亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        考慮動(dòng)態(tài)度和時(shí)間窗的兩級(jí)車(chē)輛路徑問(wèn)題

        2022-07-07 08:48:02林明錦王建新
        關(guān)鍵詞:中轉(zhuǎn)站模擬退火動(dòng)態(tài)

        林明錦,王建新,王 超

        (1.重慶大學(xué) 機(jī)械與運(yùn)載工程學(xué)院,重慶 400044;2.太原理工大學(xué) 經(jīng)濟(jì)管理學(xué)院,山西 太原 030002;3.北京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院,北京 100124)

        0 引言

        隨著經(jīng)濟(jì)的全球化、移動(dòng)互聯(lián)網(wǎng)技術(shù)的日趨成熟以及物流基礎(chǔ)設(shè)施的完善,以集群式供應(yīng)鏈為支撐的集成制造模式得以快速發(fā)展。在企業(yè)層面,由于受不同制造中心(以下簡(jiǎn)稱(chēng)客戶(hù))主生產(chǎn)計(jì)劃的制約、市場(chǎng)需求波動(dòng)導(dǎo)致產(chǎn)量變更等不確定因素的影響,各級(jí)供應(yīng)商不僅需要按照主生產(chǎn)計(jì)劃將客戶(hù)所需的零部件按時(shí)配送給客戶(hù),還要盡可能地動(dòng)態(tài)調(diào)整配送計(jì)劃以滿(mǎn)足客戶(hù)的動(dòng)態(tài)不確定需求,以提升市場(chǎng)響應(yīng)能力,這使得各大供應(yīng)商求解面向客戶(hù)動(dòng)態(tài)需求的帶時(shí)間窗的車(chē)輛路徑問(wèn)題(Vehicle Routing Problem with Time Windows, VRPTW)變得愈加復(fù)雜[1]。傳統(tǒng)制造業(yè)的供應(yīng)商更多關(guān)注如何在滿(mǎn)足時(shí)間要求并遍歷有限客戶(hù)的約束下尋找起止于配送中心的最短車(chē)輛路徑,現(xiàn)代供應(yīng)商為快速響應(yīng)客戶(hù)動(dòng)態(tài)需求,開(kāi)始傾向于在能夠輻射客戶(hù)的區(qū)域建立快速響應(yīng)客戶(hù)的中轉(zhuǎn)站。在政策方面,隨著北京、上海、廣州、重慶等地中重型貨車(chē)24/12小時(shí)限行相關(guān)政策試點(diǎn)的實(shí)施,跨省市長(zhǎng)途運(yùn)輸?shù)拇笮拓涇?chē)直接為客戶(hù)提供送貨服務(wù)受到了嚴(yán)格限制,迫使供應(yīng)商選擇以中轉(zhuǎn)站為分界點(diǎn),采用不同額定運(yùn)力的車(chē)輛滿(mǎn)足干線(xiàn)與支線(xiàn)零部件供應(yīng)的需求,進(jìn)一步催生了對(duì)考慮動(dòng)態(tài)度和時(shí)間窗的兩級(jí)車(chē)輛路徑問(wèn)題(Two-Echelon Vehicle Routing Problem with Time Window considering Dynamic Degree, 2E-VRPTWDD)的研究。

        2E-VRPTWDD是兩級(jí)車(chē)輛路徑問(wèn)題(Two-Echelon Vehicle Routing Problem, 2E-VRP)的進(jìn)一步擴(kuò)展,其中一級(jí)路徑為車(chē)輛從配送中心出發(fā)遍歷所有中轉(zhuǎn)站時(shí)形成的路徑,二級(jí)路徑為車(chē)輛由中轉(zhuǎn)站出發(fā)遍歷所有客戶(hù)時(shí)形成的路徑。在服務(wù)集成制造系統(tǒng)的物流運(yùn)輸中,2E-VRPTWDD指在制造單元時(shí)間和動(dòng)態(tài)需求約束下,將零部件從配送中心到客戶(hù)的配送過(guò)程劃分為兩級(jí),一級(jí)配送網(wǎng)絡(luò)的節(jié)點(diǎn)要素包括配送中心和中轉(zhuǎn)站,二級(jí)配送網(wǎng)絡(luò)的節(jié)點(diǎn)要素包括中轉(zhuǎn)站和客戶(hù)。供應(yīng)商則通過(guò)兩級(jí)協(xié)調(diào)運(yùn)作,為客戶(hù)提供響應(yīng)市場(chǎng)波動(dòng)需求的零部件供應(yīng)服務(wù)。

        針對(duì)2E-VRP,葛顯龍等[2]以?xún)杉?jí)配送中車(chē)輛的總配送距離為目標(biāo)函數(shù),構(gòu)建了基于場(chǎng)景動(dòng)態(tài)度的兩級(jí)配送網(wǎng)絡(luò)優(yōu)化模型,并采用禁忌搜索算法求解約束優(yōu)化模型,然而該模型并未考慮客戶(hù)對(duì)個(gè)性化時(shí)間窗的現(xiàn)實(shí)需求;YAN等[3]研究了冷鏈物流配送中兩級(jí)配送的中心選址問(wèn)題,但在選址過(guò)程中未考客戶(hù)的動(dòng)態(tài)度;LIU等[4]研究了具有客戶(hù)需求更新的兩級(jí)物流供應(yīng)商批量訂購(gòu)策略,所提需求更新策略對(duì)動(dòng)態(tài)車(chē)輛路徑問(wèn)題的研究具有借鑒意義;MU等[5]構(gòu)建了帶有時(shí)間約束的階段性車(chē)輛路徑優(yōu)化模型。路徑優(yōu)化約束模型的求解方法分為以分支界定法[6]、動(dòng)態(tài)規(guī)劃法[7]為主的精確式求解方法,以及以模擬退火算法[8]、遺傳算法[9]等為代表的啟發(fā)式算法。為了在短時(shí)間內(nèi)獲得路徑優(yōu)化問(wèn)題的近似最優(yōu)解,較多文獻(xiàn)采用啟發(fā)式算法求解車(chē)輛路徑問(wèn)題約束優(yōu)化模型。例如,WEI等[8]采用模擬退火算法,具體求解過(guò)程為隨機(jī)生成初始解,判斷是否滿(mǎn)足約束條件,隨后隨機(jī)生成滿(mǎn)足約束條件的新解,并對(duì)比新解與舊解,根據(jù)模擬退火準(zhǔn)則判斷是否接受新解,直到達(dá)到設(shè)計(jì)好的終止條件,輸出算法的最好解;LI等[9]采用遺傳算法,與模擬退火算法的不同在于新解的生成規(guī)則以及解的接受規(guī)則,遺傳算法的新解主要通過(guò)交叉和變異產(chǎn)生,是否接受解則由適應(yīng)度函數(shù)決定。其他求解車(chē)輛路徑優(yōu)化約束模型的方法還包括離散布谷鳥(niǎo)算法[10]、蟻群算法[11]、粒子群優(yōu)化算法[12]、迭代變鄰域下降算法[13]等。針對(duì)多目標(biāo)優(yōu)化的建模問(wèn)題,KAROONSOONTAWONG等[14]構(gòu)建了用于求解VRPTW的層次多目標(biāo)模型(hierarchical multi-objective formulation),ZHANG等[15]構(gòu)建了兩級(jí)優(yōu)化模型,VINCENT等[16]構(gòu)建了字典序優(yōu)化模型。這3種多目標(biāo)優(yōu)化模型均在數(shù)學(xué)模型中設(shè)置了多個(gè)目標(biāo)函數(shù),不同在于求解規(guī)則,層次多目標(biāo)模型是通過(guò)算法求解多目標(biāo)問(wèn)題,即先對(duì)主目標(biāo)進(jìn)行優(yōu)化,再在主目標(biāo)非劣化的情況下對(duì)次目標(biāo)進(jìn)行優(yōu)化[14];兩級(jí)優(yōu)化模型是將最小化的目標(biāo)函數(shù)作為約束嵌入約束條件[15];字典序優(yōu)化模型則是通過(guò)在滿(mǎn)足第1個(gè)目標(biāo)的可行解范圍內(nèi)尋找滿(mǎn)足第2個(gè)目標(biāo)的最佳可行解,在滿(mǎn)足第2個(gè)目標(biāo)的可行解范圍內(nèi)尋找滿(mǎn)足第3個(gè)目標(biāo)的最佳可行解,依次類(lèi)推,最終找到滿(mǎn)足多目標(biāo)的可行解[16]。

