基于改进蚁群算法的货运物流平台车货匹配优化方法
发布时间：2022-12-22 01:49
伴随着国内经济走向繁荣,物流需求的规模也随之不断扩大,运输能力面临着挑战。现阶段,我国物流行业还存在车主与货主之间的供求信息不流通、车辆运力闲置、返程空驶等问题,导致货运成本居高不下。然而,互联网尤其是移动互联网的兴起为提高运输效率带来了新的机遇。其中一个新的机遇是车货匹配,通过货运物流平台的信息共享和合理车货资源调配,能显著改善物流运输效率、减少运输费用。但是,目前货运物流平台较少涉及自动建立车辆与货物之间的匹配关系,实现车辆的高利用率,因此本文研究了一种智能化的车辆与货物匹配方法,并将匹配结果推荐给相应的货主和车主。本文首先对车货匹配进行建模,选择装载率、空驶率、时间等因素作为匹配的度量指标,这些指标客观、易于获取,有效避免了新进入市场车辆由于缺乏信誉等历史指标而导致难以推荐的困境。然后,提出了一种基于参数自适应调整的改进蚁群算法,算法前期采用改进的k-means对车货匹配方案进行聚类来判断每一代蚁群的状态,并相应地对参数进行调整,使其快速缩小寻优范围;在算法后期,根据混沌理论对参数进行调整,防止算法陷入局部最优。最后,通过多次实验计算,证实了本文提出的自适应参数蚁群算法在稳定性、...
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 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 研究现状
1.2.1 物流平台研究现状
1.2.2 车货匹配问题研究现状
1.2.3 蚁群算法研究现状
1.2.4 研究现状小结
1.3 研究内容
1.4 论文结构
第二章 货运物流平台车货匹配建模
2.1 车货匹配模式分类
2.1.1 简单搜索模式
2.1.2 自主抢单模式
2.1.3 系统派单模式
2.2 车货匹配问题描述
2.3 车货匹配模型构建
2.3.1 模型参数
2.3.2 模型假设
2.3.3 模型构建
2.4 本章小结
第三章 基于自适应参数控制蚁群算法的车货匹配方法
3.1 基本蚁群算法原理及流程
3.2 蚁群算法求解车货匹配问题的基本思想
3.3 自适应参数控制蚁群算法求解车货匹配问题算法设计
3.3.1 获得初始可行解
3.3.2 基于细菌觅食趋化的聚类技术
3.3.3 蚁群所处状态的判定
3.3.4 算法参数的调整
3.3.5 信息素更新
3.3.6 自适应参数控制蚁群算法求解车货匹配问题步骤
3.4 本章小结
第四章 实验与结果分析
4.1 实验设置
4.2 仿真实验
4.2.1 算法性能分析
4.2.2 模型参数影响分析
4.3 本章小结
第五章 总结与展望
5.1 主要工作和贡献
5.2 未来展望
参考文献
攻读硕士期间的学术活动以及成果情况
【参考文献】：
期刊论文
[1]公路货运供需信息的组合匹配模型[J]. 张青杰,窦永香,陈姝. 统计与决策. 2018(14)
[2]基于不确定语言关联性信息的车货双边匹配决策方法[J]. 朱江洪,王睿,李延来. 系统科学学报. 2018(01)
[3]基于改进量子进化算法的车货供需匹配方法研究[J]. 牟向伟,陈燕,高书娟,姚思雨. 中国管理科学. 2016(12)
[4]基于改进Balance算法的车货匹配研究[J]. 余以胜,刘鑫艳. 武汉理工大学学报. 2016(10)
[5]遗传-蚁群算法的配电网状态估计[J]. 张纯,王立斌. 现代电子技术. 2016(19)
[6]基于云生态的物流信息平台服务模式创新研究[J]. 邢大宁,赵启兰,宋志刚. 商业经济与管理. 2016(08)
[7]基于粒子群蚁群算法的供应链合作伙伴选择研究[J]. 卢志刚,申康. 计算机工程与科学. 2016(05)
[8]大数据时代物流信息平台构建与建设对策研究[J]. 王柏谊,孙庆峰. 情报科学. 2016(03)
[9]基于Hadoop的并行PSO-kmeans算法实现Web日志挖掘[J]. 马汉达,郝晓宇,马仁庆. 计算机科学. 2015(S1)
