一种多式联运路径优化方法

技术领域

本发明涉及一种多式联运路径优化方法，属于交通运输规划技术领域。

背景技术

多式联运是一类综合运输系统，其涉及多种不同的运输方式，通过不同中转站的作业，实现多种不同运输方式的相互衔接及有机组合，为托运人提供一体化的运输服务方案。

然而，在实际运输组织过程中，由于不同运输方式存在中转环节，多式联运存在协同效率低、运输方式衔接不畅等问题，容易形成服务孤岛，以运输成本为唯一优化标准的运输服务网络设计方法，难以满足托运人、货运企业个性化、多元化的运输需求。

目前，大多数货物联运过程中的路径和运输方式选择都是依赖于运营历史数据或人工经验，该方法仅适用于小规模的货物联运，当遇到大规模货物联运时暴露出很多的缺点与不足。

因此，针对多式联运路径综合优化问题提出高效的求解方法，实现降低运营成本、提升派送效率和提高服务质量的目的，这将对货物联运的可持续发展具有重要的意义。综上，考虑运输成本、运输时间以及碳排放因素，合理选择运输方式，安排最佳调度顺序，确定最优运输路径方案，最终达到降低运输成本、缩短运输时间、减少碳排放量、提高货运企业利润和托运人满意度的目的。

发明内容

本发明针对以上待解决的问题，提供一种考虑运输成本、运输时间以及碳排放因素，以确定最优运输路径集合，以满足多式联运的不同需求，为货运企业针对不同需求提供不同最优路径方案的多式联运路径优化方法。

为了解决上述技术问题，本发明的技术方案如下：

一种多式联运路径优化方法，包括以下步骤：

S1：采集运输数据以构建多式联运运输网络G，G＝(V,E,M)，其中，V为运输节点集合，E为运输路径集合，M为运输模式集合；

S2：构建所述多式联运运输网络的多目标优化模型，该多目标优化模型包括分别以最小化运输成本min f

S3：利用多种群遗传算法求解所述多目标优化模型，得到最优路径集合，具体包括：

S31，设定参数：所述参数包括交叉概率p

S32，编码：对染色体进行编码，其中染色体的奇数位表示运输节点编号，染色体的偶数位代表在该运输路段上前后两个相邻节点间所采取的运输模式；

S33，生成初始种群1和初始种群2：依据所述编码方式，在搜索决策空间内，利用节约里程法对初始化路径进行构建，运输模式为在相邻两节点间存在的运输模式中随机选择一种，得到初始染色体，即初始种群1，利用同样的方法生成初始种群2，初始种群1和初始种群2的个体数量均为N；

S34，利用贝叶斯公式确定初始种群1的搜索结构及初始种群2的搜索结构以分别生成种群1和种群2；

S35，利用多种群协同进化对种群1和种群2进行优化，获取最优路径集合。

优选地，步骤S2中所述的三个目标函数如下：

其中，I为中转节点集合，I属于V，Q为货运总量，

优选地，所述三个目标函数包括如下约束条件：

(1)运输时间由运输距离和运输速度决定，

(2)相邻两个节点间只能采用一种运输模式，

(3)在每个运输节点均最多只能进行一次运输模式的转换，

(4)确保多式联运运输网络的连贯性，

其中，

优选地，所述多目标优化模型均包括以下假设：

所述多式联运运输网络固定不变，两个相邻运输节点之间的不同运输模式对应的运输成本、运输时间和运输能力各有不同，两个相邻运输节点之间只有一条运输路段，在运输过程中不能将货物分成多种运输模式同时运输，货物的中转只能发生在运输节点，且全程忽略包括天气变化、路况条件和人为操作在内的不确定性因素，货物应一次性运输完毕，不能分批运输，两个运输节点之间通过一个运输节点的运输次数最多只能一次，货物的总运输时间不应超过货物的承运总时间要求。

优选地，所述运输数据包括运输节点、每个运输节点对应的转运方式及转运成本、各个运输节点间的路径、每条路径相应的运输模式、每种运输模式相应的运输费用、运输节点包含起始节点、目的节点及中转节点。