        綜上可知,現(xiàn)有文獻(xiàn)針對(duì)2E-VRP,已從不同角度展開(kāi)了深入研究并取得一定成果,然而鮮有文獻(xiàn)從考慮客戶(hù)動(dòng)態(tài)需求與時(shí)間要求的角度對(duì)2E-VRP進(jìn)行研究。另外,客戶(hù)的動(dòng)態(tài)度越大,對(duì)路徑優(yōu)化的挑戰(zhàn)性越高,然而少有文獻(xiàn)以動(dòng)態(tài)度為指標(biāo)對(duì)2E-VRP進(jìn)行差異優(yōu)化,以盡可能滿(mǎn)足客戶(hù)需求動(dòng)態(tài)化與時(shí)間個(gè)性化的要求。因此,本文在借鑒現(xiàn)有2E-VRP研究成果基礎(chǔ)上,設(shè)計(jì)了基于動(dòng)態(tài)需求獲取準(zhǔn)則及滿(mǎn)足客戶(hù)動(dòng)態(tài)需求的差異策略,并將其融入所構(gòu)建的2E-VRPTWDD優(yōu)化模型,旨在為提升供應(yīng)商對(duì)客戶(hù)動(dòng)態(tài)需求的快速響應(yīng)力提供理論支撐。為提升求解2E-VRPTWDD的效率,對(duì)串行模擬退火算法的初始方案生成規(guī)則和鄰域搜索策略進(jìn)行了改進(jìn),并借鑒現(xiàn)有并行算法思想設(shè)計(jì)了改進(jìn)的并行模擬退火算法,最后以H公司為案例對(duì)所設(shè)計(jì)的方法進(jìn)行了驗(yàn)證。

        1 問(wèn)題描述及數(shù)學(xué)模型

        1.1 問(wèn)題描述

        所求解的2E-VRPTWDD(如圖1)中,在任意靜態(tài)時(shí)間段內(nèi)均包括2E-VRP網(wǎng)絡(luò)優(yōu)化。一級(jí)路徑中主要優(yōu)化由配送中心和中轉(zhuǎn)站組成的帶時(shí)間約束的有向連通子網(wǎng)絡(luò),二級(jí)路徑中主要優(yōu)化由中轉(zhuǎn)站和客戶(hù)組成的帶時(shí)間窗約束的有向連通子網(wǎng)絡(luò)。其中,動(dòng)態(tài)度指在車(chē)輛執(zhí)行配送任務(wù)過(guò)程中動(dòng)態(tài)客戶(hù)與所有客戶(hù)的比例。由于車(chē)輛在執(zhí)行任務(wù)過(guò)程中可能出現(xiàn)動(dòng)態(tài)客戶(hù),而動(dòng)態(tài)度會(huì)隨時(shí)間的增加而增加,車(chē)輛須做出是否響應(yīng)動(dòng)態(tài)客戶(hù)的決策,在較小動(dòng)態(tài)度時(shí)響應(yīng)動(dòng)態(tài)客戶(hù)雖然能夠快速滿(mǎn)足客戶(hù)需求,但是配送成本亦隨之增加;在較大動(dòng)態(tài)度時(shí)響應(yīng)動(dòng)態(tài)客戶(hù),雖然能夠降低配送成本,但是不能快速滿(mǎn)足客戶(hù)需求。

        2E-VRPTWDD可被描述為兩個(gè)相關(guān)的有向連通網(wǎng)絡(luò)圖中邊的選擇問(wèn)題。基本假設(shè)為:由于中重型車(chē)輛在城市中行駛受限,在不同級(jí)配送網(wǎng)絡(luò)中采用不同類(lèi)型車(chē)輛,在同一級(jí)配送網(wǎng)絡(luò)中采用相同類(lèi)型車(chē)輛;如果可供調(diào)度的車(chē)輛到達(dá)中轉(zhuǎn)站/客戶(hù)的時(shí)間早于中轉(zhuǎn)站/客戶(hù)的最早時(shí)間窗,則需在中轉(zhuǎn)站/客戶(hù)處等待,但車(chē)輛的到達(dá)時(shí)間不能晚于中轉(zhuǎn)站/客戶(hù)要求的最晚時(shí)間窗;一級(jí)配送網(wǎng)絡(luò)的送達(dá)時(shí)間窗應(yīng)滿(mǎn)足二級(jí)配送網(wǎng)絡(luò)中客戶(hù)的時(shí)間窗要求;二級(jí)配送網(wǎng)絡(luò)中存在動(dòng)態(tài)客戶(hù)與靜態(tài)客戶(hù)。其中,靜態(tài)客戶(hù)指在[Ti,Ti+1]周期內(nèi)需求量保持不變的客戶(hù),動(dòng)態(tài)客戶(hù)包括在配送過(guò)程中新增的客戶(hù)和原有客戶(hù)新增需求衍生的新客戶(hù)。因此,求解問(wèn)題為在考慮動(dòng)態(tài)度的情形下,使不同級(jí)車(chē)輛行駛和使用成本最小化。約束條件為:每個(gè)中轉(zhuǎn)站/客戶(hù)均能在一個(gè)配送周期內(nèi)被唯一車(chē)輛服務(wù)一次,每輛車(chē)只服務(wù)起訖于配送中心/中轉(zhuǎn)站的一條路徑,且滿(mǎn)足車(chē)輛裝載能力、中轉(zhuǎn)站/客戶(hù)時(shí)間窗約束。

        本文用到的數(shù)學(xué)符號(hào)及含義如下:

        G1,G2為一、二級(jí)有向連通網(wǎng)絡(luò)圖,G1=(V1,E1),G2=(V2,E2);

        V1,V2為一、二級(jí)網(wǎng)絡(luò)圖的節(jié)點(diǎn),V1=V1_d∪V1_c,V2=V2_d∪V2_c;

        V1_d,V2_d為一級(jí)網(wǎng)絡(luò)中的配送中心和二級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站;

        V1_c,V2_c為一、二級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn),其中一級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn)類(lèi)型為中轉(zhuǎn)站,二級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn)類(lèi)型為客戶(hù);

        N1,N2為一、二級(jí)網(wǎng)絡(luò)中所服務(wù)節(jié)點(diǎn)的數(shù)量;

        E1,E2為一、二級(jí)網(wǎng)絡(luò)圖的邊,E1={(i,j)|i,j∈V1,i≠j},E2={(i,j)|i,j∈V2,i≠j};

        c1,c2為一、二級(jí)車(chē)輛的單位行駛距離成本;

        K1,K2為一、二級(jí)車(chē)輛的集合,K1={1,2,3,…,K1},K2={1,2,3,…,K2};

        k為車(chē)輛編碼,k∈K1∪K2;

        Q1_k(k∈K1),Q2_k(k∈K2)為一、二級(jí)車(chē)輛k的額定裝載量;

        q1_i(i∈V1_c),q2_i(i∈V2_c)為一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶(hù)的需求量;

        [ET1_i,LT1_i],[ET2_i,LT2_i]為服務(wù)一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶(hù)的時(shí)間窗;

        ΔT為緩沖時(shí)間;

        TS1_i,TS2_i為服務(wù)一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶(hù)的時(shí)間;

        dij為節(jié)點(diǎn)i,j之間的歐式距離;

        tij為車(chē)輛通過(guò)節(jié)點(diǎn)i,j的行駛時(shí)間;

        S為車(chē)輛路徑中所服務(wù)的不同類(lèi)型的節(jié)點(diǎn)集合;

        |S|為節(jié)點(diǎn)集合中節(jié)點(diǎn)數(shù)量的絕對(duì)值;

        p2_i為客戶(hù)i的動(dòng)態(tài)需求增量概率;

        σ2_i-min為客戶(hù)i在評(píng)估區(qū)間內(nèi)歷史需求量方差的最小值;

        σ2_i-max為客戶(hù)i在評(píng)估區(qū)間內(nèi)歷史需求量方差的最大值;

        Δd2_i為滿(mǎn)足客戶(hù)i動(dòng)態(tài)增量需求的補(bǔ)充量;

        η為滿(mǎn)足動(dòng)態(tài)增量需求的調(diào)節(jié)參數(shù);

        paccept為啟用動(dòng)態(tài)需求配送概率閾值;

        Dyn為動(dòng)態(tài)度;

        Ti,Ti+1為周期時(shí)間刻度值;

        Arrays.Sort為升序排序函數(shù);

        A為時(shí)間窗跨度相對(duì)距離權(quán)重值;

        d1_oi,d2_oi為第一、二級(jí)節(jié)點(diǎn)i到配送中心之間的距離;

        y1_ik(i∈V1_c,k∈K1),y2_ik(i∈V2_c,k∈K2)為一、二級(jí)車(chē)輛開(kāi)始服務(wù)節(jié)點(diǎn)的時(shí)間;

        x1_ijk,x2_ijk為一、二級(jí)中的0-1決策變量,車(chē)輛從節(jié)點(diǎn)i直接行駛至節(jié)點(diǎn)j取值為1,否則為0;

