导航:X技术最新专利计算;推算;计数设备的制造及其应用技术
本专利针对超大规模物流配送中传统算法计算压力大、效率低的问题,提出融合自下而上聚类与直接指派算法的选址方法,并结合蚁群算法优化路径规划,通过聚类降低计算复杂度,动态平衡配送中心数量与成本,显著提升大规模物流系统的优化效率。
【专利摘要】本发明提供一种面向超大规模物流配送的选址与运输优化方法,包括聚类、选址规划和路径规划,具体为采用自下而上的聚类方法和基于指派的聚类算法相结合的方法进行计算;给定配送中心数目为p,以最小化总成本为目标计算出最佳的选址方案;比较不同配送中心数目的选址方案,综合管理成本来选择理想选址方案;根据每个聚类内部的配送点数量的需求、地理信息,计算每个配送点的配送交接的时间需求和点与点间的交通时间需求;应用蚁群算法,计算得出最佳配送路径。该种面向超大规模物流配送的选址与运输优化方法,能够有效解决由于配送点大规模增长后带来的大计算量问题,与现有选址-路径规划相比,计算开销大幅降低、效率明显提高。
[0002]配送中心选址与运输路径优化(LRP, location and routing problem),是指在给定顾客位置和仓库可能位置的情况下,确定仓库的数量、位置和车辆的运输路线,使总成本最小,同经典的设施选址问题和车辆路径问题密切相关。事实上,这两个问题可以视为配送中心选址与运输路径优化问题的特殊情况。从实践的角度来看,配送中心选址与运输路径优化是物流配送和分销管理面临的实际问题;然而从数学的角度来看,这通常可以被描述为一个组合优化问题。这是一个NP难问题,因为它包含了两个NP困难问题:设施选址(LAP, location assignment problem)和车辆路径(VRP, vehicle routing problem)。
[0003]LRP的概念最初由20世纪70年代提出。但到了 20世纪80年代后期,由于实际应用的迫切需要,LRP的研究才得到了广泛重视。在算法研究上,基于LRP是LAP和VRP两个NP问题的集合,求解上有很大的难度。目前主要应用的方法有,启发式算法、禁忌搜索算法,遗传算法。其中,启发式算法简单实用、运用比较广泛;遗传算法因为其全局搜索能力强,有效避免组合优化问题,并且在VRP问题求解上非常有效,因此可以结合启发式算法和遗传算法来求解。
[0004]21世纪以来,电子商务和物流配送相互促进、快速发展。物流配送的需求急剧增长,配送问题的规模呈爆炸性增长。在传统中,上百个配送点的LRP问题已经属于大规模问题。但在21世纪的今天,拥有上万个配送点,甚至数十万配送点的配送系统习空见惯。原有的传统算法已经无法有效应对由于配送规模增长带来的巨大计算压力。因此,设计面向超大规模物流配送的选址与运输综合优化的高效计算方法,是经济快速发展所带来的实际需求,可以有效促进我国物流的高效、集约化发展。
[0005]上述问题是在超大规模物流配送的选址与运输综合优化过程中应当予以考虑并解决的问题。
[0006]本发明的目的是提供一种面向超大规模物流配送的选址与运输优化方法解决现有技术中存在的拥有上万个配送点,甚至数十万配送点的配送系统时,原有的传统算法已经无法有效应对由于配送规模增长带来的巨大计算压力的问题。
步骤一:聚类,利用自下而上的聚类方法获得初始聚类结果,将所得初始聚类结果中的前X个类作的核为直接指派的聚类方法的初始核,再应用直接指派的聚类方法进行计算;步骤二:选址规划,给定配送中心数目为P,以最小化总成本为目标计算出最佳的选址方案;步骤三:比较步骤二得出的不同配送中心数目的选址方案,综合管理成本来选择理想选址方案;
步骤四:路径规划,根据每个聚类内部的配送点数量的需求、地理信息,计算每个配送点的配送交接的时间需求和点与点间的交通时间需求;
步骤五:根据步骤四所得计算的时间需求,应用蚁群算法,计算得出最佳配送路径。
[0008]优选地,所述步骤一中利用自下而上的聚类方法获得初始聚类结果的具体步骤为:
在类的容量没有达到预设上限时,相邻的类相互聚合,直至没有类可以再聚合时终止。