优选地，所述步骤S35，具体为：

S351，计算目标函数值：计算初始种群1和初始种群2中每个个体的f

S352，匹配选择生成父代种群1和父代种群2：分别从种群1和种群2中随机选择一个个体，然后利用每个个体的f

S353，生成子代种群1和子代种群2：对父代种群1先进行交叉操作再进行变异操作生成子代种群1，对父代种群2进行与父代种群1一样的操作生成子代种群2；

S354，获得种群11和种群21：合并子代种群1、子代种群2及种群1，以获得种群11，合并子代种群1、子代种群2及种群2，以获得种群21；

S355，环境选择获取最优解集：分别对种群11和种群21利用基于非支配排序和拥挤距离的精英保留策略进行环境选择以进行最优解集更新，以最大迭代次数为终止条件；

S356，获取最优路径集合：将获取的最优解集输出，并对其进行解码得到最优路径集合。

优选地，步骤S353中对父代种群1进行的交叉操作具体为：

对父代种群1中的个体进行随机配对，每一对配对的两个个体分别设定从同一位置开始的等长的序列A和序列B，序列A和序列B按顺序依次互换。

优选地，步骤S353中对父代种群1进行的变异操作具体为：

对父代种群1进行交叉操作后，从父代种群1中随机选择一个个体，随机生成两个数作为变异的位置，互换随机选择的个体的两个变异的位置上的信息，对父代种群1的其它个体均按此方法进行变异操作。

与现有技术相比，本发明的有益效果如下：

1、本发明构建针对最小化运输时间、最小化运输成本、最小化碳排放量的多个优化目标模型，并通过多种群遗传算法对其进行求解，从而获取多个最优路径集合，以满足多式联运的不同需求，为货运企业针对不同需求提供不同最优路径方案。

2、本发明将多式联运运输网络图转换为多部图，降低多个优化目标模型的求解难度，提升算法求解的性能和效率。

附图说明

图1为本发明的流程图。

图2为本发明实施例的多式联运运输网络示意图。

图3为本发明实施例的多种群遗传算法中编码的示意图。

图4为图3编码对应的运输方案。

图5为本发明的多种群协同进化框架图。

图6为本发明的多种群遗传算法求解流程图。

具体实施方式

以下将结合实施例与附图来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

如图2所示，本实施例的任务为将货物从起始节点a运输到目的节点i，其中H代表公路运输，R代表铁路运输，W代表水路运输。

如图1所示，一种多式联运路径优化方法，包括以下步骤：

S1：采集运输数据以构建多式联运运输网络G，G＝(V,E,M)，其中，V为多式联运运输节点集合，E为多式联运运输路径集合，M为多式联运运输模式集合，较佳的，所述运输数据包括运输节点、每个运输节点对应的转运方式及转运费用、各个运输节点间的路径、每条路径相应的运输模式、每种运输模式相应的运输费用、运输节点包含起始节点、目的节点及中转节点；

S2：构建所述多式联运运输网络的多目标优化模型，该多目标优化模型包括分别以最小化运输成本minf

具体地，步骤S2中所述的三个目标函数如下：

其中，I为中转节点集合，I属于V，Q为货运总量，

较佳的，所述三个目标函数包括如下约束条件：

(1)运输时间由运输距离和运输速度决定，

(2)相邻两个节点间只能采用一种运输模式，

(3)在每个运输节点均最多只能进行一次运输模式的转换，

(4)确保多式联运运输网络的连贯性，

其中，

较佳的，所述多目标优化模型均包括以下假设：

所述多式联运运输网络固定不变，两个相邻运输节点之间的不同运输模式对应的运价、运输时间和运输能力各有不同，两个相邻运输节点之间只有一条运输路段，在运输过程中不能将货物分成多种运输模式同时运输，货物的中转只能发生在运输节点，且全程忽略包括天气变化、路况条件和人为操作在内的不确定性因素，货物应一次性运输完毕，不能分批运输，两个运输节点之间通过一个运输节点的运输次数最多只能一次，货物的总运输时间不应超过货物的承运总时间要求。

