• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      模糊需求下綠色同時取送貨問題與算法研究

      2020-08-19 10:42:28馬艷芳欒新鳳
      關(guān)鍵詞:搜索算法油耗適應(yīng)度

      馬艷芳,應(yīng) 斌,康 凱,欒新鳳

      河北工業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院,天津 300401

      1 引言

      目前,全球氣候變暖問題日益突出,溫室氣體排放問題受到廣泛關(guān)注。在1992 年制定的《聯(lián)合國氣候變化框架公約》中建立了應(yīng)對未來數(shù)十年氣候變化的長效機(jī)制。于2005年正式生效的《京都議定書》使得減少溫室氣體的排放量成為了發(fā)達(dá)國家的法律義務(wù)。同時,我國政府承諾到2020 年,我國二氧化碳排放量同比2005年減少50%~60%。十八屆五中全會提出了“創(chuàng)新、協(xié)調(diào)、綠色、開放、共享”的發(fā)展理念,其中綠色是永續(xù)發(fā)展的必要條件。而交通運(yùn)輸業(yè)是溫室氣體的主要來源之一,其中物流運(yùn)輸占交通運(yùn)輸業(yè)碳排放量的比重最大,面臨著巨大的減排壓力。因此,減少物流運(yùn)輸作業(yè)中的碳排放量,實(shí)現(xiàn)綠色物流具有極強(qiáng)的現(xiàn)實(shí)意義。

      近幾年,車輛調(diào)度問題的低碳化研究已經(jīng)引起了學(xué)者們的廣泛關(guān)注。Sbihi 等[1]認(rèn)為對傳統(tǒng)車輛調(diào)度問題的研究目標(biāo)不應(yīng)局限于經(jīng)濟(jì)效益,還應(yīng)考慮環(huán)境和社會因素,以有效減少碳排放。Palmer[2]研究速度與二氧化碳排放的關(guān)系,建立運(yùn)輸車輛的集成路徑調(diào)度和碳排放模型。Demir等[3]認(rèn)為運(yùn)輸車輛的油耗量與車速、加速度和載重等多個參數(shù)有關(guān),進(jìn)而影響碳排放量。Bektas等[4]綜合研究多目標(biāo)車輛調(diào)度問題,包括負(fù)載、油耗、溫室氣體、旅行時間、距離、成本,并權(quán)衡了各目標(biāo)之間的關(guān)系,提出車輛調(diào)度問題有很大的減排空間。張春苗[5]建立低碳-定位車輛調(diào)度模型,并證明該模型能有效減少運(yùn)輸中的碳排放,但會使總成本增加。李順勇等[6]基于多通路時變網(wǎng)絡(luò)研究低碳車輛調(diào)度優(yōu)化。史春陽[7]研究公路運(yùn)輸中油耗與CO2排放量的計(jì)算體系,并在此基礎(chǔ)上重點(diǎn)研究同時取送貨車輛調(diào)度問題(Vehicle Routing Problem with Simultaneous Pickup and Delivery,VRPSPD)中CO2減排因素對調(diào)度規(guī)劃的影響。李進(jìn)等[8]研究低碳環(huán)境下的車輛調(diào)度問題,提出使用中低的車輛速度有利于減少碳排放量。唐金環(huán)等[9]在時變網(wǎng)絡(luò)下對含旅行時間和碳排放的多目標(biāo)車輛調(diào)度優(yōu)化問題進(jìn)行研究。趙燕偉等[10]對多車型VRPSPD 問題進(jìn)行了低碳路徑研究。葛顯龍等[11]研究開放式污染路徑問題,提出碳排放計(jì)算方法,并建立了優(yōu)化模型。以上文獻(xiàn)研究了低碳條件下的車輛調(diào)度問題,促進(jìn)了綠色物流的發(fā)展。然而,目前對綠色物流的研究往往只考慮了傳統(tǒng)車輛調(diào)度問題下的碳排放問題,缺乏對顧客需求不確定性和同時取送貨情況的考慮。

