论文部分内容阅读
摘要：多车场物流系统运输调度方法可以解决物流运输过程中小批量货物的集配，对同向运输任务进行整合，可以有效提升货物的装载率，降低车辆的空驶率。文章对当前物流协同模型进行了介绍，以聚类遗传算法为基础对协同运输调度设计方法进行了探讨。
关键词：多车场物流；协同运输调度方法；物流运输；小批量货物集配；货物装载率；车辆空驶率 文献标识码：A
中图分类号：TP391 文章编号：1009-2374（2016）01-0111-02 DOI：10.13535/j.cnki.11-4406/n.2016.01.056
从利润的角度来看，对多车场物流车辆协调运输的问题进行研究和分析，可以在不影响个体物流企业盈利的情况下进一步提升企业利润，站在物流企业的个体盈利的角度来说，对运输方案进行优化，建立满足运输任务的运输方案可以从物流企业盈利角度构建数学模型，然后使用遗传算法重构运输任务，彻底将物流业务级配问题解决。
1 问题描述和数学模型
物流协同运输指的是对物流企业的运输资源和物流信息进行共享，然后由物流企业一起来承担运输任务，由于不同物流公司的装运点和出发点并不一致，在一些地方的运输点会出现交汇，货物需要送至的地点也有可能会有几个，所以对于需要多点卸载和长途运输的物流车辆，要对装卸节点和运输线路合理的安排，提升物流资源的使用效率，节省物流的运输成本。例如在运送汽车配件时，需要利用多家物流企业从多个配件中心将货物运输到多个地点。本文在下述基础上开展研究工作：（1）运输任务是由配件中心来进行确定的，并且将任务下达给物流企业后任务不发生变化，在运输任务中要对运输量、运输的起始点和目的地进行确定；（2）允许运输车辆可以对多地客户货物进行运输，并且在运输时，可以在一段时间内不满载的情况下进行运输，不考虑货物重量对油耗造成的影响；（3）下达的货物配送任务物流企业可以完成；（4）货物可以在每一个地点进行卸货，并且不考虑货物装卸过程中耗费的时间；（5）运输车辆不受运输距离的限制，并且每一辆车只承担一项运输任务，当车辆的运输能力低于某车辆的运输任务后，要分解该车辆的运输任务；（6）如果各个配送中心之间的距离比较远，可以暂时不对各个配送中心之间的调拨任务进行考虑；（7）所有车辆分配的初始任务均为空载回程，并且一辆车辆对应一个初始运输任务；（8）由一个物流公司负责所有配送中心任务车辆的调配。以上述内容为基础，对下述变量进行定义：
假设配件中心有n个，各个配件中心的送货点有m个，第i个配件中心货物地点配送运输任务集合为，，第i个配件中心点到地点j点的配送任务为，。按照上述设定要求，配送中心的运输任务由i个物流公司负责。需要支付此配件中心任务的价格为，根据地图API可以按照途径地点对运输位置进行分解，然后将其作为子运输任务的集合，的分解任务数为，如此一来，就可以把一个起止点路径转变成多个起止点的运输任务集合，运输子任务分别为，，主要由运输终止点、运输起点为、运输重量为组成，运输子任务的发掘和合并集货地点由运输终点和运输起点负责，运输车辆能不能参与到运输协同中主要由运输重量限制，所以可以将运输任务做如下分解：
根据运输的基本原则和顺序，和是同一个地点，运输子任务使用下述公式表示运输成本：
在公式中成本系数为，>0，主要由油耗费用、路桥费用构成。起点和终点的里程数为。加入安排车辆k来完成运输的子任务，那么定义，否则为0，从i配件中心出发车辆在完成运输最后的运输任务后，定义从配件中心返回的任务为，定义返回成本为：
，在公式中指的是地图API起点和止点的生成距离。在进行上述分析后，求得物流企业最大效益的目标函数：
（1）
约束条件为：
（2）
， （3）
， （4）
（5）
（6）
（7）
从上述模型不难看出，式（1）代表物流企业在进行协同运输后所取得的最大利润和；式（2）表示当运输车辆承担的任务超出总损耗时，车辆k才可以对此任务进行承担；式（3）是限制每一辆车的总运输量在额定载重以内；式（4）指的是限制各辆车货物的装载体积小于额定装车体积；式（5）是对完成车辆运输任务后从出发点返回后进行限定；式（7）指的是限制各个运输任务需要有车辆来完成，从而求出原任务分解后的子任务。
