生鲜配送电动冷藏车路径规划研究

发布时间：2020-10-22 14:25

　　 近年来,随着生产力疾速发展和消费者收入水平的大幅提高,生鲜食品区域化产出和反季节销售规模正大幅增加,消费者越加关注生鲜食品的种类多样化、食用安全性和营养性,尤其是新鲜度和配送的准时性。生鲜食品与常温食品相比其具备生命周期短的特点以及易腐率高的特性,因而冷链物流对保障生鲜食品质量非常重要。由于我国冷链物流起步较晚,配送路径规划多依靠司机经验,缺乏科学理论的指导。这导致生鲜食品配送成本高、货损严重以及送货不准时,使得生鲜配送物流商面临巨大压力。随着大气污染与能源危机的日益严峻,零排放、能源利用率高的电动汽车得到国家和社会越来越多的关注。广泛使用电动汽车出行可以优化当前煤炭、天然气、石油的能源结构,减轻交通污染治理的压力,而且可以得到国家的多项补助。对于生鲜配送商来说,电动冷藏车环保且行驶成本低廉,是未来生鲜配送车辆的合适选择。路径规划是考量冷链物流能否高效运作的至关重要的环节,科学合理的电动冷藏车路径规划可以有效缩短生鲜食品的在途时间,降低物流成本。不同于传统的燃油冷藏车,电动冷藏车由电池直接供电行驶,故具有一些特性:电池容量有限,充电时间较长和充电设备缺乏等。这些特点使得电动冷藏车在生鲜配送车辆调度中不仅需要考虑生鲜货损情况还需要考虑充电时间、充电站位置以及电池容量限制。传统的车辆调度理论已不适合指导生鲜配送电动冷藏车路径规划问题,生鲜物流公司迫切需要以电动冷藏车为研究对象的相关理论。本文主要研究以生鲜食品为配送对象的电动冷藏车路径规划问题,首先对车辆调度理论、生鲜冷链物流和求解算法等方面的文献进行研究总结。然后,考虑生鲜食品配送和电动冷藏车的特点,分析电动冷藏车配送生鲜食品的路径成本,建立基于派车固定成本、行驶成本、制冷成本、时间窗惩罚成本和货损成本之和最小的目标函数;模型约束包括车辆约束、载重约束、电池容量约束和时间约束,进而建立带时间窗的电动冷藏车路径规划问题(Electric Refrigerator Vehicle Routing Problem with Soft Time Window,以下简称“EVRPSTW”问题)的混合整数规划模型。之后考虑到电动汽车车辆调度问题是NP难题,本文应用粒子群算法求解EVRPSTW路径问题,并根据研究问题对算法参数改进和粒子编码设计。最后,本文运用优化后的粒子群算法对含有60个客户点的算例进行仿真求解,仿真测试结果表明本文优化后的粒子群算法能够在一定程度上稳定求解EVRPSTW问题,验证了本文算法在求解EVRPSTW问题上的可行性,并进一步分析多车型混合配送情况下的路径和成本变化;对算法参数w、种群数,以及EVRPSTW模型中的时间窗、电池容量等相关因素进行研究;综合本文研究,从不同角度为生鲜配送企业提供优化建议。
【学位单位】：东华大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F252
【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究内容
    1.3 研究方法与技术路线
第2章 车辆路径规划和生鲜配送相关理论概述
    2.1 传统车辆路径问题相关概述
        2.1.1 车辆路径规划问题构成要素
        2.1.2 VRPTW问题的国内外相关研究
    2.2 电动汽车路径问题国内外相关研究
        2.2.1 EVRP问题国外研究现状
        2.2.2 EVRP问题国内研究现状
    2.3 生鲜配送路径问题国内外相关研究
        2.3.1 生鲜配送国外研究现状
        2.3.2 生鲜配送国内研究现状
    2.4 路径规划问题相关算法
        2.4.1 精确算法
        2.4.2 启发式算法
        2.4.3 粒子群算法国内外相关研究
    2.5 本章小结
第3章 生鲜配送电动冷藏车路径优化模型
    3.1 引言
    3.2 生鲜配送电动冷藏车路径问题描述
    3.3 基本假设及参数描述
        3.3.1 模型的基本假设
        3.3.2 参数描述
    3.4 配送成本分析
        3.4.1 派车与行驶成本
        3.4.2 制冷成本
        3.4.3 时间窗成本
        3.4.4 货损成本
    3.5 EVRPSTW 模型
        3.5.1 目标函数
        3.5.2 数学模型
    3.6 本章小结
第4章 优化粒子群算法
    4.1 基本粒子群算法的理论基础
        4.1.1 算法原理
        4.1.2 算法改进方向
    4.2 优化粒子群算法参数
        4.2.1 改进惯性权重
        4.2.2 改进学习因子
    4.3 粒子群算法的编码设计
    4.4 粒子群算法的实现流程
    4.5 本章小结
第5章 仿真测试与分析
    5.1 生鲜算例
    5.2 生鲜算例测试
        5.2.1 模型参数设置
        5.2.2 测试结果分析
        5.2.3 多车型混合配送
    5.3 算法参数影响分析
        5.3.1 惯性权重更新方式的影响
        5.3.2 种群数的影响
    5.4 模型相关因素分析
        5.4.1 时间窗因素分析
        5.4.2 最大行驶里程因素分析
    5.5 对生鲜配送企业的优化建议
        5.5.1 合理规划车辆和路线
        5.5.2 加强冷链管理和物流信息系统建设
    5.6 本章小结
第6章 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
致谢

