配送路径规划（精选7篇）
配送路径规划 篇1
0 引言
近年,网上购物迅速发展成为人们购物的重要模式。物流配送是电子商务活动中重要的一环。合理选择配送路径,对加快配送速度、提高服务质量、降低配送成本及增加经济效益都有较大影响[1]。如何提高商品配送效率是诸多物流企业关注的重点。因此,选择合理优化的路径对物流企业提高企业竞争力和服务水平至关重要。
20世纪50年代,美国数学家Bellman为研究最优控制问题提出动态规划法[2,3]。该种方法成为一种通用的算法设计技术来求解多阶段决策最优化问题。文献[4]利用图的广度优先搜索与动态规划法相结合求解关键路径;文献[5]应用动态规划法研究物流配送的最短路径,但不能对于不同时刻下的同一区域进行路径的动态选择。
本文中,对于物流配送路径选择问题建立数学模型,在考虑路径长度基本因素下,在基本的动态规划法基础上进行改进,增加路况,等影响因子随机调整路径权值,提出一种较高效率、切实有效的物流配送路径动态选择算法。
1 动态规划法的基本思想
1.1 适用于动态规划法求解的问题的特征
1)能够分解为相互重叠的若干子问题;
2)满足最优性原理(也称最优子结构性质):该问题的最优解中也包含着其子问题的最优解。
1.2 动态规划法的求解过程[6]
动态规划法是求解多阶段决策最优化问题的技术之一,其基本思想是把多阶段决策的复杂问题划分为多个子问题(通常,这些子问题之间相互重叠),每个子问题对应决策过程的一个阶段。如图1所示,Si(i=0,1,2,…,n)是问题求解过程中的各个状态,Pi是依据当前状态做出的相应决策。
各个子问题之间有重叠,这种重叠关系可以在抽象的动态规划函数中表现出来。因此,求解子问题的解后,并填入表中,当在后续阶段需要再次求解此子问题时,可以通过查表获得该子问题的解而不用再次求解,从而避免了大量重复计算。
动态规划法的求解过程如图2所示。
从图2可知,动态规划法利用问题的最优性原理,以自底向上的方式从子问题的最优解逐步构造出整个问题的最优解。动态规划法的三个阶段:
(1)分段:将原问题分解为若干个相互重叠的子问题;
(2)分析:分析问题是否满足最优性原理,找出动态规划函数的递推式;
(3)求解:利用递推式自底向上计算,实现动态规划过程。
2 物流配送路径问题的数学模型
2.1 问题描述
现某一个物流企业有配送中心A,要求送达的配送目的地是M1,M2,…,Mn。配送中心与各个配送目的地,配送目的地两两之间有路可达。要求从配送中心A出发,将货物配送到各个目的地,最终回到配送中心。要求合理安排配送的路线和行车时间,且相应的配送费用最小。
以上描述的问题符合最优性原理。证明如下:
设s,s1,s2,…,si,s是从s出发的一条路径长度最短的简单回路。
假设从s到下一个城市s1已经求出,则问题转化为求从s1到s的最短路径,显然s1,s2,…,sp,s一定构成一条从s1到s的最短路径。
否则,设s1,r1,r2,…,rq,s是一条从s1到s的最短路径且经过n-1个不同城市,则s,s1,r1,r2,…,rq,s将是一条从s出发的路径长度最短的简单回路且比s,s1,s2,…,si,s要短,从而导致矛盾。
2.2 建模前的假设
为了便于建立物流配送路径选择的数学模型,使得该模型有一定的实用性且不会过于复杂,假设问题满足以下条件:
(1)到达每个配送目的地的长度不超过配送车辆一次配送的最大可行驶距离;
(2)存在路径,可以使得每个配送目的地经过且只经过一次;
(3)各个配送目的地采用同样的运输手段;
(4)运输费用与运输路径成正比,即单位成本固定;货物应当在可接受的时间范围内运送到。
2.3 建立模型
根据以上描述可知,物流配送路径选择问题的模型如下:
d(s,V')表示从物流配送中心s出发,经过所有配送目的地V'一次且只一次,最后回到出发点s的最短路径长度。
动态规划函数:
2.4 物流配送路径选择的动态规划法
设顶点之间的代价存放在数组c[n][n]中,动态规划法求解问题的填表过程如下:
从以上应用动态规划法填表求解过程可知,表格中的数据安置从左往右逐列求值。在表格的右上角d[0][2n-1-1]即物流配送问题的最短路径。根据最短路径的求解过程,依次倒推,求得最短路径上的配送顺序,即得到问题的最优解。
3 实例
假设物流企业的配送中心S,现需要从S出发将货物分别配送到目的地A、B和C,然后回到S,以进行下一次货物配送。各地点之间的距离,如图3所示。
根据动态规划法,进行填表求解。
假设n个顶点用0~n-1的数字编号,首先生成0~n-1个元素的子集存放在数组V[2n-1]中,设数组d[n][2n-1]存放迭代结果,其中d[i][j]表示从顶点i经过子集V[j]中的顶点一次且仅一次,最后回到出发点0的最短路径长度。
从S出发经点A、B、C然后回到S的最短路径长度是:
d(S,{A,B,C})=min{cSA+d(A,{B,C}),cSB+d(B,{A,C}),cSC+d(C,{A,B})}
这是最后一个阶段的决策,而:
d(A,{B,C})=min{cAB+d(B,{C}),cAC+d(C,{B})}
d(B,{A,C})=min{cBA+d(A,{C}),cBC+d(C,{A})}
d(C,{A,B})=min{cCA+d(A,{B}),cCB+d(B,{A})}
这一阶段的决策又依赖于下面的结果:
d(B,{C})=cBC+d(C,{})d(C,{B})=cCB+d(B,{}))
d(A,{C})=cAC+d(C,{})d(C,{A})=cCA+d(A,{})
d(A,{B})=cAB+d(B,{}d(B,{A})=cBA+d(A,{})
而d(A,{})=cAS=5(A→S)d(B,{})=cBS=6(B→S)d(C,{})=cCS=C(C→S)可以直接从图3得到,填入表1的第2列。
由此,可以得到如下,并将其填入表1的第3列至第5列:
同理,得到以下数据并填入表1的第6列至第8列:
最后,得到表1的最后一列:
所以,从顶点S出发的物流配送最短路径长度为10,最优的选择路径是S→A→B→C→S。
由于在物流配送过程中,时间、天气等不确定因素的影响,道路的拥堵通畅情况随时会发生变化。假设配送目的地B位于市中心,上下班高峰时间与B相通的道路通常会比较拥堵。虽然相关道路的长度没有发生变化,但这会延误到达其他目的地的配送时间。因此,引入道路拥堵因子x,在不同时刻随机调整相关道路上的权值,x的取值范围为(0,10]。x=1表示通畅情况下的道路拥堵因子;x<1表示道路状况被提高后的拥堵因子,优于通常情况;x>1表示道路比较拥堵情况,该值越大,道路状况越糟糕。拥堵因子x的引入可能会使得最终选择的物流配送路径距离增加,但是以运输高成本能换取大部分客户的满意度,保证企业的良好信誉。
假设图3中各边的取值为道路通畅情况下的权值,即此时拥堵因子x=1。在上下班高峰时刻,AB段和SC段发生拥堵,提高拥堵因子x,设x=4。调整后如图4所示。
在图4上,再次应用3.4动态规划法,得到表2。
由表2知,在AB,SC段发生拥堵情况下,最优的配送路径长度是17,对应的路径是S->A->C->B->S。
4 算法仿真
引入拥堵因子的动态规划法在Visual Studio.Net环境中使用C#语言进行编程仿真。