        1.2 模型構(gòu)建

        (1)動(dòng)態(tài)需求獲取準(zhǔn)則

        由于原有客戶(hù)的動(dòng)態(tài)需求增量與歷史波動(dòng)需求量之間存在一定的馬爾科夫相關(guān)性,葛顯龍等[2]根據(jù)這一特性,在解決客戶(hù)動(dòng)態(tài)需求配送問(wèn)題時(shí)提出需求配額準(zhǔn)則。該準(zhǔn)則根據(jù)客戶(hù)的歷史需求水平推算當(dāng)前客戶(hù)的缺貨概率,并通過(guò)與既定的概率閾值比較確定是否為動(dòng)態(tài)需求增量補(bǔ)貨。然而,在確定補(bǔ)貨概率時(shí),該文獻(xiàn)以歷史需求量方差和評(píng)估區(qū)間內(nèi)最小歷史方差的差值,與歷史方差最大波動(dòng)差值的比作為衡量指標(biāo),并未指出歷史具體時(shí)刻的需求方差。為此,采用歷史均值對(duì)該準(zhǔn)則進(jìn)行改進(jìn)與完善,所設(shè)計(jì)的原有客戶(hù)動(dòng)態(tài)需求增量概率

        (1)

        p2_i越大表明該客戶(hù)在評(píng)估的歷史區(qū)間內(nèi)需求量波動(dòng)越大,潛在動(dòng)態(tài)需求增量概率亦越大。為避免根據(jù)概率函數(shù)無(wú)差別為所有客戶(hù)提供增量配送服務(wù)時(shí)對(duì)無(wú)增量需求客戶(hù)的干擾,引入客戶(hù)動(dòng)態(tài)增量需求滿(mǎn)足函數(shù)

        (2)

        基于客戶(hù)動(dòng)態(tài)增量需求滿(mǎn)足函數(shù),將對(duì)有動(dòng)態(tài)增量的客戶(hù)提供歷史最大需求量與實(shí)際配送量的差額配送量;對(duì)無(wú)動(dòng)態(tài)增量需求的,則通過(guò)概率閾值直接取消(Ti+Ti+1)/2時(shí)刻的動(dòng)態(tài)配送優(yōu)化,以保障初始2E-VRPTWDD優(yōu)化車(chē)輛配送網(wǎng)絡(luò)的穩(wěn)定性。

        (2)基于動(dòng)態(tài)度的配送策略

        2E-VRPTWDD中的動(dòng)態(tài)度指在某一時(shí)間區(qū)間內(nèi)動(dòng)態(tài)客戶(hù)數(shù)量與所有客戶(hù)數(shù)量的比值,是制定滿(mǎn)足動(dòng)態(tài)客戶(hù)需求策略的重要依據(jù)。動(dòng)態(tài)度

        (3)

        由于客戶(hù)的動(dòng)態(tài)需求對(duì)配送網(wǎng)絡(luò)的敏捷性響應(yīng)提出了較高要求,為提升配送網(wǎng)絡(luò)優(yōu)化的穩(wěn)定性,基于動(dòng)態(tài)度高低制定兩種滿(mǎn)足動(dòng)態(tài)需求的配送策略。當(dāng)動(dòng)態(tài)度水平較低時(shí),在[Ti,(Ti+Ti+1)/2]配送周期內(nèi),采用配送網(wǎng)絡(luò)局部修復(fù)策略,以盡可能降低對(duì)現(xiàn)有配送網(wǎng)絡(luò)的破壞;當(dāng)動(dòng)態(tài)度較高時(shí),則在(Ti+Ti+1)/2時(shí)刻啟動(dòng)全局更新策略,以滿(mǎn)足新增客戶(hù)和原有客戶(hù)新增的需求。其中,動(dòng)態(tài)度閾值決定是否啟動(dòng)新的車(chē)輛執(zhí)行配送任務(wù)。當(dāng)原有車(chē)輛裝載量能夠滿(mǎn)足新增動(dòng)態(tài)需求時(shí),定義動(dòng)態(tài)度為較低水平,采用局部修復(fù)策略;當(dāng)原有車(chē)輛的裝載量不能滿(mǎn)足新增動(dòng)態(tài)需求時(shí),定義動(dòng)態(tài)度為較高水平,采用全局更新策略。

        (3)一級(jí)配送網(wǎng)絡(luò)時(shí)間窗約束準(zhǔn)則

        一級(jí)配送網(wǎng)絡(luò)中所服務(wù)中轉(zhuǎn)站的時(shí)間與二級(jí)配送網(wǎng)絡(luò)中所服務(wù)客戶(hù)的時(shí)間之間存在相關(guān)性。因此,需基于中轉(zhuǎn)站所服務(wù)客戶(hù)群的最小最早開(kāi)始時(shí)間與最大最晚開(kāi)始時(shí)間確定中轉(zhuǎn)站的時(shí)間窗約束。各中轉(zhuǎn)站的時(shí)間窗約束

        (ET1_i,LT1_i)=

        (4)

        式中:(ET1_i,LT1_i)為一級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i的時(shí)間窗;ET2_iJ為二級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i所服務(wù)的客戶(hù)群的最早開(kāi)始時(shí)間窗,LT2_iJ為二級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i所服務(wù)客戶(hù)群的最晚開(kāi)始時(shí)間窗;ΔT為一級(jí)配送網(wǎng)絡(luò)時(shí)間窗與二級(jí)配送網(wǎng)絡(luò)時(shí)間窗約束存在實(shí)際意義的可連續(xù)的過(guò)渡性緩沖時(shí)間,用于保障配送車(chē)輛有足夠的時(shí)間在中轉(zhuǎn)站中轉(zhuǎn)零部件。

        (4)數(shù)學(xué)模型

        層次多目標(biāo)模型由一系列約束條件和多個(gè)目標(biāo)函數(shù)組成,其目標(biāo)是在滿(mǎn)足約束條件的情況下,盡可能使多個(gè)目標(biāo)均實(shí)現(xiàn)最小化或最大化[14]。本文參考文獻(xiàn)[17-18]構(gòu)建的時(shí)間依賴(lài)型車(chē)輛路徑問(wèn)題(Time Dependent Vehicle Routing Problem, TDVRP)模型,構(gòu)建以車(chē)輛使用數(shù)量成本最小化為主要目標(biāo)函數(shù),以車(chē)輛行駛距離成本最小化為次要目標(biāo)函數(shù)的層次多目標(biāo)模型。在求解過(guò)程中,優(yōu)先以主目標(biāo)進(jìn)行迭代更新求解,在主目標(biāo)函數(shù)值未得到優(yōu)化的情況下,再以次目標(biāo)進(jìn)行迭代更新求解,直至達(dá)到指定的終止條件后輸出最好解。本文構(gòu)建的層次多目標(biāo)模型如下:

        1)目標(biāo)函數(shù)

        (5)

        (6)

        2)約束條件

        (7)

        (8)

        ?i∈V1_c,?k∈K1;

        (9)

        ?i∈V2_c,?k∈K2;

        (10)

        ?i∈V1_c,?k∈K1;

        (11)

        ?i∈V2_c,?k∈K2;

        (12)

        x1_ijk(y1_ik+TS1_i+tij)≤y1_jk,

        ?i∈V1_c,?j∈V1_c,?k∈K1;

        (13)

        x2_ijk(y2_ik+TS2_i+tij)≤y2_jk,

        ?i∈V2_c,?j∈V2_c,?k∈K2;

        (14)

        ?S∈V1_c,?S≠?;

        (15)

        ?S∈V2_c,?S≠?;

        (16)

        (17)

        (18)

        (19)

        (20)

        ?h∈V1_c,?k∈K1;

        (21)

        ?h∈V2_c,?k∈K2;

        (22)

        (23)

        (24)

        (25)

        (26)

        3)決策變量取值范圍

        y1_ik∈R+,?i∈V1_c,?k∈K1;

        (27)

        y2_ik∈R+,?i∈V2_c,?k∈K2;

        (28)

        x1_ijk∈{0,1},

        ?i,j∈V1_c,i≠j,?k∈K1;

        (29)

        x2_ijk∈{0,1},

        ?i,j∈V2_c,i≠j,?k∈K2。

        (30)