2 以聚类遗传算法为基础进行设计
一般情况下，聚类算法一般分为层次法、划分法、基于网络法和基于密度法，在对车辆进行调度排序时，一般使用启发式来找出最优解，遗传算法一般采用群体搜索技术来选择初始种群、变异、交叉等操作，进而产生新的群体，并逐渐靠近最优解。首先利用模糊聚类的方式将有利于货物进行运输的解群求出，然后再在遗传算法中对其进行利用，利用变异和交叉将最优解求出。
2.1 初始种群的生成
一般情况下，运输车辆的途径地点的卸货点是一定的，而能否作为集货点是不确定的，信息为模糊信息，所以运输车辆途经地点的卸货点是否为集货点是由模糊聚类的方法进行确定。
2.1.1 聚类。首先把初始运输线路上有可能经过的地点作为节点，节点之间的权重为各个地点之间的距离，进而构建出无向带权图，见图1。配送中心分别由1号节点、2号节点和3号节点表示，货物运输车辆需要经过的地点由4～10号节点表示，两个地点之间的距离代表连线上的权重。
图1 无向带权图
结合运输车辆在多车场物流协同运输的基本情况，车辆需要经过的地点的集合为，一般会选择交通比较便利的地方来作为协同运输点，中心点集选用邻接点最多的节点，从中心点开始，根据地图上的距离API将剩余节点最短路径长度计算出来。参考聚类定义，同类数据样本的相似度比较高，因此，使用Kim Dw定义节点之间的相似度： ， （8）
本文以一类中心为集货点的中心，所以对目标函数做如下定义：
（9）
按照以下流程进行聚类计算：（1）结合节点中各个最大临近节点构成的中心点集，然后用式（8）对中心点和节点之间的相似度进行计算；（2）将中心点构成的集货点类中代入相似度，其中指的是相似度阀值；（3）将未归类节点中具有最大邻接点构成的中心点集找出来，然后对步骤（1）和步骤（2）进行重复，直至每一个点均归入到类中；（4）以式（9）对目标函数进行计算，节点集合为各类中心点，对步骤（1）和步骤（3）进行重复，当计算出的目标函数超过原有函数时，要使用新的分类，直至类对象不再出现变化后停止，最后将未归入类的节点看成孤立点。
2.1.2 利用聚类结果进行遗传算法染色体初始种群生成。一般使用一串字符串来对遗传算法染色体编码进行表示，为了对问题进行解决，本文构建了包括运输任务和运输任务起点和终点的染色体编码。本文中染色体基因段的起点和终点为配送中心，当运输任务的地点仅有一个时，将该地点作为起点，增加结束基因。此基因分别由起始配件中心、运输任务地点构成。在染色体中，配件中心起点基因是染色体段的开始，并将配送任务作为染色体段的结束，在构成染色体基因段后，就会组成运输车辆的运输任务。考虑到运输任务所要经过的地点的顺序是分先后的，因此在遗传算法的影响下，染色体遗传算法产生变化后，染色体经过的地点和车辆的实际顺序并不一致，所以需要对染色体进行增加，并修正校验规则。
2.2 遗传算法求解
假设迭代次数为t，最大迭代次数为max（t），按照以下流程进行计算：（1）初始染色体使用最近邻启发的方法进行构件，c=0，t=1计算适应度；（2）对适应度最大的两个染色体进行保留和适应，并根据交叉变异的概率进行交叉和变异，新的染色体形成后，根据染色体校验规则对新的种群进行修正；（3）以新的染色体对线路进行描述，分解任务后对染色体的适应度进行重新计算；（4）选择适应度最高的染色体作为初始染色体转移到步骤三；（5）当时，就认为物流协同运输获取的利润比之前高，即可终止程序，如果达不到上述要求，则认为此线路没有达到协同条件要求。
3 结语
综上所述，本文首先对原分配任务和配送任务空载回程等约束条件进行了确定，然后对车辆协同运输模型进行了设计，利用集货点对配送任务进行调整，进而使运输利润得以提升，降低物流公司配送过程产生的损耗，提升了物流企业的管理水平和信息水平，为多车场物流协同运输调度积累了参考经验。
参考文献
[1] 孙国华.带时间窗的开放式满载车辆路径问题建模及其求解算法[J].系统工程理论与实践，2012，32（8）.
[2] 卢冰原，何力，贾兆红.模糊环境下的多目标非满载车辆调度问题[J].公路交通科技，2011，28（8）.
