多目标多周期应急物流多目标优化研究.docxVIP

多目标多周期应急物流多目标优化研究 1 拆分-配送车辆路由规划 应急处理中，制定合理的车辆路径，将车辆运到灾区是救援措施的关键。另一方面，单条的负荷有限，只能满足大量车辆和多批货物。另一方面，每个灾区的货物体积有限，为了避免大量材料同时运输，造成混乱，有必要预测每个符合标准的货物体积。因此,有必要采用拆分-配送的方式进行车辆路径规划,即拆分-配送车辆路由问题(Split-delivery Vehicle Routing Problem,SDVRP)。目前应用遗传算法(Genetic Algorithm,GA)求解VRP已取得丰硕成果,本文尝试将其拓展到应急物流的SDVRP,并结合模型特点,改进算法,最后将其用于求解一个数值算例。 2 灾点恢复目标函数 考虑自然灾害造成A个灾点。该地区有且仅有一个车场(物资配送中心)。V台运输车辆由车场出发,历经若干(≥1)个灾点后,空载返回车场,构成R条路径。做如下假设: (1)物资为统一规格的包装单元(包括药品、饮用水、食物等)。 (2)运输车辆载重、容积、速度相同。 (3)各灾点与车场均有道路连通,车辆无需原路返回。 (4)各灾点各周期的需求可以准确估计,且在该周期内不变。 (5)车场的库存可满足所有灾点的需求总量。 (6)各灾点物资需求量较大,只能由多车分批配送。 (7)车辆从车场出发,即使前往通行距离(由道路长度及损毁程度共同决定)最远的灾点,也可单日往返。 (8)救援持续T个周期,T个周期之后送达的物资无效。 (9)模型中所有变量均为整数,简化为整数规划问题。 模型变量包括: t:周期集T={1,2,L,t,L,T}中的编号,结合救灾72小时黄金时间的一般原则,设T=3。 v:车辆集V={1,2,L,v,L,V}中的编号。 Rv(t):车辆v在周期t内经过的路径集,Rv(t)?R。 da(t):灾点a在周期t的物资需求量。 qarv(t,τ):为满足灾点a在周期t内的需求,车辆v经由路径r在周期τ内送达的物资量,显然t≤τ≤T。τ=t为如期配送,tτ≤T为延期配送,τT为无效配送。 tr:车辆在路径r上的行驶时间。tr是路径里程、行车速度和灾害破坏状况的函数,路径越长、车速越低、损毁越严重,tr越大;反之,tr越小。 σrv(t):路径决策函数,若车辆v在周期t内经过路径r,σrv(t)=1;否则,σrv(t)=0,即: Q:单车的最大运载量。 H:车辆在每个周期内的工作时间。 sa:灾点a的满意度,是救灾行动终止时灾点a获得的救灾物资总量与其需求总量之比: sa越大,需求满足得越充分,则该灾点的满意度越高。 有如下3个目标函数: 其中,1z为受灾地区所有灾点总需求与总配送的差值,最小化式(3)要求尽量满足灾区的物资需求。 其中,z2为所有车辆在救援路网中的总耗时,反映了救灾的紧迫性。 其中,3z为任意2个灾点的满意度差异的最大值,反映了救灾的公平性。 约束条件包括: (1)单车单次需给至少一个灾点配送救援物资 (2)单车单次配送物资量不得超过其额定荷载 (3)各灾点获得物资总量不应超过其需求总量 (4)车辆在一个周期内的总行驶时间存在上限 采用加权求和对上述3个目标进行折中,由层次分析法,根据专家经验,得到重要度比较矩阵: 因此,权值向量为: 经实际计算发现,z1的取值范围是60~100,z2的取值范围是0~24,z3的取值范围是0~5。因此,对z1和z2取对数,z3取其计算值,然后按式(11)加权求和,得到单一目标函数: 3 快速验证,保证最优解被丢失的人 采用保留精英的遗传算法框架,对初始种群做进化寻优,每次迭代中依次验证可行性,完成选择、交叉、变异、调整等操作,同时将优秀父代个体直接复制进入子代,保证现有最优解不被丢弃。 3.1 条配送路径 本文所建模型涉及多周期内多台车辆循多条路径的规划,由于为整数规划,因此将需求量为d的灾点视为需求量为1的d个同名灾点。一条染色体表示一套配送方案,由相互独立的段基因组成;每段基因表示一条配送路径,由Q位组成;每位表示一份配送物资,该位上的数字即为物资送达的灾点编号;当车辆非满载出发时,基因上出现空位,规定用0补齐。为了便于后续的遗传操作,染色体编码时将车场省去。 考虑SDVRP,车场记为D,6个灾点记为1~6,总需求量∑d=15,单车额定载荷Q=5,因此,需要3条配送路径,例如:路径1为D-3(2)-2(3)-D;路径2为D-4(1)-5(3)-6(1)-D;路径3为D-3(1)-4(4)-D,则对应的染色体编码为: 显然,3条路径整体互换不影响目标函数值,性能优化主要通过不同路径之间交换基因段以及相同路径内部重新排序基因位的方式实现。 3.2 初始种群生成 由于灾点各周期需求动态变化,因此必须将需求信息编入种群。设在周期t时,需求集为