【智慧物流运输优化研究13000字（论文）】

第一章绪论1.1研究背景目的及意义据调查，在中国，仓储行业所涉及的业务的指数都在增加，利润和水平都呈现上升趋势，但是，最后的总利润却不是很高，隐隐有下降的意味，这个行业的收入却不断下降。造成这个原因，总的来说有俩方面，一方面来说，我国仓储业务，甚至还活在过去的仓储系统中，缺少了一点创新的风范，并且在这个行业中，要是前期的规模没有建立起来，那么利润也会随之减少;另一方面的话，单就这个行业的性质，无法有太多增值的业务，所以，仓储行业一定要改变，要转型。当前来讲，我们的仓储系统不够发达，水平难以和它国相比，依然是靠着劳动力进行仓储的运转与维持，更别说使仓储加上智慧这一关键要素了。再者来说，仅仅以人力来为货物进行管理，并依靠低发展程度的仓储系统，实在是不能够得到有效的管理，这一实况，也进一步说明了拥有高水平的技术是多么重要，而拥有众多技术并实现个性化的仓储模式，也是未来的一个主要助推器。当前来说，科学家们也意识到了落后，于是着手于开发新的技术，但是，人们对于当今物流有着更高的要求，他们需要自身体验的提升，和其他更好的服务，并且国家也大力支持发展，这样一来，也可更好的促进经济的发展。就当前我国智慧仓储的实例，京东亚一物流园可以说是当之无愧，它已经成了中国境内的仓储行业的一个具有很大标志性的物流企业，毫不夸张的说，它已经成为了亚洲智慧物流的第一把手，它也最先开始接触到了自动化设备，并且把这些智慧的元素融入到管理系统之中，于是就有了机器人捡货，自动化设备进行打包，自动分拣进行装车，这样一来，可以少雇佣工人，人工成本大大减少，并且由于是机器工作，各个环节的周转效率也大大提高。当前阶段，已经有了28个亚一智能仓储在工作了，京东也打算今年再建立13个这样智能仓储。从行业角度上来说，我们积极参与并制造智能仓储，其实是真正掌握了这个技术，也就是说我们仓储能力提高了，与之对应的管理能力也变强了，这俩者的进步使一个区域的经济都提高了，这样一来仓储的附加值就显示出来了。时代在进步，所以我们首要的任务就是对传统的仓储设施进行升级，并且我们先需要为新技术建立一个智能的仓储网络。主要的操作步骤是利用互联网一些先进手段技术来对物流的各个环节进行监督与控制，这些环节又包括打包运输配送等，都需要大数据云服务这些辅助配合，目的是为了建立一个符合物流条件的，符合行业标准的，智能化的仓储系统。当然，我们在建立起这个新系统的同时，一方面，我们要因地制宜，在某些程度某些方面，要实施个性化定制，特殊化标准我们也需要额外标注，在订单处理方面，要特别小心，因为每个公司的判定标准不同，还有每个企业的需求不同，另一方面来讲，双方的信息要直面对方，公司之间从不藏私，获得的资源也可双方互用，双赢的局面也是各个公司都想看到的，这样一来，企业的间的协调发展能力也变得很默契了，也可以避免恶性竞争，附加值的增加也让公司更乐于合作.其次，在很多新的技术渐渐的违背了他们的初衷，开始实现了他们的商业价值，那么物流业也迎来了一次洗牌，也可以说是一次革命。配送是物流的起点，所以它在物流业中有着龙头老大的地位，社会化和专业化也催促它在进步。所以，国家目前而来一直出台政策，目的是为了扶持当前的物流，为了更好促进物流发展，其中包含了环保的物流，还有最后一公里，等等逆向物流，也恰好有了这些政策，物流才发展得更快，在此基础上，配送优化也是一个难题，因为优化也需一起进步。但是，在物流快速发展的情况下，很多问题也暴露在了大家的眼中，这样一来，智慧物流的未来就显得十分危险且堪忧了。首先，就传统的物流来说，运输系统软件大多十分陈旧，并且处于封闭状态，信息交流不顺畅，物流细节无法真正实现资源共同分享。汽车资源和一手货源不能第一时间进行交换，很容易造成汽车丢失货物找寻货物。在这种使利润下降的情况下，与物流有关的信息也就十分繁多，并且分类的话有十分多的约束。层与层之间的信息无法进行合适的传递。因此，与之相比并没有物流细节和标准信息内容因素，具有更高的使用价值成分，更真实有效。在我国，由于大多数网络技术公司都将货运物流外包给第三方公司，这导致公司与物流细节不一致。