Selection of Container Types and Transport Modes for Container Multi-modal Transport with Fuzzy Demand

在集装箱多式联运中,集装箱箱型和运输方式的组合优化直接关系到货物运输的时间、费用和质量.考虑运输需求量为模糊情况下,建立集装箱多式联运箱型和运输方式的优化模型,实现集装箱多式联运总成本最优化,并提出模型求解的改进型粒子蚁群算法.最后结合算例对模型进行应用分析,并分析箱型替代和运输交货期限的变化对多式联运总成本的影响.结果表明:承运人可根据不同运输需要实现集装箱运输规模效益,提高集装箱利用率;时间限制对承运人选择集装箱箱型和运输方式的影响较大;改进型粒子蚁群算法优于蚁群算法.     

基于海铁联运的集装箱班列服务路径优化

虑考虑海铁联运过程中影响集装箱班列开行的不确定因素, 结合班列服务客户各自固定需求时间窗的实际需求, 引入不确定规划区间来表示集装箱在客户节点的装卸箱服务时间, 同时将具有时效性要求的需求时间窗设置为软约束, 运用惩罚函数将其作为惩罚项整合到运输成本目标函数中, 选择合理的惩罚系数, 构建以运输成本低、运输时间少为目标的班列服务路径非线性多目标优化模型, 针对不确定变量, 采用机会约束规划转换模型得到考虑模糊时间的多目标路径优化模型, 通过加权求和将多目标合并转化为单目标问题, 并设计人工蜂群算法求解所构建的班列服务路径优化模型, 并以盐田港海铁联运为实例进行了模型检验和对比分析。结果表明: (1)在硬时间窗约束下运输时间减少了88%, 但成本增加了97%, 充分表明了软时间窗设置的优势; (2)考虑不同的运输目标时, 只考虑运输费用时, 运输时间增加了5.3%;只考虑运输时间时, 运输费用增加了67.8%。所建模型和算法能够很好的满足不同客户不同运输时效性的需求, 在运输费用方面具有明显的优越性。      

不确定条件下的多式联运路径优化

多式联运实施过程中,自然因素与人为因素的干预会导致货物运输速度值、准时送达概率阈值和转运时间值不确定。针对这一问题,开展了不确定条件下的多式联运路径优化研究。首先,采用随机规划理论估计不确定值;其次,设置最小运输总成本为模型的优化目标,包括运输费用、转运费用以及货物未准时送达产生的延误惩罚费用;设置货物准时送达概率为模型的机会约束。然后,采用K短路算法求解多式联运路径优化模型。该方法在输出最优运输方案的同时,能获得该方案在符合机会约束路径集合中的时间优势度。最后,基于西非区域内的无水港节点和综合运输网络开展实例研究,对模型和算法的合理性进行验证,并进行灵敏度分析。结果表明,与单一的公路运输方式相比,在西非区域内发展以铁路为主导,公路、水路为辅的货物多式联运模式能够有效缓解物流服务压力,降低区域综合物流成本,并进一步提升沿海港口的辐射能力和衔接转换水平。另外,灵敏度分析结果表明,准时送达概率阈值的变化对路径方案选择的影响能力最强,不确定运输速度的变化次之,不确定转运时间最弱。     

混合蚁群算法求解带时间窗的车辆路径问题

采用营运车辆的最短行驶距离作为带时间窗车辆路径问题的优化目标,在混合蚁群算法中采用信息素3层更新策略以完成对车辆的调度,信息素挥发自适应策略充分考虑实时路况,考虑信息素空间扩散特性的局部更新策略,更加忠实于自然界的真实蚂蚁系统,可以提高算法的收敛速度,采用阈值判断的全局信息素更新策略可以防止算法陷入局部最优。通过C#语言实现了混合蚁群算法的计算机求解,最后对10个仿真实例进行仿真计算,结果表明,混合蚁群算法收敛快,寻优结果稳定。     

