- 无标题文档
查看论文信息

中文题名:

 

基于灰狼算法的城市即时物流调度系统设计与实现

    

姓名:

 陶坤鑫    

学号:

 1049731904295    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 085208    

学科名称:

 工学 - 工程 - 电子与通信工程    

学生类型:

 硕士    

学校:

 武汉理工大学    

院系:

 信息工程学院    

专业:

 电子与通信工程    

研究方向:

 信息传输处理技术    

第一导师姓名:

 张家明    

第一导师院系:

 创业学院    

完成日期:

 2022-06-12    

答辩日期:

 2022-05-08    

中文关键词:

 

城市即时物流 ; 静态调度 ; 动态调度 ; 灰狼算法 ; 变邻域搜索算法

    

中文摘要:

近年来电子商务蓬勃发展,快递业务量持续快速增长,推动了物流行业的快速发展。一方面由于城市中人们对快递、外卖的配送时效性要求越来越高,电商平台和物流公司纷纷提高对城市即时物流的重视,开始加速布局城市即时物流市场,以提高自身竞争力;另一方面虽然物流行业的服务能力与服务质量在逐年提升,但在物流配送过程中靠工作人员的经验完成分拣和配送任务依旧占多数,很多物流相关企业都在研究如何通过智能化、信息化的手段来提高物流配送效率。本文以城市即时物流为背景,对静态车辆调度问题和动态车辆调度问题进行研究,基于改进灰狼算法实现了一个城市即时物流调度系统,对推动城市即时物流的发展有一定的实践意义。本文的主要研究内容如下:

(1)分析城市即时物流调度的背景和意义,对目前国内外已有的物流调度解决方法进行总结,按照先静态后动态的顺序对城市即时物流调度问题进行研究。

(2)对城市即时物流静态调度问题进行研究。首先建立了以最小总配送距离为目标、考虑时间窗和载货约束的静态调度数学模型。然后研究灰狼算法的基本原理,并做出以下改进:针对静态调度问题中的路径规划和订单分配两个子问题设计了离散化二维编码方式;结合遗传算法中的变异和交叉算子实现离散灰狼算法中的游走和召唤过程;使用非线性收敛因子使算法前期更偏向于全局搜索,提高算法全局性;引入自适应影响因子加速算法的收敛。最后通过测试数据和对比实验验证了改进灰狼算法的有效性。

(3)在静态调度问题的基础上,针对城市即时物流过程中的动态需求,设计了包含三种调度策略的动态调度解决方法,包括使用改进灰狼算法的周期性全局重调度,每隔一个周期进行一次全局重调度,保证整体调度方案较优;使用变邻域搜索算法的局部重调度,将新的动态需求快速插入到现有调度方案中,满足城市即时物流的时效性要求;使用Dijkstra算法的变化路径重调度,针对正在配送的订单发生变化的情况,对订单所在车辆的配送路线重新进行规划,为配送车辆提供实时导航。三种策略互补,面对不同的动态需求使用不同策略进行求解,在一定程度上解决了动态需求下的城市即时物流动态调度问题。

(4)以需求为导向对城市即时物流调度系统进行设计与实现,采用三层B/S架构设计系统总体架构,从功能上将系统分为登录注册、地图服务、信息管理和智能调度四个功能模块,结合Vue、Axios、高德JS API等技术实现每个模块的具体功能。对系统涉及的各类数据集合进行详细设计,使用MongoDB搭建系统数据库服务器。最后对系统进行功能和性能测试。

参考文献:

[1]冯冰清,曹丽婷,王疏影. 基于存储论的前置仓供货管理研究[J]. 制造业自动化,2021, 43(10):127-130.

[2]倪浩霖. 基于数据挖掘和前置仓模式的生鲜农产品配送研究[D]. 北京邮电大学,2021.

[3]张思颖,陈宁,李延晖,杨佳. 低碳视角下城市冷链物流配送系统优化决策研究[J]. 工业工程与管理,2022,27(01):56-64.

[4]Xu C, Wang Y, Sheng R, et al. Intelligent express delivery system based on video processing[C]. International Conference of Pioneering Computer Scientists, Engineers and Educators,2021:370-379.

[5]Pang W, Li X, Zhan X, et al. Vision for developing unmanned delivery system[C]. 2021 IEEE International Conference on Unmanned Systems (ICUS),2021:467-471.

[6]Huang Y, Han H, Zhang B, et al. Supply distribution center planning in UAV based logistics networks for post-disaster supply delivery[C]. 2020 IEEE International Conference on E-health Networking,2020:1-6.

[7]Ding S, Kaminsky P M. Centralized and decentralized warehouse logistics collaboration[J]. Manufacturing & Service Operations Management,2020,22(4):812-831.

[8]付朝晖,刘长石. 多物流中心共同配送的车辆路径问题研究[J]. 计算机工程与应用,2021,57(16):291-298.

[9]黄纪凯. 全渠道模式前置仓选址与配送路径优化[D]. 北京交通大学,2021.

[10]陈妍. 末端履约模式下生鲜电商企业前置仓选址与库存联合优化研究[D]. 北京交通大学,2020.

[11]张昀蔚,韩曙光. 收送货同时的城市无人物流配送问题研究[J]. 运筹学学报,2022,1:1-15.

[12]Kuru K, Ansell D, Khan W, et al. Analysis and optimization of unmanned aerial vehicle swarms in logistics: An intelligent delivery platform[J]. IEEE Access,2019,7:15804-15831.

[13]Dantzig G B, Ramser J H. The truck dispatching problem[J]. Management Science,1959(6): 80-91.