将前面描述的实例作为测试程序输入。程序运行后,得到图5。图5中左右两个子图对比同一配送问题在不同路况下的物流配送路径最优解。左图表示在路况良好时(拥堵因子x=1)最优的配送路径;右图中AB和SC发生拥堵,用虚线表示,黑色加粗的箭头所指是此时(拥堵因子x=4)最优的配送路径。
仿真结果表明,引入道路拥堵因子后的改进动态规划法可以根据实时的路况信息,随机调整拥堵因子,在车辆已经出发的情况下,动态调整实时的物流配送路径的最优解。
5 结语
在物流配送路径选择问题中,引入拥堵因子随机调整物流配送路径的权值,改进动态规划法,求解实时的物流配送的最优路径。此算法的改进对于物流企业提高配送效率,提高用户满意度有一定的实际应用价值。
参考文献
[1]郎茂祥,胡思继.用混合遗传算法求解物流配送路径优化问题的研究[J].中国管理科学,2002,10:51-56.
[2]王晓东.算法设计与分析[M].北京:高等教育出版社,2003.
[3]Thomas H Cormen,Charles E Le.Introduction to Algorithms[M].MITPress,2005.
[4]刘芳,王玲.基于动态规划思想求解关键路径的算法[J].计算机应用,2006(6):1440-1442.
[5]蒋琦玮,陈治亚.物流配送最短路径的动态规划方法研究[J].系统工程,2007(4):27-29.
[6]王红梅.算法设计与分析[M].北京:清华大学出版社,2006.
配送路径规划 篇2
本文的内容首先对i OS平台开发相关技术进行了简要介绍,然后对订单配送路径规划系统进行分析,设计出了整体的技术方案与系统架构,然后对系统功能进行详细实现,包括仓库、订单查询,地图位置显示、路线规划及导航等功能,最后进行结果分析与总结。
1 iOS开发平台介绍
1.1 iOS系统架构
iOS平台应用的开发语言主要有Objective-C和Swift语言,由于swift作为一门新生语言使用人数较少的原因,本系统采用了主流开发语言Objective-C进行编码开发。Objective-C作为ANSI C的超集[4],不仅扩展了面向对象设计的能力,如类、消息、继承,同时它可以调用C的函数,也可以通过C++对象访问方法,具有对C和C++语言的兼容性。
苹果公司最新推出的i OS 10 SDK(Software Development Kit,软件开发工具包)增加了新的API(Application Programming Interface,应用程序编程接口)和服务,能够支持更多新类型的应用程序和功能。目前基于i OS平台开发的应用程序可以扩展到消息、Siri、电话和地图等系统自带服务,拥有了更吸引人的功能。图1为i OS系统架构图:
图中可触摸层主要提供用户交互相关的服务如界面控件、事件管理、通知中心、地图,包含以下框架:UIKit、Notification Center、Map Kit等;媒体层主要提供图像引擎、音频引擎及视频引擎框架;核心服务层为程序提供基础的系统服务如网络访问、浏览器引擎、定位、文件访问、数据库访问等。最底层的核心系统层为上层结构提供了最基础的服务包括操作系统内核服务、本地认证、安全、加速等。
1.2 i OS地图SDK
i OS地图SDK是高德提供的一套基于i OS 6.0.0及以上版本的地图应用程序开发接口,供开发者在i OS应用中加入地图相关的功能[6]。它提供的四种地图模式包括:标准地图、卫星地图、夜景模式地图和导航模式地图。开发者不仅可以利用其地图计算工具实现坐标转换和距离或面积计算,而且可以调用API完成出行路线规划及点标注、折线、面的绘制等工作。这些实现的提前需要注册并认证成为高德开发者,接着为应用申请APIKey,然后将i OS地图SDK配置到应用工程中,这里可以采用手动和自动化两种配置方式。前者的配置过程简单易操作,但更新操作代价大,后者配置过程稍显负杂,但更新很方便。手动配置的方式则需要手动向工程项目中导入MAMap Kit.framework和AMap Search Kit.framework两个包,当框架有更新时需将工程中旧框架删除并添加新框架,其使用稍显麻烦。本系统的实现采用了自动化配置工程的方式,利用第三方库管理工具Cocoa Pods通过命令:pod‘AMap3DMap’,‘~>4.0’和pod‘AMap Search’,‘~>4.0’完成自动导入框架的目的,当框架更新时只需执行pod update即可实现项目中框架的更新。
2 整体方案设计
通常App功能复杂的情况下需要有后台服务器的业务处理支持,本文涉及的路径规划功能需要处理的计算量会随着配送点个数的增长呈指数阶上升,因此需要后台服务器的强大计算能力处理路径规划结果,进而减轻客户端内存使用压力。
本系统整体技术方案的设计综合考虑了移动应用端、服务端(包括应用服务器和提供商服务器)以及数据库服务器三部分所涉及的技术及其简要的功能模块划分,如下图2所示:
其中应用服务端是典型的电商进销存管理系统,移动端LBS应用——易配送App的实现需要在进销存Web系统的表示层、业务逻辑层、数据持久层添加相应的订单配送接口,该接口将服务端经过处理的数据结果封装成XML标准的数据格式通过HTTP协议传输给App。
3 基于i OS的路径规划App设计
3.1 App开发模式
易配送App采用Objective-C开发语言,开发工具为Xcode7.0,主要针对i Phone进行设计的。系统的设计模式采用了MVC范型如图3。由于系统所涉及的内容数据均通过网络请求服务器实时更新获取,故采用了i OS App开发模式中的Native App,以保证有较好的网络环境以及节省的带宽,以便利用充分的设备资源来提供良好的交互体验。
该系统平台中的位置信息主要体现在:位置服务和地图。位置服务是由Core Location框架负责,它将用户的位置及方向信息以Objective-C语言能识别的形式罗列出来[4];地图服务通过应用中集成的高德开发平台提供的MAMap Kit框架负责,利用它可以展示出地图和图钉标注等信息。易配送App的路径规划模块有效地将Core Location框架和MAMap Kit框架结合起来,以实现地图定位、距离测试、路线显示及导航功能。
3.2 重要功能设计及关键技术实现
系统的主界面设计采用了图文结合的布局方式如图4,使用户能够快速便捷的操作系统。对于信息查询类似功能的界面多采用表视图结构,得到了清楚地展示大量内容信息的效果如图5所展示的待配送订单列表。
系统主要的路径规划功能在电子地图的地理信息背景下完成了标注及路线可视化如图6所示,其关键技术的实现如下:
1)初始化地图服务
系统中地图服务的使用首先需要初始化地图控件,这需要在创建MAMap View之前需要先绑定APIKey:[MAMap Services shared Services].api Key=APIKey;和[AMap Search Services sharedServices].api Key=APIKey;接着初始化MAMap View地图控件:_map View=[[MAMap View alloc]init With Frame:self.view.frame];并给系统添加地图视图:[self.view add Subview:_map View];