[0009]优选地,所述步骤一中应用直接指派的聚类方法计算的具体步骤为:
在初始状态时,确定类的个数X,X为所需求的配送车辆的数目,并选择所得初始聚类结果中的前X个类的几何中心为直接指派的方法的初始核;
在类的容量没有达到上限时,将每个零售点向最接近的类聚合后,更新类的核,直至所有配送点都已聚合到相应的类时终止。
给定配送中心数目为P,求解每个配送中心最佳位置和服务对象的数学模型如下:
1.一种面向超大规模物流配送的选址与运输优化方法,其特征在于,包括以下步骤:步骤一:聚类,利用自下而上的聚类方法获得初始聚类结果,将所得初始聚类结果中的前X个类作的核为直接指派的聚类方法的初始核,再应用直接指派的聚类方法进行计算;步骤二:选址规划,给定配送中心数目为P,以最小化总成本为目标计算出最佳的选址方案;步骤三:比较步骤二得出的不同配送中心数目的选址方案,综合管理成本来选择理想选址方案;步骤四:路径规划,根据每个聚类内部的配送点数量的需求、地理信息,计算每个配送点的配送交接的时间需求和点与点间的交通时间需求;步骤五:根据步骤四所得计算的时间需求,应用蚁群算法,计算得出最佳配送路径。
2.如权利要求1所述的面向超大规模物流配送的选址与运输优化方法,其特征在于,所述步骤一中利用自下而上的聚类方法获得初始聚类结果的具体步骤为:在初始状态时,每个配送点为一个类;在类的容量没有达到预设上限时,相邻的类相互聚合,直至没有类可以再聚合时终止。
3.如权利要求1所述的面向超大规模物流配送的选址与运输优化方法,其特征在于,所述步骤一中应用直接指派的聚类方法计算的具体步骤为:在初始状态时,确定类的个数X,X为所需求的配送车辆的数目,并选择所得初始聚类结果中的前X个类的几何中 心为直接指派的方法的初始核;在类的容量没有达到上限时,将每个零售点向最接近的类聚合后,更新类的核,直至所有配送点都已聚合到相应的类时终止。
4.如权利要求1所述的面向超大规模物流配送的选址与运输优化方法,其特征在于,所述步骤二的具体步骤为:给定配送中心数目为P,求解每个配送中心最佳位置和服务对象的数学模型如下:
其中,是由配送中心到配送点聚类的距离之和; 有且只有P个配送中心可供选择;
针对传统物流配送区域划分方法在大规模场景下计算效率低、易陷入局部最优的问题,提出融合改进人工蜂鸟算法的混合优化策略。通过莱维飞行实现全局搜索,结合预设搜索策略进行局部优化,利用混沌正弦映射和动...
针对多物流车协同调度中路径交叉、服务成本不均的问题,提出基于导向性客户选择的蚁群优化方法。通过预选最后服务客户、融合当前客户与终点信息构建路径方向性,结合2-opt和点插入局部搜索策略,有效平...
4703161、一种基于GIS和蚁群算法的配送点位排线优化方法与系统与流程
针对电商配送中路线规划效率低、成本高的问题,提出基于GIS与蚁群算法的优化方案。通过划分配送区域、分析订单分布相似性,筛选需优化的目标区域,并结合蚁群算法生成高效配送路径,降低寻优复杂度,提升...
4703162、基于改进后蚁群算法的传统经销商最优配送路线优化系统的制作方法
针对传统经销商配送路线优化效率低、准确性不足的问题,提出基于改进蚁群算法的解决方案。通过引入逆转变异规则,当蚁群个体路径满足d1+d2<d3+d4条件时,按预设变异次数进行路径调整,有效提升算...
4703164、基于细菌觅食算法和蚁群算法的选址—配送方法和系统与流程
针对物流配送中传统蚁群算法效率低、易陷入局部最优的问题,提出改进的蚁群算法,通过优化信息素初始分布和更新策略,提升算法收敛速度与全局寻优能力,实现物流路径的高效规划,降低配送成本。 ...
针对物流配送中客户满意度与路径优化难以兼顾的问题,提出基于多目标进化算法的解决方案。通过构建客户满意度与配送路径双优化目标,结合自适应差分算法和动态资源分配机制,实现种群多样性增强与计算资源高...
1.计算机网络安全 2.计算机仿线.网络安全;物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用