简单的说，传统的物流运输系统软件是全程派送，因为无法通过电脑等进行监督，所以会造成损坏，丢失等等情况。最后，我国的物流效率十分缓慢，并且质量也不尽如人意，也是我国物流业发展趋势的不好之处。另外，运输费用的比重也让人更心惊胆战，大致来说是环节出现了问题，包含的资源没有合理利用，从而有了浪费。归根结底，由于这类物流行业以区域中心城市为基础开展的活动，传统的物流运输系统软件在开展之间的派送时，受操作标准、自然环境、运输量等因素的影响，才会使得效率看起来很低。甚至在偏远地区很难发挥作用，因此，本文设立一个在路径优化的问题，就快速配送来进行优化与改进，目的为了解决稍偏远地区配送效率低下问题。此外，关于京东物流园的选址也进行了评价。1.2国内外研究现状1.2.1国外研究现状2008年，IBM首次提出了“智慧物流”概念。在高新技术实践方面，EleonoraBottani和RobertoVontanari研究了快消品，他们认为牛鞭效应是可以通过科学手段降低的。JenniEckhardt等也说明了智能物流中心在各个环节的应用。Guofang曾经于2001年发表自己的观点，引入新技术可以让企业更好的经营。并且国外学者Fan和Ma认为,智慧物流是指,完美融入一些先进技术比如RFID或者GPS或者传感器之类的等等,将这些未来的技术应用在配送运输环节，或者更多的节点环节，将环节智能化应用于实际。毫无疑问，信息化，智能化是智慧物流的主要外在特征。DOUAIOUI等将智慧物流与工业4.0相结合,指出智慧物流是可以和工业一起进步的新物流,并且结合后，也可以是工业具有上了灵活性、智能性等特点。就国外来说，他们的起步就早于我国,所以他们的第三方物流这个模式，已经发展的十分完善，毫不夸张的说国外，正在向第四方进军，实在是领先我们太多。当前来看，国外的物流企业，已经充分引入这些先进技术，可以说是信息化与专业化结合起来了，这样一来客户满意度就十分高，也满足客户的要求。在配送货物这个技术上，国外首先使用组装配送，通过与电脑联机，用计算机指挥配送，进行合理规划，可以在整个运输过程充满数字化，这样库存量可以达到无穷小，直到达到安全库存，这样一来困扰多年的质量问题也得到解决，可以说国外企业这样设立是跨了整个物流业的先河。紧接着，世界各个国家都开始着手研究，针对物流配送系统，各个国家都竭尽全力的开发新系统。目前，国外已经有很多已经融入了新的技术，开发出新的系统。如德国，他们已经开始了自动化新的时代。从格局化来说，这些技术都有信息化，智能化之称，毫无疑问有了这些技术工作效率将会大大提高。1.2.2国内研究现状国内学者应琳芝、俞海宏2018年解释了“智慧物流”的概念，说明了何为智慧，并且对于某些的发展，他们也提供了合适有效的建议。党建民学者也明白了，我们必须要发展智慧物流，并对目前形势进行深入的探讨，也提出了很好的建议。此外何源源，宋双丽这二位学者注重于智能物流发展，提出了共享模式。王波也很是深刻指出了我国发展的不足指出，并对物流提出了建议。随着2003年的互联网技术的发展情况，使得人们对物流有着很大的需求，国内也开始涌现出好多快递行业，如大家最为熟悉的三通一达，京东顺丰等等。这些物流企业为了追上时代的需要，奋力的建立智能化的仓储仓库，为了更高效的物流服务。比如最近的很火的JD亚一无人仓库，智能柜之类，显而易见的是国内物流正在向自动化和互联网化和智能化发展。不过，依然是有很大的漏洞与缺点，第一，国内已经形成了某种物流配送网络，它是以中心城市为核心向外围发散的网络。但我国当前来说，物流配送总体发展水平不是很高,尤其是在离城市比较偏远的小镇上小区里等稍远地区，网点物流十分多，并且很是老旧，比较落后，物流配送效率都不高，不尽如人意。虽然有着先进的标准化技术开始着手应用，但是系统已经稍落后，包括物流技术也是落后，无法焕发新生；第二点，传统物流并没有进行很好精妙的运算，和合理的规划方式，以致于运输资源有浪费，物流成本的花费也更高了。