作者简介：饶永照（1976-），男，云南曲靖人，葛洲坝集团机电建设有限公司工程师，研究方向：物流运输管理。
（责任编辑：黄银芳）
关键词：多车场物流；协同运输调度方法；物流运输；小批量货物集配；货物装载率；车辆空驶率 文献标识码：A
中图分类号：TP391 文章编号：1009-2374（2016）01-0111-02 DOI：10.13535/j.cnki.11-4406/n.2016.01.056
从利润的角度来看，对多车场物流车辆协调运输的问题进行研究和分析，可以在不影响个体物流企业盈利的情况下进一步提升企业利润，站在物流企业的个体盈利的角度来说，对运输方案进行优化，建立满足运输任务的运输方案可以从物流企业盈利角度构建数学模型，然后使用遗传算法重构运输任务，彻底将物流业务级配问题解决。
1 问题描述和数学模型
物流协同运输指的是对物流企业的运输资源和物流信息进行共享，然后由物流企业一起来承担运输任务，由于不同物流公司的装运点和出发点并不一致，在一些地方的运输点会出现交汇，货物需要送至的地点也有可能会有几个，所以对于需要多点卸载和长途运输的物流车辆，要对装卸节点和运输线路合理的安排，提升物流资源的使用效率，节省物流的运输成本。例如在运送汽车配件时，需要利用多家物流企业从多个配件中心将货物运输到多个地点。本文在下述基础上开展研究工作：（1）运输任务是由配件中心来进行确定的，并且将任务下达给物流企业后任务不发生变化，在运输任务中要对运输量、运输的起始点和目的地进行确定；（2）允许运输车辆可以对多地客户货物进行运输，并且在运输时，可以在一段时间内不满载的情况下进行运输，不考虑货物重量对油耗造成的影响；（3）下达的货物配送任务物流企业可以完成；（4）货物可以在每一个地点进行卸货，并且不考虑货物装卸过程中耗费的时间；（5）运输车辆不受运输距离的限制，并且每一辆车只承担一项运输任务，当车辆的运输能力低于某车辆的运输任务后，要分解该车辆的运输任务；（6）如果各个配送中心之间的距离比较远，可以暂时不对各个配送中心之间的调拨任务进行考虑；（7）所有车辆分配的初始任务均为空载回程，并且一辆车辆对应一个初始运输任务；（8）由一个物流公司负责所有配送中心任务车辆的调配。以上述内容为基础，对下述变量进行定义：
假设配件中心有n个，各个配件中心的送货点有m个，第i个配件中心货物地点配送运输任务集合为，，第i个配件中心点到地点j点的配送任务为，。按照上述设定要求，配送中心的运输任务由i个物流公司负责。需要支付此配件中心任务的价格为，根据地图API可以按照途径地点对运输位置进行分解，然后将其作为子运输任务的集合，的分解任务数为，如此一来，就可以把一个起止点路径转变成多个起止点的运输任务集合，运输子任务分别为，，主要由运输终止点、运输起点为、运输重量为组成，运输子任务的发掘和合并集货地点由运输终点和运输起点负责，运输车辆能不能参与到运输协同中主要由运输重量限制，所以可以将运输任务做如下分解：
根据运输的基本原则和顺序，和是同一个地点，运输子任务使用下述公式表示运输成本：
在公式中成本系数为，>0，主要由油耗费用、路桥费用构成。起点和终点的里程数为。加入安排车辆k来完成运输的子任务，那么定义，否则为0，从i配件中心出发车辆在完成运输最后的运输任务后，定义从配件中心返回的任务为，定义返回成本为：
，在公式中指的是地图API起点和止点的生成距离。在进行上述分析后，求得物流企业最大效益的目标函数：
（1）
约束条件为：
（2）
， （3）
， （4）
（5）
（6）
（7）
从上述模型不难看出，式（1）代表物流企业在进行协同运输后所取得的最大利润和；式（2）表示当运输车辆承担的任务超出总损耗时，车辆k才可以对此任务进行承担；式（3）是限制每一辆车的总运输量在额定载重以内；式（4）指的是限制各辆车货物的装载体积小于额定装车体积；式（5）是对完成车辆运输任务后从出发点返回后进行限定；式（7）指的是限制各个运输任务需要有车辆来完成，从而求出原任务分解后的子任务。
2 以聚类遗传算法为基础进行设计
