一种多目标航空物流智能配载优化方法

技术领域

本发明涉及智能优化领域，根据航空物流的实际需求设计了一种多目标航空物流智能配载优化方法，即在满足尽可能最低时限的前提下，获得最优的货物配载方案，从而保证航空物流公司获得的利润最大化。

背景技术

目前在航空物流领域，基本上都是采用人工配载方式，人工方式主要是根据个人经验来对物流进行配载优化，随着规模的扩大、种类增大和行业竞争的加剧，这种人工配载方式很难保证利润近似最优或最优，难以满足当前航空物流业的需求。我们在对航空物流公司进行详细调研的基础上，提出了一种多目标航空物流智能配载方法，相比于人工分配方式可在尽可能短的时间内获得更优的分配方案，最终实现利润最大化。利用某航空物流企业数据初步测算，与人工配载相比利润至少可以提升10％以上。随着经济全球化，航空物流业务的快速增长，存在着巨大的利润空间。航空物流智能配载涉及客户提供的货物的相关信息、航空物流公司购买的运力资源及航空公司航班的运输信息等。方法主要考虑总成本的最小化以及货物的数量的最大化，其中总成本包括空运成本和始发港转运成本以及目的港转运成本，同时考虑每个航班中的货物的重量和体积不能超出限额的约束和剩余运力以及特殊货物的装载要求等因素。根据实际需求的不同，通过智能优化得到的分配方案给出最优的配载，最终实现整体利益最大化。

发明内容

本发明的实现主要分为实际需求建模和算法优化两部分。

1、实际需求建模

航空物流智能配载问题类似于0-1背包问题，目前产品考虑了在成本最低的情况下尽可能地装载更多地货物，其中成本包括空运成本、始发港转运成本以及目的港转运成本，同时考虑每个航班中的货物的重量和体积不能超出限额的约束和剩余运力以及特殊货物的装载要求等因素。当然，如果有其他额外的或者不需要的需求，也可以通过接口灵活的添加或删除。

2、算法优化

航空物流智能配载优化是一个多目标优化问题，各个目标之间相互制约，可能使得一个目标性能的改善往往是以损失其它目标性能为代价，不可能存在一个使所有目标性能都达到最优的解，所以对于多目标优化问题，其解通常是一个非劣解的集合——Pareto解集。多目标进化算法是用来分析和解决多目标优化问题的一种算法，其核心就是协调各个目标函数之间的关系，找出使得各个目标函数都尽可能达到比较大的(或比较小的)函数值的最优解集。在众多多目标优化算法中，NSGA-II算法(Elitist Non-Dominated SortingGenetic Algorithm)是应用范围较广的一种多目标进化算法。由于其简单有效的特点，使得该算法已经成为多目标优化问题中的基本算法之一。该算法主要优点如下三点：

1、提出了快速非支配的排序算法，降低了计算非支配序的复杂度，使得优化算法的复杂度由原来的mN3降低为mN2(m为目标函数个数，N为种群个数)。

2、引入了精英策略，保证优良的个体在进化过程中不会被丢弃，从而提高优化效果。

3、引入拥挤度比较算子，克服了NSGA算法中需要人为指定共享参数的缺陷，从而保证了种群的多样性。

因此，NSGA-II算法作为航空物流智能配载优化的求解器是较为合适的。当然，针对实际需求不同而建成的模型的特点不同，可以选择更有针对性的多目标进化算法进行求解。为了更快的求解，在优化过程中，提出了一个简单的不可行解修复方法，使种群尽快地进入可行域，同时也可以跳出局部最优。

目前国内航空物流主要采取人工配载方式，主要是依据个人经验进行配载，很难保证得到的配载方案是近似最优或者最优。相对来说，通过智能配载优化可以保证在较短的时间内达到最优或者近似最优，不仅节省了时间，而且还可以在一定程度上降低成本。

本发明的优点在于：

目前国内航空物流领域主要采取人工配载的方式，主要是依据个人经验进行配载，很难保证得到的配载是近似最优或者最优。相对来说，通过智能配载优化可以保证在较短的时间内达到最优或者近似最优，不仅节省了时间，而且还可以在一定程度上降低成本。

附图说明

图1是优化配载过程示意图。

图2是建模过程示意图。

图3是求解过程示意图

具体实施方式

本发明设计一种多目标航空物流智能配载方法。本发明的核心设计是利用客户提供的货物的相关信息、航空物流公司购买的运力资源及航空公司航班的运输信息，考虑总成本的最小化以及货物数量的最大化两个主要目标因素(其中总成本包括空运成本和始发港转运成本以及目的港转运成本)，同时将每个航班中的货物的重量和体积不能超出限额的约束以及剩余运力和特殊货物的装载要求等因素作为约束构建一个带约束的多目标优化问题。最后利用NSGA-II算法作为航空物流智能配载优化的求解器，来获得最优的物流配载方案，实现利润最大化。

具体详细步骤如下：

步骤1:输入数据

将excel中的数据转换为.mat文件并读取到matlab缓存区。

步骤2:建模

将货物装载在板箱视为1，没有装载在板箱视为0。假设现在有3个货物,分别记为a,b,c；2个板箱,分别记为A,B，那么10可以表示某个货物装载在A箱。则存在101010、101001、100110、100101、011010、011001、010110、010101八种装载方案(每个货物只能装载在一个板箱)。同时还有货物只能装载在某些板箱的要求，因此对于货物能装载在板箱中视为1，不能视为0。例如对于货物有101011(即a、b只能装载在A中，而c可以装载在A、B中)，则进行点乘之后，就会得到在满足上述条件的基础上的八种装载方案，即101010、101001、100010、100001、001010、001001、000010、000001。该模型包含两个目标函数和多个约束，目标函数分别为总成本(总成本包括始发港转运成本、目的港转运成本、空运成本，当没有签订协议的航班装载重量没有达到规定的重量，则产生相应的罚金)和装载货物量,约束分别为每个板箱的重量和体积约束以及装载货物量约束。求解的目标是在满足约束的前提下，得到总成本最小和装载货物量最大的解。

步骤3:求解

使用带有可行性准则的NSGA-II算法进行优化求解。

在产生解的过程中，可能会产生大量不可行解，为了更快地求解，提出一种不可行解修复方法。如果产生的解不可行，首先计算不可行的解的重量超出比重Rw和体积超出比重Rv，如果Rw大于Rv，则首先按照货物的重量排序对货物进行装载，如果货物的重量达到满足要求，再按照货物的体积排序对货物进行装载。如果Rv大于Rw,则先按照体积排序再按照重量排序进行卸载。然后，检查货物的装载情况，如果有货物同时被装载在多个板箱中，则随机选择一个板箱卸载该货物，直到货物只装载在一个板箱中。如果某货物没有被装载，按照货物每个板箱的空运价格排序对货物进行装载，如果所有板箱都不能装载，从该货物可以装载的板箱中随机卸载已经装载的货物，直到满足装载此货物。当所有货物都被检查之后，结束不可行解修复过程。如果货物满足了装载要求可以提前跳出不可行解修复过程。