【相似文献】

相关期刊论文 前10条

1 陈建新;崔广才;;基于改进粒子群算法的函数优化研究[J];电脑迷;2018年01期

2 周慧;;基于粒子群算法的最优值求解[J];科技广场;2017年12期

3 吴丰;郭晓娟;;基于混合粒子群算法的船舶稳定性分析[J];舰船科学技术;2018年14期

4 邓广彪;;改进的粒子群算法在云计算下的数据挖掘中的研究[J];科技通报;2017年04期

5 张钊旭;王志杰;李建辰;王贵奇;许军;杨进候;;一种基于模拟退火-改进二进制粒子群算法的测试优化选择方法[J];水下无人系统学报;2017年03期

6 朱俚治;王兴虎;;试谈粒子群算法[J];电脑编程技巧与维护;2017年11期

7 朱宝;;基于改进粒子群算法的盾构掘进施工优化研究[J];辽宁科技学院学报;2017年03期

8 袁正午;李君琪;;基于改进粒子群算法的云资源调度[J];计算机工程与设计;2016年02期

9 江嘉伟;毋文峰;;一种改进的粒子群算法[J];电脑编程技巧与维护;2016年06期

10 张卫明;周庆忠;黎武;;基于改进粒子群算法的野战油库选址优化[J];兵器装备工程学报;2016年08期

相关博士学位论文 前10条

1 刘天宇;基于协作学习和文化进化机制的量子粒子群算法及应用研究[D];西安电子科技大学;2017年

2 孟丽;粒子群算法及其在分数阶系统辨识中的应用研究[D];华北电力大学(北京);2016年

3 韩佳伟;多层级苹果预冷过程模拟及预冷控制决策优化[D];北京工业大学;2018年

4 雷开友;粒子群算法及其应用研究[D];西南大学;2006年

5 王芳;粒子群算法的研究[D];西南大学;2006年

6 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 王雪飞;粒子群算法的动态拓朴结构研究[D];西南大学;2008年

9 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

相关硕士学位论文 前10条

1 蔡啸;农产品物流配送干扰管理问题的混合量子粒子群算法研究[D];东北财经大学;2018年

2 戴雅兰;基于粒子群算法的机床结构模态分析方法研究[D];华中科技大学;2018年

3 贾双龙;基于模糊和粒子群算法的移动机器人路径规划研究[D];东北大学;2017年

4 杨小兵;基于改进的势场法和粒子群算法的机器人路径规划技术研究[D];东北大学;2016年

5 胡纪玲;生鲜配送电动冷藏车路径规划研究[D];东华大学;2018年

6 宋奕萌;基于修正偶应力理论的非线性微梁的尺度效应分析[D];吉林大学;2018年

7 赵昊;基于混沌粒子群算法优化硅基波导光栅耦合器的研究[D];山东大学;2018年

8 安冠星;粒子群算法下辐射传输模型反演路域植被参数[D];长沙理工大学;2017年

9 侯玉强;水库生态服务价值调度及粒子群算法[D];昆明理工大学;2018年

10 牟雪娣;基于离散时空网络的不正常航班恢复问题研究[D];北京交通大学;2018年

本文编号：2851711