曹慶奎,李良飛,任向陽(yáng) (河北工程大學(xué) 經(jīng)濟(jì)管理學(xué)院,河北 邯鄲056038)
CAO Qing-kui, LI Liang-fei, REN Xiang-yang (School of Economics & Management, Hebei University of Engineering, Handan 056038, China)
近年來(lái),地震、泥石流、旱澇等自然災(zāi)害的頻頻發(fā)生,造成了巨大的人員傷亡和財(cái)產(chǎn)損失。在目前的科技水平下,這些自然災(zāi)害事件是不可避免的,所造成的損失也是無(wú)法估量的[1-2]。因此自然災(zāi)害發(fā)生時(shí),科學(xué)合理的資源配置能對(duì)應(yīng)急救援起到事半功倍的作用,然而應(yīng)急物流配送車輛調(diào)度優(yōu)化就是其中的關(guān)鍵環(huán)節(jié),越來(lái)越多的人認(rèn)識(shí)到應(yīng)急物流配送車輛調(diào)度優(yōu)化問(wèn)題的重要性。
應(yīng)急物流與普通物流相比,有很多相同的地方,不過(guò)也存在很多不同的地方,節(jié)約成本是普通物流主要考慮的因素,然而應(yīng)急物流配送過(guò)程中要受到嚴(yán)格的時(shí)間約束,因此應(yīng)急物流更體現(xiàn)了應(yīng)急服務(wù)的時(shí)效性。目前國(guó)內(nèi)外對(duì)應(yīng)急物流系統(tǒng)的研究主要有應(yīng)急車輛的配置、應(yīng)急資源調(diào)配和應(yīng)急配送車輛調(diào)度,在應(yīng)急物流配送車輛調(diào)度模型以及算法上都有了一定的研究,Eqi等人建立以運(yùn)輸成本最小為目標(biāo)的調(diào)度模型[3],宋遠(yuǎn)清等在研究了需求隨機(jī)的車輛調(diào)度模型,但是沒(méi)有考慮運(yùn)輸成本和運(yùn)輸時(shí)間[4];石玉峰等建立了最短運(yùn)輸時(shí)間和最小運(yùn)輸費(fèi)用的多目標(biāo)組合優(yōu)化調(diào)度模型[5];文仁強(qiáng)等通過(guò)蟻群算法對(duì)應(yīng)急物資配送車輛調(diào)度優(yōu)化問(wèn)題進(jìn)行了求解[6];張?jiān)HA等在帶有時(shí)間窗的基礎(chǔ)上考慮運(yùn)輸費(fèi)用與距離構(gòu)建應(yīng)急物流配送車輛調(diào)度模型,并運(yùn)用了蟻群算法進(jìn)行求解[7];陳明華建立了一般性非滿載應(yīng)急物流車輛調(diào)度模型,采用人工免疫算法進(jìn)行了求解[8]。綜上所述,在車輛調(diào)度問(wèn)題中多注重時(shí)間方面的及時(shí)性,忽略了應(yīng)急運(yùn)輸車輛的體積和載重對(duì)配送調(diào)度的影響以及應(yīng)急配送車輛資源的有限性,通過(guò)本文的研究,建立更符合實(shí)際的多目標(biāo)應(yīng)急配送車輛調(diào)度優(yōu)化模型,運(yùn)用針對(duì)該模型的混合算法求解模型得到的結(jié)果可以作為救災(zāi)指揮中心制定車輛調(diào)配方案科學(xué)決策的依據(jù)。因此,本文所研究的問(wèn)題具有重要的現(xiàn)實(shí)意義。
(1) 所有受災(zāi)點(diǎn)在物資數(shù)量方面和運(yùn)輸時(shí)間方面的需求都能夠得到滿足,同時(shí)單個(gè)需求節(jié)點(diǎn)的需求量小于單車最大荷載;(2) 同種車型運(yùn)輸,車輛的額定載重量和車輛的容積一定;(3) 各受災(zāi)點(diǎn)均在救災(zāi)點(diǎn)的配送范圍之內(nèi),運(yùn)輸?shù)绞転?zāi)點(diǎn)的時(shí)間不超過(guò)最遲到達(dá)時(shí)間;(4) 路網(wǎng)為完全網(wǎng)絡(luò),即所有節(jié)點(diǎn)之間都有線路連通;(5) 救災(zāi)點(diǎn)與各受災(zāi)點(diǎn)、各受災(zāi)點(diǎn)之間的運(yùn)輸距離作為已知量;(6) 每輛車完成配送任務(wù)后回到配送中心。