就目前来说，城市的物流配送企业的效率并不是很高，并且像这种长期的需要大量的运输物品，目前来说绝大部分都是通过卡车装运，来进行运输，满载的卡车向终端运输货物，且各个目的地的需求量不同导致很多的卡车只能单向运输，于企业来说是浪费物流资源，增加物流成本的花费，于城市发展而言是阻挡城市交通，影响城市的正常发展。1.3主要研究内容针对于以上所说情况，本课题主要研究智慧物流仓储运输模式，通过引用改进好的蚂蚁算法，2-opt算法还有AHP模糊评价法目的是为了建立起智能化，精确化的智慧物流仓储系统，其中AHP这个方法需要寻找出专家的打分，然后计算出权重还有综合隶属度，这样才能具有说服力。除了对于仓储的建立更新与研究，本文还将对于配送运输方面进行算法的引入以及车辆路径优化，来改善距离城市周边较远的偏远地区运输效率低下问题。1.4研究方法文献分析法：通过作者对自己收集到的所需要的文献进行整合，来找出目标得性质和情况，从而可以表达出自己的看法和观点。这个方法可以帮助作者有效的获取到研究对象的历史的发展情况，来得到过去的一些信息，甚至还可以获得未知的事物的相关信息，为研究提供了便利的帮助。比较分析法：本篇文章在第四章的路径优化这一部分，首先我们根据所拥有的数据，精确的计算了拥有多个配送中心的配送路径优化结果，并且计算了只有一个配送中心计算所得到的成本，分析了二者差距，并且知道了蚂蚁算法比较单一，不是很灵活这一特点，我们开始设计了最新型的且优化好的蚂蚁算法，加上了时间窗这一约束，也算是引入了新思路，并且本文就对于城市中的配送优化的这个实际算例分析了并且确认了改进后的蚁群算法的优越之处。演绎归纳法：这篇文章中，我们既有通过对城市配送理论的方法归纳，又有利用算法将理论应用于现实的配送框架。第二章相关理论基础2.1智慧物流仓储选址优化方法定量分析选址是物流学术中一种，这种方法的一种就是需要建立一个数学模型，建立起一个函数，并且把影响因素考虑在内，再通过所学知识代入数据进行求解，最后再得出一个结果。这种选址模型可以分为俩种一个是离散，另一个形态则是连续型，离散这个选址模型的安排，需要从目前所排查出的地点里选出一个最优点，而连续型则与之大不相同，它讲究的是任何一点都可以是最优点。下面我将介绍当前阶段比较多见的配送中心选址方法有:（1）重心法是一种大学阶段比较好学的简单的选址方法。这种方法顾名思义就是把要进行操作的地点以平面地图的方式呈现出来，将进货的数量和出货的数量进行整合，将其看作这一地点的重量，随后我们再用计算中心的方法计算求解出一个点，并把这个点当作之后的中心位置。重心法这个方法呢，有一定的局限性，它适用于选出一个设施中心，并且它容易学会，计算便利不复杂，但是也有缺陷，它的解往往权威性不够大，并不能真正在实际中进行应用。（2）覆盖模型涉及俩大类型，一个是集合一个是覆盖，这俩种方法一般用来解决有时间限制的配送问题。集合覆盖模型通俗来说就是集合起来，来用最少的配送中心来完成要求命令，而与之不同的最大覆盖模型则是完美利用当下的配送中心来包含更多的需求点。这类方法还是更好的用于解决最大需求问题。（3）混合整数规划法这一类方法通俗来讲，这是一种数学型的选址方法，要是选中了这个点就定义为1，要是没选中这个点就定义为0。然后我们再通过建立起数学模型，函数方面将其设立成成本最小，然后通过计算找出最好的成本最低的配送中心。这种方法涉猎比较广，既可以解决单一设施，也能够胜任多种设施的选址。总结来说计算十分方便，只要建立起数学模型，求解出函数即可，当然这个方法在现实生活中还是十分常见的。（4）AHP―模糊综合评价模型：这个模型可以分解成俩个部分，第一部分则是熟知的层次分析了，通过建立起具有层次化的结构，再进一步建立起一个相互比较的矩阵，然后，再通过公式，进行计算，来求解出各个权重Wi，第二部分呢，则是最精华的一部分，进行评价，根据之前建立的结构进行选取指标，随之再确定各个等级，一般来说可以划分成四个不同的等级（优秀、良好、及格、差)。由专家打分，随后根据打的分还有之前的结果，进行各个项目的评价分析。随之计算出好权重的向量这个数值，最后再求出综合评定向量，还有隶属度之类的决定性数值。2.2智慧物流运输优化2.2.1带时间窗约束VRP优化在实际配送活动中，客户都会给配送者们一个时间点，要求根据既定的时间将物品送达，这样就意味着，VRP要满足时间窗限制。