2)分组待配送订单
因为业务要求需要将待配送订单按各自对应的出货仓库进行分组配送,系统中通过自定义实现分组方法:-(void)group Action:(NSMutable Array*)array;其中参数array中存储着多个配送单对象XJDelivery Order。方法实现中利用可变的集合对象NSMutable Set保存的内容对象不重复的特性,用_warehouse Set记录不同的仓库信息:_warehouse Set=[NSMutable Set set];[array enumerate Objects Using Block:^(XJDelivery Order*_Nonnull order,NSUInteger idx,BOOL*_Nonnull stop){[_warehouse Set add Object:order.warehouse Name];}];同时该方法中利用谓词NSPredicate过滤数组array实现按仓库名称分组:[_warehouse Set enumerate Objects Using Block:^(NSString*_Nonnull warehouse Name,BOOL*_Nonnull stop){NSPredicate*predicate=[NSPredicate predicate With Format:@"warehouse Name=%@",warehouse Name];NSArray*temp Arr=[NSArray array WithArray:[array filtered Array Using Predicate:predicate]];[group Arr add Object:temp Arr];}];
3)添加标注及气泡视图
给地图添加标注需要调用地理编码请求:[self.search AMap Geocode Search:geo];其中对象geo为AMap GeocodeSearch Request类对象且其属性值address不为空,该请求会回调AMap Search Delegate中的方法:-(void)on Geocode SearchDone:(AMap Geocode Search Request*)request response:(AMap Geocode Search Response*)response;其中response对象中包含了经纬度信息并且该方法中调用了添加标注方法:[_map View add Annotation:point An];其中对象point An为MAPoint Annotation类对象。
实现触摸标注弹出气泡的效果需要实现MAMap View Delegate委托中-(MAAnnotation View*)map View:(MAMap View*)map Viewview For Annotaion:(id<MAAnotation>)annotation;和-(void)map View:(MAMap View*)map Viewdid SelectAnnotationView:(MAAnnotation View*)view;方法。
4)路径规划及绘制路线
i OS地图API提供了按参数顺序进行路径规划的方法:[_search AMap Driving Route Search:request];其中request为AMap Driving Route Search Requ-est对象,需要给定request的属性:起点origin、终点destination和沿途点waypoints的值。而对于最优路径的规划只能通过自定义方法:-(void)plan Best Paths With Loaction:(CLLocation Coordinate2D)location way Points:(NSArray*)way Points;该方法中调用了网络请求服务器方法,并能够获取服务器返回的处理结果,其结果中包含了多个经纬度字符串,需要利用方法-(CLLocation Coordinate2D*)coordinates ForString:(NSString*)string coordinate Count:(NSUInteger*)coordinate Count parse Token:(NSString*)token;来解析经纬度,然后系统利用解析得到的经纬度调用[MAPolyline polyline With Coordinates:coordinates count:count]来绘制路线。
5)最优路径算法
本系统的服务端路径规划接口实现中采用了适合解决单回路最短路径问题的算法——最近点插入算法。最近插入法是一种启发式算法,它不仅适用于各种复杂的TSP问题,对于中小规模问题同样适用。图7为算法具体流程。算法的实现是在后台服务端通过java语言实现的,这里就不做详细说明了。
4 系统测评与应用实例
为了对系统的功能及路径优化效果进行测试,采用了如下的实验环境:客户端是所有系统为i OS 7.0及以上i Phone手机,安装App后即可使用;服务端为可安装运行在windows平台下的进销存管理系统;数据库为Oracle数据库安装在Linux数据库服务器上。
本系统中路径规划功能的实现采用了将多个仓库多配送点的路径规划分解为多个单仓库多点配送的思想。下面一系列图示说明了多个单仓库出发到多个配送点的路径规划对比结果。
图8中显示当天需要规划路径的所有点,包括三个仓库和八个客户位置。接下来分别对三个仓库进行出货配送安排,如图9为从总仓库出发的配送路线对比,其中上图为按下单顺序依次配送的路线图,下图为根据与出发仓库距离由近到远的依次配送的路线图,从图中可以明显看出两者各自的路程代价,表1为各仓库配送路径的对比结果。
通过实验测试结果表明,当单次规划的配送数量小于等于6时,本系统的最优路径准确且计算处理很快,几乎网络无延迟。当单次规划的配送数量大于6小于17时,优化结果准确但是处理速度变慢,并且处理响应时间虽配送数量呈现指数阶增长。当单次规划的配送数量大于16时,服务端需通过一定路径优化算法处理大规模计算,但其结果往往是最优解的近似值而非最优路径值。
5 结束语
本文是在i OS系统上基于电子地图的应用开发,基本实现了小规模订单配送的路径规划功能。经过优化的路径的确节省了许多里程,真正意义上为企业提高了效益。但是本系统还存在一些不足之处,如适合处理小规模订单配送路径规划的局限性,系统的可扩展性有待加强。在今后的学习和研究中,将进一步深化和扩展该应用的功能,提供更加丰富的视图信息和交互方式,实现更良好的路径规划体验。
参考文献
[1]WANG Tiejun,WU Kaijun.Study multi-depots vehicle routingbased on improve-ed particle swarm optimization[J].Comput-er Engineering and Applications,2013,49(2):5-8.