        其中:式(5)和式(6)分別為主目標(biāo)函數(shù)和次目標(biāo)函數(shù),主目標(biāo)函數(shù)為車(chē)輛使用成本最小化,次目標(biāo)函數(shù)為車(chē)輛行駛距離成本最小化;式(7)和式(8)限制車(chē)輛在兩級(jí)路徑中的實(shí)際裝載量不能超過(guò)額定裝載量;式(9)~式(12)約束每級(jí)車(chē)輛為客戶(hù)提供服務(wù)的時(shí)間必須在客戶(hù)要求的時(shí)間窗內(nèi);式(13)和式(14)為車(chē)輛服務(wù)客戶(hù)的順序約束;式(15)和式(16)約束每級(jí)車(chē)輛行駛過(guò)程中不能形成子回路;式(17)~式(20)約束每級(jí)的每個(gè)客戶(hù)均得到唯一車(chē)輛的一次服務(wù);式(21)和式(22)約束每級(jí)車(chē)輛服務(wù)完任意客戶(hù)后必須從該客戶(hù)所在位置離開(kāi);式(23)~式(26)約束每級(jí)所有車(chē)輛從送配送中心出發(fā)后必須返回配送中心;式(27)~式(30)為決策變量的取值范圍。

        2 算法設(shè)計(jì)

        因?yàn)橐肟蛻?hù)動(dòng)態(tài)需求增加了求解2E-VRPTWDD的復(fù)雜度,所以在串行模擬退火算法的基礎(chǔ)上設(shè)計(jì)并行模擬退火算法以滿(mǎn)足動(dòng)態(tài)車(chē)輛路徑問(wèn)題。當(dāng)動(dòng)態(tài)度較低時(shí),直接用并行算法滿(mǎn)足修復(fù)性策略;當(dāng)動(dòng)態(tài)度較高時(shí),在[Ti,(Ti+Ti+1)/2]時(shí)刻啟用全局更新策略對(duì)車(chē)輛路徑進(jìn)行全局更新。

        2.1 基于時(shí)間窗精致度的初始方案生成規(guī)則

        Solomon提出推進(jìn)插入啟發(fā)式算法求解經(jīng)典VRPTW[19],并建立了著名的Solomon測(cè)試算例庫(kù)。該算法生成初始解的步驟為:選取插入成本最小的未分配路徑的客戶(hù)到當(dāng)前的可行路徑序列中,并判定插入后的路徑序列是否滿(mǎn)足車(chē)輛裝載能力和時(shí)間窗約束,滿(mǎn)足則繼續(xù)插入未分配路徑的客戶(hù),直至超過(guò)車(chē)輛額定裝載約束為止,從而生成一條飽和可行路徑序列;依次重復(fù)上述步驟,直至所有客戶(hù)均被插入可行路徑序列為止,生成初始方案。在選擇潛在待插入客戶(hù)時(shí),有基于距離準(zhǔn)則和基于時(shí)間準(zhǔn)則兩種選擇策略。SOLOMON[20]提出基于距離準(zhǔn)則策略,即優(yōu)先選擇距離物流配送中心較遠(yuǎn)的客戶(hù)作為潛在備選點(diǎn);CZECH等[21]則提出基于時(shí)間準(zhǔn)則策略,即優(yōu)先選擇最早開(kāi)始時(shí)間最小的客戶(hù)作為潛在備選點(diǎn)。本文結(jié)合文獻(xiàn)[17-18]提出的基于時(shí)間窗精致度策略確定潛在待插入客戶(hù),潛在客戶(hù)排序函數(shù)

        R(c1)=Arrays.Sort

        (A×(LT1_i-ET1_i)-d1_oi)。

        (31)

        R(c2)=Arrays.Sort(A×

        (LT2_i-ET2_i)-d2_oi)。

        (32)

        該式說(shuō)明時(shí)間窗跨度越短、距離配送中心越遠(yuǎn)的客戶(hù)排名越靠前,越會(huì)被優(yōu)先考慮插入當(dāng)前路徑。

        2.2 基于路徑內(nèi)外鄰域搜索策略

        鄰域搜索指基于某種策略對(duì)原始路徑進(jìn)行變換產(chǎn)生新解的過(guò)程,按照涉及原始路徑條數(shù)可分為單條路徑內(nèi)部鄰域搜索(Or-opt和2-opt)和兩條路徑間的鄰域搜索(2-opt*和Swap/shift)。搜索策略規(guī)則如下:

        (1)Or-opt 隨機(jī)選定一條可行路徑上連續(xù)的若干個(gè)客戶(hù),對(duì)其在可行路徑上的位置進(jìn)行整體調(diào)整,從而產(chǎn)生新的可行路徑[22]。

        (2)2-opt 隨機(jī)選取一條可行路徑上的兩個(gè)點(diǎn),將第1個(gè)點(diǎn)之前的路徑不變生成第1條新的可行路徑;將第1個(gè)與第2個(gè)點(diǎn)之間的路徑倒序后,添加到第1條新的可行路徑中生成第2條新的可行路徑;將第2個(gè)點(diǎn)之后的路徑不變,添加到第2條新的可行路徑中生成第3條新的可行路徑;最終以目標(biāo)函數(shù)值為評(píng)價(jià)準(zhǔn)則,保留4條可行路徑中最優(yōu)的一條路徑作為當(dāng)前的最優(yōu)可行解[23]。

        (3)2-opt*將兩條可行路徑上分別被某一節(jié)點(diǎn)切斷的滯后連續(xù)路徑段互換位置,產(chǎn)生兩條新的可行路徑[24]。

        (4)Swap/shift 將兩條可行路徑的兩個(gè)節(jié)點(diǎn)互換或單向插入,產(chǎn)生兩條新的可行路徑[25]。

        基于路徑內(nèi)外鄰域的4種搜索策略如圖2所示。在設(shè)計(jì)搜索策略過(guò)程中,這4種策略被選擇的概率均設(shè)定為1/4。具體實(shí)現(xiàn)過(guò)程為隨機(jī)產(chǎn)生一個(gè)[0,1]內(nèi)的隨機(jī)數(shù),若該隨機(jī)數(shù)的取值落在[0,0.25),則選擇Or-opt進(jìn)行鄰域搜索;若隨機(jī)數(shù)取值落在[0.75,1),則選擇Swap/shift進(jìn)行鄰域搜索,更新當(dāng)前可行路徑。

        2.3 并行模擬退火優(yōu)化設(shè)計(jì)

        1983年,KIRKPATRICK等[26]為解決局部最優(yōu)解的問(wèn)題提出模擬退火算法,算法核心思想是在1953年Metropolis提出Metropolis準(zhǔn)則的基礎(chǔ)上融合了退火過(guò)程。物體溫度越高,其內(nèi)部的分子和原子狀態(tài)越不穩(wěn)定,溫度越低,其內(nèi)部的分子和原子狀態(tài)越穩(wěn)定,模擬退火算法正是通過(guò)模擬這一過(guò)程來(lái)尋找原子狀態(tài)相對(duì)穩(wěn)定的局部最優(yōu)解。在退火過(guò)程中,通過(guò)Metropolis概率接受準(zhǔn)則來(lái)迫使算法跳出局部最優(yōu)解,進(jìn)而尋找全局最優(yōu)解,其策略為:在迭代過(guò)程中,如果系統(tǒng)整體能量梯度下降,則將狀態(tài)的轉(zhuǎn)移概率設(shè)定為1;如果迭代過(guò)程中系統(tǒng)整體能量梯度上升,則狀態(tài)轉(zhuǎn)移能否被接受取決于在[0,1]內(nèi)產(chǎn)生的隨機(jī)數(shù),以及與能量和溫度相關(guān)的動(dòng)態(tài)概率大小的關(guān)系,如果小于該動(dòng)態(tài)概率,則這種狀態(tài)轉(zhuǎn)移被接受,否則被拒絕。這一過(guò)程有效地使算法迭代過(guò)程跳出局部最優(yōu)解,繼續(xù)迭代尋找下一個(gè)新的局部最優(yōu)解。隨著溫度的不斷下降以及上述迭代過(guò)程的不斷重復(fù),會(huì)產(chǎn)生若干局部最優(yōu)解,最終通過(guò)適應(yīng)度函數(shù)值挑選出所有局部最優(yōu)解中的全局最好解。串行模擬退火算法的偽代碼如下:

        Pseudo code of serial simulated annealing algorithm

        1.Start

        2.Set x=0 and T=m

        3.Public static void main(create new(y(x)))

        4.i=random.randint(0,len(y(x)-1))

        5.j=random.randint(0,len(y(x)-1))

        6.y(x)[i],y(x)[j]=y(x)[j],y(x)[i]

        7.Return y(x)

        8.While(T>T-min)

        9.{ Cost savings=f(y(x+1))-f(y(x))

        10. if(Cost savings≥0)

        11. y(x+1)=y(x)

        12. else

        13.{ If(random(0,1)