      車輛調(diào)度問題是典型的NP 難題,通常采用啟發(fā)式算法求解。符卓等[12]針對需求可離散拆分的車輛調(diào)度問題,提出具有特殊操作的禁忌搜索算法,增強(qiáng)算法搜索性能。謝九勇等[13]設(shè)計(jì)自適應(yīng)禁忌搜索算法以求解帶多軟時間窗的車輛調(diào)度問題。潘雯雯[14]基于路徑優(yōu)化和路徑改進(jìn),提出兩階段算法。張濤等[15]對蟻群算法進(jìn)行改進(jìn),引入最大最小螞蟻系統(tǒng)和基于排序的螞蟻系統(tǒng),并改進(jìn)啟發(fā)因子和初始化,以研究帶車輛行程約束的VRPSPD。陳希瓊等[16]針對多目標(biāo)VRPSPD 問題,構(gòu)造嵌入禁忌表的多目標(biāo)蟻群算法求解。郭海湘等[17]基于單車場多車型提出三種混合算法,通過比較發(fā)現(xiàn)混合蟻群算法性能更優(yōu)。葛顯龍等[11]設(shè)計(jì)并改進(jìn)自適應(yīng)遺傳算法,以求解開放式污染車輛調(diào)度問題。李進(jìn)等[8]對低碳環(huán)境下的車輛調(diào)度問題,設(shè)計(jì)基于路徑劃分的禁忌搜索算法,采用三種鄰域搜索方法。然而,單一算法一般都具有一定的局限性,如遺傳算法易陷入早熟早收斂,禁忌算法對初始解依賴性較強(qiáng),模擬退火算法對初始參數(shù)設(shè)置較敏感,蟻群算法收斂效率較低。近年來,學(xué)者對混合算法的研究逐漸深入,以克服單一算法的局限性。李陶深等[18]提出遺傳算法與禁忌搜索算法的混合策略,并應(yīng)用于VRPTW(Vehicle Routing Problem with Time Windows)問題。余麗等[19]將遺傳算法與禁忌搜索算法相結(jié)合,以優(yōu)化旅行商路徑問題?;旌纤惴ú呗韵鄬τ趩我凰惴ň哂忻黠@的優(yōu)勢,取得了不錯的效果。

      筆者梳理相關(guān)文獻(xiàn),選取近五年相關(guān)文獻(xiàn),選擇與車輛調(diào)度主題完全契合文獻(xiàn),剔除同一作者相近題目,表1總結(jié)了車輛調(diào)度問題中與不確定環(huán)境、同時取送貨和低碳相關(guān)研究。從表1 中可以發(fā)現(xiàn)有較多關(guān)于低碳與同時取送貨的單一研究,關(guān)于模糊需求的研究較少,僅極少的文獻(xiàn)研究了低碳取送貨問題或模糊環(huán)境下的同時取送貨問題。同時取送貨車輛調(diào)度問題在傳統(tǒng)的VRP(Vehicle Routing Problem)中考慮了顧客的取貨需求,同時安排了送貨與取貨,從而降低了車輛的空載行駛里程,以追求成本最小。模糊需求車輛調(diào)度問題(Vehicle Routing Problem with Fuzzy Demand,VRPFD)考慮了客戶需求的模糊性,把客戶的需求量設(shè)置為三角模糊數(shù),使該問題更符合實(shí)際情況。考慮碳排放的車輛調(diào)度問題(Low-Carbon Routing Problem,LCRP)在傳統(tǒng)的VRP中考慮了社會經(jīng)濟(jì)效益,從經(jīng)濟(jì)車速、交通條件、道路條件、天氣狀況等因素考慮,降低配送過程中油耗和碳排放,實(shí)現(xiàn)低碳運(yùn)輸。本文在同時取送貨問題研究中,考慮了低碳運(yùn)輸和顧客模糊需求,提出了以碳排放、油耗、服務(wù)總成本最低為目標(biāo)的同時取送貨車輛調(diào)度問題。隨后,提出改進(jìn)的混合算法策略,即遺傳禁忌搜索算法(Genetic Algorithm with Tabu Search,GA-TS)求解該問題,以避免單一算法局限性。算法中,將懲罰因子引入適應(yīng)度函數(shù),處理違反約束的染色體;采用結(jié)合精英策略的選擇算子,加速向最優(yōu)解收斂;提出結(jié)合禁忌搜索算法的變異算子,提高算法的局部搜索能力。

      表1 相關(guān)文獻(xiàn)簡明綜述

      2 問題描述及模型構(gòu)建

      模糊需求下綠色同時取送貨車輛調(diào)度問題描述如下:配送中心使用單一類型的車輛給客戶服務(wù),同時滿足顧客的取送貨需求,且客戶需求具有一定的模糊性。每輛車必須從配送中心出發(fā),完成任務(wù)后返回配送中心不再服務(wù),且每個客戶只能訪問一次。目標(biāo)函數(shù)不僅考慮了與時間相關(guān)的服務(wù)成本,還考慮了油耗、碳排放成本,以此進(jìn)行合理的路徑規(guī)劃,使總成本最小。另外,為了便于建模和求解,進(jìn)行以下條件限制:只有一個配送中心;客戶的具體信息已知,包括客戶位置、服務(wù)時間等;車輛最大裝載量能同時滿足任意客戶的兩種需求;貨車總數(shù)量能滿足所有顧客的總需求;每個顧客有且僅有一次被服務(wù)。