[2]马建华,房勇,袁杰.多车场多车型最快完成车辆路径问题的变异蚁群算法[J].系统工程理论与实践,2011(8).
[3]李波,邱红艳.基于双层模糊聚类的多车场车辆路径遗传算法[J].计算机工程与应用,2014(5).
[4]胡杨帆,杨刚,胡颢石.结合LBS和信息推送的博物馆App的设计实现[J].计算机应用与软件,2013,12(30):108-112.
[5]百度百科.手机定位技术[EB/OL].http://baike.baidu.com/link?url=Fd Vs R1e UHO4p Xu-1m Dn Boar4Vvjz DHE03VEw3qj0Zr XNvdq Z4Nj URdz Um75kq8px Ljs ATh N-8Fj Bpzd AWde Yn BVKIc-wng DEQ6Nw R8K9F-Pemfn634Nr VYuo Nj Nb F_le E_sq_lq Jotl5_Zx Ki4Eiy5K.
配送路径规划 篇3
近年来,各种公共突发应急事件屡屡成为国家、社会关注的焦点。灾害发生时,应急物资的配送与调度是十分必要的。由于应急救援对时间的要求较高,要使物资和救援人员能以尽可能小的代价到达应急地点,此时决策过程中最优路径的选择尤为重要。因此研究应急物资的配送路径规划问题可谓是重中之重。在此对传统蚁群算法进行改进,并应用在突发事件后应急物资的配送路径规划问题的研究中。
2 基本蚁群算法原理及数学模型
蚁群算法(ant colony optimization,ACA)是近年来兴起的一种仿生优化算法,模拟蚂蚁群体的智能行为,是一种在图中寻找最优路径的几率型算法。
2.1 蚁群算法的基本原理
根据仿生学家的长期研究发现:蚂蚁在移动的过程中虽没有视觉,但会在路径上释放一种可以被同伴识别的特殊分泌物—信息素,当它们碰到一个没有走过的路口时,会随机挑选一条路径前行,同时释放等量的信息素,路径越长则蚂蚁在这条路径上消耗的时间越多,信息素挥发的越多,留在路径上的信息素浓度越低,当后来的蚂蚁再遇到这个路口时,选择信息素浓度高的路径的概率较大,这样便形成了一个正反馈机制。最优路径上的信息素浓度越来越高,其他路径上信息素浓度会随着时间的流逝而逐渐消减,最终整个蚁群会找出最优路径。
2.2 蚁群算法的数学模型
设bi(t)表示t时刻位于元素i的蚂蚁数目,τij为t时刻路径(i,j)上的信息量,n表示城市个数,m为蚂蚁总数。在初始时刻各条路径上信息量相等,且为常量。
蚂蚁k(k=1,2,…,m)在运动过程中,根据各条路径上的信息量决定其转移方向。这里用禁忌表tabuk(k=1,2,…,m)来记录蚂蚁k当前所走过的城市,集合随着tabuk进化过程做动态调整。在搜索过程中,蚂蚁根据各条路径上的信息量及路径的启发信息来计算状态转移概率。pkij(t)表示在t时刻蚂蚁k由元素(城市)i转移到元素(城市)j的状态转移概率:
式中,allowedk={C-tabuk}表示蚂蚁k下一步允许选择的城市,其中;α为信息启发式因子,表示轨迹的相对重要性,反映了蚂蚁在运动过程中所累积的信息在蚂蚁运动时所起的作用,其值越大,则该蚂蚁越倾向于选择其他蚂蚁经过的路径;β为期望启发式因子,表示能见度的相对重要性,反映了蚂蚁在运动过程中启发信息在路径选择中的受重视程度,其值越大,则该状态转移概率越接近贪心规则。
3 对蚁群算法的改进研究
基本蚁群算法是一种理想化的状态,没有考虑一些实际因素的影响,如:天际状况、道路拥堵情况及道路等级等,需要将这些外界因素综合考虑到算法当中。另外,由于信息素挥发系数ρ的存在,那些从未被搜索到的路径上的信息量减少到接近0,降低了算法的全局搜索能力,在对算法进行改进时也要考虑这一因素。
3.1 对转移概率的改进
在基本蚁群算法的数学模型里,蚂蚁k从所在节点搜索下一未访问节点的过程中,是根据其邻接表中各条路径上的信息量τij(t)及路径的启发信息ηij(t)来计算状态转移概率pkij(t)的,对路径的假设是一种理想状态,没有考虑一些实际因素的影响,如:天际状况、道路拥堵情况及道路等级等,改进算法时需要综合考虑这些外界因素。层次分析法(AHP)是一种确定各因素权重的行之有效的方法,因此将层次分析法应用于算法改进是可行的。将层次结构分为两层:目标层Z和准则层A;目标层的路径权重为Wij,准则层各个指标对于目标层的权重分别为:w1,w2,w3,如图1所示:
根据数据及决策者的经验判断,构造判断矩阵,如表1所示:
用特征值法求出最大特征值λmax及其对应特征向量W,通过一致性检验后,计算整个网络中各条路径的权重值:Wij=w1×w+w2×f+w3×r,其中w1、w2、w3为准则层各因素对于目标层的权重系数,w为天气状况,车辆行驶的适宜度由低到高赋(0-1)区间内实数;f为交通流量,与设计交通流量作比较,比值由低到高赋(0-1)区间内实数;r为道路等级,划分5个等级分别赋值为(0.2,0.4,0.6,0.8,1.0)。
将权重值引入概率转移概率pkij(t)中得:
其中,wij(t)为路径(i,j)在t时刻的权重值,γ为权重指数,根据实际情况和具体要求确定。
3.2 对参数选择方法的改进
蚁群算法中信息素挥发因子ρ的大小直接关系到蚁群算法的全局搜索能力及其收敛速度。当要处理的问题规模较大时,这种影响尤为显著。因此通过自适应的调整ρ的大小来提高算法的全局性。
假设ρ的初始值ρ(t0)=1,当蚁群算法求得的最优解在N此循环内没有明显改进时,ρ按照下式作自适应调整:
其中,ρmin为ρ的最小值,可以防止ρ过小降低算法的收敛速度。同时,为了提高蚁群算法的全局搜索能力,提高其搜索速度,还在每次循环结束时求出最优解,并将其保留。
4 应急物资配送路径规划问题描述
设受灾点个数为N,分别为V1,V2,…,VN,组成集合C=(V1,V2,…,VN),V0为配送中心,V=(V0,V1,V2,…,VN)。Cij表示从i点到j点的运输成本,且有Cij=C0dij,其中C0表示单位距离费用,dij表示Vi,Vj两点间的距离。设受灾点i需求量为qi,配送中心有m辆型号相同的车,记为车辆集A,车辆容量为G,且有qi<G。令,数学模型如下:
其中,式(1)保证供货车辆数不超过配送中心最大车辆数;式(2)、(3)保证每个受灾点仅由一辆车供货一次;式(4)保证每辆车只被派出去一次;式(5)表示每辆车完成配送后都会回到配送中心;式(6)保证每辆车载重量不超过车辆容量。
5 应用实例
某地发生突发事件,受灾点分别为2,3,4,5,6,7,8,9,10,现将救灾物资从救援中心1运往受灾点,救援中心与各受灾点及各受灾点之间的距离如表2所示。各受灾点物资需求量分别为(单位为:t):1.2,1.6,1.0,1.4,1.3,0.9,1.8,1.3,1.5,每辆救援车辆载重为5t。
各参数设置如下:蚂蚁数量m=60,信息启发式因子α=1,期望启发式因子β=1,权重指数γ=2,信息素挥发系数ρ=0.15;在MATLAB中,将改进的蚁群算法编写程序实现后,得出最优路径为:
最短运输距离为:32015m。
6 总结
本文给出了改进后的蚁群算法,不仅保留了传统蚁群算法正反馈、并行计算等优点,还很好的克服了收敛速度慢及容易陷入局部最优等缺点,且考虑了外界因素,使整个算法鲁棒性大幅提升,具有很大的应用空间。
参考文献
[1]段海滨.蚁群算法原理及其应用[M].北京:科学出版社,2005.
[2]刘勇.基于蚁群算法的应急救援最优路径研究[D].中国地质大学,2010.
[3]昝良,许继恒,吴天羿.基于改进蚁群算法的应急救援路径规划[J].国防交通工程与技术,2014(02):21-24.
[4]温惠英,沈毅贤.基于层次分析法的物流配送车辆导航路径规划求权方法[J].公路交通科技,2008(08):114-118.
物流配送路径情况及改进 篇4
物流配送速度的加快, 可以有效减少运输途中的贮存成本、设备成本、能耗成本, 中间环节成本的减少, 直接影响到物价水平, 物价降低到适当水平, 但并不以压缩生产商的生产成本为基础, 生产商、 中间商、消费者三方共赢, 产生正和博弈, 刺激消费, 进而影响生产商利润, 生产商获利加大竞争, 投资创新, 加快产品更新换代, 进而促进社会生产水平提高, 整个社会经济体系进入良性循环, 明显有益于社会经济效益的提高。
本文研究对象瓦井村位于北京市房山区中部。辖瓦井、刘家坡2个自然村。有700余户, 2900余人, 现有粮田2200余亩, 居民区1100余亩, 山地800余亩。产玉米、小麦等粮食, 产柿子、苹果、桃、栗子等果品。
本论文共选择1 8 (含) 岁以下, 18~40 (含) 岁, 40~60岁, 60 (含) 岁以上四个年龄段各接近17、47、27和9人, 收到一百份有效问卷时即停止调查, 尽量保证各年龄段比例为17∶47∶27∶9。通过调查分析, 作者认为本村有网购意愿的居民还是占很大比例的, 如果可以改善物流服务水平, 相信郊区也会成为快递的利润源泉。
通过对最常用的快递公司的投票可知, 41.7% (5家) 快递公司都可以将商品送达周口店地区, 而58.3% (7家) 的快递公司不行, 也就是说, 即使是最常用的快递公司也只有少于一半可以将快递配送到瓦井村, 而配送周期常在3~7天, 还有一些时候配送时间更长。4 2 % 的被调查者表示对配送时间得不到保障而感觉不满意。如果可以改善物流现状, 会有4 9 % 的人会比在实体店更愿意选择网购。而且目前瓦井村处于18~40岁的人占居民总数大约47%, 18岁以下占大约17%, 这两部分加总就是最有潜力的市场, 而且这个市场还是在不断壮大的, 因为如果可以通过引导使年轻人养成网购的习惯, 那么这个年轻人所在的家庭都会变成网购的力量。
现存的物流问题及出现原因
邮政方面最主要的问题就是收发室没有专门机构负责通知居民取信的部门, 所以很多信件堆放在收发室, 只有一个小本子记录每天收进来谁的信, 而居民并不知道自己有信件来, 而且全村近三千人, 收发室也不能记住都有谁的信件, 而居民也不可能每天去看是否有自己的信件。较多数的信件都是各保险公司发出的催款单, 转账确认单和每逢用户生日各保险公司发来的祝福贺卡等, 所以这些东西并不是非常重要, 在平时也不会对居民的影响太大, 因而邮政上的问题并没有得到相应的重视。
但是这种情况继续下去, 很容易发生问题, 如居民在不知情的情况下错过自己的重要信件而耽误自己的事情等。
这种情况出现的主要原因是村民本身和收发室对于收进来的信件都不是十分在意, 邮递员每天都会将报纸和信件一并送过来, 收发室人员进行简单登记后就会直接存起来并不会以任何形式发送通知, 而居民本身也不很在意这些信件, 因为实际上私人信件在手机和电话的出现之后就越来越失去其通讯的作用了。而收发室和居民也都已经习惯了这样的模式, 所以很少会留意送来的信件。
快递问题及其出现原因, 也就是在我们生活中越来越重要的快递问题, 申通、圆通、顺丰等多家快递公司都不能递送包裹, 主要原因是镇中心以下单位快件数较少, 路程较远, 递送的收入难以抵付因此付出的成本。再加上目前快递业发展较快, 快递员数量一直存在缺口, 特别是在春节、十一、五一和各个网购数量激增的节日时期, 快递员的数量会直接影响快递公司的效益和客户服务。所以, 许多快递公司选择放弃镇中心以下的配送单位, 已达到整体的最优效益。
除了上述问题以外, 网购在农村没有非常普遍也有一个原因就是 “网购”这种模式还并没有广泛受到大家的认同和接受, 所以转变大家对于网购的看法也是拓展农村物流市场的一大关键点。
物流改进方案及设计
对于邮政问题其实改进起来非常简单, 因为邮递员是每天都会送报纸和信件的, 所以每天基本上都会有信件进来, 只需要通过广播通知居民来取信件就可以了, 还可以利用公告板或增加L E D屏滚动通知等方式予以辅助。实际上在这里讨论邮政问题还有一个用意, 就是希望通过邮政问题的解决给现存的快递问题提供一些借鉴和解决方法。