有n個(gè)受災(zāi)地區(qū)向救災(zāi)指揮中心請(qǐng)求救災(zāi)物資的配送,第i個(gè)受災(zāi)節(jié)點(diǎn)對(duì)于救災(zāi)物資的需求量為救災(zāi)中心與各受災(zāi)節(jié)點(diǎn)、各受災(zāi)節(jié)點(diǎn)之間的廣義運(yùn)輸距離為dij,運(yùn)輸時(shí)間為tij(i,j=0,1,2,…,n,配送中心編號(hào)為0,受災(zāi)節(jié)點(diǎn)編號(hào)為1,2,…,n);卸貨時(shí)間為UTi,最遲允許車輛到達(dá)時(shí)間為L(zhǎng)Ti;G是一系列需要應(yīng)急服務(wù)的受災(zāi)點(diǎn)集合;K表示應(yīng)急運(yùn)輸車輛集合;vi和qi,分別表示受災(zāi)點(diǎn)i應(yīng)急物資的體積和重量;V和Q分別表示運(yùn)輸車輛額定體積載重;可用車輛數(shù)為k;車輛不能超載且必須在規(guī)定時(shí)間之前把物資送到受災(zāi)節(jié)點(diǎn)。要求指派運(yùn)輸車輛,并確定每輛車運(yùn)輸路線,使得總運(yùn)輸距離最低,并且使運(yùn)輸車輛最少。
把應(yīng)急配送中心即救災(zāi)點(diǎn)和受災(zāi)節(jié)點(diǎn)統(tǒng)一看作是運(yùn)輸網(wǎng)絡(luò)中的節(jié)點(diǎn)。設(shè)在同一線路上點(diǎn)i是點(diǎn)j前面的相鄰點(diǎn),車輛到達(dá)點(diǎn)i的時(shí)間為RTi,到達(dá)j點(diǎn)的時(shí)間為RTj,則有:RTj=RTi+tij。
將模型中所涉及的二進(jìn)制變量定義如下:
建立應(yīng)急配送車輛調(diào)度的數(shù)學(xué)模型如下:
目標(biāo)函數(shù):
約束條件:
上述模型中,式(1) 表示目標(biāo)函數(shù)為求最短的應(yīng)急運(yùn)輸距離;式(2) 表示目標(biāo)函數(shù)為使用最少的運(yùn)輸車輛數(shù);式(3)表示每輛車裝貨不超過(guò)其額定容積;式(4) 表示車輛裝貨不超過(guò)其額定載重;式(5) 表示救災(zāi)物資送到各個(gè)受災(zāi)節(jié)點(diǎn)的時(shí)間必須在規(guī)定的時(shí)間窗范圍內(nèi);式(6) 表示每一個(gè)受災(zāi)地區(qū)節(jié)點(diǎn)僅由一輛車提供卸載救災(zāi)服務(wù);式(7)、(8) 表示車輛k應(yīng)離開(kāi)已經(jīng)駛?cè)脒^(guò)的受災(zāi)節(jié)點(diǎn),并且只??坑诜峙浣o其運(yùn)輸任務(wù)的受災(zāi)點(diǎn);式(9) 中表示,如果車輛k有貨物,則該車執(zhí)行任務(wù),此時(shí)目標(biāo)函數(shù)(2) 增加1。
粒子群優(yōu)化算法(Particle Swarm Optimization, PSO) 是一種基于粒子群算法(PSO) 同遺傳算法類似,是一種基于迭代的優(yōu)化工具,一種基于群體的隨機(jī)優(yōu)化技術(shù)。它是Kennedy 和Eberhart 于1995 年提出的一種新的進(jìn)化計(jì)算方法,它源于鳥(niǎo)群和魚(yú)群群體覓食運(yùn)動(dòng)行為研究結(jié)果的啟發(fā)[9-10]。