      2.1 期望模糊需求

      現(xiàn)實(shí)生活中,客戶往往很難給出一個十分精確的需求量及取貨量。相反,客戶往往會依據(jù)經(jīng)驗(yàn)給出一個大致的范圍,在范圍中取一個最可能的值,這帶有很大的模糊性。比如:本月的需求量在1.0 噸到1.5 噸之間,最可能的值是1.3噸。因此,本文引入了模糊變量,把需求設(shè)置為三角模糊數(shù),將模糊不確定的需求轉(zhuǎn)化為確定的數(shù)值。設(shè)需求最小值為三角模糊數(shù)的下界a,需求的最大值為三角模糊數(shù)的上界b,最可能需求量c為三角模糊數(shù)的中間值。因此,可以將客戶i的需求通過三角模糊數(shù)表示為(ai,ci,bi)。

      不確定變量的處理是一個較為復(fù)雜的問題,本文采用期望值處理模糊需求,相關(guān)理論見下文。不妨設(shè)A為三角模糊數(shù),A=(a,c,b),其中0 <a≤c≤b,其隸屬度函數(shù)如下:

      其中,a、b分別為三角模糊數(shù)的下限和上限,c為三角模糊數(shù)最有可能的取值,隸屬函數(shù)圖見圖1。

      圖1 隸屬函數(shù)圖

      定義1[26]模糊數(shù)A的期望區(qū)間的中心稱為這個數(shù)的期望值EV(A),即:

      引理1[26]設(shè)A是邊為fA和gA的三角模糊數(shù)A=(a,c,b),區(qū)間隨機(jī)集S∈RI(A),那么:

      由定義1及引理1,本文得出如下推論。

      推論 設(shè)A是邊為fA和gA的三角模糊數(shù)A=(a,c,b),則其期望值表示如下:

      證明 由定積分的幾何意義可知,ES1和ES2中的定積分部分分別為三角形Δacd和三角形Δdcb的面積,因此:

      進(jìn)而推得:

      從而,將模糊需求量轉(zhuǎn)化為期望值。

      2.2 碳排放計(jì)算方法

      直接測量碳排放量不太現(xiàn)實(shí),通常人們根據(jù)油耗量估計(jì)碳排放量。根據(jù)Esteves-Booth等[27]研究表明,油耗量與碳排放成正比關(guān)系。假設(shè)CE為碳排放量,F(xiàn)C為油耗量,ε為燃油排放因子(單位油耗的CO2排放量),則可用公式表示為:

      其中,不同燃料的燃油排放因子也不相同。本文參考?xì)W洲碳排放計(jì)算標(biāo)準(zhǔn),取ε=2.62 kg/L。

      而車輛的油耗不僅與行駛距離有關(guān),還與車輛的載重、速度、車型、路況、燃油類型、空氣密度等有關(guān)。對此,考慮不同的影響因素也產(chǎn)生了多種不同的油耗計(jì)算模型。常見的油耗計(jì)算模型有:

      (1)瞬時油耗模型[28]。該模型考慮了車輛的質(zhì)量、性能、牽引力、空氣阻力等因素,適用于車輛行駛距離較短、配送規(guī)模較小時的油耗計(jì)算。

      (2)四階段模型[29]。該模型根據(jù)車輛不同的行駛狀態(tài),分別建立了四種模式下的油耗計(jì)算模型——加速模式、減速模式、空轉(zhuǎn)模式、漫游模式,將四階段的油耗分別積分后求和即為總油耗。該模型計(jì)算較為精確,但依然只適用短途運(yùn)輸?shù)挠秃挠?jì)算。

      (3)綜合模型[30]。該種模型對車輛參數(shù)進(jìn)行了更為明確的考慮,如發(fā)動機(jī)轉(zhuǎn)速、排量、摩擦系數(shù),空氣阻力系數(shù)等。因此,該油耗模型的計(jì)算結(jié)果精確度相對較高,具體模型如下:

      其中,F(xiàn)R為燃油消耗率;P為發(fā)動機(jī)總牽引功率;Pt為有效功率;ω是燃料與空氣的質(zhì)量比;μ為汽車發(fā)動機(jī)摩擦系數(shù);η為柴油發(fā)動機(jī)的效率參數(shù);λ為柴油熱量值;N為發(fā)動機(jī)轉(zhuǎn)速;E為發(fā)動機(jī)排量;θ為貨車的傳動效率;M為貨車的總質(zhì)量(空車質(zhì)量+裝載貨物質(zhì)量);a為貨車加速度;g為重力加速度;α為道路坡度;Cd為空氣阻力系數(shù);ρ為空氣密度;A為貨車迎風(fēng)面積;v為車輛行駛速度;Cr為貨車轉(zhuǎn)動阻力系數(shù);Pacc是貨車其他功率需求,一般取0。各參數(shù)一般取值見表2。

