本发明涉及路径优化的技术领域，公开了一种多目标物流路径优化方法，包括：生成物流网络，并基于物流网络构建物流模型；根据物流模型确定物流路径优化的多目标函数和约束条件；利用拉格朗日罚函数方法对多目标函数进行求解计算；将求解计算的结果作为物流规划路径。本发明所述方法通过构建多目标的物流路径优化目标函数，并利用拉格朗日罚函数方法对多目标函数进行求解计算，将求解计算的结果作为物流规划路径，从而实现物流路径优化。
一种多目标物流路径优化方法
技术领域
[0001] 本发明涉及路径优化的技术领域，尤其涉及一种多目标物流路径优化方法。
背景技术
[0002] 随着我国经济的日益繁荣，人民大众生活水平显著提高，因此，物流的重要性进一步呈现出来。但由于物流行业的特殊性，使其在发展过程中遇到许多问题，例如物流产业缺乏统筹规划，信息沟通不畅等，同时，我国物流发展较晚，商品从生产开始，经包装、运输、销售等环节最终送达消费者手中，众多环节的紧密衔接使得物流形成了一张复杂性的网络，而诸多有待完善之处使得物流网络非常脆弱，很容易受外部环境等因素的影响，如何对当前物流运输路径进行优化成为当前研究的热门话题。
[0003] 鉴于此，本发明提出一种多目标物流路径优化方法，通过构建多目标的物流路径优化目标函数，并利用拉格朗日罚函数方法对多目标函数进行求解计算，将求解计算的结果作为物流规划路径，从而实现物流路径优化。
发明内容
[0004] 本发明提供一种多目标物流路径优化方法，目的在于(1)实现多目标的物流路径优化目标函数构建；(2)对多目标函数进行求解计算，将求解计算的结果作为物流规划路径。
[0005] 实现上述目的，本发明提供的一种多目标物流路径优化方法，包括以下步骤：
[0006] S1：生成物流网络，并基于物流网络构建物流模型；
[0007] S2：根据物流模型确定物流路径优化的多目标函数和约束条件；
[0008] S3：利用拉格朗日罚函数方法对多目标函数进行求解计算；
[0009] S4：将求解计算的结果作为物流规划路径。
[0010] 作为本发明的进一步改进方法：
[0011] 所述S1步骤中生成物流网络，包括：
[0012] 利用图网络模型对物流进行表示，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；
[0013] 在本发明一个具体实施例中，所述物流运输中心节点中的主节点与其他节点互为竞争中心，物流运输客户节点最多只可与一个物流运输中心节点相连，且物流运输客户节点只可与物流运输中心节点相连，物流运输中心节点只可与物流运输客户节点相连；
[0014] 所述物流网络结构的构建流程为：
[0015] 1)初始化物流网络中的节点数为e0，边数为v0；
[0016] 2)计算当前物流网络中的节点度阈值 对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值 则选择概率最高的 个可连接节点进行连接，所述连接概率的计算公式为：
[0017]
[0018] 其中：
[0019] di表示节点ai的度，ti表示节点ai加入物流网络的时间；
[0020] 表示节点ai的节点度阈值；
[0021] 在本发明一个具体实施例中，物流运输中心节点的节点度阈值范围为[10,20]，物流运输客户节点的节点度阈值为1；
[0022] 3)当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；
[0023] 4)与物流运输中心主节点相连的客户节点为物流运输路径目标。
[0024] 所述S1步骤中构建物流车辆运输成本模型，包括：
[0025] 所述物流运输目标的位置集合为：
[0026] {(x0,y0),(x1,y2),…,(xk,yk),…,(xn,yn)}
[0027] 其中：
[0028] (x0,y0)表示物流运输中心主节点的位置坐标；
[0029] {(x1,y2),…,(xk,yk),…,(xn,yn)}表示与主节点相连的物流运输客户的位置坐标，n表示物流运输客户的总数；
[0030] 所述构建的物流车辆运输成本模型为：
[0031]
[0032] 其中：
[0033] Cost1表示物流车辆运输成本模型；
[0034] 表示车辆s从物流运输中心出发到客户目标i、j，否则
[0035] hcost表示单位重量运输货物的运输价格；
[0036] disij表示客户目标i和客户目标j之间的欧式距离；
[0037] qi表示客户目标i对运输货物的需求量；
[0038] S表示物流运输中心的车辆数目。
[0039] 所述S1步骤中构建物流顾客满意度模型，包括：
[0040] 所述构建的物流顾客满意度模型为：
[0041]
[0042] 其中：
[0043] Cost2表示物流顾客满意度模型；
[0044] ri表示客户目标i希望运输货物到达的最早时间，zi表示客户目标i希望运输货物到达的最晚时间；
[0045] εi表示客户目标i的运输货物到达的时间；
[0046] θ1,θ2均为惩罚系数，将θ1设置为1，θ2设置为3。
[0047] 所述S1步骤中构建物流运输货损模型，包括：
[0048] 所述构建的物流运输货损模型为：
[0049]
[0050] 其中：
[0051] Cost3表示物流运输货损模型。
[0052] 所述S1步骤中构建物流模型，包括：
[0053] 所述构建的物流模型C为：