一般情况下，聚类算法一般分为层次法、划分法、基于网络法和基于密度法，在对车辆进行调度排序时，一般使用启发式来找出最优解，遗传算法一般采用群体搜索技术来选择初始种群、变异、交叉等操作，进而产生新的群体，并逐渐靠近最优解。首先利用模糊聚类的方式将有利于货物进行运输的解群求出，然后再在遗传算法中对其进行利用，利用变异和交叉将最优解求出。
2.1 初始种群的生成
一般情况下，运输车辆的途径地点的卸货点是一定的，而能否作为集货点是不确定的，信息为模糊信息，所以运输车辆途经地点的卸货点是否为集货点是由模糊聚类的方法进行确定。
2.1.1 聚类。首先把初始运输线路上有可能经过的地点作为节点，节点之间的权重为各个地点之间的距离，进而构建出无向带权图，见图1。配送中心分别由1号节点、2号节点和3号节点表示，货物运输车辆需要经过的地点由4～10号节点表示，两个地点之间的距离代表连线上的权重。
图1 无向带权图
结合运输车辆在多车场物流协同运输的基本情况，车辆需要经过的地点的集合为，一般会选择交通比较便利的地方来作为协同运输点，中心点集选用邻接点最多的节点，从中心点开始，根据地图上的距离API将剩余节点最短路径长度计算出来。参考聚类定义，同类数据样本的相似度比较高，因此，使用Kim Dw定义节点之间的相似度： ， （8）
本文以一类中心为集货点的中心，所以对目标函数做如下定义：
（9）
按照以下流程进行聚类计算：（1）结合节点中各个最大临近节点构成的中心点集，然后用式（8）对中心点和节点之间的相似度进行计算；（2）将中心点构成的集货点类中代入相似度，其中指的是相似度阀值；（3）将未归类节点中具有最大邻接点构成的中心点集找出来，然后对步骤（1）和步骤（2）进行重复，直至每一个点均归入到类中；（4）以式（9）对目标函数进行计算，节点集合为各类中心点，对步骤（1）和步骤（3）进行重复，当计算出的目标函数超过原有函数时，要使用新的分类，直至类对象不再出现变化后停止，最后将未归入类的节点看成孤立点。
2.1.2 利用聚类结果进行遗传算法染色体初始种群生成。一般使用一串字符串来对遗传算法染色体编码进行表示，为了对问题进行解决，本文构建了包括运输任务和运输任务起点和终点的染色体编码。本文中染色体基因段的起点和终点为配送中心，当运输任务的地点仅有一个时，将该地点作为起点，增加结束基因。此基因分别由起始配件中心、运输任务地点构成。在染色体中，配件中心起点基因是染色体段的开始，并将配送任务作为染色体段的结束，在构成染色体基因段后，就会组成运输车辆的运输任务。考虑到运输任务所要经过的地点的顺序是分先后的，因此在遗传算法的影响下，染色体遗传算法产生变化后，染色体经过的地点和车辆的实际顺序并不一致，所以需要对染色体进行增加，并修正校验规则。
2.2 遗传算法求解
假设迭代次数为t，最大迭代次数为max（t），按照以下流程进行计算：（1）初始染色体使用最近邻启发的方法进行构件，c=0，t=1计算适应度；（2）对适应度最大的两个染色体进行保留和适应，并根据交叉变异的概率进行交叉和变异，新的染色体形成后，根据染色体校验规则对新的种群进行修正；（3）以新的染色体对线路进行描述，分解任务后对染色体的适应度进行重新计算；（4）选择适应度最高的染色体作为初始染色体转移到步骤三；（5）当时，就认为物流协同运输获取的利润比之前高，即可终止程序，如果达不到上述要求，则认为此线路没有达到协同条件要求。
3 结语
综上所述，本文首先对原分配任务和配送任务空载回程等约束条件进行了确定，然后对车辆协同运输模型进行了设计，利用集货点对配送任务进行调整，进而使运输利润得以提升，降低物流公司配送过程产生的损耗，提升了物流企业的管理水平和信息水平，为多车场物流协同运输调度积累了参考经验。
参考文献
[1] 孙国华.带时间窗的开放式满载车辆路径问题建模及其求解算法[J].系统工程理论与实践，2012，32（8）.
[2] 卢冰原，何力，贾兆红.模糊环境下的多目标非满载车辆调度问题[J].公路交通科技，2011，28（8）.
作者简介：饶永照（1976-），男，云南曲靖人，葛洲坝集团机电建设有限公司工程师，研究方向：物流运输管理。
（责任编辑：黄银芳）