对于VRPTW而言，不仅要对车辆的距离、时间、载货量等满足传统VRP条件，同时不同的送货点会有相应的时间窗需求，这一点也是需要考虑在内的。一般情况下，可以根据时间的性质将时间窗分解为软时间和硬时间两种不同类别。从硬时间窗的角度看，它同软时间窗相比，强制性比较明显，也就是说，送达的时间必须要保证在一定时间内，不允许超出时间窗进行送货，否则有可能会造成拒收、客户投诉等不良后果，最终导致一定的处罚。而从软时间窗的角度而言，就是在时间的要求上不会太严格，会有一定的时间弹性，即便是没有按照既定时间窗送达，也是可以再另外按照时间配送，但是需要说明的是，如果超出了送达要求的时间，那么就会有相应的惩罚，同时还降低了客户满意度。单边、双边时间窗。单边时间窗具体指的是按照规定的时间将货物送达，而货物送达就相当于货物被卸货签收，中间不存在等待问题。而双边时间窗具体指的是要按照客户的要求，在规定的时间范围内送达，客户签收。该模型的约束包括:第一是必须要保证一辆车服务一个用户，并一次性完成；配送中心提供配送车辆，结束任务以后，车辆再返回到配送中心等待下一个任务;在一条线路上，其配送车辆的总送货量不能超出每辆车的容载量。所以，对于VRPTW而言，其目标为要按照既定的时间范围，将货物圆满配送，且既能够保证客户满意，同时还能有效节约运输成本。2.2.2优化算法关于蚁群算法的概念和解释，其就是一种机率型算法，具体的解释就是在图纸中去寻找路径的一种行为。通过从元知能体寻找最短路径的思路，蚁群算法就是从这样的现象中去获得到的启发，即称之为，通过蚂蚁的协作去寻找一个问题的答案，蚂蚁之间会用弧来传递和交换它们之间所需的信息。而在交换的过程中会产生信息素，由此在较长路线上的蚂蚁就会被吸引到较短路线上来，即较短路线上的蚂蚁就会变得越来越多，这样最短路的情况就显现出来了。但是蚂蚁留下来的信息素的强弱就会作为其他蚂蚁选择路径的一个参考，与此同时表示的也是一条路径被选择的可能性是通过信息素的强弱来决定的，被选择的可能性越大，其信息素越强，反之，被选择的可能性越小，其信息素越弱。2.32-opt算法由于蚂蚁算法在确定路线最优时会出现局部最优的情形，所以引用变邻域搜索算法，这样一来强强结合，可以增加路径的多样性，也可扩大搜索范围，有效的解决将来出现的局部最优的情况。智慧物流仓储选址优化3.1案例背景扬州开发区京东物流园位于江苏省扬州市广陵区沙联路江广智慧城。物流园的优势在于可以发挥它该有的主导作用，无论是对于该地的产业的发展还是对于经济的发展都有很强的推动作用。建立物流园的最初想法是希望可以更好的划分城市之间的物流分工，将物流业务更加专业化，统筹安排物资和流转的集散，并合理划分物流区域，比方说综合分析城市与城市之间物流配送的交通条件、业务范围及领域、运输方式等等，然后在城市间搭建一个集散地，将城市之间的物流资源充分利用，一方面是尽可能的将城市交通合理利用起来，另一方面，尽可能满足最优配送路线，降低配送混乱及物流效率低下等问题。京东发布了2020年的财务报，从一月到三月显示，收入变成了1500多亿元，与去年相比增加了21%;并且用户的数量也超过了4亿人，而在2020年初期，随着京东不停的运转，它已经运转了超过660个仓库，并且通过调查，物流园的总面积已经超过了1800万平方千米。客户数量如此之多，必须要有此物流中心的选址问题。对于该中转场的选址，各个因素都要考虑，就目前而言，京东物流的中转场，以广陵为中心向外辐射，通过利用交通区自身存在的优势，能够去构建一个融合着拥有多式联运、高端的城市仓储、城市之间的配送等服务为一体的现代化物流集散中心，这样一来可实现大件和中小件物流在扬州的覆盖服务和次日达服务。正常来说，当天11点下单，次日即可到达。届时，京东的扬州中转场总体的面积可以达到1.5万平方米左右，这样一来消费者就可以更好的享受到京准达，京尊达，急速达等优秀的服务。关于此能否实现上述功能，可以来说，选址问题是一个重要的因素，接下来以该物流园的例子来进行选址研究。