物流车辆调度设计毕业论文

免费物流毕业论文 物流是指计划、执行与控制原材料或最终产品从产地到使用地点的实际流程，物流服务具体包括定单管理、运输、仓储、装卸、送递、报关、退货处理、信息服务及增殖业务。显然，货物运输路径的选择，仓库地址的选择等，都涉及到如何处理大量的空间数据与属性数据而缩短物流时间，降低成本的问题，而地理信息系统（以下简称GIS）不仅具有对空间和属性数据采集、输入、编辑、存储、管理、空间分析、查询、输出和显示功能，而且可为系统用户进行预测、监测、规划管理和决策提供科学依据。可见，将其应用于物流配送系统中，可大大加强对物流过程的全面控制和管理，实现高效、高质的物流配送服务，本文分以下几部分对GIS在物流配送中的应用进行探讨。 2 现代物流与GIS融合 1）地理信息系统的发展 地理信息系统是集计算机科学、地理学、信息科学等学科为一体的新兴边缘科学，可作为应用于各领域的基础平台。这种集成是对信息的各种加工、处理过程的应用、融合和交叉渗透，并且实现各种信息的数字化的过程。 在GIS中，空间信息和属性信息是不可分割的整体，它们分别描述地理实体的两面，以地理实体为主线组织起来。空间信息还包括了空间要素之间的几何关系，使GIS能够支持一般管理信息系统所不能支持的空间查询和空间分析，以便于制定规划和决策。现在网络地理信息系统（WebGIS）的兴起更使其被越来越多的商业领域用来作为一种信息查询和信息分析工具[3]，GIS技术本身也融入了这些商业领域的通用模型（如ARC/INFO的网络分析模块），因而GIS技术在各个商业领域的应用在深度上和广度上不断发展。事实上，凡是涉及到地理分布的领域都可以应用GIS技术。 2）物流的发展 随着经济全球化的发展，物流也向着现代化方向迅速发展。物流现代化不仅指物流手段 (物流设施、设备等 )和物流技术达到或接近世界先进水平，而且指物流管理 (包括物流组织、物流计划的编制、物流运输方案的选择、经济指标的确定，等等)的科学化[4]。 现代物流作为一种先进的组织方式和管理技术，已经被认为是企业在降低物资消耗、提高劳动生产率以外重要的"第三利润源"[5]，它通过降低流通费用，缩短流通时间，可以整合企业价值链、延伸企业的控制能力，加快企业资金周转为企业创造新的利润。 尤其在电子商务环境下，供应商必须全面、准确、动态地掌握散布在全国各个中转仓库、经销商、零售商以及各种运输环节之中的产品流动状况，并以此制定生产和销售计划，及时调整市场策略。因此电子商务的发展更加推动了现代物流业迅速兴起。 那么，把GIS技术融入到物流配送的过程中，就能更容易地处理物流配送中货物的运输、仓储、装卸、送递等各个环节（如图1），并对其中涉及的问题如运输路线的选择、仓库位置的选择、仓库的容量设置、合理装卸策略、运输车辆的调度和投递路线的选择等进行有效的管理和决策分析，这样才符合现代物流的要求，才有助于物流配送企业有效地利用现有资源，降低消耗，提高效率。实际上，随着电子商务、物流和GIS本身的发展，GIS技术将成为全程物流管理中不可缺少的组成部分。 图1 物流配送过程 3 基于GIS的物流配送系统设计 需求分析 如以某一城市中的物流配送过程为例，那么基于GIS的物流配送系统的需求主要集中在以下几个方面： 1)、通过客户提供的详细地址字符串，确定客户的地理位置和车辆路线； 2)、通过基于GIS的查询、地图表现的辅助决策，实现对车辆路线的合理编辑（如创建、删除、修改）和客户配送排序； 3)、用特定的地图符号在地图上表示客户的地理位置，不同类型的客户（如普通客户和会员客户，单位客户和个人客户等）采用不同的符号表示； 4)、通过GIS的查询功能或在地图上点击地图客户符号，显示此客户符号的属性信息，并可以编辑属性； 