[0054] C＝Cost1+Cost2+Cost3
[0055] 其中：
[0056] Cost1表示物流车辆运输成本模型；
[0057] Cost2表示物流顾客满意度模型；
[0058] Cost3表示物流运输货损模型。
[0059] 所述S2步骤中确定物流路径优化的多目标函数和约束条件，包括：
[0060] 根据所构建的物流模型C，确定物流路径优化的多目标函数：
[0061] F(L)＝minCost1+minCost2+minCost3
[0062] 其中：
[0063] L表示物流运输路径方案，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径；
[0064] 所述多目标函数的约束条件为：
[0065]
[0066] qi≥0
[0067] ri≤εi≤zi
[0068]
[0069] 其中：
[0070] 表示车辆s从物流运输中心出发到客户目标i、j，否则
[0071] qi表示客户目标i对运输货物的需求量；
[0072] S表示物流运输中心的车辆数目。
[0073] 所述S3步骤中利用拉格朗日罚函数方法对多目标函数进行求解，包括：
[0074] 利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：
[0075] 对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
[0076]
[0077] P(L)＝P1(L)+P2(L)
[0078]
[0079]
[0080] 对罚函数进行解析：
[0081]
[0082] 令 且σ→+∞，最终求解得到的结果为L。
[0083] 所述S4步骤中将求解计算的结果作为物流车辆规划路径，包括：
[0084] 将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
[0085] 相对于现有技术，本发明提出一种多目标物流路径优化方法，该技术具有以下优势：
[0086] 首先，本方案提出一种物流网络生成方法，通过利用图网络模型对物流进行表示，从而本方案实现对物流网络演化的表征，在物流网络演化过程中，实时利用多目标物流路径优化方法对物流运输问题进行优化求解，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；所述物流网络结构的构建流程为：初始化物流网络中的节点数为e0，边数为v0；计算当前物流网络中的节点度阈值 对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值 则选择概率最高的 个可连接节点进行连接，所述连接概率的计算公式为：
[0087]
[0088] 其中： di表示节点ai的度，ti表示节点ai加入物流网络的时间； 表示节点ai的节点度阈值；当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；与物流运输中心主节点相连的客户节点为物流运输路径目标。
[0089] 同时，本方案提出一种多目标的物流路径优化目标函数，所述目标函数的优化目标为保证物流运输成本、货损最小，客户满意度最高；所述多目标函数的约束条件为：
[0090]
[0091] qi≥0
[0092] ri≤εi≤zi
[0093]
[0094] 其中： 表示车辆s从物流运输中心出发到客户目标i、j，否则qi表示客户目标i对运输货物的需求量；S表示物流运输中心的车辆数目。利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
[0095]
[0096] P(L)＝P1(L)+P2(L)
[0097]
[0098]
[0099] 对罚函数进行解析：
[0100]
[0101] 令 且σ→+∞，最终求解得到的结果为L。将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，从而实现多目标的物流运输路径优化，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
附图说明
[0102] 图1为本发明一实施例提供的一种多目标物流路径优化方法的流程示意图；
[0103] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0104] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0105] S1：生成物流网络，并基于物流网络构建物流模型。
[0106] 所述S1步骤中生成物流网络，包括：
[0107] 利用图网络模型对物流进行表示，所述基于图网络模型的物流网络结构为G＝(E,V)，其中G表示物流网络，E表示物流网络中的节点，所述节点包括物流运输中心节点，物流运输客户节点，其中物流运输中心节点包括主节点以及其他节点，主节点表示待物流路径优化的对象，V表示物流运输中心节点与对应物流运输客户节点相连形成的边；
[0108] 在本发明一个具体实施例中，所述物流运输中心节点中的主节点与其他节点互为竞争中心，物流运输客户节点最多只可与一个物流运输中心节点相连，且物流运输客户节点只可与物流运输中心节点相连，物流运输中心节点只可与物流运输客户节点相连；