3.2基于AHP模糊综合评价法的选址研究建立评价指标。通过对京东物流扬州中心实际调查以及对现有文献选址影响因素的总结，对影响中转场选址因素进行分析，构建出一个新的模型，具有新的层次，共四个一级指标，二级指标也有很多个，在得出结果后，我们分析并设定四个评价等级，即ABCD一共有4个等级，自然而然能够分别出优良中差。3.2.2求解各指标权重通过分析这些指标的占比大小，我们能够得出相应的顺序，随之构造出新的判断矩阵，采用自然数标法，当标法是奇数时，我们此时定义，i比j轻微重要、i比j明显重要、i比j十分重要、i比j极端重要;而此时的偶数值则表示为这些数的中间值。随后我们能得到很多的层次，并且我们可以将这些数据作为准则层构建判断矩阵表，然后再分别计算其他的因素，得出准则层各指标因素的相对权重表，然后查阅模糊评价公式再利用这个公式λmax=CI=、CR=,随后对于准则层判断矩阵，进行分析，通过一致性的表格进行一致性检测，随即可知CR==0＜0.10那么可以定义该矩阵合格。最后，我们再通过计算求得京东物流扬州中心点的指标，代入公式后满足条件，最后才能获得排序表。表3-1：准则层判断矩阵表指标经济成本因素基础设施因素服务质量因素社会环境因素经济成本因素11/31/31基础设施因素3113服务质量因素3113社会环境因素11/31/31表3-2：层次单排序表指标经济成本因素基础设施因素服务质量因素社会环境因素权重经济成本因素11/31/311/8基础设施因素31133/8服务质量因素31133/8社会环境因素11/31/311/8表3-3：层次总排序表一级指标权重二级指标权重经济成本因素1/8综合土地成本5/48配送成本1/48基础设施因素3/8覆盖能力15/48交通便利程度3/48服务质量因素3/8配送时效性3/64配送服务可靠性3/64人员素质15/64客户满意度3/64社会环境因素1/8政策环境191/10920可持续发展391/10920对城市的影响783/109203.2.3评价矩阵R1=R2=R3=R4=根据公式Wi=ViRi，随之计算可得二级指标评价矩阵：W1=V1R1=[0.070630.063540.021330]W2=V2R2=[0.212010.1023540.042670]W3=V3R3=[0.116230.146560.02930.01234]W4=V4R4=[0.015670.065430.026540.03325]同理得出一级指标评价矩阵:A=[0.17770.10760.04730.0324]，因此我们计算出的综合隶属度分别为横向矩阵中的数值,随之比较大小，可以比较出来，第一个的隶属度最大，所以该处的选址评价结果是最优，但是为了下文配送的优化，此处决定用三个最优的中心，也就是ABC三处都成立。第四章智慧物流运输优化研究当建立了配送中心，并最终确定好配送末端站点后，最突出的问题就是如何去选择配送路径。在现代化的城市智慧配送系统中，第一需要考虑的因素就是配送的时效性，而由于服务范围非常广泛，所以还应该满足不同用户多样化的时间需求，且尽可能降低运输成本。物流配送会有很多因素影响配送效率，其约束条件重点有：客户体验最佳和配送成本最小。所以，在本节当中，主要是通过时间窗为基础构建很多不同的配送中心，建立了配送路径优化模型，将2-Opt蚁群算法引入得到电动车配送案例数据，然后设计出最佳配送路径方案，对比单一配送方法产生的成本，最终得出本次设计的模型可以有效节省路径成本。算法的编码与解码。在工程领域中，蚁群算法编码解码应用十分广泛，更容易上手。所以，本次设计的关键在于，就主要基于自然数顺序编码方法，一个节点进行一次编号，蚂蚁最终行走路径就可以通过连接全部节点编号的数字得到。基于不同节点编号，解码时依次输出节点，此时车辆达到了一定条件时就安排下一辆车访问剩余未被方位的节点。如{7，3，4，6，9，2，1，5}表示按7-3-4-6-9-2-1-5顺序进行节点的访问。4.1构建数学模型车辆配送模型涉及的影响因素较多，为了保证模型顺利操作，在建立模型前需要对下面5个方面做出假设:设置具有确定性和稳定性的配送中心位置和客户安置点，并得到已知且固定的配送需求量，尽可能完成配送中心供应量指标，以期能达成满足所有客户需求的硬性要求，形成稳定且牢固的配送服务链。