长江流域汽车整车运输路径选择研究

为了避免汽车运输企业在运输方式和运输路径选择方面的盲目性和随机性,以载有汽车整车的滚装车公路运输及滚装船运输费用、时间及碳排放量为目标构建了多目标0-1规划模型。通过对公水联运网络进行转换,将公水联运网络的中转节点拆分成多个虚拟节点来构成公水联运虚拟网络图。由于公水联运过程中运输时间与转运时间具有不确定性,引入模糊数的概念来表示不确定的时间,且考虑了各个路段的拥挤度,提高了出行可靠性;在碳排放量模型构建中,根据不同燃料的吨公里消耗量、单位热值的含碳量及不同运输设备的碳氧化率建立了碳排放因子计算模型。运用Matlab程序设计改进的遗传算法求解出问题的非劣解集,通过对比蚁群算法、常规遗传算法与文中改进遗传算法的求解结果,得出文章算法的设计在求解效果上有一定的优势性,为长江沿线汽车整车运输方式及路径的选择提供一定的借鉴作用。     

基于改进蚁群算法的运输调度规划

在运输调度等组合优化问题的最优路线的搜索中,传统蚁群算法ACA(Ant Colony Algorithm)存在搜索时间长、收敛速度慢、易陷于局部最优解等缺点。为了克服这些缺点提出了一种改进的蚁群算法,该算法将遗传算法和蚁群算法结合起来,在蚁群算法的每一次迭代过程中,首先采用自适应策略控制它的收敛速度,然后使用变异操作来确定解值,从而提高它的搜索性能。再结合建立的运输调度性能指标,利用遗传算法、蚁群算法和改进蚁群算法3种方法分别进行运输规划,通过比较其时间花费和运输费用,验证了改进蚁群算法的有效性。实践证明,改进后的蚁群算法基本上克服了传统算法自身的不足,提高了算法性能。     

基于蚁群算法的最短路径搜索方法研究

最短路径搜索是车载定位导航系统中很重要的一个功能,最短路径搜索问题本身也可以归结为组合优化问题.蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路.文章尝试采用蚁群算法来解决车载导航系统中的最短路径搜索问题,并在VC 6.0的环境下进行了仿真实验.实验结果表明,该方法能有效解决车载导航系统中的最短路径搜索问题,具有一定的理论参考价值和实际意义.     

基于时段偏好的高速铁路列车停站和频率优化

优化高速铁路列车停站方案和开行频率应同时考虑旅客需求和运输企业效益,出发时段选择则是影响旅客需求分布的最重要因素.本文针对一条高速铁路客运走廊,研究基于时段偏好的列车停站和频率优化问题.分析了影响旅客出发时段偏好的2个主要因素,吸引度与排斥度.据此构建了高铁旅客出行阻抗函数,建立了一个双层规划模型,上层规划是以运营成本最小为目标的混合0-1规划模型,用于确定列车的停站和开行频率方案;下层规划是基于Wardrop用户平衡规则的客流分配模型,用于计算旅客在上层决策的停站和频率方案上的流量分配.根据模型特点设计了基于遗传算法的启发式方法,以兰西高铁走廊为背景实际求解了列车停站方案和开行频率,验证了本文方法的有效性.      

基于蚁群算法的自适应路径导航算法

针对时常发生和不断加剧的交通拥挤、堵塞等情况,研究一种动态的、自适应的导航算法,以达到对车辆进行合理有效的路径导航和路径规划的目的.这一算法是在蚁群算法的基础之上,辅以多因素综合评判的方式,改进蚁群算法的评判标准,构建动态导航模型.以该导航模型为基础,通过仿真实验进行求解,仿真实验中将路径宽度、通行时延等随机因素考虑在内并进行综合权衡,使得动态导航的结果具有现实中的指导意义.数据实例表明,该导航算法是可行的、有效的,具有良好的导航效果,可为实际的导航系统提供有力地决策支持.     

欧美高效的道路运输

<正>在欧美发达国家和地区,物流运输系统非常发达,他们有很多成熟的道路运输理念和模式值得我们学习和借鉴。高效运输:先进的运输模式1.多式联运:集齐各自优势联合运输多式联运是指使用多种运输方式,利用各种运输方式各自的优势,以最低的成本提供综合性服务。这种设法把不同的运输方式综合起来的方式,也称作"一站式"运输。最早的多式联运是铁路与公路相结合的运输方式,通常称作驮背式运输服务。现在,人们愈来愈强烈地意识到,多式联运将成为一种重要的提供高效的运输服务手段。