        14. y(x+1)=y(x) }

        15.x=x+1

        16.T=r*T }

        17.End

        18.Output optimal solution and related parameters

        其中:f(x)為系統(tǒng)在x狀態(tài)下的目標(biāo)函數(shù)值;y(x)為系統(tǒng)在x時(shí)所處的狀態(tài);y(x+1)為系統(tǒng)在x之后所處的狀態(tài);r為溫度下降速度調(diào)節(jié)參數(shù);T為系統(tǒng)整體的溫度值;T-min為算法終止的溫度下限值。模擬退火算法的求解質(zhì)量受初始溫度和降溫速率影響較大,高的初始溫度與緩慢的降溫速率有利于尋找到全局最好解,然而需要花費(fèi)大量的計(jì)算時(shí)間。為此,有學(xué)者將并行移動(dòng)、多馬爾科夫鏈融入模擬退火過(guò)程以實(shí)現(xiàn)算法的并行化計(jì)算[5],其核心思想是將一條馬爾科夫鏈分裂為在一定時(shí)間、空間內(nèi)既能相互獨(dú)立生長(zhǎng)又能彼此交互信息的多條馬爾科夫鏈。馬爾科夫的決策策略可分為同步和異步兩種策略,基于馬爾科夫異步策略的并行模擬退火算法,實(shí)際上是將計(jì)算均勻分布到不同的線(xiàn)程上,各個(gè)線(xiàn)程獨(dú)立運(yùn)行模擬退火算法,當(dāng)各線(xiàn)程運(yùn)行結(jié)束時(shí),相互對(duì)比并選擇較優(yōu)的局部最優(yōu)解更替當(dāng)前階段的全局最好解??紤]到求解效率與動(dòng)態(tài)度的關(guān)系,基于馬爾科夫同步策略所設(shè)計(jì)的用于求解2E-VRPTWDD的并行模擬退火算法流程如圖3所示。

        在基于馬爾科夫同步策略的并行模擬退火算法中,嵌入向前插入啟發(fā)式(Push Forward Insertion Heuristic,PFIH)算法,在初始階段,由主線(xiàn)程向各個(gè)分線(xiàn)程傳輸一個(gè)基于時(shí)間窗精致度的初始解{x1,x2,…,xn},隨后各個(gè)分線(xiàn)程開(kāi)始獨(dú)立運(yùn)行一個(gè)以Metropolis接受準(zhǔn)則為主的過(guò)程,當(dāng)經(jīng)過(guò)一個(gè)固定的路徑尋優(yōu)周期后,各個(gè)分線(xiàn)程單向傳遞并比較彼此Metropolis接受準(zhǔn)則下得到的局部最好解{f(x1),f(x2),…,f(xn)},選擇最小值作為分線(xiàn)程下一次迭代的初始解。各分線(xiàn)程運(yùn)行結(jié)束后,將彼此得到的局部最好解傳遞到主線(xiàn)程,按照接近最優(yōu)解的程度重置各初始解{x1,x2,…,xn},并將其循環(huán)輸入各個(gè)分線(xiàn)程,以實(shí)現(xiàn)并行運(yùn)算。其中,所設(shè)計(jì)的并行模擬退火算法偽代碼如下:

        Pseudo code of parallel simulated annealing algorithm

        1.Set T=m and r=r0

        2.Generate initial solution{x1,x2,…,xi} based on PFIH

        3.Send {x1,x2,…,xi} to thread {p1,p2,…,pi}

        4.For 1:pi

        5.Public static void main (create new(y(x)))

        6.Char a=random. randint (0,1)

        7.Switch (a)

        8. Case '0.00≤a<0.25'

        9. System.out.printIn (initial solution xi+1based on Or-opt strategy)

        10. Break;

        11.Case '0.25≤a<0.50'

        12. System.out.printIn (initial solution xi+1based on 2-opt strategy)

        13. Break;…;

        14. Return y(xi+1)

        15.While(T>T-min)

        16.{ Cost savings=f(y(xi+1))-f(y(xi))

        17. If (Cost savings≥0)

        18. y(xi+1)=y(xi)

        19. else

        20.{ If (random (0,1)

        21. y(xi+1)=y(xi) }

        22.xi=xi+1

        23.T=r*T }

        24.End

        25.System.out.printIn (Update initial solution{x1,x2,…,xi})

        26.Choose min{f(y(x1),f(y(x2),…,f(y(xi)} as the current optimal solution

        27.If go=false and stop, else continue;

        28.Send update {x1,x2,…,xi} to thread{p1,p2,…,pi}…

        29.End loop

        30.Output optimal solution and related parameters

        3 算法性能測(cè)試

        PERBOLI等[27]研究了2E-VRP,并公布用于對(duì)該問(wèn)題進(jìn)行測(cè)試的set2~set5不同系列的基準(zhǔn)數(shù)據(jù)(https://www.univie.ac.at/prolog/research/TwoEVRP)。

        然而,在PERBOLI研究的2E-VRP中,每個(gè)中轉(zhuǎn)站可以跨區(qū)域?yàn)樗锌蛻?hù)提供配送服務(wù)且沒(méi)有時(shí)間窗約束。在實(shí)際運(yùn)營(yíng)中,考慮到配送員對(duì)區(qū)域的熟悉度,以及對(duì)不確定事件的處理能力,企業(yè)主管通常會(huì)安排最佳配送員負(fù)責(zé)固定區(qū)域內(nèi)的配送。因此,不采用PERBOLI給出的2E-VRP數(shù)據(jù)作為測(cè)試基準(zhǔn)數(shù)據(jù)。另外,本文研究的2E-VRPTWDD屬于兩個(gè)帶時(shí)間窗的車(chē)輛路徑聯(lián)合優(yōu)化問(wèn)題,但目前還沒(méi)有相關(guān)的測(cè)試算例。

        因此,選取SOLOMON[20]在1987年給出的帶時(shí)間窗的車(chē)輛路徑R,C,RC系列測(cè)試數(shù)據(jù),作為進(jìn)一步驗(yàn)證所設(shè)計(jì)模型和算法的基準(zhǔn)數(shù)據(jù),數(shù)據(jù)下載網(wǎng)址為http://web.cba.neu.edu/~msolomon/。R系列包括R101~R112,且每個(gè)測(cè)試集的100個(gè)客戶(hù)與一個(gè)配送中心呈現(xiàn)隨機(jī)特征,分布在100×100的坐標(biāo)系內(nèi);C系列包括C101~C109,且每個(gè)測(cè)試集的100個(gè)客戶(hù)與一個(gè)配送中心呈現(xiàn)聚類(lèi)特征,隨機(jī)分布在100×100的坐標(biāo)系內(nèi);RC系列包括RC101~RC108,且每個(gè)測(cè)試集的100個(gè)客戶(hù)與一個(gè)配送中心呈現(xiàn)聚類(lèi)與隨機(jī)混合特征,分布在100×100的坐標(biāo)系內(nèi)。測(cè)試環(huán)境參數(shù)為MacBook Air 13.3 Core i5,1.8 GHz CPU雙核,8 G內(nèi)存,128 G SSD;Windows 10 64 bit;Java JDK-8u251編程環(huán)境。算法基本參數(shù)包括并行線(xiàn)程數(shù)量為6,連續(xù)未能找到相對(duì)局部改進(jìn)解的算法終止次數(shù)為10,溫度下降系數(shù)為0.8,溫度與成本比例系數(shù)為1;選擇R101,R105,C101,C105,RC101,C105作為對(duì)比實(shí)例。計(jì)算結(jié)果與當(dāng)前已知最好解及文獻(xiàn)[28]的計(jì)算結(jié)果對(duì)比如表1所示。

        表1 與已知最好解及文獻(xiàn)[28]優(yōu)化結(jié)果的對(duì)比

        由表1可知,本文設(shè)計(jì)的并行模擬退火算法在尋優(yōu)能力上,明顯整體優(yōu)于文獻(xiàn)[28]設(shè)計(jì)的分散搜索算法。所求的R105最好解相比已知最好解的優(yōu)化率達(dá)到1.31%,使用的車(chē)輛數(shù)由Solomon給出的已知最好解的14輛降低到13輛。所求的R105的最優(yōu)路徑所需的13輛車(chē)的行駛路徑分別為:1 48 37 20 9 85 18 61 90 1;1 60 93 99 100 88 58 44 97 1;1 34 66 72 10 82 4 69 55 25 81 1;1 64 63 12 65 50 47 49 1;1 22 74 76 42 23 75 59 1;1 73 40 24 68 57 5 56 26 1;1 53 83 8 91 11 51 2 1;1 96 15 45 39 87 92 101 94 1;1 32 89 19 7 95 1;1 29 13 30 80 79 35 36 78 1;1 43 16 3 41 54 27 1;1 28 70 77 31 52 21 67 33 71 1;1 6 84 46 62 17 86 38 98 14 1。其中,采用并行模擬退火算法優(yōu)化過(guò)程中,主目標(biāo)函數(shù)和次目標(biāo)函數(shù)的迭代收斂圖如圖4所示。結(jié)果表明,所設(shè)計(jì)的算法能夠較快地收斂到相對(duì)較優(yōu)解,較好地滿(mǎn)足VRPTW優(yōu)化的需要。