（2）参与配送的车辆均为型号、外貌、容量等保持一致的以电能源作为原动力、以牵引电动机驱动的运输车辆。由于目前电动车量的管理制度不够完善，现实情况下电池容量功率有限和车辆充电装置匮乏的局限，以及车辆行驶路况的不稳定性等问题。于是本文决定在理想状态下增加多个绝对约束，来保证顺利完成。

（3）接到配送任务的车辆在每个点间行驶距离是不会更改的，为了方便我们的计算，所以在路途种出现的一些不可控因素不能考虑在内，这样计算的时候才不会出现混乱。当配送中心在得到客服点服务需求的确切信息后，，基于配送中心角度而言，客户的服务要满足顺序进行。每个客户点在此服务链中必须安排好一辆车进行一次性服务，最后相关电动车辆服务完成后再返回配送中心。（5）在区间配送服务链中，需掌握每个客户点需要服务时的时间窗和可被服务的时间窗。在服务过程中更高效便利，提高客户群体的对该次服务体验和对配送体系的观感。众所周知在城市智慧配送过程中，在配送时间上，客户要求是比较高的，且如果货物配送超出既定要求的时间，客户的满意度就会大打折扣，且不利于提高配送效率。所以，将时间窗加入模型中就可以对客户满意度进行衡量。而实际配送本身就存在着客户诸多的软时间窗问题，所以要求达到灵活的反应效果，因此，本次模型就将约束条件设置为软时间窗，如果某一次实验会超出了当时的时间窗，那么客户满意度问题意味着时间窗约束惩罚问题。与此同时，为了将客户满意度充分提升，还将超时间窗的处罚成本引入在模型当中。这里我们规定C1为路径成本，C2为配送车辆的发车成本，C3为配送中心的运营成本C4和C5为超过时间窗的惩罚成本，在考虑完有这些限定的约束条件时我们开始建设数学模型如下：Min=C1+C2+C3+C4+C5i=13k=1mk=imi=jni=1nrrij0≤k=1malit1tj=i=1nk=1mxijkulk−ujk+n∙xljkujk≥0∀l∈NC;∀kxijk=0,1∀i∈N;yij=0,1∀i∈ND;∀rrijk≥0∀i∈N;∀式EQ\o\ac(○,1)表示配送路径中花费的总的成本最小;式EQ\o\ac(○,2)表示车辆从哪里出发就回到那里去式EQ\o\ac(○,3)和式EQ\o\ac(○,4)表示服务的单一性;式EQ\o\ac(○,5)表示中心里的车辆不变;式EQ\o\ac(○,6)表示线路的单一性;式EQ\o\ac(○,7)表示对配送车辆而言不应该超过该车所能承受的最大重量式EQ\o\ac(○,8)表示配送车辆能够行驶多远;式EQ\o\ac(○,9)表示站点送了多少货，满足今日的销量;式EQ\o\ac(○,10)表示车辆增加时间限制，在时间内到达;式EQ\o\ac(○,11)表示车辆何时出发;式EQ\o\ac(○,12)表示车辆送货需要多长时间;式EQ\o\ac(○,13)表示减少多于的返回步骤;式EQ\o\ac(○,14)表示一个单纯的辅助参数;式EQ\o\ac(○,15)和式EQ\o\ac(○,16)可以理解为变量可能出现的范围。4.2.算法的引入在探讨如何优化带时间窗的路径问题时，蚁群算法优势十分明显，但是缺点也有很多。所以，在本文的研究中，还特别引入了变邻域搜索算法中2-Opt操作方式，这样既拓展了不同的带时间窗的路径，同时还提高了搜索广度，对传统蚁群算法而言，是局部最优问题的有效解决办法。蚁群算法在本文研究中的改进主要包括以下几个角度。(1）2-Opt操作算子引入2-Opt操作可以有效解决局部变换最优解问题，是对原先访问序列的一种改进。这种方式效果可靠、操作简单，可以有效实现算法搜索领域的拓展。对于本次2-Opt操作，其说明解释为:迭代过程种,要确定某只蚂蚁在路径寻找过程当中，相对于之前的路径是否为更优解，如果结果为是，那么此时算法就会将一个(0,1)区间的数r随机产生，如果0≤r<0.3就开展2-Opt操作。第一步:获取该路径各节点排列顺序。