      表2 模型參數(shù)值

      綜合上述三種模型,進(jìn)行對比分析,綜合模型的應(yīng)用范圍更廣,計(jì)算結(jié)果也更為精確。故本文采用綜合模型計(jì)算油耗量,進(jìn)而計(jì)算碳排放量。

      假設(shè)車輛從顧客點(diǎn)i行駛到顧客點(diǎn)j耗時tij,則油耗量計(jì)算公式為:

      碳排放量計(jì)算公式為:

      其中,ζ為單位轉(zhuǎn)換系數(shù)(將g/s 轉(zhuǎn)換為L/s),通常取值737。

      2.3 數(shù)學(xué)模型

      模型所需符號如下:

      A:顧客和倉庫集合,A={0,1,…,n},其中0 表示倉庫;

      C:顧客集合,C={1,2,…,n};

      V:車輛集合,V={1,2,…,K};

      n:顧客數(shù)量;

      Q:車輛最大負(fù)載能力;

      Cs:單位時間的服務(wù)成本;

      Cf:單位油耗費(fèi)用;

      qijk:車輛k訪問完i后在訪問j之前的載貨量;

      dij:顧客i與顧客j之間的距離;

      ti:車輛對顧客i的開始服務(wù)時間;

      si:車輛在顧客i的服務(wù)時間;

      tij:從顧客i到顧客j的運(yùn)輸時間;

      xkj:0-1變量,若顧客j由車輛k提供服務(wù),則為1,否則為0;

      xijk:0-1變量,若從顧客i到顧客j由車輛k提供服務(wù),則為1,否則為0。

      基于綜合碳排放計(jì)算模型,考慮同時取送貨問題相關(guān)約束,構(gòu)建數(shù)學(xué)模型如下:

      約束條件:

      目標(biāo)函數(shù)式(1)為總成本最低,包括服務(wù)成本(車輛租用費(fèi)用、司機(jī)薪資)、油耗費(fèi)用和碳排放費(fèi)用。約束條件式(2)為車輛最大負(fù)載限制;式(3)為取貨服務(wù)過程約束,保證每輛車在任何路段上的負(fù)載都不得超過車輛的最大負(fù)載限制,且非負(fù);式(4)和(5)表示每個顧客有且僅有一次被服務(wù);式(6)表示顧客j只能被同一輛車服務(wù);式(7)表示每輛車最多只能使用一次;式(8)表示一輛車可以服務(wù)多個顧客,而一個顧客只能被一輛車服務(wù);式(9)表示車輛從倉庫出發(fā)時的載貨量等于所服務(wù)的客戶的送貨需求量之和;式(10)表示保證車輛回到倉庫的載貨量為已服務(wù)的客戶的取貨需求量之和;式(11)表示車輛在完成任務(wù)后須回到配送中心;式(12)和(13)表示xkj和xijk為0-1變量。

      3 算法設(shè)計(jì)

      遺傳算法是一種全局搜索機(jī)制,全局搜索能力強(qiáng),但局部搜索能力較弱,一般只能求得次優(yōu)解,而非最優(yōu)解。而禁忌搜索算法為局部搜索機(jī)制,局部搜索能力強(qiáng),具有極強(qiáng)的爬山能力,但對初始解依賴性較強(qiáng)。通過兩種算法的融合,可以取長補(bǔ)短,優(yōu)勢互補(bǔ)。

      3.1 解的表示與初始解

      初始解的生成方式有兩種——隨機(jī)生成和啟發(fā)式生成。啟發(fā)式生成的初始解相對隨機(jī)生成個體更為優(yōu)良,但個體較為集中,易使算法陷入局部極值點(diǎn)。為保證個體多樣性,使初始解盡可能地分布在整個解空間,本文采用隨機(jī)生成的方式產(chǎn)生初始解。

      本文采用自然數(shù)編碼機(jī)制,具體編碼方式如下:

      假設(shè)有9 位顧客,3 輛配送車輛。首先生成一個客戶的隨機(jī)向量853762149,然后生成一個車輛的隨機(jī)向量121312233,將兩組向量相互對應(yīng),客戶向量所對應(yīng)位置的車輛向量值即服務(wù)該客戶的車輛。即:第一輛車服務(wù)客戶8、客戶3、客戶6,第二輛車服務(wù)客戶5、客戶2、客戶1,第三輛車服務(wù)客戶7、客戶4、客戶9,服務(wù)順序依據(jù)隨機(jī)客戶向量中的先后位置進(jìn)行。因此,解碼后得到3條線路,車輛1為8→3→6,車輛2為5→2→1,車輛3為7→4→9。該編碼方式保證了每輛車可服務(wù)多個客戶,且只被安排一次,每個客戶只由一輛車服務(wù)一次。

