通过位置更新方程和速度更新方程产生一组新的解,并更新个体最优解和全局最优解;如此不断操作迭代,粒子渐渐向最优解靠近,直至到达循环结束条件,此时得到问题最优解。
微粒群算法有通用性强,具有记忆能力,保留个体和全局最优信息,协同搜索的优点。但微粒群算法局部搜索能力较差,通过多点同时搜索,使运算时间大大减少,但也造成了计算精度较差的特点,所以要设置迭代次数较多,此外算法对参数设置具有很强的依赖性。现在对微粒群算法的应用研究很多,朱露露[12]等采用量子算法与微粒群算法相结合的混合算法,通过采用一种二进制的编码方式求解了经典的车辆路径问题。因此在处理车辆优化调度问题时,也可以将其它算法的思想引入到微粒群算法中,从而克服其易陷入局部最优的缺点。
3 对未来研究方向的展望
车辆优化调度问题一直是配送运输领域关注的热点,诸多学者都对其进行了不少研究,也取得了不少成果。在对该问题的算法研究虽然种类很多,但实现起来都存在不少问题。根据学者们现有的研究发现,目前对算法的改进主要表现在以下几个方面:其一,通过混合算法的方式,结合各算法优点,弥补各算法缺点,形成一条可行的方案;其二,根据对自然界的不断探索以及结合交叉学科的方式,提出新的算法;其三,改进现有算法,就现有算法中各步骤中的细节进行调整。诸如此类的研究还在进行中,因此研究车辆优化调度问题是有潜力、有意义的。
摘要：配送车辆调度优化问题旨在解决配送中路径和车辆调度问题的一类组合优化问题,是近年来物流控制优化领域的研究热点。文章对运输调度问题进行了分类总结,给出总体模型的概括描述,分析遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法和微粒群算法的特点及其在求解配送车辆调度优化问题中的求解思路,并讨论了其求解现状,对未来研究方向进行展望,指出改进混合现有算法,开拓新算法将是更有效解决配送车辆调度问题的好方法。
物流调度 篇8
在生产-库存系统中,经常要进行生产资料等方面的调度问题,在调度过程中会通常遭遇排队问题,排队系统解决的是服务和被服务问题,关键是解决效率和效益,即确定适当的服务台数量和服务时间,减少排队等待,缩短物料存储运输周期。就物流调度而言,顾客需要运送物料,服务台是仓库、运输设备、装卸设备和操作工人等。对物流调度系统的研究首先要了解其工作流程,然后进行数学描述,建立系统模型[1]。系统模型还应说明:物料在设备间的流动过程;设备对物流的作用;物料排队规则(即服务规则)。此外,还要分析系统的各种参数,包括:(1)输入参数物料到达时间间隔,运输车辆的装、卸时间及运输车的运输时间等。(2)状态参数设备状态(忙和闲)。(3)输出参数物料平均等待时间、等待队长、滞留时间(排队时间+装载时间+卸载时间+运输时间)等[2]。
1物流调度流程描述
该生产库存系统中的物流调度流程可以描述为[3]:
(1)物料出库缓冲站每隔一段时间通过光电通讯设备向机房控制室上报一个物料出库申请,物流管理系统根据出库申请、工艺数据库和库存信息分配出库货位,并形成出库任务;物流调度系统根据已分配的货位地址将出库任务下发到对应堆垛机的任务排列,堆垛机只能完成本任务队列,不能跨列工作;货物到达出库台后,按先到先服务的原则由第一台空闲运输小车(即AGV小车)送往缓冲站;货物到达后,小车把空箱送回空箱回收站,然后回到指定停车点;同时,物流调度系统把任务执行情况上报物流管理系统,并由它实时修改数据库信息。至此,完成一个物料出库的服务周期;
(2),进行物料的入库(如下一个生产计划所需的物料要提前入库)。与出库过程相似,底层设备单元把接收到的入库申请上报机房控制室,物流管理系统根据入库申请和库存信息分配入库货位,并形成入库任务;物流调度系统根据已分配的货位地址将入库任务下发到对应堆垛机的任务队列;堆垛机完成入库任务后,调度系统上报物流管理系统,并由它修改立体库数据。至此,完成一个物料入库的服务周期。其物流调度流程如图1所示。
2模型的建立与分析
下面建立它的排队模型,假设:
(1)生产线有n个缓冲站,缓冲站i的物料需求(顾客)是参数λi的Poisson流;
(2)物料入库申请是参数λin的Poisson流;
(3)立体库有c1台堆垛机(服务台),服务时间相互独立,且服从参数μc的负指数分布;
(4)出库台处有c2台AGV运输小车,服务时间独立,且服从参数μA的负指数分布;