快递问题的存在有其现实原因, 那就是郊区中心镇以下的单位快件数量少, 所以即使是业务范围包含有些中心镇以下单位的快递公司也会选择在当一个地区的快件数量积累到一定数量以后统一进行配送。所以网购后等待的时间通常会比市中心或其他较为便利的配送单位多2~8天, 这就使人们不愿意再通过网购选择自己喜欢的货物, 特别是在急需某样物品的时候。比如, 考研的同学都清楚, 许多培训机构对于政治、英语等科目都会在考前7天甚至更少的几天中出一些 “押题”或“模拟”试卷, 而这些试卷也是非常受考生欢迎的, 几乎人手一册, 而对于住在较为偏远的地方的考生来说, 想在第一时间拿到这些试卷就非常困难了。
但是, 正是因为这种商品的特殊性, 人们不会过多考虑它们的价格, 所以解决这一问题时就可以通过加急件的方式获得。但这就要多付出一定的费用。对于除了这类商品以外的其他日常商品, 想要在不增加支出的情况下缩短等待时间就需要一些具体的方法了。
目前, 本村居民的快件数量较少, 经过调查, 每3天大概包括附近两个村庄的快件也仅有20件左右, 所以如果快递公司独立做这方面的配送的确不是非常经济。所以初期在培育农村网购市场的时候可以采用与邮政合作的方式。前面提到过, 邮递员是每天都会来的, 而实际上邮递员配送的物品只有有限的几种:报纸、信件和录取通知书。而这几件东西和快件比起来都是体积较小的, 并不会占用太大的空间。 那么如果改变现有的单车送件改为邮政车送件就可以有非常大的空间用来递送快件。如果快递公司可以与邮政公司合作实现这种配送方式, 居民就可以足不出户以网购的方式选购自己喜欢的东西, 这样一来还可以培育起农村的网购市场。 对于快递公司来说不仅可以以较低的成本占领农村较为偏远地区的市场, 也可以在农村配送市场逐渐扩大、快件数量增长之后再独立进行这一市场的递送服务。对于邮政来说, 也可以增加本身较为单一的配送项目, 得到一个新的利润源泉。
超市和药店都属于居民日常生活中经常要去的地方, 特别是超市, 人流量比较大, 而且本村的超市都比较靠近村庄入口, 人们进出也会常常经过。每次超市有促销活动都会写在通知板上, 有时还会辅以广播循环播放。所以我认为这种方式很适合与目前的快递业合作。特别是当与邮政合作取得成功, 网购在本地区有一定的市场以后, 可以以这种方式将快件统一配送到超市, 由超市工作人员记录后并按件计费给超市一定的费用。这个阶段是农村网购市场进入成长期的阶段。
烟草配送系统中路径优化问题 篇5
目前我国绝大多数烟草企业仅以人工、凭主观、靠经验对配送线路进行优化,也有少部分企业开始借助于信息技术实现配送线路的优化工作,但能够提出完整的物流配送线路优化系统的企业还非常少。而国外的一些路径优化软件由于交通规则、道路规划等各方面不符合我国国情,很难符合改革中的中国烟草的管理流程,因此烟草配送路径优化问题已成为制约我国烟草物流发展的主要因素之一。
目前,国内外大多数研究很难一次性形成合适的配送线路,往往需要辅助很多人工干预和调整,增加了工作的复杂性。本文将中国邮路问题引入配送路径的优化中,在邮路问题中引用指派问题来处理奇点对之间增加重复边的问题,大大简化了多奇点对之间增加重复边的繁琐性,试图寻求一种新的适合我国烟草配送系统的路径优化方法,并力求有所突破。
2 烟草配送路径优化模型
2.1 模型建立的前提条件及符号规定
本文结合我国烟草配送的特点,建立了市区间的烟草配送路径优化的模型,其前提条件如下:
(1)某市卷烟零售网点分布在全市各地,其总体数量大致稳定;
(2)该市根据配送辐射半径,将全市划分多个配送区域,并确定每一区域的配送中心及每个配送中心所覆盖的零售网点;
(3)零售网点的配送任务由所在区域的烟草配送中心负责,所有配送车辆为同一型号,每一区域的烟草需求量都必须在单车车载量以内,区域内各零售网点所在道路的长度可知;
(4)配送车辆由某一区域的配送中心出发,经过该区域内各零售网点,配送完成后车辆返回该物流中心。
符号规定如下:N为某烟草配送区域内零售网点d的个数(d=1,2,…N);Xd表示配送路径是否经过第d个零售网点(Xd=1时表示经过,Xd=0是表示未经过);G=(V,E)为该区域零售网点所在道路形成的边权连通无向图;V为道路交叉点的集合{v0,v1,…vn},点数|V|=n,其中v0表示该区域的烟草配送中心;E表示G中所有道路的集合{(vi,vj)},道路个数|E|=m,(i,j=0,1,…,n);W(vi,vj)表示道路(vi,vj)的长度;r表示G中奇点个数(必为偶数);vkp、vkq表示G中的某两个奇点,(p,q=1,2,…,r);fpq表示vkp与vkq之间的最短距离(p≠q);C为从烟草配送中心出发经过每个零售网点后重新回到配送中心的一个配送路径;L(c)表示配送路径C的总长度。
2.2 模型描述
对于某一个烟草配送区域,零售网点是固定分布在道路上的,可将配送路径必须经过零售网点的问题转化为必须经过零售网点所在道路的问题,这样如果配送车辆能以最短路线遍行零售网点所在的道路,即能完成送货任务。所以在道路(vi,vj)的长度W(vi,vj)可知的边权连通无向图G=(V,E)中
目标函数为:min L(c)
该问题在本质上与中国邮递员问题是一致的,故我们把该烟草配送最短路径问题,转化为求解网络图的中国邮递员问题。
3 案例应用
某市一烟草企业的物流配送具有客户多、批量小、品种多、时间要求高的特点,该企业按照单车车载量将本市划分为多个区域,每一区域分别由该地区的配送中心来进行分配,如图1是该烟草企业的某个配送区域,在该区域有18个零售户(图中用方格“□”来表示),分别固定分布于不同的街道,区内每条道路的长度如图中所示,A为该配送区域的物流配送中心,V1至V12为街道的交叉口,该配送区域构成如下的边权连通无向图,目前该烟草企业在该地区的配送路线为:A—V1—V2—V3—V10—V1—V10—V3—V4—V5—V6—V7—V8—V11—V12—V4—V12—V6—V7—V8—V11—V10—V9—V8—V9—A,配送路径的长度L(c)为140。