      3.2 適應(yīng)度函數(shù)

      適應(yīng)度函數(shù)的好壞關(guān)系到算法性能的優(yōu)劣,一般通過求解適應(yīng)度值來判別解的優(yōu)劣,進(jìn)而進(jìn)行選擇操作。鑒于VRPSPD 的特點(diǎn),考慮到車輛的裝載容量限制,為保證各路線總送貨需求以及在各客戶點(diǎn)取貨后的負(fù)載不會超過車輛最大負(fù)載限制,避免產(chǎn)生不可行的路徑,本文在適應(yīng)度函數(shù)上增加了較高的懲罰代價。當(dāng)車輛的載重量超過車輛容量時,每次都會有罰款。因此適應(yīng)度函數(shù)如下所示:

      其中,zi為第i條染色體所對應(yīng)的目標(biāo)函數(shù)值,M是當(dāng)車輛超載時所產(chǎn)生的足夠大的懲罰成本,λ為超出的載重(當(dāng)未超載時λ=0),fi為該染色體所對應(yīng)的適應(yīng)度值。計(jì)算目標(biāo)值時考慮從配送中心出發(fā)及返回配送中心的旅途時間,并保證返回載貨量與發(fā)車載貨量分別與客戶取送貨總需求相等,以滿足算法約束條件。根據(jù)適應(yīng)度值來判斷個體的優(yōu)劣,進(jìn)而使適應(yīng)度值較高的個體存活下來,適應(yīng)度值較低的個體死亡,即成本更高的解決方案將從種群中移除,而其他方案將保留下來。

      3.3 選擇算子

      選擇算子根據(jù)適應(yīng)度值以一定的概率從舊個體中選擇優(yōu)良個體組成新種群。通常,該概率是由個體的適應(yīng)度值與種群所有個體的適應(yīng)度值之和的比例所確定的,適應(yīng)度越高,被選中的概率也就越大。但是這種方法容易導(dǎo)致適應(yīng)度高的個體大量繁殖,從而使算法的搜索范圍過于局限。因此,本文采用改進(jìn)的輪盤賭法[31]結(jié)合最佳保留策略進(jìn)行選擇操作。具體步驟如下:

      步驟1 根據(jù)適應(yīng)度值大小對種群進(jìn)行排序,使適應(yīng)度值最大的個體直接進(jìn)入下一代。

      步驟2 計(jì)算個體選擇概率Pi=z(1-z)i-1,其中z=為種群中的個體數(shù)目。

      步驟3 隨機(jī)生成一個[0,1]之間的選擇數(shù)x,計(jì)算個體i的累積概率:

      當(dāng)累積概率為1 時,停止運(yùn)算。此時,若Qi-1<x≤Qi,則選擇個體i。

      步驟4 找出當(dāng)前種群中適應(yīng)度最優(yōu)的個體與迄今最好個體的適應(yīng)度值做比較,若當(dāng)前最優(yōu)個體適應(yīng)度更優(yōu),則取代原最好個體。而被替換的原最好個體則取代當(dāng)前種群最差個體。

      步驟5 重復(fù)步驟3 和步驟4 共n次,選出新的種群為止。

      3.4 交叉算子

      交叉算子與算法的全局搜索能力密切相關(guān),是遺傳算法的主要算子,也是種群得以進(jìn)化的基礎(chǔ)。它模擬生物自然進(jìn)化過程,使兩條染色體互換部分基因,從而形成新個體。

      本文采用兩點(diǎn)交叉法。同時,為避免兩個父代染色體相同的情況,采用了一種改進(jìn)的交叉策略,以增加種群的多樣性,如圖2所示。具體步驟如下:

      步驟1 根據(jù)交叉概率隨機(jī)選出父代1 和父代2,并隨機(jī)選取兩個分界點(diǎn)c1和c2,兩分界點(diǎn)之間即為交叉的基因片段。

      步驟2 將第一個父代染色體的基因片段移到第二個父代染色體尾部,將第二個父代染色體移到第一個父代首部。

      步驟3 對有誤部分進(jìn)行修正處理,刪除染色體中重復(fù)沖突的基因。

      3.5 變異算子

      變異算子與算法的局部搜索能力密切相關(guān),通過改變?nèi)旧w上的部分基因位,形成新的染色體,從而維持種群的多樣性,防止早熟早收斂的狀況,進(jìn)而提高算法的局部搜索能力。通常的變異操作有交換變異、倒位變異、插入變異等,但這些基本的變異操作對提高算法的局部搜索能力有限。而禁忌搜索算法有著獨(dú)特的記憶能力,局部搜索能力強(qiáng)。故本文將禁忌思想引入遺傳算法,采用禁忌搜索算法作為變異算子,進(jìn)一步提高算法的爬山能力。本文采用λ-交換法[32]構(gòu)造鄰域函數(shù),確定藐視準(zhǔn)則為當(dāng)某個基因移動產(chǎn)生的解優(yōu)于當(dāng)前最好解時,則不論該基因移動是否處于禁忌狀態(tài),都接受該移動,并將其作為新的當(dāng)前解。具體步驟如下:

      圖2 交叉流程圖

      步驟1 確定禁忌算法的初始解,選擇交叉操作后生成的較優(yōu)解作為初始解X。

      步驟2 鄰域結(jié)構(gòu)設(shè)計(jì):用鄰域函數(shù)為X產(chǎn)生若干鄰域解,并從中確定候選解集。

      步驟3 判斷候選解集是否為空?若否,則選出候選解集中的最優(yōu)解S,轉(zhuǎn)步驟4;若是,則進(jìn)入下一輪迭代。

      步驟4 判斷S是否滿足藐視準(zhǔn)則?若滿足,則令X=S,并將S加入禁忌表;若不滿足,則轉(zhuǎn)步驟5。

      步驟5 判斷S的禁忌屬性。若S屬于禁忌表,則刪除S,回到步驟3;若不屬于,則令X=S,并將S加入禁忌表。

      步驟6 令迭代次數(shù)gen=gen+1,并進(jìn)入下一輪迭代。

      本文將禁忌搜索的思想融入遺傳算法,從而提高遺傳算法的局部搜索能力,遺傳禁忌搜索算法具體實(shí)現(xiàn)流程如圖3所示。

      4 案例分析

      圖3 算法流程圖

      案例分析部分,引入了三角模糊數(shù)來描述客戶的需求,使其更符合實(shí)際,并對計(jì)算結(jié)果進(jìn)行了分析。然后,通過不同算法進(jìn)行比較,驗(yàn)證了模型的合理性和算法的有效性。所有啟發(fā)式算法都是在華碩W518 計(jì)算機(jī)上使用MatlabR2012a執(zhí)行的,具體配置為1.70 GHz Inter?CoreTMi5-4210U處理器,4 GB內(nèi)存,64位Windows 8操作系統(tǒng)。本案通過Matlab 隨機(jī)生成了30 個客戶點(diǎn),客戶的需求量基于三角模糊數(shù)確定。表3 給出了顧客位置坐標(biāo)、服務(wù)時間、取貨量及其送貨需求。根據(jù)實(shí)際情況,決策者確定6 輛車重為2.5 噸,載重量為6 噸的卡車,行駛速度設(shè)為60 km/h。成本部分包括了服務(wù)成本(車輛租用費(fèi)用、司機(jī)薪資)與運(yùn)輸成本(油耗費(fèi)用、碳排放費(fèi)用)。一般情況下,服務(wù)成本為90 元/h。查詢最新柴油價格為6.5 元/L,碳排放價格為0.6 元/kg。

      4.1 田口法參數(shù)設(shè)置

      算法對于參數(shù)的設(shè)置非常敏感,不同的參數(shù)值能決定算法的有效性,因此需要在運(yùn)行算法之前確定合理的參數(shù)值。遺傳算法作為一種元啟發(fā)式算法,參數(shù)設(shè)置包含迭代次數(shù)、種群大小、交叉概率、變異概率等。依據(jù)以往遺傳禁忌參數(shù)設(shè)置經(jīng)驗(yàn)[18-19],本文交叉概率設(shè)置為0.85,變異概率設(shè)置為0.15。算法的最優(yōu)迭代次數(shù)與種群大小,本文采用田口設(shè)計(jì)的實(shí)驗(yàn)方法進(jìn)行參數(shù)調(diào)優(yōu),以確定其值。田口法是一種優(yōu)秀的參數(shù)校準(zhǔn)方法,近年來被許多研究人員所采用。Taguchi 定義了信噪比(S/N)作為變化的度量,這種轉(zhuǎn)換方法也使該參數(shù)設(shè)計(jì)具有很好的魯棒性。此外,田口法的目標(biāo)值分為“越小越好”“越大越好”“名義上最好”三組。由于決策者的目標(biāo)函數(shù)是成本最小化,因此本文選擇“越小越好”的類型,所對應(yīng)的信噪比由Mousavi和Niaki[33]給出,如下:

      式中,n為各參數(shù)水平上算法的執(zhí)行次數(shù),F(xiàn)t為響應(yīng)值,即第t次實(shí)驗(yàn)的目標(biāo)函數(shù)值。