(5)物流管理系统在为出入库任务分配货位时是随机选择的,这就使每个调度任务实际上是以随机且等概率的方式被分配到某一台堆垛机中接受调度服务;
(6)出库物料到达出库台后形成一个任务队列,并按先入先出(FIFO)原则接受第一台空闲AGV小车的运输服务;
(7)库的容量是无限的,也不存在损失机制。
由排队系统知识可知,堆垛机系统(以下简称CR系统)为c1个M/M/1系统,AGV运输系统则是一个M/M/c2系统。
对于堆垛机系统,其服务流程图如图2所示。从理论上讲,出入库的工作量是相等的。故应有λin=λout,但在实际运作中,为了提高物流系统的运作效率和利用率,可以选择在非生产时间先入库一部分物料,这样在生产过程中出、入库流就可以不相等,而且有λin<λout。堆垛机的服务时间为参数μc的负指数分布,即
服务强度: ρCR=λCR/μC,其中λCR=λin。
系统平均队长: LCR=C1ρCR/(1-ρCR)。
任务的平均等待时间:
在生产系统达到稳态运行时,AGV系统的任务输入流就是CR系统的输出流,即CR系统的出库任务流,故同样是一个参数为λout的Poisson过程,其服务流程图如图3所示。
进而得到相关性能指标[5]:
服务强度: ρAGV=λOUT/C2μA。
系统平均队长:
其中
是AGV系统任务调度数为0的概率。
对于CR系统和AGV系统来说,系统平均队长就是驻留其中的平均调度任务数。
3问题的提出与解决
把CR系统和AGV系统看作两个相对独立的子系统,并对它们的模型进行了描述,从而求得各自的一些性能指标,但从整个生产调度来看,需要CR系统和AGV系统相互协调运作。
从AGV系统模型中可以得出,为保证AGV系统稳态运行,必须使ρAGV<1,由此可知其最大出库流为λout。尽管在实际生产中采取了一个小于λout的出库流,但也不能保证整个出库调度能达到生产节拍的要求。因为CR系统的任务输入流有入库和出库两种作业类型,虽然保持了较合理的出库流,但当入库流较大时,调度任务有可能会在CR系统中逗留过长的时间,从而导致出库物料无法在生产节拍要求的时间内送达缓冲站,最终影响了正常生产。因而,在生产节拍所要求的时间内,出库物料能否顺利运达缓冲站成为关键,下面来分析这个问题。
对CR系统,其调度任务(包括出、入库)在系统中的逗留时间T的密度函数为:
ωCR(t)=(μC-λCR)e-(μC-λCR)t,
它是参数为(μC-λCR)的负指数分布,所以出库任务在CR系统的平均逗留时间为:
出库任务离开CR系统后便进入AGV系统,由排队论的相关知识可以得到,出库任务在其中的平均逗留时间为:
其中p0为AGV系统调度任务数为0的概率。
则出库任务在整个物流调度中的平均逗留时间为: W=WCR+WAGV。
设λmax为各缓冲站物料需求速率的最大值,即λmax=maxλi,则为了保证物料调度达到生产节拍的要求,应该有: W<1/λmax。
记PC=(C2ρAGV)C2P0/C2!为AGV系统中有c2个顾客(即调度任务)的概率,从而其等待时间分布(设W为一顾客等待时间的长):
W的密度函数fw(t)为
利用卷积公式可以推导出出库物料在AGV系统中逗留时间的密度函数为:
下面讨论其概率特性:
记
(1)当ρAGV=(C2-1)/C2时:
其中,
因此,物料能及时送达缓冲站而不影响生产的概率为:
(2)当ρAGV≠(C2-1)/C2时,同理得:
其中,
这里主要考虑出库物料在整个调度系统中的逗留时间,由于不存在损失制,,顾客不会因为排队太长而离开系统,只要逗留时间这个指标满足了生产的要求,其他指标也就符合要求。
4结束语
本文从随机服务系统的角度,运用排队论的知识分析了生产库存系统中的物流调度系统一些性能和特征,作为一个服务于生产调度的物流系统,生产物料的出库调度是最重要的任务,本文的研究对于物流调度人员具有一定的参考价值。
摘要：分析了生产-库存系统中的物流调度系统。在研究过程中把自动化立体仓库输送系统的调度和自动引导车(Automated Guided Vehicle,AGV)运输系统看作随机服务系统,利用排队论来研究这种物流系统的性能及相关的概率特性。
关键词：排队论,物流调度系统,逗留时间
参考文献
[1]张晓萍,严永年,吴耀华,现代生产物流与仿真.北京:清华大学出版社,1998
