开放式低碳选址—路径模型及其算法研究

发布时间：2020-08-21 00:23

【摘要】：经济增长与环境、能耗的矛盾日益严重,提高物流系统效率是降低物流业能耗及碳排放的重要手段。作为物流系统的重要组成部分,配送中心的科学选址,配送路径的优化是提高物流系统运作效率,实现系统环境与经济协调发展的有效方法。第三方物流在减少配送空载率,降低配送成本方面成效显著,特别是随着互联网及通讯信息技术的广泛应用,第三方物流的配送资源共享、配送能力协同优势更加显著。为此,本文以第三方物流的开放配送方式为研究对象,针对开放式选址-路径(OLRP)问题,以降低物流系统碳排放量为主旨,研究客户动态需求、动态环境等因素对选址-配送碳排放量的影响,建立了考虑低碳目标的模型,并设计相应算法进行针对性的求解。本文的主要工作及成果如下:1.分析了配送中心选址、第三方配送过程中的碳排放情况,在此基础上建立了考虑配送中心容量、配送车辆及行驶速度的开放式低碳选址-路径问题数学模型,设计了将动态旋转门与局部优化方法相结合的量子进化算法以实现解的全域搜索,将所设计算法与其他智能算法的进行对比,实验结果验证了算法的有效性,在煤炭企业实例及标准算例应用中表明所建模型具有一定的实际应用价值。2.基于概率及交通因子,构建了动态速度函数,建立了基于速度函数的低碳动态环境开放式选址-路径模型,设计了改进的量子进化算法进行求解。通过构造多种动态环境模拟实验,分析了动态环境对碳排放的影响程度,给出了动态环境对碳排放及成本的影响曲线,为动态环境下的选址-路径决策提供参考。3.将开放式低碳动态需求选址-路径问题分解为预优化阶段和实时优化阶段,引入虚拟配送中心建立了相应的两阶段数学模型,设计了混合量子差分进化算法进行求解,提出最优差分变异策略,并将其与动态量子旋转门及贪婪量子选择方式相结合进行解的更新及改善。通过仿真实验分析了动态需求对碳排放及距离的影响,建立了动态需求与碳排放、动态需求与距离的关系曲线;将设计的算法应用于标准测试算例,求解结果表明与几种新型智能优化算法相比,本文算法具有较好的搜索能力,能满足实时调度的要求。4.提出应用模糊可信性测度理论表示顾客的不确定需求,将顾客的需求描述为三角模糊函数,构建了基于可信性测度值的两阶段开放式低碳动态模糊需求数学模型;设计了四阶段混合量子差分算法进行求解,通过仿真实验得到了不同可信性测度值下的碳排放量及成本值,通过可信性测度参数敏感性分析确定了最低碳排放量的可信性测度值。本研究旨在对物流与环境的协调发展进行探索,通过将物流选址、路径优化与碳排放的有机结合,明确物流系统各因素对碳排放的影响。研究结果表明固定概率的动态环境对碳排放影响程度高于对成本影响,平均71.4%问题的碳排放增量高于成本增量;综合考虑碳排放成本、车辆及配送中心选址成本求得的决策并非是路径最短的决策,由最短路径求得的动态需求决策方案将增大上述综合成本,平均增加率约为2.7%;可信性测度值CPI的增大将增加碳排放量,但其额外成本在CPI取值达到0.6后明显减小。研究成果丰富、补充了选址-路径问题理论及优化方法,为迅速发展的电子商务物流提供参考。
【学位授予单位】：浙江工业大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP18;F259.1
【图文】：

最优值,目标,相关成本,成本

图 4-12 QDE 的 MCEC 目标最优值对比图 4-13 QDE 的 MCEC 目标平均值对比表 4-20 QDE 算法的 MD 目标最优结果及相关成本最短距离配送中心成本车辆成本

目标,平均值,相关成本,成本

87图 4-13 QDE 的 MCEC 目标平均值对比表 4-20 QDE 算法的 MD 目标最优结果及相关成本最短距离配送中心成本车辆成本 104.1 8938.0 2000.0 309.8 11308.0 5000.0 441.9 21391.0 8000.0 718.3 36094.0 10000.0 893.3 36094.0 13000.0 1173.7 47402.0 15000.0 1356.8 44022.0 18000.0 714.0 29321.3 10142.9

关系图,碳排放量,顾客,进化算法

图 4-16 碳排放量与顾客关系图 4-17 距离与顾客数关系图 4-16 是顾客数与碳排放的关系，图 4-17 是顾客数与距离的关系，由两图可知随着顾客数的增加，其碳排放量、距离均呈上升趋势，且距离与顾客数基本呈线性函关系，而碳排放量与顾客量未见明显的函数关系。4.4.5 算法测试为了比较第 2 章提出的量子进化算法与本章量子差分进化算法的性能，本节将两算法应用于求解多种顾客数不同的 OLRP 问题进行测试，顾客需求需求量与表 4-18 需求量相同。为了对比的公平性及更好地检验算法的寻优能力，经过多次试验后取种数为 30，最大循环次数为 200，两者均应用于本章预优化阶段建立的模型中。量子差进化算法求得的最优值及平均值分别为表 4-20、表 4-21，量子进化算法求得的最优值平均值如表 4-23、表 4-24 所示。表 4-23 第 2 列为 MCEC 目标的最优值，第 3~5 列为相应组成成本，表 4-24 第 2 列为 MCEC 目标 10 次求解的平均值。表 4-25 是 QEA 算与 QDE 算法最优值及平均值的对比情况，表中第 2~4 列的 QEAavg，QEAbest，QEAC分别表示量子进化算法求得的平均值、最优值及其平均 CPU 值，第 5~7 列的 QDEavg

【相似文献】