物流系统规划报告.docxVIP

Me 1. Hub and spoke 模型求解算法 根据课程的学习，我们知道，hub and spoke模型的求解应该采用两阶段的启发式算法，分别对应着两个阶段： （1）枢纽位置问题(Hub Location Problem) （2）枢纽点分派问题(Hub Assignment Problem) 在枢纽位置问题(Hub Location Problem)当中，关于轴辐式网络模型中的枢纽点最佳个数问题和最佳位置问题目前国际上仍未很好解决。尤其是前者枢纽点最佳个数问题，在理论上由于不但涉及整个网络本身的节点个数，路径条件等方面，还与网络流量、折扣系数等诸多因素有关。在实际运用中除了诸多理论因素需要考虑之外，还与区位条件、运输方式、枢纽建设成本等多种定性与定量因素相关，因此很难有精确的数学方法可以求得。轴辐式网络模型中的枢纽点的个数绝大多数情况下属于人为设定，经过大量的算例分析，由学者认为： P= 为枢纽点的建议取值个数，其含义是位于网络中总体节点数目的平方根值两端的正整数值。 当然需要说明的是，该设定的这个求解公式是源于对现有相关研究的数据分析，而现有的研究绝大多数都是在网络中节点总数N＝50的情况下进行建模和算法设计求得近似解或者满意解。关于网络中节点总数N 50的情况的求解目前仍是公认的研究难点，很少有学者涉足，有待今后研究。 关于枢纽点的位置问题。这一问题目前多采用启发式算法求解网络中节点总数N=50的情况下获得满意解，但国际上许多学者公认的意见是枢纽设置的最佳位置在理论上需同时考虑到节点间距离、运输流量与枢纽建设成本等几大因素，由于枢纽建设成本一般是人为给定，可以暂不考虑此因素。所以一般求解枢纽点的定位问题主要考虑节点间距离、运输流量两大因素，且国际上许多学者公认较好的枢纽点候选定位是倾向于运输总距离较小而流量较大的点。 因此，我们可以得到以下的启发式算法步骤： 第一步:计算节点i到其它各有流量需求的节点间的总运输距离之和Ci，在起迄点间非直接连接的情况下，使用Floyed最短路径的方法计算运输距离； 第二步:计算节点i到其它各节点间的总流量之和Wi； 第三步:计算各节点的Ci/ Wi的值； 第四步：找出所有Ci/ Wi值中最小者所对应的节点i即是建议的枢纽设置点所在位置。因为Ci/ Wi值中最小者是整个物流网络中运输总距离最小而流量最大的节点，体现了物流配送网络运营价值的最大化; 第五步:按照P=N计算出的参考枢纽设置个数。依次选取Ci/ Wi值次小的P个，如果Ci/ Wi值存在等值情况，则按P 其中Floyd算法是求解最短路问题的经典算法。该算法是一种矩阵迭代方法，对于求任意两点间最短路、混合图的最短路、有负权图的最短路问题等一般网络问题来说都很有效 在枢纽点分派问题(Hub Assignment Problem)当中，在枢纽点的位置已经确定后，那么求解的问题就是找出每一对节点(i,j)之间运输流的最短路径，因此可以通过Floyd最短路径的算法对候选枢纽点进行测算，然后找出该运输流所经过的枢纽的最佳位置。 设H=h1,h2,h3,?,hp是一组按照C/W值方法选取的候选枢纽，每一对节点（i，j）的边长Iij如下：如果i,j?H，则Iij=M，M满足最大距离；如果i?H,j∈H,或j?H,i∈H，则Iij=Cij；如果i,j∈H，则Iij=αCij。为了找到两节点之间的最短路径，再次使用Floyd最短路径算法。用dkij表示从i节点到j节点的距离，这里仅考虑预先计算出的候选枢纽作为中间枢纽。从dkij的定义可以得知dkij=Iij。当i=j时，d0ij=0。Dk表示n×n矩阵，元素师第i 其流程如下图所示： 图1 Hub and spoke模型计算过程 2. 案例求解过程 下图为所提供的长三角的运输网络： 图2 长三角的运输网络 首先，根据模型的算法，我们利用Floyd算法，得到了长三角各个节点之间的距离矩阵，如下表所示： 表1 长三角各个节点之间的距离矩阵 　 南京 扬州 镇江 常州 湖州 杭州 无锡 苏州 嘉兴 南通 上海 宁波 距离之和 南京 0 113 98 142 190 245 186 232 270 244 294 406 2420 扬州 113 0 25 107 207 299 150 191 262 155 266 419 2194 镇江 98 25 0 82 182 274 125 166 237 171 268 421 2049 常州 142 107 82 0 100 192 46 90 161 102 189 342 1553 湖州 190 207 182 100 0 92 121 72 80 180 160 253 1637 杭州 245 299 274 192 92 0 2