如路径中各点顺序下:s1=(3,8,4,6,0,2,1,7,9,5);第二步:获取该路径长度:如size=length(S1)÷2,size=5;第三步:开始循环，确定分割点位置。将分割后的俩个点进行互相交换位置，然后再和路径分割点前的点进行连接。再判断连接出的新路径是否合适，是否更优。直到循环完毕。本文以第一次整个操作循环为例，连接成的新序为:s1'=(3,8,4,6,0,5,9,7,1,2)﹔（2）交换操作算子迭代过程中,要确定某只蚂蚁在路径寻找的解是否最优，如果结果为是，那么此时算法就会将一个(0,1)区间的数r随机产生，如果0.3<r≤0.6就开展交换操作。步骤如下：首先:对这一路径的不同节点顺序获取。当有如下顺序:S1=(3.8,6,4,0,1,7,5,9);其次:对交换的两个点在获取该路径中进行观察。然后:交换，交换后半段2个点并得到一个新路径，紧接着再观察是否存在合理路径，存在即为最优，循环到算法结束。本文主要阐述了第一次整个操作循环，将循环连接成为新序列:SI'=(3.7.6,4,0,1,8,5.9);（3）插入操作算子迭代过程中，要确定某只蚂蚁在路径寻找过程当中，相对于之前的路径是否为更优解，如果结果为是，那么此时算法就会将一个(0,1)区间的数r随机产生，如果0.6<r≤1开展插入操作。首先:对这一路径的不同节点顺序获取。当有如下顺序:S1=(4,8,3,6,0,2,1,7,5,9);其次:对插入的两个点在获取该路径中进行观察。然后:插入，在8号节点前移入7号节点，保持其他节点不变位置，得到新路径，判断是否为合适的节点和最优解，循环直到完毕。本文研究的案例是第一次整个操作循环，新序列:S1'=(4,7,8,3,6,0,2,1,5,9)。当然算法也会终止，在不停的迭代后，达到了最大迭代数，那么算法就会自然终止。4.3案例分析4.3.1案例背景扬州京东物流与周围四十个小镇进行辐射来解决配送优化问题。在目前看来，京东的快递配送点比较单一，虽经历多个周转站进行周转，但是对于居民来说效率是不行的，所以本文对于此进行改善以及优化，未来希望引入另外俩个节点来优化路径。正好第三章选出三处最优，将此三处地点代入本文引入带时间窗的蚁群算法来进行求解优化。本次实验目的主要是验证VRP模型的是否准确，并且在加入蚂蚁算法后，是否依然有效，于是本文采用调查数据作为算例数据。根据地图显示可能出现的点，选出编号A、B和C，将这三个点作为备选地点，另外40个小镇也加入其中。目的是为了增加配送中心，来确定优化好的优化路径。这样的话也可以为了与仅有一个配送中心的路径进行对比，选出最优化的解。4.3.2参数详解期望启发式因子β。这种因子可以帮助蚂蚁在途中确定哪个节点更为重要，可以说是不会错过路径上重要的节点，而这个因子的大小则反应出了节点的重要程度。要是所得到的β越大，那么蚂蚁们则会更可能选择较短路径，这个情况下虽然会发现算法变快了，但是具有代表性，会展现出局部过优，并不具有说服力;要是求到的β太小小，那么算法就会有很强大的随机性，这样一来就不能求到最优解，也会导致算法效率变慢。多次实验之后，β取值在[3,4.5]，在这个区间里算法结果可以说是十分准确了。蚂蚁数量m。在运用蚂蚁算法时，一定要精确的设置好蚂蚁的数量，它会直接决定这个算法是否稳定。假设操作者放置了太多的蚂蚁，那么其准备度会提高，但是这样一来就会导致路径信息爆满，就会使得每个信息没有了很大的差别，这样会产生更多的无效解，无效的工作也会干扰结果，并使得计算时间大大增加，负担也会加重;要是出现蚂蚁数量很小，那么找出路径就犹如大海捞针，更别说最优解了。因此，在设置蚂蚁数量时十分苛刻，在30%左右即是最优。启发式因子α。这种因子是其实通俗来讲就是一个指标，是蚂蚁接收引导程度的一个指标。要是出现α值过大这个情况，那么蚂蚁很大概率会走之前走过的老路，而这个算法的蚂蚁们就不容易搜索这个区域;要是α值太过于小，就会缩小搜索范围，导致算法算的很慢，会出现局部最优的情况。当α取值在[1,4]时，算法性能较好。信息素浓度Q。信息素浓度是经过了很多个路径，很多个路径上都留下了浓度值，然后每个浓度都求一次和，得出最终的浓度。