[14]Tas D. Electric vehicle routing with flexible time windows: a column generation solution approach[J]. Transportation Letters,2021,13(2):97-103.

[15]周红,朱瑾. 基于改进分支定价算法的ASC车辆路径问题[J]. 制造业自动化,2021,43(11): 73-80.

[16]李俊,梁晓磊,赵胜,张煜. 长江集装箱多式联运路径优化动态规划算法[J]. 计算机工程与设计,2021,42(11):3067-3075.

[17]Chou X, Gambardella L M, Montemanni R. A tabu search algorithm for the probabilistic orienteering problem[J]. Computers and Operations Research,2021,126:105-107.

[18]Strub M P, Gammell J D. Adaptively Informed Trees (AIT*): Fast asymptotically optimal path planning through adaptive heuristics[C]. 2020 IEEE International Conference on Robotics and Automation (ICRA),2020:3191-3198.

[19]舒晖,曾宇清. 基于自适应遗传算法的冷链配送干扰管理研究[J]. 制造业自动化,2021, 43(12):113-117.

[20]Peng Y, Li S W, Hu Z Z. A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks[J]. Neurocomputing,2019,365:71-85.

[21]Dong Y, Zou X. Mobile robot path planning based on improved DDPG reinforcement learning algorithm[C]. 2020 IEEE 11th International Conference on Software Engineering and Service Science (ICSESS),2020:52-56.

[22]Maldonado Romo J, Aldape Perez M. Interoperability between real and virtual environments connected by a GAN for the path planning problem[J]. Applied Sciences,2021,11(21):10445.

[23]Iliya Markov, Sacha Varone, Michel Bierlaire. Integrating a heterogeneous fixed fleet and a flexible assignment of destination depots in the waste collection VRP with intermediate facilities[J]. Transportation research part B: Methodological,2016,84:256-273.

[24]Xia Y, Fu Z. Improved tabu search algorithm for the open vehicle routing problem with soft time windows and satisfaction rate[J]. Cluster Computing,2018,22(4):1-9.

[25]Abbatecola L, Pedroncelli G, Ukovich W, et al. A distributed cluster based approach for pick up services[J]. IEEE Transactions on Automation Science and Engineering,2018,16(2): 960-971.

[26]金成成,闵嘉宁. 集送货可拆分车辆路径问题的两阶段构造启发式方法[J]. 制造业自动化, 2021,43(11):120-125.

[27]贾雪冬. 生鲜农产品冷链物流配送车辆路径问题研究[D]. 北京邮电大学,2021.

[28]郑娟毅,付姣姣,程秀琦. 面向物流车辆路径规划的自适应蚁群算法[J]. 计算机仿真,2021, 38(4):477-482.

[29]丁雪峰,郑静,高攀,赵旭,陆永军. 农村最后一公里物流拆分装载策略[J]. 计算机集成制造系统,2019,25(09):2377-2384.

[30]Han C, Wang Q. Research on commercial logistics inventory forecasting system based on neural network[J]. Neural Computing and Applications,2021,33(2):691-706.

[31]范文兵,冯文. 混合遗传算法的带时间窗卷烟物流车辆路径优化[J]. 现代电子技术,2018, 41(11):119-123.

[32]王娅楠,张玉春. 提前期分散控制下供应链物流协调调度仿真[J]. 计算机仿真,2021, 38(09):481-484.

[33]Keskin M, Laporte G, Çatay B. Electric vehicle routing problem with time-dependent waiting times at recharging stations[J]. Computers and Operations Research,2019,107:77-94.

[34]Hosseininejad S, Dadkhah C. Mobile robot path planning in dynamic environment based on cuckoo optimization algorithm[J]. International Journal of Advanced Robotic Systems,2019, 16(2):1-13.

[35]Peng C, Vougioukas G. Deterministic predictive dynamic scheduling for crop transport robots acting as harvesting aids[J]. Computers and Electronics in Agriculture,2020,178: 105702.

[36]杜千,南丽君,陈彦如. 考虑众包场景的电动车动态需求车辆路径问题[J]. 计算机集成制造系统,2022:1-29.

[37]葛显龙,葛小波,徐玖平,金渊智. 多通路环境下的动态车辆路径问题研究[J]. 工业工程与管理,2022,27(02):104-117.

[38]王愚勤,胡卉,刘富鑫. 智能网联下无人车配送路径优化[J]. 运筹与管理,2021, 30(8):52-58.

[39]狄卫民,杜慧莉,张鹏阁. 考虑动态拥堵的多车型绿色车辆路径问题优化[J]. 计算机工程与设计,2021,42(09):2614-2620.

[40]Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer[J]. Advances in engineering software,2014,69:46-61.

[41]时维国,宋存利. 求解混合流水车间调度问题的改进灰狼算法[J]. 计算机集成制造系统,2021,27(11):3196-3208.

[42]孙康,岳敏楠,金江涛. 基于改进变分模态分解与流形学习的滚动轴承故障诊断[J]. 热能动力工程,2022,37(03):176-185.

[43]Qu C, Gai W, Zhong M, et al. A novel reinforcement learning based grey wolf optimizer algorithm for unmanned aerial vehicles (UAVs) path planning[J]. Applied soft computing, 2020,89:106099.

[44]张建同,丁烨. 变邻域模拟退火算法求解速度时变的VRPTW问题[J]. 运筹与管理,2019, 28(11):77-84.

[45]陈淑芳. 联合配送模式下的农产品车辆路径优化研究[D]. 西安电子科技大学,2020.

中图分类号:

 F252.1    

条码号:

 002000064605    

馆藏号:

 TD10052828    

馆藏位置:

 403    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式