遗传算法求解多式联运最小费用问题.docVIP

遗传算法求解多式联运最小费用问题 //.paper.edu - 1 - 摘 要：多式联运是现代物流网络运作的主体和纽带。在多品种、小批量的市场环境下，多 式联运的物流系统规划工作变得更加重要也更加复杂。本文以运筹学为基础，研究多式联运 最小费用问题，将该问题划分为两个步骤求解。第一步根据运输路段信息枚举可行的路线； 第二步运用遗传算法，将第一步生成的路线作为基因，所有订单的路线构成染色体，考虑运 输的重量、数量、体积等能力限制约束，建立数学模型。提出一个基于对应位杂交、自适应 相关变异的混合遗传算法，改善求解速度。最后对一个小规模算例(7 点* 15 订单*12 路段) 进行求解，并对得到的结果进行了验证。 关键词：物流，多式联运，遗传算法 1 引言 多式联运是现代物流网络运作的主体和纽带，是贯穿整个现代物流活动的主线[1]。在越 来越个性化的市场环境下，多式联运系统规划工作变得更加重要也更加复杂。建立准确、合 理的多式联运模型，可提高企业的运送速度和服务质量，实现高效、低耗的物流运输目标， 从而获得巨大的经济效益。 针对多式联运的模型和算法，很多学者从不同的角度分别对最短路、最短时间以及基于 时间因素的最短路问题进行了研究[2~6]。Angelica Lozano 等在每条有向边对应一种运输方式 的情况下，研究了多式联运的最短路问题 [2]。张运河等将多式联运广义最短路问题纳入到 多重图最佳路线的求解上，通过在图中增加虚拟的发、到站，使得该问题完全转化为一个最 短路问题，应用静态最短路算法对其求解[3]。魏众、申金升等提出了一个适用于多节点、长 距离的多式联运运输网络问题，并运用系统的理论和方法，建立多式联运下的路径最短时间 模型，并求得与之对应的路径的运输费用[4]。魏航等针对时变条件下多式联运的最短路问题， 考虑了各个节点的不同运输方式之间有出发时间限制的约束条件[5,6]。这些研究对提高企业 物流运输效率有一定的意义。然而决定企业运输成本的因素有很多，不是简单的最短路径或 者最短时间。在运达时间允许的情况下，换另外一种运输方式多走一些路程也可能节约运输 成本。 遗传算法[7]是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想 源于生物遗传学和适者生存的自然规律，是具有“生存+检测”的迭代过程的搜索算法。遗传 算法具有大范围全局搜索的能力和刻扩展性，对优化对象既不要求连续，又不要求可微，并 具有极强的鲁棒性和内在的并行计算机制，特别适合于非凸空间中复杂的多级值优化和组合 优化问题。作为一种新的全局优化搜索算法，遗传算法在各个领域得到了广泛应用，取得了 良好效果，并逐渐成为重要的智能算法之一。因此，本文采用遗传算法对多式联运最小费用 问题进行了研究。 2 建立多式联运问题模型 2.1 问题提出与假设 某第四方物流企业与多个承运商合作，将业务发展到了多个城市。为满足客户对运输的 要求并降低运输成本，获得最大的利润，该公司需要结合订单和各承运商能够提供的运输路 //.paper.edu - 2 - 段，规划确定各订单的运送路线。 运用遗传算法求解该问题，需要进行如下的假设： 需求假设 1：每个订单都有固定的重量、体积和数量，而且订单不能被拆分。 需求假设 2：不存在单张订单超过路段运送能力的现象。假设数据中已将运货量过大的 订单拆分为若干个运货量适中的小型订单。 成本假设 1：运输成本就等于配送的单位成本同所配送的重量的乘积，不考虑数量和体 积的因素。 成本假设 2：数据中采用平均的运输成本，不考虑因由淡季、旺季的影响而造成的运输 报价不同的因素。 成本假设 3：货物中途的转运成本和因转运产生的存储成本为零。 2.2 定义符号和变量 { }1 2, ,... ,...k dS s s s s= ， ( 1,2,... )k d= 为公司业务覆盖的 d 个城市的集合。 { }1 2, ,... ,...i mO o o o o= ，( 1,2,... )i m= 为 m 个运货订单的集合。其中订单 i 的起始城市 和到达城市分别为 1isite S∈ ， 2isite S∈ 。 { }1 2, ,... ,...j nR r r r r= ， ( 1,2,... )j n= 为各承运商可提供的 n 条路段的集合。其中路段 j 的起点终点分别为 1jsite S∈ ， 2 jsite S∈ 。 jcarrier 为承运商名称， cos jtUnit 为单位重 量的运输费用。路段 j 上每班次的运输能力为 jquantity ， jvolume 和 jweight 。 定义 m*n 的二维矩阵变量： ( ) j 1, ijX ??= ???? 当订单i经过