浓度Q的作用是，让蚂蚁们有目的性的选择，找出合适浓度的路径，从而使最后的解全部呈现最优状态。若是经过计算Q值呈现越来越大的趋势，每条路径上的Q也会更大，从而使得最优解就会发生变化，出现很多解的情况，而这个情况使我们不愿看到的。实验发现，当值在[10,1000]时，性能刚刚好，十分合适。4.3.3算法求解算法解出也要结合现实，于是我们手动添加了时间的限制。在现实中，在当前的城市快递配送种，运输快递的时间有限制，一般不会超过送货时间12小时,故在每个点上设立一个时间区间[0,12]，目的是将时间合理的控制在0-12之间。节点需求数据如表所示：表4-1：节点数据表城镇的顺序X坐标Y坐标货物需求（kg）约束下界约束上界惩罚时刻120.53005122151.845051230.95.630051240.93.545061259.110.830051261.91045041273.36.330041283.40.445041298.36.8450412108.39.3450412112.412.7600412123.210.9450412134.913.230041214411.7600412154.48.67005121645.3250612174.22.2350612185.41.4650512196.55.5550512205.67.7250512216.39.4400512227.111450512238.312.6300512248.50.46005122510.215505122610.22.55505122710.24.93505122810.26.145051229109.4200412301011.82004123116.31165041232157.25006123315615061234153.84406123516.233204123617.43.5100412371717.7860412381817.75506123917113506124026.413.2350612通过调查研究可知，在该城市中，所存在车辆都是相同。随之，通过算法满足的参数范围，合理制定该取值，贴合实际，如下表可见。其中，由于考虑到成本的设立情况，对于该车配送过程中的时长成本取值5元每千米，而该车的发车价格为100元。表4-2：车辆成本概述表参数数值参数数值车辆发车成本100元车辆能承受重量320kg每千米的配送成本5元/km行驶速度40km/h配送中心开放成本100元最多行驶距离120km表4-3：算法参数设置表参数数值参数数值蚂蚁数量30迭代次数400启发因子α1.2启发因子β2.3信息素挥发系数0.16最优概率0.07最终迭代得到如下：表4-4：路线表路线1C-1-25-8-26-27-4-C路线2C-8-11-25-18-1-16-19-C路线3C-6-13-27--6-15-3-11-C路线4B-6-11-13-28-23-21-22-B路线5A-1-30-7-8-10-15-A路线6A-9-31-26-2-32-3-22-A车辆的参与成本（元）600路径成本（元）656.78总工花费的成本（元）1311.269计算时间（秒）134.68根据上图可以看出总共花费134.68秒，迭代次数大概在450次左右，算法在100次时候出现了转折，转折点符合我们心中所想，说明算法在运算途中并没有出现偏差。在整理完表格后，可以看出成本已经变成了1311.369。于是可以得出结论，A号B号C号都可以投入使用。当前的城市之中，仅有一个中心，我们所需要验证的就是单个中心，和三个中心的不同点，于是我们开始解答，通过上文的算法，在计算机上进行迭代，对此得到了新结果。对比如下：表4-5：二者比较表对比内容ABC三个中心的成本A仅一个中心成本参与的车辆数66算法求解时间（秒)134.68128.44车辆成本（元）600600城中的中心站点A.B.CA路径成本（元）656.78799.82总成本（元）1311.3691428.532从上面的表中，我们得到了比较满意的答案，因为我们的结果成本降低了。此次多设立了2个配送中心，这一大胆的尝试，圆满的得到了认证