5)、在地图上查询客户的位置以及客户周围的环境以发现潜在客户； 6)、通过业务系统调用GIS，以图形的方式显示业务系统的各种相关操作结果的数值信息； 7)、基于综合评估模型和GIS的查询，实现对配送区域的拆分、合并； 系统总体结构 设计基于GIS的物流配送系统，采用面向对象的空间数据模型和基于关系数据库的空间数据库来实现数据的无缝集成，空间数据索引采用基于改进R-Tree的空间数据索引结构，属性数据索引采用B+树数据结构；网络数据传输采用三层结构模型，并采用Java Applet进行开发，这样与平台无关又具有较好的安全性，使海量空间数据的存储、分析和共享成为可能。系统网络结构图如下： 图2 系统网络结构图 系统模型设计 由上述分析，基于GIS的物流配送系统应集成以下主要模型：设施定位模型、车辆路线模块、配送区域划分模型、分配集合模型、客户配送排序模型。 1）设施定位模型。用于确定一个或多个设施的位置。在物流系统中，仓库和运输路线共同组成了物流网络，仓库处于网络的节点上，节点决定着线路，如何根据供求的实际需要并结合经济效益等原则，在既定区域内设立多少个仓库，每个仓库的位置，每个仓库的规模，以及仓库之间的物流关系等，运用此模型均能很容易地得到解决。 2）车辆路线模型。用于解决一个起始点、多个终点的货物运输中，如何降低物流作业费用，并保证服务质量的问题。 3）网络物流模型。用于解决寻求最有效的分配货物路径问题，也就是物流网点布局问题。如将货物从N个仓库运往到M个商店，每个商店都有固定的需求量，因此需要确定由哪个仓库提货送给那个商店，所耗的运输代价最小。还包括决定使用多少辆车，每辆车的路线等。 4) 配送区域划分模型。根据各个要素的相似点把同一层上的所有或部分要素分为几个组，用以解决确定服务范围和销售市场范围等问题。如某一公司要设立X个分销点，要求这些分销点要覆盖某一地区，而且要使每个分销点的顾客数目大致相等。 5）空间查询模型。如可以查询以某一商业网点为圆心某半径内配送点的数目，以此判断哪一个配送中心距离最近，为安排配送做准备。 4 系统功能实现 那么，基于GIS的物流配送系统可实现如下主要功能： 1）车辆和货物跟踪：利用GPS和电子地图可以实时显示出车辆或货物的实际位置，并能查询出车辆和货物的状态，以便进行合理调度和管理。 2）提供运输路线规划和导航 规划出运输线路，使显示器能够在电子地图上显示设计线路，并同时显示汽车运行路径和运行方法。 3）信息查询 对配送范围内的主要建筑、运输车辆、客户等进行查询，查询资料可以文字、语言及图象的形式显示，并在电子地图上显示其位置。 4）模拟与决策 如可利用长期客户、车辆、订单和地理数据等建立模型来进行物流网络的布局模拟，并以此来建立决策支持系统，以提供更有效而直观的决策依据。 5结束语 当今，随着电子商务的再次兴起和经济全球化的发展，物流业愈来愈成为热点[6]。利用GIS能高效地处理空间和属性数据的优势来建立基于GIS的物流配送系统虽处于初始阶段，但无疑是有益的尝试，它必将是以后的发展趋势。 参考文献 1、张铎 《我国物流企业如何迎接电子商务》中国流通经济 p12~13; 2、刘秉镰，姜国杰 我国现代物流发展中的若干问题》铁道物资科学管理 p2 3、屈春燕等 《网络地理信息系统(WebGIS)在地震研究中的应用》地震学报 4、叶杰刚《关于物流问题的理论探索》当代经济科学 p51~56; 5、陈罕琳 《信息技术让物流货畅路通》 计算机周刊 ，p14; 6、兰洪杰，沈家洪 《电子商务下配送问题浅析》中国流通经济 p10~11