        為進(jìn)一步測(cè)試算法的穩(wěn)定性,在相同的參數(shù)配置下,對(duì)R101,R105,C101,C105,RC101,RC105分別測(cè)試10次,結(jié)果如圖5所示。

        圖5為運(yùn)行10次的結(jié)果,在10次測(cè)試過(guò)程中,R101的最大值為1 746.37,最小值為1 646.73,平均值為1 689.69,而已知最好解為1 645.79,相對(duì)已知最好解的平均誤差率為2.67%。R105的最大值為1 469.01,最小值為1 359.32,平均值為1 407.76,而已知最好解為1 377.11,相對(duì)已知最好解的平均誤差率為2.23%。6個(gè)測(cè)試集中相對(duì)已知最好解的平均誤差率最大為C105(4.85%),最小為RC105(0.95%)??偠灾?,本文算法均能找到相比已知最好解較好的解,由于啟發(fā)式算法的局限性導(dǎo)致每次求解結(jié)果均有一定波動(dòng),而10次測(cè)試的相對(duì)平均誤差率均控制在5%的可接受范圍內(nèi),且在10次內(nèi)基本能夠求得與已知最好解接近甚至更優(yōu)的解,說(shuō)明所設(shè)計(jì)的算法具有一定的穩(wěn)定性,能夠用于求解2E-DVRPTWDD。

        為分析Or-opt,2-opt,2-opt*,Swap/shift 4種鄰域操作算子對(duì)算法改進(jìn)的效果,在不同組合下,分別對(duì)算法運(yùn)行10次,結(jié)果表明,融合Or-opt,2-opt,2-opt*,Swap/shift 4種鄰域操作算子能有效提升算法性能,主要原因在于不同的鄰域操作策略代表不同的新解生成規(guī)則,通過(guò)生成隨機(jī)數(shù)的方式隨機(jī)選擇4種鄰域策略時(shí),能夠有效擴(kuò)大可行解的搜索范圍,有利于在搜索空間內(nèi)尋找到相對(duì)更好的解。相反,當(dāng)采用單一鄰域策略時(shí),由于鄰域搜索操作規(guī)則的一致性,容易導(dǎo)致算法陷入局部最優(yōu)解,不利于在更大的空間范圍內(nèi)搜索到相對(duì)更好的解。為進(jìn)一步探索并行數(shù)量對(duì)優(yōu)化結(jié)果的影響,通過(guò)采用控制變量法的方式設(shè)置不同的實(shí)驗(yàn)組,分別對(duì)其進(jìn)行測(cè)試實(shí)驗(yàn),具體實(shí)驗(yàn)組的設(shè)置規(guī)則為:在其他參數(shù)保持不變的情況下(τ=10,σ=1.0,γ=1.0,β=0.7,δ=1.8),將并行線(xiàn)程數(shù)量分別設(shè)置為1,8,10,15,分別對(duì)應(yīng)A,B,C,D 4個(gè)相互對(duì)照的實(shí)驗(yàn)組,每個(gè)實(shí)驗(yàn)組單獨(dú)運(yùn)行10次,統(tǒng)計(jì)每次運(yùn)行所得的車(chē)輛行駛距離成本和車(chē)輛使用數(shù)量成本。

        就實(shí)例R101的求解結(jié)果而言,10次測(cè)試均能找到優(yōu)于或與已知最好解接近的解,R101已知最好解中的車(chē)輛行駛距離成本為1 645.79,車(chē)輛使用成本為19;所找到的最好解中的車(chē)輛行駛距離成本為1 624.15,相比已知最好解的優(yōu)化率為1.31%;車(chē)輛使用數(shù)量成本為18,相比已知最好解的優(yōu)化率為5.26%。在4組實(shí)驗(yàn)組中,性能表現(xiàn)最好的是D組,10次測(cè)試的車(chē)輛行駛距離成本平均值為1 679.72,車(chē)輛使用數(shù)量成本為18。表明隨著并行線(xiàn)程數(shù)量的增加,算法的表現(xiàn)性能趨于良好。不同線(xiàn)程數(shù)對(duì)優(yōu)化迭代過(guò)程的影響如圖6所示,圖中橫坐標(biāo)表示算法外層迭代步長(zhǎng),縱坐標(biāo)表示車(chē)輛的行駛距離成本。

        圖6反映了在不同線(xiàn)程參數(shù)設(shè)置下,不同測(cè)試實(shí)驗(yàn)中的迭代收斂過(guò)程。在不同的并行線(xiàn)程設(shè)置下,起始位置均相同,表明初始解的生成只與初始解的構(gòu)造規(guī)則有關(guān),與并行線(xiàn)程數(shù)量多少無(wú)關(guān)。在求解R101時(shí),初始解中的車(chē)輛行駛距離成本均為3 458.79,車(chē)輛使用數(shù)量成本均為48。在10次鄰域內(nèi)搜索不到更優(yōu)解便終止算法的條件設(shè)置下,4組實(shí)驗(yàn)的解趨于穩(wěn)定的平均迭代步長(zhǎng)分別為11.6,10.6,9.2,9.8,表明并行數(shù)量對(duì)算法達(dá)到穩(wěn)定狀態(tài)的速度有一定影響,當(dāng)并行數(shù)為10時(shí),平均迭代步長(zhǎng)最小,為9.2步。然而,隨著并行數(shù)量的增加,算法達(dá)到穩(wěn)定狀態(tài)的耗時(shí)也會(huì)增加,從而增加了尋得相對(duì)最優(yōu)解的時(shí)間成本,這是因?yàn)椴⑿芯€(xiàn)程數(shù)量會(huì)占用更多內(nèi)存,并進(jìn)行更多的內(nèi)部循環(huán)迭代。當(dāng)并行線(xiàn)程設(shè)置為1時(shí),平均耗時(shí)為90 s左右,而當(dāng)并行線(xiàn)程數(shù)量設(shè)置為15時(shí),平均耗時(shí)為300 s左右。接下來(lái),以Perboli給出的2E-VRP中的2eVRP_200-10-3實(shí)例為基準(zhǔn)數(shù)據(jù),對(duì)比分析連續(xù)兩級(jí)網(wǎng)絡(luò)優(yōu)化和兩個(gè)子網(wǎng)絡(luò)優(yōu)化的結(jié)果,如圖7所示,該實(shí)例包括200個(gè)客戶(hù)和10個(gè)中轉(zhuǎn)站。

        其中,圖7a為采用連續(xù)2E-VRP優(yōu)化方法得到的優(yōu)化結(jié)果,車(chē)輛行駛距離成本為2 142.36,在一級(jí)配送網(wǎng)絡(luò)中共需4輛車(chē)執(zhí)行配送任務(wù),在二級(jí)配送網(wǎng)絡(luò)中共需52輛車(chē)執(zhí)行配送任務(wù)。圖7b為兩個(gè)子網(wǎng)絡(luò)的優(yōu)化結(jié)果,即首先根據(jù)配送員對(duì)區(qū)域的熟悉度對(duì)200個(gè)節(jié)點(diǎn)進(jìn)行聚類(lèi),以確定中轉(zhuǎn)站的位置,構(gòu)建由配送中心和中轉(zhuǎn)站節(jié)點(diǎn)組成的一級(jí)配送網(wǎng)絡(luò);其次,構(gòu)建由各中轉(zhuǎn)站與客戶(hù)組成的二級(jí)配送網(wǎng)絡(luò)。優(yōu)化結(jié)果顯示,雖然采用連續(xù)2E-VRP優(yōu)化方法在車(chē)輛成本方面具有優(yōu)勢(shì),但是由于在優(yōu)化過(guò)程中忽略了配送員對(duì)配送區(qū)域的熟悉度,導(dǎo)致出現(xiàn)跨區(qū)域配送,進(jìn)一步降低了配送效率;當(dāng)采用兩個(gè)子網(wǎng)絡(luò)的優(yōu)化方法時(shí),雖然車(chē)輛行駛距離成本略高于連續(xù)2E-VRP結(jié)果,但是能夠滿(mǎn)足配送員對(duì)配送區(qū)域熟悉度的要求。因此,將連續(xù)2E-VRP優(yōu)化問(wèn)題轉(zhuǎn)換為兩個(gè)VRP的優(yōu)化問(wèn)題,在提升配送效率方面具有現(xiàn)實(shí)意義。

        4 案例研究

        H公司作為一家服務(wù)于集成制造產(chǎn)業(yè)群的供應(yīng)商,為上百個(gè)不同的客戶(hù)提供各種零部件的供應(yīng)服務(wù),各大客戶(hù)由于市場(chǎng)追加訂單、原有零部件供應(yīng)中途故障等不確定因素的影響,會(huì)不定時(shí)地向公司發(fā)出緊急供應(yīng)訂單需求以確保主生產(chǎn)線(xiàn)穩(wěn)定運(yùn)行。