[0109] 所述物流网络结构的构建流程为：
[0110] 1)初始化物流网络中的节点数为e0，边数为v0；
[0111] 2)计算当前物流网络中的节点度阈值 对于物流网络中新加入的节点ai，计算新加入节点ai与其他可连接节点的连接概率，若物流网络当前节点数大于节点度阈值 则选择概率最高的 个可连接节点进行连接，所述连接概率的计算公式为：
[0112]
[0113] 其中：
[0114] di表示节点ai的度，ti表示节点ai加入物流网络的时间；
[0115] 表示节点ai的节点度阈值；
[0116] 在本发明一个具体实施例中，物流运输中心节点的节点度阈值范围为[10,20]，物流运输客户节点的节点度阈值为1；
[0117] 3)当物流网络结构中物流运输中心节点退出时，与退出节点相连的物流运输客户节点选择连接概率最大的物流运输中心节点进行连接；
[0118] 4)与物流运输中心主节点相连的客户节点为物流运输路径目标。
[0119] 所述S1步骤中构建物流车辆运输成本模型，包括：
[0120] 所述物流运输目标的位置集合为：
[0121] {(x0,y0),(x1,y2),…,(xk,yk),…,(xn,yn)}
[0122] 其中：
[0123] (x0,y0)表示物流运输中心主节点的位置坐标；
[0124] {(x1,y2),…,(xk,yk),…,(xn,yn)}表示与主节点相连的物流运输客户的位置坐标，n表示物流运输客户的总数；
[0125] 所述构建的物流车辆运输成本模型为：
[0126]
[0127] 其中：
[0128] Cost1表示物流车辆运输成本模型；
[0129] 表示车辆s从物流运输中心出发到客户目标i、j，否则
[0130] hcost表示单位重量运输货物的运输价格；
[0131] disij表示客户目标i和客户目标j之间的欧式距离；
[0132] qi表示客户目标i对运输货物的需求量；
[0133] S表示物流运输中心的车辆数目。
[0134] 所述S1步骤中构建物流顾客满意度模型，包括：
[0135] 所述构建的物流顾客满意度模型为：
[0136]
[0137] 其中：
[0138] Cost2表示物流顾客满意度模型；
[0139] ri表示客户目标i希望运输货物到达的最早时间，zi表示客户目标i希望运输货物到达的最晚时间；
[0140] εi表示客户目标i的运输货物到达的时间；
[0141] θ1,θ2均为惩罚系数，将θ1设置为1，θ2设置为3。
[0142] 所述S1步骤中构建物流运输货损模型，包括：
[0143] 所述构建的物流运输货损模型为：
[0144]
[0145] 其中：
[0146] Cost3表示物流运输货损模型。
[0147] 所述S1步骤中构建物流模型，包括：
[0148] 所述构建的物流模型C为：
[0149] C＝Cost1+Cost2+Cost3
[0150] 其中：
[0151] Cost1表示物流车辆运输成本模型；
[0152] Cost2表示物流顾客满意度模型；
[0153] Cost3表示物流运输货损模型。
[0154] S2：根据物流模型确定物流路径优化的多目标函数和约束条件。
[0155] 所述S2步骤中确定物流路径优化的多目标函数和约束条件，包括：
[0156] 根据所构建的物流模型C，确定物流路径优化的多目标函数：
[0157] F(L)＝minCost1+minCost2+minCost3
[0158] 其中：
[0159] L表示物流运输路径方案，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径；
[0160] 所述多目标函数的约束条件为：
[0161]
[0162] qi≥0
[0163] ri≤εi≤zi
[0164]
[0165] 其中：
[0166] 表示车辆s从物流运输中心出发到客户目标i、j，否则
[0167] qi表示客户目标i对运输货物的需求量；
[0168] S表示物流运输中心的车辆数目。
[0169] S3：利用拉格朗日罚函数方法对多目标函数进行求解计算。
[0170] 所述S3步骤中利用拉格朗日罚函数方法对多目标函数进行求解，包括：
[0171] 利用拉格朗日罚函数方法对多目标函数进行求解计算，所述求解计算的流程为：
[0172] 对于待求解的多目标函数F(L)，构建多目标函数F(L)的罚函数F(L,σ)：
[0173]
[0174] P(L)＝P1(L)+P2(L)
[0175]
[0176]
[0177] 对罚函数进行解析：
[0178]
[0179] 令 且σ→+∞，最终求解得到的结果为L。
[0180] S4：将求解计算的结果作为物流规划路径。
[0181] 所述S4步骤中将求解计算的结果作为物流车辆规划路径，包括：
[0182] 将求解计算的结果L作为物流运输路径方案，并按照物流运输路径方案执行物流运输，包括物流运输派出物流运输车的时间，物流运输车携带的运输货物量，物流运输车的路径。
[0183] 需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0184] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0185] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