[10]一种基于改进PSO的K-means优化聚类算法[J]. 谢秀华,李陶深. 计算机技术与发展. 2014(02)
硕士论文
[1]流式数据环境下车货信息匹配方法研究[D]. 宋飞.大连海事大学 2018
[2]基于移动互联技术的物流信息平台商业模式分析与设计[D]. 黄键.西南财经大学 2016
[3]物流公共信息平台车货匹配排序及诚信激励机制研究[D]. 熊宜强.清华大学 2015
[4]基于语义网技术的车货匹配系统[D]. 顾佳婧.清华大学 2013
本文编号：3723196
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 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 研究现状
1.2.1 物流平台研究现状
1.2.2 车货匹配问题研究现状
1.2.3 蚁群算法研究现状
1.2.4 研究现状小结
1.3 研究内容
1.4 论文结构
第二章 货运物流平台车货匹配建模
2.1 车货匹配模式分类
2.1.1 简单搜索模式
2.1.2 自主抢单模式
2.1.3 系统派单模式
2.2 车货匹配问题描述
2.3 车货匹配模型构建
2.3.1 模型参数
2.3.2 模型假设
2.3.3 模型构建
2.4 本章小结
第三章 基于自适应参数控制蚁群算法的车货匹配方法
3.1 基本蚁群算法原理及流程
3.2 蚁群算法求解车货匹配问题的基本思想
3.3 自适应参数控制蚁群算法求解车货匹配问题算法设计
3.3.1 获得初始可行解
3.3.2 基于细菌觅食趋化的聚类技术
3.3.3 蚁群所处状态的判定
3.3.4 算法参数的调整
3.3.5 信息素更新
3.3.6 自适应参数控制蚁群算法求解车货匹配问题步骤
3.4 本章小结
第四章 实验与结果分析
4.1 实验设置
4.2 仿真实验
4.2.1 算法性能分析
4.2.2 模型参数影响分析
4.3 本章小结
第五章 总结与展望
5.1 主要工作和贡献
5.2 未来展望
参考文献
攻读硕士期间的学术活动以及成果情况
【参考文献】：
期刊论文
[1]公路货运供需信息的组合匹配模型[J]. 张青杰,窦永香,陈姝. 统计与决策. 2018(14)
[2]基于不确定语言关联性信息的车货双边匹配决策方法[J]. 朱江洪,王睿,李延来. 系统科学学报. 2018(01)
[3]基于改进量子进化算法的车货供需匹配方法研究[J]. 牟向伟,陈燕,高书娟,姚思雨. 中国管理科学. 2016(12)
[4]基于改进Balance算法的车货匹配研究[J]. 余以胜,刘鑫艳. 武汉理工大学学报. 2016(10)
[5]遗传-蚁群算法的配电网状态估计[J]. 张纯,王立斌. 现代电子技术. 2016(19)
[6]基于云生态的物流信息平台服务模式创新研究[J]. 邢大宁,赵启兰,宋志刚. 商业经济与管理. 2016(08)
[7]基于粒子群蚁群算法的供应链合作伙伴选择研究[J]. 卢志刚,申康. 计算机工程与科学. 2016(05)
[8]大数据时代物流信息平台构建与建设对策研究[J]. 王柏谊,孙庆峰. 情报科学. 2016(03)
[9]基于Hadoop的并行PSO-kmeans算法实现Web日志挖掘[J]. 马汉达,郝晓宇,马仁庆. 计算机科学. 2015(S1)
[10]一种基于改进PSO的K-means优化聚类算法[J]. 谢秀华,李陶深. 计算机技术与发展. 2014(02)
硕士论文
[1]流式数据环境下车货信息匹配方法研究[D]. 宋飞.大连海事大学 2018
[2]基于移动互联技术的物流信息平台商业模式分析与设计[D]. 黄键.西南财经大学 2016
[3]物流公共信息平台车货匹配排序及诚信激励机制研究[D]. 熊宜强.清华大学 2015
[4]基于语义网技术的车货匹配系统[D]. 顾佳婧.清华大学 2013
本文编号：3723196
本文链接：https://www.wllwen.com/kejilunwen/yysx/3723196.html