[摘要]针对城市多配送中心车辆调度问题，在分析最大最小蚁群算法的基础上，提出了改进MMAS算法，该算法重点对信息素的挥发机制进行探讨，并引入自适应机制对信息素的确定方案进行改进。实验结果证明，改进MMAS算法对于优化多配送中心物流车辆路径问题是有效的。 [关键词]多配送中心最大最小蚁群算法车辆调度 车辆凋度问题(Vehicle Scheduling Problem，VSP)是物流研究中的一个重要的领域，对于减少企业物流配送成本，提高服务品质有很重要的意义。如何在达到客户满意度的同时通过路径优化降低运送成本，成为多配送中心车辆调度问题研究的一个重要方面。目前，在解决路径优化等问题时，蚁群算法是理论和实践关注的焦点，本文研究了最大最小蚁群算法（MMAS，max-min ant system），并对信息素的计算公式进行改进，达到在多配送中心车辆调度中确保解的全局性，构造以降低配送总费用为目标的配送方案。 一、多配送中心车辆调度问题描述 在城市尤其是大规模城市的车辆调度中，由于节点规模都比较大，物流配送车辆又受到交通拥挤等因素的影响，如果每个节点只有一个配送中心，难以保证配送的及时性，容易导致整个服务水平降低，进而降低客户满意度。同时，从配送成本上考虑，在规模大的节点内单一配送中心的成本也较高。为了解决以上问题，多数物流公司在同一个大节点内一般设立多个配送中心，如图1，其中矩形代表仓库，椭圆形代表配送中心，圆点代表客户。由图1可知，从物流公司仓库到配送中心的距离是不变的，可变的是循环到不同客户配送线路距离。 二、蚁群算法描述 由于受到自然界真实蚁群集体行为的启发，由意大利学者M．Dorigo等人首先提出了一种基于种群的模拟优化算法—蚁群算法(ant system,AS)，该算法在物流配送路径优化应用过程中，存在的问题是车辆选择路径时容易陷入局部最优解，MMAS算法在一定程度上消除了基本蚁群算法中的停滞现象。 1. 最大最小蚁群算法 设m是蚁群中蚂蚁的总数，n是节点的总数，dij(i,j=1,2,...,n)表示节点i和节点j之间的距离。假设目前蚂蚁处于节点i，以τij（t）表示t时刻节点i与节点j之间的信息素浓度，ηij（t）表示t时刻蚂蚁由节点i转移到节点j的期望程度（可见度），则t时刻蚂蚁k由节点i转移到节点j概率为： (1) 0 ，其他 其中，使用禁忌集合tabuk(k=1,2,...,m) 记录蚂蚁k当前走过的节点，则式中allowedk={1,2,...,n}-taubk表示允许蚂蚁k下一步走过节点的集合；α表示路径上的信息量对蚂蚁选择路径所起作用的大小；β表示在选择公式中两点间可见度对蚂蚁选择路径所起作用的大小；ηij（t）取值一般为1/dij。 为了避免残留信息过多引起的残留信息淹没启发信息的问题，在每个蚂蚁完成对所有n个节点的访问后(即一个循环)，需对路径上的信息素浓度进行如下调整：①一次循环中只有最短路径的蚂蚁才可以进行信息素修改增加；②把信息素的取值范围限制在一个特定区间[τmin,τmax]内，超出这个范围的值被强制设为τmin或τmax，避免了信息素的无限制累加和可能出现的信息素为零的现象；③设信息素的初始值设为τmax，这样可以使算法遍历搜索空间，不致早熟，同时把信息素残留系数ρ设置较小，以便蚂蚁在开始搜索时选择更多路径；④采用了平滑机制（pheromone trail smoothing,PTS）,当系统停滞时，所有的信息素重新被初始化,当所有蚂蚁完成一次迭代后，蚂蚁释放的信息素为 (2) 其中参数δ决定了对以前信息素保留的多少：δ=0是完全保留，PTS不起作用；δ=1则完全去掉以前的信息素分布，重新开始计算。这种机制在较长时间计算中对于消除停滞现象有比较好的作用。 2. MMAS算法的改进 MAS中仅对最好路径上的信息素进行全局更新，而蚂蚁在行进过程中常常选择信息量较大的路径，当许多蚂蚁选中同一条路径时，该路径中的信息量就会陡然增大，从而造成堵塞现象，表现在使用该算法解决问题时就容易导致早熟和局部收敛。