      設(shè)置種群大小分別為10、20、30、40、50,迭代次數(shù)為100、200、300、400、500,每種類別分別進(jìn)行10 次實(shí)驗(yàn),共進(jìn)行250 次測試。隨后,創(chuàng)建田口設(shè)計(jì),并將產(chǎn)生的250個總成本實(shí)驗(yàn)值作為響應(yīng)值進(jìn)行田口設(shè)計(jì)分析。分析結(jié)果如表4所示,相應(yīng)的信噪比和均值如圖4、圖5所示。從圖4 中可以看出,當(dāng)種群大小為40,迭代次數(shù)為500時,信噪比最大。同樣,在圖5中,當(dāng)種群大小為40,迭代次數(shù)為500 時,總成本均值最小。因此,根據(jù)田口實(shí)驗(yàn)分析所得,參數(shù)種群大小設(shè)置為40,迭代次數(shù)為500次。

      表3 顧客信息表

      圖4 信噪比交互作用圖

      4.2 計(jì)算結(jié)果分析

      基于上述數(shù)據(jù),運(yùn)行算法30次,得到求解結(jié)果中最好的一次路徑優(yōu)化結(jié)果??偝杀咀钚? 525.3 元、油耗量為254.74 L、碳排放量為667.41 kg,具體求解結(jié)果如表5所示,最優(yōu)路徑如下:

      圖5 均值交互作用圖

      車輛1:22→9→26

      車輛2:3→11→17→30

      車輛3:4→23→6→2→18→28

      車輛4:21→16→27→19→8

      車輛5:29→13→24→5→12→14

      車輛6:1→10→25→7→20→15

      一般情況下,旅行時間越長,總成本越高。然而,對比車輛1 與車輛2 卻發(fā)現(xiàn),車輛1 的旅行時間少于車輛2,而總成本卻高于車輛2。不僅如此,車輛1 服務(wù)的客戶數(shù)最少,旅行時間最短,但油耗量與碳排放量卻相較于車輛2、3、4都要高。這是由于車輛1在客戶點(diǎn)的總服務(wù)時間相對較短(占總旅行時間45.42%),而車輛2、3、4 的總服務(wù)時長分別占總旅行時間54.99%、64.52%、56.75%。因此,車輛1 在路上的行駛時間就相對較長,為4.17 h,車輛2 的行駛時長為3.52 h,車輛3 的行駛時長為3.74 h,車輛4的行駛時長為3.94 h,這就導(dǎo)致車輛1的油耗量與碳排放量反而高于車輛2、3、4。因此得出,車輛的總旅行時間與油耗量并非單純的線性關(guān)系。在解決帶碳排放的車輛調(diào)度問題時,不僅要考慮車輛的租用時間,也要考慮車輛在各客戶點(diǎn)的服務(wù)時間(卸貨、取貨等)所帶來的影響。

      表4 田口設(shè)計(jì)分析結(jié)果

      最后,從服務(wù)各客戶的載重變化情況來看,出庫載重均未超過車輛的允許載重,且車輛3、4、5、6的出庫荷載都充分使用了車輛的裝載能力,體現(xiàn)了該算法的有效性。

      表5 最優(yōu)解結(jié)果

      4.3 算法對比分析

      為驗(yàn)證改進(jìn)的遺傳禁忌算法對于求解模糊需求下綠色同時取送貨車輛調(diào)度問題的性能,本文針對三種不同的案例規(guī)模,分別利用遺傳算法、粒子群算法對本模型再次進(jìn)行求解,對比分析算法的求解效果。各算法參數(shù)設(shè)置如表6 所示,其中P為種群大小,G為迭代次數(shù),CP為交叉率,MP為變異率,TG為禁忌代數(shù),CS為候選集,TL為禁忌長度,W為慣性權(quán)重,C為加速因子。每種算法運(yùn)行30次,分別取各算法所求最優(yōu)解,并給出三種算法迭代效果圖。

      表6 算法參數(shù)設(shè)置

      不同案例規(guī)模下算法計(jì)算結(jié)果對比如表7、表8、表9所示,算法迭代效果對比如圖6所示。

      表7 30個客戶算法計(jì)算結(jié)果對比

      表8 60個客戶算法計(jì)算結(jié)果對比

      表9 90個客戶算法計(jì)算結(jié)果對比

      當(dāng)客戶數(shù)量為30 時,從表7 中可以看出,本文算法的最優(yōu)解相較于傳統(tǒng)遺傳算法而言,可使總成本降低1.6%,碳排放量降低2.2%,總旅行時間減少0.82 h;相較于例子群算法而言,可使總成本降低3.4%,碳排放量降低5.0%,減少總旅行時間1.71 h。

      圖6 算法迭代對比圖

      當(dāng)客戶數(shù)量為60 時,從表8 中可以看出,本文算法的最優(yōu)解相較于傳統(tǒng)遺傳算法而言,可使總成本降低4.8%,碳排放降低6.7%,總旅行時間減少5.28 h;相較于粒子群算法可使總成本降低12.7%,碳排放量降低35.4%,總旅行時間減少4.19 h。