        現(xiàn)選取某一周期內(nèi)公司服務(wù)的100個(gè)靜態(tài)客戶(hù)和32個(gè)動(dòng)態(tài)客戶(hù)為案例進(jìn)行研究。鑒于可比較性,使用Solomon給出的C101中的100個(gè)客戶(hù)坐標(biāo)、需求、時(shí)間窗和服務(wù)時(shí)間數(shù)據(jù)表示公司服務(wù)的客戶(hù),對(duì)比分析公司采用的新方法和原有方法的效果,10個(gè)二級(jí)配送中心和100個(gè)靜態(tài)客戶(hù)的地理分布與需求如表2所示。

        表2 靜態(tài)客戶(hù)與所屬中轉(zhuǎn)站及配送中心信息

        公司在確定中轉(zhuǎn)時(shí),考慮到配送員對(duì)區(qū)域的熟悉度,會(huì)采用聚類(lèi)方法確定一個(gè)能夠輻射固定區(qū)域客戶(hù)的中轉(zhuǎn)站。受中、重型車(chē)輛通行的限制,在一級(jí)配送網(wǎng)絡(luò)中使用核定裝載量為10 t的送貨車(chē),在二級(jí)配送網(wǎng)絡(luò)中使用核定裝載量為2 t的卡車(chē)。在制定滿(mǎn)足動(dòng)態(tài)客戶(hù)的車(chē)輛行駛路徑優(yōu)化方案時(shí),采用文獻(xiàn)[29]給出的動(dòng)態(tài)客戶(hù)滿(mǎn)足方法,即將完整的一個(gè)物流配送周期劃分為兩部分,在1/2周期時(shí)刻啟動(dòng)滿(mǎn)足客戶(hù)動(dòng)態(tài)需求的配送策略,以滿(mǎn)足前半周期內(nèi)的新增客戶(hù)和新增需求量。執(zhí)行物流配送任務(wù)過(guò)程中的基本參數(shù)如表3所示。

        表3 執(zhí)行物流配送任務(wù)過(guò)程中的基本參數(shù)

        根據(jù)新增概率和接受動(dòng)態(tài)新增概率閾值規(guī)則確定在[Ti,(Ti+Ti+1)/2]區(qū)間內(nèi)服務(wù)的5個(gè)動(dòng)態(tài)客戶(hù)和未被服務(wù)的靜態(tài)客戶(hù)。在[Ti,(Ti+Ti+1)/2]時(shí)期內(nèi)新增客戶(hù)的數(shù)據(jù)如表4所示。

        表4 在[Ti,(Ti+Ti+1)/2]時(shí)期新增的客戶(hù)數(shù)據(jù)

        4.1 考慮動(dòng)態(tài)度和時(shí)間窗的兩級(jí)車(chē)輛路徑優(yōu)化

        在初始化帶時(shí)間約束的2E-VRP優(yōu)化過(guò)程中,僅考慮對(duì)應(yīng)一個(gè)配送周期[Ti,Ti+1]的靜態(tài)客戶(hù)。采用所設(shè)計(jì)的模型和算法,得到的初始周期的最好2E-VRP路徑如圖8所示。

        一級(jí)物流配送網(wǎng)絡(luò)中,共調(diào)用了兩輛額定裝載量為10 t的貨車(chē)為市區(qū)物流配送中心配送貨物,車(chē)輛1的配送路線(xiàn)為0→2→3→4→5→7→0,車(chē)輛2的配送路線(xiàn)為0→6→8→9→10→1→0。兩輛車(chē)的裝載率分別達(dá)到92%,89%,說(shuō)明車(chē)輛的額定裝載量得到了較充分的利用,為車(chē)輛預(yù)留一定空間也符合實(shí)際情況。根據(jù)接受滿(mǎn)足動(dòng)態(tài)新增概率閾值為0.5可知1,2,3,7,8存在動(dòng)態(tài)客戶(hù)。假定新增客戶(hù)動(dòng)態(tài)度為0.5,原有客戶(hù)新增需求動(dòng)態(tài)度為0.2,則根據(jù)式(3)生成[Ti,(Ti+Ti+1)/2]內(nèi)的新增動(dòng)態(tài)客戶(hù)數(shù)量如表5所示。

        表5 新增動(dòng)態(tài)客戶(hù)數(shù)量

        在滿(mǎn)足新增動(dòng)態(tài)客戶(hù)需求階段,共服務(wù)5個(gè)中轉(zhuǎn)站的24個(gè)新增客戶(hù)和8個(gè)原有客戶(hù)追加需求變成的新客戶(hù),新增動(dòng)態(tài)客戶(hù)用空心圓表示,在(Ti+Ti+1)/2時(shí)刻優(yōu)化得到的2E-VRPTWDD車(chē)輛路徑如圖9所示。

        表6所示為2E-VRPTWDD配送模式下的裝載率、服務(wù)客戶(hù)數(shù)和路徑成本。在設(shè)定2E-VRP網(wǎng)絡(luò)中車(chē)輛額定裝載量不變的情況下,由于動(dòng)態(tài)度的約束關(guān)系,使得(Ti+Ti+1)/2時(shí)刻滿(mǎn)足動(dòng)態(tài)客戶(hù)的車(chē)輛裝載率明顯低于Ti時(shí)刻滿(mǎn)足靜態(tài)客戶(hù)車(chē)輛的裝載率,在一定程度上造成車(chē)載浪費(fèi)。因此,實(shí)際應(yīng)用場(chǎng)景中,在滿(mǎn)足動(dòng)態(tài)客戶(hù)需求時(shí)可考慮采用多車(chē)型配送模式,以減少車(chē)輛裝載的浪費(fèi)。

        表6 2E-VRPTWDD配送模式下的裝載率及路徑對(duì)比

        4.2 新舊方案對(duì)比及敏感性分析

        受道路交通的限制,公司在原有送貨方案中使用額定裝載量為2 t的卡車(chē)為100個(gè)靜態(tài)客戶(hù)和32個(gè)動(dòng)態(tài)客戶(hù)提供零部件供應(yīng)服務(wù)。在一個(gè)配送周期[Ti,Ti+1]的起點(diǎn),公司以行駛成本和車(chē)輛使用成本最小化為目標(biāo),調(diào)用10輛車(chē)分別為100個(gè)客戶(hù)提供供貨服務(wù),其車(chē)輛行駛成本為828.94 km。在(Ti+Ti+1)/2時(shí)刻調(diào)用5輛車(chē)為32個(gè)動(dòng)態(tài)客戶(hù)提供零部件供貨服務(wù),其車(chē)輛行駛成本為445.47 km。公司原有的兩級(jí)車(chē)輛行駛路徑優(yōu)化如圖10所示。

        表7所示為采用原有方案時(shí)的車(chē)輛裝載率和路徑成本。就總成本而言,所設(shè)計(jì)的2E-VRP路徑成本為1 222.79,略?xún)?yōu)于H公司原有的1 274.41。原有配送方案中各路徑上的車(chē)輛裝載率與所設(shè)計(jì)的2E-VRPTWDD模式下各路徑車(chē)輛裝載率保持一致,這是因?yàn)檫@一過(guò)程中均使用裝載量為2 t的車(chē)輛為相同的客戶(hù)群提供服務(wù),但就各路徑的車(chē)輛行駛成本而言,所設(shè)計(jì)的2E-VRPTWDD模式下的路徑成本均值要優(yōu)于原始方案。

        表7 原有2E-VRP網(wǎng)絡(luò)裝載率及路徑對(duì)比

        響應(yīng)并滿(mǎn)足客戶(hù)的需求時(shí)間是衡量供應(yīng)商運(yùn)營(yíng)效率的重要指標(biāo)之一,下面從響應(yīng)時(shí)間的角度對(duì)新舊方案進(jìn)行對(duì)比分析。假設(shè)新舊方案中車(chē)輛的行駛速度均相同且均為單位行駛速度,車(chē)輛從配送中心駛出,服務(wù)完對(duì)應(yīng)的客戶(hù)再返回配送中心記為一個(gè)響應(yīng)滿(mǎn)足客戶(hù)時(shí)間,當(dāng)一級(jí)配送網(wǎng)絡(luò)中的10 t大貨車(chē)服務(wù)多個(gè)客戶(hù)群時(shí),取其平均值作為響應(yīng)滿(mǎn)足各客戶(hù)的時(shí)間。新舊方案的響應(yīng)客戶(hù)時(shí)間如圖11所示。