目前，我国大部分城市规模的不断扩张和电子商务的迅速发展，使得企业面对的顾客群体日益壮大，道路容量超负荷，车辆堵塞成为常见现象。为了解决这类较大规模的问题，本文从解的分布状态入手，提出了一种新的自适应改变τ值的方法：在每次迭代后对所有路径上的信息素进行判断，如果在[τmin,τmax]内，按公式（3）进行计算；如果τij超出[τmin,τmax]界限，则按照公式（4）和公式（5）对 值进行修正。 (3) (4) (5) (6) 其中 是一个与收敛次数m"成正比的函数，收敛次数m"越多， 的取值越大，这里c为常数,△τij的计算参照公式(6)，公式（6）中Q代表的是总信息量。该方案根据解的分布情况自适应地进行信息素的更新，从而动态地调整所有路径上的信息素强度，既避免了MMAS算法中易出现的早熟和局部收敛，又提高了全局搜索能力，更大程度的降低了运送成本。 三、实例分析 哈尔滨市L乳业有限公司位于松北区，在生产车间旁建有立体仓库，公司先将产品运送至仓库，再由该仓库向市区的配送中心送货，然后由配送中心向各大超市进行货物的配送。本文主要研究L乳业有限公司向哈尔滨市区各大型超市配送袋装鲜牛奶的情况，目的是合理地安排公司配送车辆在哈尔滨市区的行车路线，在准时到达的基础上使总运输成本最低。该企业在哈尔滨市有两个配送中心，每个配送中心有3台配送车辆，每台车载重量均为10t，配送的最大行驶距离为50km。共有20个客户（超市），每个客户的货物需求量都小于或等于2t。在运送车辆相同的情况下，设运输费用与路程成正比，所以要求组织适当的行车路线，使总的运送路程最短。其中两个配送中心的地址坐标分别为：配送中心I(6，)、配送中心II(，12)，20个客户的坐标及其货物需求量见表1。为了方便描述问题，在这里对两点间距离取直线距离。 表1已知条件表 使用C语言对MMAS算法和改进的MMAS算法编程，分别在相同配置的P-C机上运算，初始参数设置为：α=1,β=1,ρ=，NC=800。表2是两种算法运行结果的比较。 表2算法的比较 通过实验结果比较，改进的MMAS算法得到的最短路径优于MMAS算法，搜索成功率高。虽然改进的MMAS教MMAS算法运行时间长，但该类问更注重经济成本的优化，所以在时间上的增量是可以接受的。总之，改进的MMAS算法对于解决多配送中心物流车辆路径问题是有效的，它解决了局部收敛，确保车辆调度的全局性，并且可有效降低全局配送费用，节约经济成本，具有一定的实用性和推广价值。 参考文献: [1]施朝春.带有时间窗的多配送中心车辆调度问题研究[J].计算机工程与应用,2009，45(34) :21. [2]Dorigo M，Gambar D．Ant colony algorithm for the traveling salesman problems in biological systems[J]．IEEE Transactions on Evolutionary Computation,1997，43(2)：73—81． [3]Johnson D S，McGeoch L A．The travelling salesman problem：A case study in local optimization[M]．New York：Wilgy and Sons，1997：215—310． [4]张强，熊盛武.多配送中心粮食物流车辆调度混合蚁群算法[J].计算机工程与应用,2011,47(7) :4 1 [5]胡小兵，袁锐等．蚁群算法原理的仿真研究[J]．计算机仿真，2004，21(8)：125—128． [6]张纪会，高齐圣等．自适应蚂蚁群算法[J]．控制理论与应用，2000，17(1)：1-3．