S3：利用多种群遗传算法求解所述多目标优化模型，得到最优路径集合，如图6所示，具体包括：

S31，设定参数：所述参数包括交叉概率p

S32，编码：如图3所示，对染色体进行编码，对路径访问顺序进行编码，其中染色体的奇数位表示运输节点编号，染色体的偶数位代表在该运输路段上前后两个相邻节点间所采取的运输模式，图3所示的编码，从运输节点a到运输节点i的一个运输方案如图4所示；

S33，生成两个初始种群1和初始种群1：依据所述编码方式，在搜索决策空间内，利用节约里程法对初始化路径进行构建，运输模式为在相邻两节点间存在的运输模式中随机选择一种，得到初始染色体，即初始种群1，初始种群1的个体数量为N，利用同样的方法生成初始种群2，初始种群1的个体数量为N，N为100；

S34，利用贝叶斯公式确定初始种群1的搜索结构及初始种群2的搜索结构以分别生成种群1和种群2，通过初始种群1中各个解的中转节点连接情况，利用贝叶斯公式计算上下级中转节点之间的连接概率，将多式联运运输网络图转换为多部图，确定初始种群1的搜索结构以生成种群1，利用同样的方法确定初始种群2的搜索结构以生成种群2，确定初始种群1和初始种群2的搜索结构以提高搜索效率；

S35，利用多种群协同进化对确定搜索结构后的种群1和种群2进行优化，获取最优路径集合，协同进化框架同时进化多个种群，获取更好的平衡收敛性和多样性。

优选地，所述步骤S35，如图5所示，具体为：

S351，计算目标函数值：计算初始种群1和初始种群2中每个个体的f

S352，匹配选择生成父代种群1和父代种群2：分别种群1和种群2中随机选择一个个体，然后利用每个个体的f

S353，生成子代种群1和子代种群2：对父代种群1先进行交叉操作再进行变异操作生成子代种群1，对父代种群2进行与父代种群1一样的操作生成子代种群2，对父代种群2先进行交叉操作再进行变异操作生成子代种群2，较佳的，交叉操作为部分匹配交叉，为了增加种群的多样性，尽可能地避免种群陷入局部最优解，出现“早熟收敛”的情况，对父代种群1及父代种群2进行变异操作分别生成子代种群1和子代种群2，变异操作较佳为交换变异；

具体地，步骤S353中对父代种群1进行的交叉操作具体为：

对父代种群1中的个体进行随机配对，每一对配对的两个个体分别设定从同一位置开始的等长的序列A和序列B，序列A和序列B按顺序依次互换，父代种群1和父代种群2的配对个体发生交叉操作的概率由交叉概率p

具体地，步骤S353中对父代种群1进行的变异操作具体为：

对父代种群1进行交叉操作后，从父代种群1中随机选择一个个体，随机生成两个数作为变异的位置，互换随机选择的个体的两个变异的位置上的信息，对父代种群1的其它个体均按此方法进行变异操作，父代种群1的个体和父代种群2的个体发生变异操作的概率由变异概率p

S354，获得种群11和种群21：合并子代种群1、子代种群2及种群1，以获得种群11，合并子代种群1、子代种群2及种群2，以获得种群21；

S355，环境选择获取最优解集：分别对种群11和种群21利用基于非支配排序和拥挤距离的精英保留策略进行环境选择以进行最优解集更新，也就是分别选择种群11和种群21中最有“潜力”的个体参与到下一代的进化，以最大迭代次数为终止条件，本实施例最大迭代次数为5000；

分别对种群11和种群21进行环境选择，对种群11进行非支配排序，种群11被划分为若干层(F

S356，获取最优路径集合：将获取的最优解集输出，并对其进行解码得到最优路径集合。

以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替换，都应当视为属于本发明的保护范围。