      當(dāng)客戶數(shù)量為90 時,從表9 中可以看出,本文算法的最優(yōu)解相較于傳統(tǒng)遺傳算法而言,可使總成本降低31.1%;相較于粒子群算法而言,可使總成本降低60.03%。對比碳排放與旅行時間,三種算法的差別不大。另外,經(jīng)過驗(yàn)算發(fā)現(xiàn),當(dāng)客戶數(shù)量為90 時,總成本高于正常水平,這是由于車輛的載重超過車輛容量限制,從而產(chǎn)生了較高的懲罰成本,此種情況下可考慮用不同的車型安排取送貨,這將是下一步的研究方向。

      綜上,當(dāng)客戶為小規(guī)模及中等規(guī)模時,本文算法求解模糊需求下綠色同時取送貨問題的求解效果均優(yōu)于GA 和PSO。當(dāng)客戶規(guī)模較大時,本文算法的求解效果仍遠(yuǎn)優(yōu)于GA 和PSO。且從圖6 可以看出,粒子群算法的收斂速度最快,但結(jié)果最差;遺傳算法的求解結(jié)果優(yōu)于粒子群算法,但是收斂速度較慢;改進(jìn)的遺傳禁忌算法的求解效果最好,收斂速度僅略低于粒子群算法。故而,認(rèn)為改進(jìn)的遺傳禁忌算法對于求解該問題是實(shí)用且有效的。

      5 結(jié)束語

      本文以VRPSPD為基本模型,考慮了客戶需求的不確定性以及客戶服務(wù)時間,引入了綜合碳排放計(jì)算方法,建立了模糊需求下的綠色同時取送貨模型,并提出了一種求解該問題的遺傳禁忌搜索算法。通過案例分析驗(yàn)證了模型和算法對于處理模糊需求下的綠色同時取送貨車輛調(diào)度問題的可行性和有效性。結(jié)果表明,車輛的總旅行時間與油耗量并非單純的線性關(guān)系,需要考慮車輛在各客戶點(diǎn)的服務(wù)時間。同時,改進(jìn)的遺傳禁忌搜索算法在求解小規(guī)模及中等規(guī)??蛻袅繒r,求解效果及收斂性均優(yōu)于傳統(tǒng)的遺傳算法和粒子群算法。當(dāng)客戶規(guī)模較大時,改進(jìn)的遺傳禁忌搜索算法對于總成本的求解效果仍遠(yuǎn)優(yōu)于傳統(tǒng)的遺傳算法和粒子群算法。本文以低碳作為研究目標(biāo),建立的模型及求解算法對于物流企業(yè)在綠色可持續(xù)發(fā)展的背景下進(jìn)行物流配送提供了優(yōu)化支持,也為政府相關(guān)部門制定節(jié)能減排政策提供了一些參考和借鑒。

      當(dāng)然本研究還存在許多不足之處,比如沒有考慮客戶的時間窗要求,以及根據(jù)客戶規(guī)模和客戶需求選用不同的車型,這些將是下一步研究的方向。

      猜你喜歡
      搜索算法油耗適應(yīng)度
      不談油耗 只講運(yùn)動 試駕第十一代思域e:HEV
      車主之友(2022年5期)2022-11-23 07:22:20
      改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
      改進(jìn)的和聲搜索算法求解凸二次規(guī)劃及線性規(guī)劃
      降低內(nèi)燃裝卸機(jī)械油耗措施的探討
      雙管齊下 YarisL致享綜合油耗測試
      車迷(2017年12期)2018-01-18 02:16:10
      基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
      中國塑料(2016年11期)2016-04-16 05:26:02
      基于汽車接力的潮流轉(zhuǎn)移快速搜索算法
      基于逐維改進(jìn)的自適應(yīng)步長布谷鳥搜索算法
      輪胎式裝載機(jī)油耗測量方法探討
      基于跳點(diǎn)搜索算法的網(wǎng)格地圖尋路
      巫山县| 昭通市| 科技| 九江市| 卓尼县| 兴业县| 康平县| 吉安县| 泾川县| 黑河市| 昂仁县| 宜丰县| 大厂| 祁阳县| 岱山县| 偏关县| 济源市| 镇江市| 牡丹江市| 四川省| 商洛市| 繁昌县| 宁海县| 丽江市| 凉山| 东辽县| 逊克县| 扶沟县| 安宁市| 汪清县| 横峰县| 平阴县| 饶河县| 沿河| 淮阳县| 荣昌县| 沅陵县| 习水县| 枝江市| 鄄城县| 长泰县|