        由圖11可知,新方案的平均響應(yīng)時(shí)間略?xún)?yōu)于舊方案,說(shuō)明所設(shè)計(jì)的方法能夠較好地滿(mǎn)足動(dòng)態(tài)客戶(hù)的快速需求,進(jìn)一步表明所設(shè)計(jì)的方法能夠滿(mǎn)足供應(yīng)商對(duì)客戶(hù)動(dòng)態(tài)需求的響應(yīng)。另外,新方案響應(yīng)時(shí)間的波動(dòng)程度優(yōu)于舊方案,說(shuō)明所設(shè)計(jì)的方法具有較強(qiáng)的穩(wěn)定性。本節(jié)將分析動(dòng)態(tài)度對(duì)車(chē)輛行駛距離成本和車(chē)輛使用數(shù)量成本的影響,將動(dòng)態(tài)度設(shè)置為由0開(kāi)始,每次增加0.05個(gè)單位動(dòng)態(tài)度,直到1結(jié)束的20個(gè)梯度,每個(gè)梯度下運(yùn)行10次取最優(yōu)的距離和車(chē)輛成本作為最終成本,得到的距離和車(chē)輛成本隨動(dòng)態(tài)度變化的規(guī)律如圖12所示。

        圖12顯示,距離和車(chē)輛成本總體隨動(dòng)態(tài)度的增加而增加,主要原因是當(dāng)客戶(hù)數(shù)量和需求量增加時(shí),公司需要安排更多車(chē)輛為增量客戶(hù)提供配送服務(wù),這一現(xiàn)象與實(shí)際情況相符。車(chē)輛使用成本隨動(dòng)態(tài)度的增加而呈現(xiàn)出階段性增加的特征,例如:動(dòng)態(tài)度在0.55~0.65之間的車(chē)輛使用成本均為6,在0.65~0.70之間的車(chē)輛使用成本均為7,即動(dòng)態(tài)度在一定范圍內(nèi)變化并不會(huì)增加車(chē)輛使用數(shù)量成本,進(jìn)一步表明所設(shè)計(jì)的方法具有良好的魯棒性,其原因是當(dāng)動(dòng)態(tài)客戶(hù)新增需求量在未超過(guò)現(xiàn)有車(chē)輛運(yùn)力時(shí),現(xiàn)有車(chē)輛有能力為動(dòng)態(tài)客戶(hù)提供配送服務(wù),而不需要重新啟動(dòng)新的車(chē)輛。因此,在局部動(dòng)態(tài)度變化過(guò)程中,動(dòng)態(tài)度與車(chē)輛數(shù)量使用成本無(wú)關(guān)。

        5 結(jié)束語(yǔ)

        在各大城市陸續(xù)實(shí)施中、重型貨車(chē)限行政策的背景下,2E-VRP受到重視,而在車(chē)輛執(zhí)行任務(wù)過(guò)程中,客戶(hù)存在動(dòng)態(tài)需求的不確定性,企業(yè)是否及時(shí)響應(yīng)客戶(hù)的動(dòng)態(tài)需求對(duì)于能否提升客戶(hù)滿(mǎn)意度和運(yùn)營(yíng)效率非常重要。當(dāng)企業(yè)接受客戶(hù)的動(dòng)態(tài)需求變更后,原有車(chē)輛路徑方案可能難以滿(mǎn)足新客戶(hù)的訂單需求,因此制定合適的響應(yīng)客戶(hù)動(dòng)態(tài)需求的策略并及時(shí)更新車(chē)輛路徑,對(duì)企業(yè)的重要性不言而喻。為此,本文針對(duì)配送環(huán)節(jié)中客戶(hù)動(dòng)態(tài)需求的不確定性,以及配送時(shí)間個(gè)性化導(dǎo)致的動(dòng)態(tài)配送網(wǎng)絡(luò)響應(yīng)不及時(shí)等現(xiàn)實(shí)問(wèn)題,設(shè)計(jì)基于客戶(hù)動(dòng)態(tài)增量概率閾值和動(dòng)態(tài)度響應(yīng)增量需求的優(yōu)化路徑更新策略,構(gòu)建了以車(chē)輛使用成本和距離成本最小化為主、次優(yōu)化目標(biāo)的2E-VRPTWDD數(shù)學(xué)模型,并設(shè)計(jì)了改進(jìn)的并行模擬退火算法,旨在為考慮動(dòng)態(tài)客戶(hù)需求的2E-VRP優(yōu)化提供方法與理論支撐。通過(guò)本文研究得到的結(jié)論如下:

        (1)引入客戶(hù)動(dòng)態(tài)增量需求滿(mǎn)足函數(shù)和動(dòng)態(tài)度衡量指標(biāo),能夠有效降低動(dòng)態(tài)配送網(wǎng)絡(luò)在空間與時(shí)間維度的求解復(fù)雜度。

        (2)相比SOLOMON算例中R105的已知最好解,優(yōu)化率達(dá)到1.31%,說(shuō)明所設(shè)計(jì)的并行模擬退火算法在求解質(zhì)量方面具有一定優(yōu)勢(shì)。

        (3)通過(guò)對(duì)比分析新舊方案可知,2E-VRPTWDD模式下的車(chē)輛調(diào)度方案對(duì)提升供應(yīng)商響應(yīng)客戶(hù)需求速度有積極的作用。

        (4)通過(guò)分析動(dòng)態(tài)度大小對(duì)優(yōu)化結(jié)果的敏感性可知,車(chē)輛調(diào)度方案在局部動(dòng)態(tài)度變化范圍內(nèi)具有較強(qiáng)的魯棒性,總之,車(chē)輛使用成本與距離成本隨著動(dòng)態(tài)度的增加而增加。

        然而,車(chē)輛的裝載率在滿(mǎn)足客戶(hù)動(dòng)態(tài)增量需求配送階段普遍偏低,說(shuō)明在無(wú)差異車(chē)輛配置的情況下存在車(chē)輛裝載浪費(fèi),而現(xiàn)實(shí)中的物流配送企業(yè)通常配備無(wú)差異的車(chē)輛。因此,下一階段將對(duì)多種車(chē)型靈活組合的動(dòng)態(tài)配送問(wèn)題展開(kāi)研究,以進(jìn)一步探索多車(chē)型的最優(yōu)組合配送策略,為物流企業(yè)減少裝載浪費(fèi)提供科學(xué)的指導(dǎo)。

        猜你喜歡
        中轉(zhuǎn)站模擬退火動(dòng)態(tài)
        中亞是人類(lèi)祖先關(guān)鍵“中轉(zhuǎn)站”?
        軍事文摘(2023年2期)2023-02-17 09:20:32
        國(guó)內(nèi)動(dòng)態(tài)
        國(guó)內(nèi)動(dòng)態(tài)
        國(guó)內(nèi)動(dòng)態(tài)
        高性能半柔性地坪在生活垃圾中轉(zhuǎn)站的應(yīng)用
        上海建材(2021年1期)2021-11-22 08:01:38
        動(dòng)態(tài)
        模擬退火遺傳算法在機(jī)械臂路徑規(guī)劃中的應(yīng)用
        基于模糊自適應(yīng)模擬退火遺傳算法的配電網(wǎng)故障定位
        SOA結(jié)合模擬退火算法優(yōu)化電容器配置研究
        基于遺傳-模擬退火算法的城市軌道交通快慢車(chē)停站方案
        成人免费无码视频在线网站| 久久国产av在线观看| 国产精品高清一区二区三区人妖| 国产三级视频不卡在线观看| 国产成人精品白浆久久69| 福利一区在线观看| 亚洲国产一区二区三区,| 亚洲综合中文字幕日韩| 亚洲av无码乱码在线观看裸奔 | 国产高清在线精品一区app| 中国凸偷窥xxxx自由视频妇科 | 国产在线一区二区三区av| 免费人成黄页在线观看国产| 久久精品99国产精品日本| 老熟妇乱子伦av| 成人永久福利在线观看不卡| 亚洲av成熟国产精品一区二区| 国产精品无码av无码| 亚洲av无码乱码国产精品fc2| 99久久99久久精品免观看| 国产精品高清国产三级国产av| 色一情一乱一伦麻豆| 99久久久无码国产精品免费砚床| 亚洲色欲色欲欲www在线| 国产综合开心激情五月| 欧美性色黄大片手机版| 亚洲国产一区二区三区网| 日韩人妻免费一区二区三区| 国产性自爱拍偷在在线播放| 内射囯产旡码丰满少妇| 日韩中文字幕久久久经典网| 精品一区二区三区亚洲综合| 色先锋av影音先锋在线| 日本免费人成视频播放| 免费国产自拍视频在线观看| 免费a级毛片无码免费视频首页| 国产乱子伦在线观看| 国产一区二区三区免费精品| 国产tv不卡免费在线观看| 中文无码久久精品| 性一交一乱一伦一视频一二三区|