[2]张晓萍,彦永年,CIMS系统特点及物流关键技术.物流技术与应用,2000;3:35—39
[3]计国君,生产物流运作及模型.北京:中国物资出版社,2006
[4]孟玉珂,排队论基础及应用.上海:同济大学出版社,1989
[5]华兴,排队论与随机服务系统.上海:上海翻译出版公司,1987
物流配送车辆优化调度问题的探讨 篇9
1.1 物流配送的基本概述
将目标货物从发货人送至收货人的过程被称为配送。由于配送最终的目标是收货人, 即为消费者, 因此, 配送也是物流系统中的一个至关重要的步骤。配送不仅仅局限于配货和送货。满足客户的需求, 配送需要在满足客户对货物种类数量的基础上, 在保证按时送达客户的基础上选取更快, 更节约成本的配送方案, 实现利益最大化。
1.2 物流配送系统的优化
为找到一个最佳的物流配送方案, 应该从以下几个方面着手:配送车辆的调度, 对集货线路的选取, 对送货路线的选择, 实现集货—送货相统一。对配送系统的优化不仅可以增加物流的经济效益, 更有助于实现科学化、现代化物流管理, 显著提升物流的服务质量, 提高物流公司信誉, 从而有效地降低物流成本。
1.3 物流配送的流程
随着物流配送的发展, 现代物流配送水平的提高, 货物流通性大大增强, 传统的存储环节作用正逐渐式微, 也使得配送环节取代存储环节成为物流中最重要的部分。而作为配送的核心配送车辆对货物的集货、配送和送货过程越来越被重视, 如何选取最优配送路线, 是对整个物流质量的考验, 关系着物流整体的运输速度、服务成本和经济效益。随着电子商务的崛起, 以集货作业和配货作业为主体的新物流模式已然形成。
2 车辆优化调度问题的分类和优化算法
2.1 车辆优化调度问题的分类
根据不同的性质, 可将车辆优化调度问题分成不同的类型。
按照运输任务可将车辆优化调度问题分为三类, 即纯装、纯卸、装卸混合三类问题。
按照车辆的载货情况可将车辆优化调度问题分为两类, 即满载、非满载问题。满载是指货量大于车载量, 需要多辆车运输。非满载是指车载量大于货量, 一辆车就能完成任务。
按照车辆类型可将车辆优化调度问题分为两类, 即单车型、多车型问题。
按照车辆是否返回可将车辆优化调度问题分为两类, 即车辆开放 (车辆不返回) 、车辆封闭 (车辆返回) 问题。
按照优化的目标可将车辆优化调度问题分为两类, 即单目标、多目标问题。
按照有无休息时间可将车辆优化调度问题分为两类, 即有休息时间调度、无休息时间调度问题。
2.2 车辆优化调度问题的优化算法
2.2.1 精确算法
精确算法又称最优化算法, 是指求出最佳解的算法。其算法有很多, 比如切割平面法、网络流算法等。
精确算法有一个弊端, 就是其计算量随着需要解决的问题规模的增大而大幅度的增大。由于这个弊端, 精确算法只能适合解决规模较小的问题。因为精确算法适应能力较差, 一般这种算法最适合解决一个特定的问题, 所以在实际应用中这种算法不是很受提倡。
2.2.2 启发式算法
启发式算法完全不同于精确算法, 它追求的是解决问题的满意性而不是最优性。它是一种用直观、经验构造出来的算法。到目前为止, 启发式算法已经有好多种, 最主要是以下两种算法。
构造启发式算法, 其实质就是按照标准将不在同一条线路的所有点逐个的增加进来。在算法的每一步上, 都要将当前的线路构型和另外的线路构型比较后, 综合改进得到最后可行的构型。这类算法的代表算法是:最邻近法、扫描法、节约法等。
智能化启发式算法就是在人工智能的启发式算法的基础上发展的。它的主要算法有:蚁群算法、神经网络算法等。
启发式算法在解决大规模的PDPTW问题上分为经典启发式算法和现代启发式算法。
经典启发式算法主要有路径构造算法和路径改造算法等。路径构造算法其实质就是分解算法, 就是将一个问题分为两个阶段 (路由和排序) 来解决。路径改造算法是在路径构造算法上改进的, 其第一个阶段就是找到一个可行解, 下一阶段就是调整客户端, 在满足可行的条件下, 对路径进行调整, 使其比当前路径更加优化, 一直按照这样优化下去, 直到不能优化为止。
现代启发式算法中, 最主要的就是禁忌搜索算法和模拟退火算法。
禁忌搜索算法是禁忌搜索算法的一种变形, 是现代局部搜索技术的一种。其实质是近期被多次循环搜索过的算法被禁用。它的优点是减少需要考虑的移动次数, 最终达到减少计算时间的目的。改进阶段和混合阶段是禁忌搜索算法的主要步骤, 一个是得到最优解, 另一个是跳出最优解。