在PSO 算法中有兩個(gè)主要的操作,其中一個(gè)操作是利用適應(yīng)性函數(shù)來(lái)計(jì)算適應(yīng)值,并且依照適應(yīng)值的比較結(jié)果來(lái)決定是否更新每個(gè)粒子本身的最佳經(jīng)驗(yàn)(pBest)以及所有粒子群體的最佳解(gBest)。第二個(gè)操作為每一個(gè)粒子的位置轉(zhuǎn)移,首先每個(gè)粒子會(huì)根據(jù)公式(10) 計(jì)算出新的速度,然后根據(jù)此新的速度依照公式(11) 產(chǎn)生出新的位置:
生物免疫系統(tǒng)是一個(gè)分布式、自組織和具有動(dòng)態(tài)平衡力的適應(yīng)性復(fù)雜系統(tǒng)。它面對(duì)外界入侵的抗原,能夠產(chǎn)生相應(yīng)的抗體,其抗體上有特定的物質(zhì),可以結(jié)合或消除抗原,以維持免疫平衡。這樣的免疫原理可以應(yīng)用到許多現(xiàn)有的智能信息處理的技術(shù)中,構(gòu)成了許多更加有效的智能方法,如免疫神經(jīng)網(wǎng)絡(luò),免疫遺傳算法等。
在本文中我們將免疫機(jī)理和粒子群算法結(jié)合,構(gòu)造了一個(gè)啟發(fā)式的免疫粒子群算法。在免疫粒子群算法中,定義抗體用來(lái)表示對(duì)問(wèn)題的候選解,定義抗原代表問(wèn)題及其約束。具有免疫優(yōu)勢(shì)的抗體即為當(dāng)前抗體種群中的有效解或非劣最優(yōu)解[11]。在本文算法中,對(duì)于車輛k、n個(gè)受災(zāi)點(diǎn)的車輛分配,首先將個(gè)體編碼為一個(gè)k*n大小的矩陣,用粒子來(lái)進(jìn)行表示。求解該應(yīng)急物流配送中的車輛調(diào)度問(wèn)題的免疫粒子群算法步驟如下:
步驟一:初始化具有V個(gè)個(gè)體的粒子群。
步驟二:計(jì)算每個(gè)粒子的適應(yīng)度函數(shù)(取式目標(biāo)函數(shù)的倒數(shù)),選擇適應(yīng)度函數(shù)最大的個(gè)體。
步驟三:判斷是否滿足停機(jī)條件,滿足條件退出,不滿足條件則繼續(xù)。
步驟四:按照公式(11)、(12) 計(jì)算粒子新的位置,取符號(hào)變?yōu)槎M(jìn)制的0,1。
步驟五:檢查個(gè)體的7 個(gè)約束是否滿足,滿足約束的粒子保留。
步驟六:對(duì)不滿足約束的個(gè)體注射疫苗:對(duì)個(gè)體按照對(duì)問(wèn)題的先驗(yàn)知識(shí)修改個(gè)體位置,執(zhí)行注射疫苗的操作,對(duì)群體中注射了疫苗的粒子進(jìn)行免疫檢測(cè),滿足條件的保留。
步驟七:轉(zhuǎn)到步驟二。
免疫粒子群算法的流程如圖1 所示。
圖1 免疫粒子群算法求解過(guò)程圖
為考察上述模型和算法的有效性,選用某地區(qū)所測(cè)算的原始數(shù)據(jù)為依據(jù)進(jìn)行分析。具體描述如下:
某地區(qū)發(fā)生自然災(zāi)害,所在地區(qū)的救災(zāi)物資儲(chǔ)備中心需要向8 個(gè)受災(zāi)節(jié)點(diǎn)進(jìn)行救災(zāi)物資配送。受災(zāi)節(jié)點(diǎn))的需求量為gi,卸貨時(shí)間為UTi,物資最晚送到時(shí)間為L(zhǎng)Ti,裝載容量為8 噸,運(yùn)送車輛的容積為18m3,車速為60 公里/小時(shí)。車輛不能超載且必須在規(guī)定時(shí)間之前把物資送到受災(zāi)節(jié)點(diǎn)。各節(jié)點(diǎn)的物資需求量及物資儲(chǔ)備中心與各需求點(diǎn)之間、各需求點(diǎn)相互之間的距離見(jiàn)表1 和表2。
表1 受災(zāi)節(jié)點(diǎn)的需求數(shù)據(jù)
表2 各節(jié)點(diǎn)之間的距離
以Matlab7.4.0 為工具運(yùn)用本文的免疫粒子群算法對(duì)上述問(wèn)題進(jìn)行求解,參數(shù)設(shè)置如下:c1=c2=2,c3=0.6。重復(fù)運(yùn)行50 次,發(fā)現(xiàn)有39 次收斂到最優(yōu)解,即找到最優(yōu)解的概率是78%,得到最終車輛行駛路線見(jiàn)表3,在同樣條件下,運(yùn)用粒子群算法求解,發(fā)現(xiàn)有32 次收斂到最優(yōu)解,即找到最優(yōu)解的概率是64%,而且運(yùn)用本文中的算法最終結(jié)果優(yōu)于粒子群算法。