采用中国邮递员问题算法,利用C语言编程,在WINDOWS XP环境下运行得到各个奇点的两两配对的最优匹配方案:即v1,v11配对,v3,v4配对,v6,v12配对,v8,v9配对。对两两配对的奇点添加重复边得欧拉图G*,如图2所示。
在图2中,所添加重复边的路径之和为f17+f23+f48+f56=14,此时配送路径C的长度L(c)=96+14=110(<140)即为该配送区域内的最短路径,从配送中心A出发找出欧拉回路:A—V1—V2—V3—V10—V1—V10—V11—V12—V4—V3—V4—V5—V6—V12—V6—V—V8—V9—V10—V11—V8—V9—A,此回路即该配送区域内送货车辆的最短行驶路线。显然,求出的最短配送路径远远小于目前该烟草公司的配送路径长度。考虑到现实配送过程所耗费的人员和车辆等费用后,该烟草公司改用最短配送路径后可大大提高配送的效率,并将节省大量物流成本。
4 结论
本文利用中国邮路问题的最短路径算法,并对优化后的最短路径算法进行了语言编程,能快速求出每个烟草配送区域内的最短路径和最优路线,使得烟草配送最短路径的实时计算成为现实,其成果在烟草的区域配送系统中具有普遍适用性和广阔的应用前景。
参考文献
[1]戢一鸣.基于GIS的现代物流系统配送算法的研究与应用[J].武汉理工大学学报,2004,26(5):154-156.
[2]Alvarenga,G.B.&Mateus G.R..A Genetic and Set Partitioning Two-phase Approach for the Vehicle Routing Problem with time windows[J].Computers&Operations Research,2007,34:1561-1584.
[3]Dondo,R.G.&Cerda,J.A hybrid local improvement algorithm forlarge-scalemulti-depotvehicleroutingproblemswithtimewindows[J].ComputersandChemicalEngineering,2008.10:1003-1016.
[4]Asvin Goel&Volker Gruhn..A General Vehicle Routing Problem[J].European Journal of Operational Research,2008,191:650-660.
城市配送车辆路径模型和算法研究 篇6
关键词：城市配送车辆,路径模型,算法,研究
社会商业化和经济全球化的时代的到来, 让服务商和物流商清楚地认识到物流配送车辆优化调度的重要意义, 既可以降低商品物流成本, 更能提高客户服务水平, 可谓一举两得, 也是对物流企业品牌树立和生存发展至关重要的。
一、多配送中心联合配送的车辆动态调度模型的研究
提高配送网络的运行可靠性和有效可达性, 是物流配送运输网络优化的主要目标, 因此, 以物流配送运输网络畅通可靠度最大为目标进行建模。笔者根据现在很多城市物流配送的多品种、小批量、多批次和短周期等特点, 主要考虑以下约束条件:各条配送路线的货物总量不得超过车辆容积及载重量的限制;在物流中心现有运力允许的范围内;在配送过程中, 每个配送点只能访问一次, 且必须访问一次;每辆车只能服务一条线路, 且每辆配送车从配送中心出发, 最后必须回到配送中心;配送费用应当控制在一定水平下。遵循上述约束条件, 建立优化模型如下:
式中:ψn为网络中第n条配送线路的畅通可靠度;q为第n条线路所安排车辆的载重;q为第n条线路上所有配送点货物总量;N为配送线路的总体数目;M为物流中心配送车辆数;
A为某种确定水平下的费用定额, 为常数, 可根据经验值确定。
二、城市配送路线优化的智能算法的研究
城市配送中的多配送中心, 多种类货物的车辆调度问题是NP-Hard问题的组合, 是多目标优化问题。根据物流配送网络系统的具体情况, 笔者选择蚁群算法进行系统优化的研究分析。
所谓蚁群算法, 就是人类在观察自然界真实蚂蚁觅食的过程中总结出来的仿生优化算法, 它在短短的十余年的发展历程中展现出顽强的生命力, 成功地应用于解决旅行商问题 (traveling salesman problem, tsp) , 车间作业调度问题 (job-shopscheduling problem, jsp) , 车辆路径问题等组合优化问题。
我们用蚂蚁替代车辆, 当下一个要服务的配送点会使运载总量超出汽车载重量, 就返回到配送中心, 表示这辆车完成此次运输。然后换一辆车接着出发服务其余配送点, 直到所有配送点都得到了一次服务, 此时代表蚂蚁完成一次巡游。当所有蚂蚁都巡游一次, 记为一次循环。一次循环后, 根据各蚂蚁巡游历程的好坏 (目标函数值) , 计算信息素增量, 更新相关路径上的信息素。具体实现步骤如下:
步骤1初始化各基本参数, 置nc=0;
步骤2计算转移概率;
步骤3根据计算出的转移概率和随机产生的q值, 为每一只蚂蚁选择下一条移动的路径;
步骤4当每一只蚂蚁都走过一条边到达下一配送点后, 就按局部更新规则对这条边进行一次信息素的局部更新;
步骤5对每一只蚂蚁重复以上循环执行步骤2到步骤4, 直到所有的配送点皆有蚂蚁走过且配送点的需求得到满足;
步骤6在生成的全部路径中找出符合模型最优目标的路径, 则走过该路径的蚂蚁就是最优蚂蚁;
步骤7对最优蚂蚁所经过的每一条边, 按全局更新规则对这条路径进行一次信息素的全局更新;
步骤8重复执行步骤2到步骤7, 直到执行次数nc达到指定的最大迭代次数或连续若干代内没有更好的解出现为止。
配送网络畅通可靠度的最优意味着配送的延误出现的概率最小, 也即为对配送的有效可达性的最有力的保障。
三、实时监控的城市配送车辆调度动态管理方案的研究