模拟退火算法。其算法具体过程是:在随机产生的可行解, 每次循环时都随机挑选出一个好的和一个较差的可行解, 这样就避免陷入局部最优解里。这个算法的弊端就是执行起来速度较慢。基于这个弊端提出了好几类优化后的算法, 这些算法在实际应用中都很有效果。
2.3 动态求解算法
动态车辆调度问题相对前两种比较其问题的规模较大解决起来相对比较困难些。并且这种算法的要求是在短时间内就要相应其实时信息。从求解策略上把动态求解算法分为重新优化策略和局域优化策略。
2.3.1 重新优化策略
重新优化策略就是当接收到一个新的实时信息时, 要重新开始寻找始发到结束的最优车辆的行车路径。实质就是静态方法解决动态问题。研究运送大宗商品的车辆调度问题就是一个较为成功的运用重新优化策略的例子。还有在动态单车问题上, 采用了乘子调整技术的静态算法。其算法过程是:当有新实时信息时, 就采用动态重新优化法解决, 可是这种算法最多能解决十种问题。
重新优化策略的缺点是每次接到新的实时信息时都要重新优化设计, 这样下去当接收的实时信息较多时, 其计算量是较大的。当遇到需要迅速解决的问题时, 根本没有时间去进行重新优化, 所以这种算法在实际运用上是不可实现的。
2.3.2 局域优化策略
局域优化策略的实质是:提前拟定一些路径的模板, 当收到实时信息时, 就在提前拟定的模板里进行搜索, 找个适合的路径进行使用。这种策略和重新优化策略相比较, 路径可能是较差的, 但是计算量是大大的减少了, 从而节约了许多的时间。局域优化策略在实际的车辆调度上比较适用, 所以受到重视和近一步的研究。再后来提出的插入法较为适用, 改进后的插入法其具体实现方法是:当接收到新的实时信息时, 不直接进行优化调度, 而是等待以后的需求, 这样就可以降低它的短视行为。还可以把插入法和优化算法结合起来使用, 在对路径优化以后再获得更好的解。
3 车辆优化调度问题的研究现状
物流配送车辆优化调度问题在国外的应用要比国内发展迅速。其发展已经涉及各个领域, 不论是工业材料的运输、网购的货运配送和运输、连锁店的货物发送等这样的大型车辆调度方面, 还是报纸、牛奶投递等这样的小调度方面对于线路优化的运用都会取得较为理想的经济效益。最典型的例子就是全球闻名的沃尔玛特公司, 它们就是运用了最先进的物流配送指挥系统所以才会在同行中遥遥领先。随着对物流配送车辆优化调度问题的深入研究, 物流配送车辆优化调度不仅在汽车领域发展, 现在还应用在了航空、轮船方面。在不久的将来, 相信其发展领域会更加广阔。
在我国境内, 车辆调度问题的发展比国外晚发展近乎三十年, 所以现在我国对于较为复杂的车辆调度路径问题研究还是相对落后。由于我国对这方面研究起步较晚, 对于通用理论研究不够深入, 再加上我国对于应用研究的问题提出虽多但是都是在具体算法上的改进, 并没有创新, 所以我国在车辆优化调度的问题上根本无法满足配送业和物流业的发展需求。随着物流业在市场上的地位日益重要。为了克服我国在车辆优化调度上局限性较强的弱点, 我国逐渐开始对车辆优化调度问题进行深入的研究并且现在已经取得初步的成功。
4 结论
随着物流业和配送业在市场上的发展需求逐步扩大, 车辆优化调度问题日益重要。国外在车辆优化调度问题上发展较快, 已经在生产和生活方面广泛应用并且得到了很好的经济效益。可是我国在车辆优化调度问题上的发展起步较晚, 发展速度相对较慢, 不能满足我国经济发展的需求。所以为了使我国国民经济发展迅速、人们生活质量提高, 就要在物流配送业上大力研究发展车辆优化调度问题。其主要研究方向就是:根据车辆优化调度的分类标准, 以及各类问题上的特点应该按照何种算法进行优化;在基本算法的基础上针对特点问题如何改进;在不同地理环境和运输特点的基础上结合车辆优化调度问题上的优化算法, 设计出更加适用的优良算法。按照这个方向研究发展, 车辆优化调度的问题在现实生活中的意义会更加重要。
参考文献
[1]郎茂祥.配送车辆优化调度模型与算法[M].北京:电子工业出版社, 2009.
[2]冯辉宗, 刘飞.基于遗传算法的配送车辆优化调度[J].计算机集成制造系统, 2004 (12) :34-37.
[3]张之富, 余静.基于改进遗传算法的车辆优化调度研究[J].中国水运, 2009 (4) :113-115.