论文部分内容阅读
配送中心在提供配送服务时,必须考虑如何充分利用已有的运输资源来满足客户的需求,坚持用最少的成本为客户提供最好的服务为原则,并且随着配送货物的种类越来越丰富,还应该考虑配送货物存在的易碎、易损等特性,即货物在装箱方面也应该有一定的约束,如货物不能叠放、货物在车厢内的装卸路线要最短等。生活中,零售商或者顾客所需要的货物均为已经包装好的、成件的货物,需求量是可以用整数来统计的。本文首先建立了需求量为整数条件下的需求可拆分车辆路径问题(K-SDVRP)模型,在模型中将客户所需货物的件数视为需求量,即客户的需求量为整数,且每条路径中货物的总重量不能超过车辆的最大载重量。针对K-SDVRP模型设计了改进的遗传算法来求解需求量为整数时的需求可拆分车辆路径问题,精心设计编码规则,从而确定遗传算子,包括:选择算子、交叉算子与变异算子的具体操作,这些操作的选择决定了算法能否以较好的速度求出最优解并且是否具有良好的稳定性。通过数值案例表明改进的遗传算法具有较好的优化效果。在K-SDVRP模型以及改进遗传算法的基础上,再针对货物易碎、易损的特性,考虑二维装箱约束,建立了二维装箱约束下对需求可拆分车辆路径问题(2L-SDVRP)模型,设计了BLF-GA算法,成功求解数值案例,验证了算法的有效性。通过K-SDVRP及2L-SDVRP的数值案例运行结果,本文得出以下结论:(1)当不考虑装箱约束时所得的最优路线存在不满足装箱约束的情况,并且考虑装箱约束时所得的最优值大于不考虑装箱时的最优值。(2)当车辆出现无法装载的情况时,有两种解决办法:一是在车辆类型一致(车辆载重和车厢尺寸完全相同)时增加配送车辆,另外一种解决办法就是在配送中心允许的情况下,配置多种类型的车辆。这两种办法虽然能解决不考虑装箱约束时所得最优路线存在不满足装箱约束的情况,但会出现倒箱,增加配送中心装卸成本及在倒箱过程中增大了货物损坏的风险。(3)在二维装箱约束下的需求可拆分车辆路径问题中,当货物尺寸趋于无穷小时,等价于不考虑装箱约束的需求可拆分车辆路径问题。需求可拆分车辆路径问题求得的目标值低于车辆路径问题,但是其得到的最优路线未考虑被装货物尺寸与车厢尺寸之间的关系,往往会出现分配给一辆车的配送任务由于无法装箱而重新分配,出现重复装卸货物的现象,不仅会增加装卸成本,也降低了配送中心的服务水平。考虑二维装箱约束后,每条路线得以合理安排,车辆能够完全装下该条路线的所有货物,并且成功避免了重复装载的现象,大幅度地降低了配送中心的成本,对物流配送领域具有一定的借鉴意义。