(一) 降低成本, 提高效率
车辆作业流程的产生源于对物品诸要素 (收件人规定的时间段、重量、体积、货品类型、递送方式、跟踪要求/贵重物品) , 环境诸要素 (收件人地点、车辆禁驶区域和路段、街区宽窄、库房地点) , 车辆诸要素 (容积、载重量、车况、车辆类型、历史路况) 等诸多因素的综合自动规划, 由优化算法产生作业方案 (即目标、资源的合理利用和搭配) , 安排最佳的配送、揽收方式 (人或车, 专递或转递) , 最佳的行车路径, 最佳的收递顺序。目标是以最低的成本、最短的时间、最高的效率处理完成最大的业务量。
(二) 分析数据, 为决策提供依据
原配送体系的低速度、高成本瓶颈被突破后将衍生出基于高速度、低成本的新业务。利用作业系统数据库信息, 结合图形分析技术为管理层提供有力的运作分析数据, 为企业有效的经营决策提供依据。
(三) 提高承载能力
物流速度加快后, 业务承载量将加大, 系统可以方便地实现回程配货, 中心提前在线预知车辆的实时信息及精确抵达时间, 根据具体情况合理安排回程配货。
(四) 提高服务质量, 树立良好的企业品牌形象
冷链物流多温配送路径优化研究 篇7
目前我国冷链物流配送的发展很快,粗放式的发展造成成本急剧增加,配送环节成本就占总冷链运营成本的35% ~60% ,但是在对冷链配送的研究中,突出的问题是大多数研究是对冷链物流配送车辆路径的优化,而忽略了冷链配送中货物对温度的要求和成本的考虑,这使得在实际配送过程中造成配送的成本高昂和货损严重。只利用常温配送路径优化的模型不能很好地控制冷链物流总成本,基于此本文在利用常温配送车辆路径方法基础上,考虑到多温共配的成本特殊性,同时加入软时间窗的限制,尽可能解决配送路径优化与成本之间的矛盾。
2 基于配送总成本的多温共配模型构建
在建模过程中,需要使配送过程的总成本达到最优,所以本文将总成本分为车辆的固定成本、货物的配送中制冷成本、货物在运输途中的货损成本、装卸搬运时的货损成本和因违反时间窗约束而产生的惩罚成本。综合各部分成本建立多温共配的总成本模型。
2. 1 参数设计
m为运输车辆的数量; n为客户总数量; v为每单位路程运输成本; f为每辆车的固定成本; dij为客户i到j的距离a1为运输过程中的货损系数; a2为搬运过程中的货损系数Yi为客户的货物需求数量; xi为送货到达的时间; 为货物价格; β 为未及时送达的惩罚成本; P1为制冷剂价格; R为载货量; S为车体内部的表面积; T1，2，3，…，n为不同货物所需的不同温度; ti为在客户i停留时间; Tij为车辆从客户i到客户j所用的时间; G为制冷剂的消耗量。
2. 2 多温配送各部分成本的确定
2. 2. 1 车辆的固定成本
固定成本主要包括车辆以及车载设备的购买、折旧; 驾驶员与工人的工资等。固定成本的表达式为:
2. 2. 2 配送车辆的运输成本
配送车辆的运输成本包括车辆的油耗、维修、保养和过路费等。在运输成本中由于本文加入软时间窗的限制,所以考虑到在一线城市中市内堵车的情况,运输配送的路线选择,以及时间的要求,都会影响到运输成本。其表达式为:
2.2.3配送运输过程中的货损成本
在低温环境中,货物的保质期会延长,超出保质期的货物就会变质,这部分的损失就是运输过程中的货损成本。其表达式为:
2.2.4装卸搬运时的货损成本
运输车辆在配送中心装车和到达客户时卸货的整个过程中货物会发生损坏,并且在装卸时开关车门会影响车内温度的变化,加快货物的损坏速度。这部分成本称之为装卸搬运货损成本,其表达式为:
2. 2. 5 惩罚成本
本文采用软时间窗的做法,如果货物不能在规定的时间范围内送到客户手中,则给予一定的惩罚。以a3和a4分别表示车辆提早和迟到带来的单位损失成本,如果货物提前送到,则会产生a3( Ej- sj) ,如果配送迟延,则产生a4( si-Tj) ,由此可以得到惩罚成本函数:
2.2.6制冷成本
冷藏设备工作时需消耗制冷剂,对每辆车来说,由于车体内部的表面积、车厢材质传热系数和外界的温度等影响因素不同,制冷成本也各不相同。使用制冷剂则消耗的制冷剂的量为。则制冷成本函数为:
根据以上各部分的成本可以得到配送过程中总的成本:
3 常温配送与多温共配的总成本比较
根据某配送公司的一个配送点的实际成本来检测以上配送路线是否最经济,表1 为系数表。
由Matlab运行出来的结果看,常温配送车辆行驶路线1 号车0—7—6—1—0; 2 号车0—3—5—0; 3 号车0—4—8—2—0。多温共配最优配送路线: 0—3—5—7; 0—1—4—6; 0—8—2。
计算过程中所需要的车辆配送时刻表如表2、表3 所示。
由上文给出的总成本函数可以得到常温模式和多温共配的配送总成本比较,如下表4:
该实例最终证明,在软时间窗的前提下,实行多温配送的方式,不仅能提高配送效率,降低货损成本,而且还能给冷链物流的研究提供一定的理论指导。
5 结论
在冷链配送过程中,大部分货物都是易腐烂的,多温配送考虑到了货物配送过程中的温度要求,同时也把路径优化和时间窗加入限制条件中。从上表可以看出,多温共配的总成本比常温模式配送要小,总优化率为9. 55% ,这在大规模配送运输中节约的成本总数是相当可观的; 再从各部分成本比较,惩罚成本和制冷成本有所上升,这方面随着技术的革新,成本也会随之下降。采用多温共配方式,其运输成本和多温层货物的常温配送方式相比,能更好地对配送路径进行优化和对时效性的把控。
摘要：传统的冷链物流配送过程中既容易造成货损和环境污染,又不利于货物配送半径的扩展和客户对货物的质量要求。本文在考虑货物配送过程中对温度的要求之外还加入传统的路径优化和时间窗的限制,在配送总成本最优的情况下进行冷链物流配送。
关键词：多温共配,成本模型,软时间窗,路径优化
参考文献
[1]唐珍.冷链物流多温共配的优化研究[D].烟台:烟台大学,2013.
[2]牛燕青.基于随机情况下的多温共配冷链物流配送方案研究[D].烟台:烟台大学,2014.