表3 車輛行車路線表
本文針對(duì)應(yīng)急物流配送車輛調(diào)度問(wèn)題,在滿足時(shí)間約束的條件下,綜合考慮運(yùn)輸車輛體積和載重條件,建立模型使運(yùn)輸車輛數(shù)最少、總運(yùn)輸線路最短,最大程度的節(jié)省物流資源,而不是把車輛調(diào)度的研究目的僅僅局限在應(yīng)急時(shí)間最短或運(yùn)輸成本最小。在求解模型時(shí),運(yùn)用免疫算法和粒子群算法的混合算法,快速求解應(yīng)急物流配送車輛調(diào)度問(wèn)題,有效提高尋優(yōu)精度和響應(yīng)速度。并對(duì)其進(jìn)行實(shí)證研究,通過(guò)不同算法的比較,驗(yàn)證本文模型和算法的可行性和有效性,為應(yīng)急管理部門(mén)提供有效的輔助建議。
[1] 宋傳平. 我國(guó)應(yīng)急物流系統(tǒng)的構(gòu)建和保障條件[J]. 中國(guó)流通經(jīng)濟(jì),2011,25(4):21-24.
[2] Cauchemez S. Estimating the impact of school closure on influenza transmission from sentinel data[J]. Nature, 2008,452(10):750-754.
[3] Equi L, Gallo G, Marziale S, et a1. A combined transportation and scheduling problem[D]. Pisa: Pisa University, 1996:523-538.
[4] 宋遠(yuǎn)清,李永生,梁慎清. 需求隨機(jī)車輛調(diào)度問(wèn)題的遺傳算法研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展,2009,19(2):230-233.
[5] 石玉峰,王金偉,徐軍,等. 應(yīng)急物流分配模型及算法研究[J]. 物流技術(shù),2009,28(6):80-81,112.
[6] 文仁強(qiáng),鐘少波,袁宏永,等. 應(yīng)急資源多目標(biāo)優(yōu)化調(diào)度模型與多蟻群優(yōu)化算法研究[J]. 計(jì)算機(jī)研究與發(fā)展,2013,50(7):1464-1472.
[7] 張?jiān)HA,潘郁. 基于蟻群算法的應(yīng)急物流配送車輛調(diào)度研究[J]. 物流科技,2009(5):47-49.
[8] 陳明華,李迎秋,羅耀琪. 應(yīng)急物流車輛調(diào)配問(wèn)題的研究[J]. 計(jì)算機(jī)工程與應(yīng)用,2009,45(24):194-197.
[9] Kennedy J, Eberhart R C. Particle Swarm OPtimization[C] // In: IEEE Int. Conf. on Neural Networks, Perth, Australia, 1995:1942-1948.
[10] Eberhart R C, Kennedy J. A new optimizer using particles warm theory[C]//In:Proc of the sixth international symposium on Micro Machine and Human Science, Nagoya, Japan, 1995:39-43.
[11] 席娜,徐術(shù)力. 基于免疫粒子群優(yōu)化算法的物流配送車輛調(diào)度算法[J]. 物流技術(shù),2012,31(12):312-313.