中欧陆海快线中海铁联运路线优化方法

技术领域

本发明属于本发明属于多式联运规划技术领域，具体涉及一种中欧陆海快线中海铁联运路线优化方法。

背景技术

我国与欧洲间货物运输量大，电机、电器、锅炉、机械器、家具、玩具、衣物、金属制品等占据大比重，这类产品与时效要求强的产品比如食品、鲜花等相比较，对于运输的时效性要求较低，而且运量大、价值高。

综合我国与欧洲间主要运输产品的特性、运输要求来看，中欧陆海快线采用海运、铁运为主的运输方式，摆脱了单一铁路运输成本高、对基础设施的要求高、铁路换轨难的困难，也摆脱了单一海路运输时间太慢、对内陆的覆盖范围小的难题。提供两种运输方式的结合，借助自然优势降低了运输成本，相比单纯的海运缩短了运输的时间，相比单纯的铁路运输降低了对基础设施的要求，提高货物运输的能力和覆盖率。并且这两种运输方式碳排放较低、能耗小、安全性高，属于绿色运输。因此，中欧陆海快线的发展可以促进国家运输的高质量发展，发展中欧陆海快线十分重要。

但实践证明，一味加强交通运输基础设施建设并非解决运输效率低下的良策，而不合理的运输方案是运输效率低的主要问题。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种中欧陆海快线中海铁联运路线优化方法，包括以下步骤：

S1、构建中欧陆海快线中海铁联运路线运输网络；

S2、根据步骤S1中的中欧陆海快线中海铁联运路线运输网络，构建中欧陆海快线海铁联运路线优化的模型；

S3、采用遗传算法对步骤S2中优化模型进行求解。

进一步地，所述步骤S1中包括中国国内运输成本和运输时间、海运段运输成本和运输时间、欧洲段运输成本和运输时间；

进一步地，所述中国国内运输成本和运输时间采用如下函数计算：

运输成本C

中转成本C

运输时间T

中转时间T

进一步地，所述海运段运输成本和运输时间采用如下函数计算：

操作成本C

运输成本C

中转时间T

运输时间T

等待时间T

进一步地，所述欧洲段运输成本和运输时间采用如下函数计算：

运输费用C

港口操作费C

运输时间T

操作时间如下：

等待时间如下：

进一步地，所述步骤S2中的模型如下：

C＝min(C

运输的总时间函数为：

T＝min(T

约束条件：

在约束条件中，约束(1)表示集装箱在两相邻节点间只能采用一种运输方式。约束(2)表示改变集装箱的运输方式只能在节点发生。约束(3)表明集装箱的运输只能从一个港口出发。约束(4)表示在每个欧洲国家集装箱只能选择一趟车运输。约束(5)-(8)表示四个决策变量只能取0或1；约束(9)保证运输过程的连续性；约束(10)表示概率θ的取值范围是0到1；约束(11)-(12)表示集装箱运输要严格遵守时刻表，按照船期、班期运行。

本发明成功得到最优化运输方案，实现控制运输成本，显著提高运输服务水平，进而为中欧集装箱多式联运经营人提供运输方案参考。

附图说明

图1为本发明的中欧陆海快线海铁联运路线优化简化图。

具体实施方式

以下结合附图对本发明的具体实施方式作进一步详细说明。

实施例1：

参考附图1，在本实施例中，涉及一种一种中欧陆海快线中海铁联运路线优化方法，包括以下步骤：

S1、构建中欧陆海快线中海铁联运路线运输网络；

S2、根据步骤S1中的中欧陆海快线中海铁联运路线运输网络，构建中欧陆海快线海铁联运路线优化的模型；

S3、采用遗传算法对步骤S2中优化模型进行求解。

进一步地，所述步骤S1中包括中国国内运输成本和运输时间、海运段运输成本和运输时间、欧洲段运输成本和运输时间；

进一步地，所述中国国内运输成本和运输时间采用如下函数计算：

运输成本C

中转成本C

运输时间T

中转时间T

进一步地，所述海运段运输成本和运输时间采用如下函数计算：

操作成本C

运输成本C

中转时间T

运输时间T

等待时间T

进一步地，所述欧洲段运输成本和运输时间采用如下函数计算：

运输费用C

港口操作费C

运输时间T

操作时间如下：

等待时间如下：

进一步地，所述步骤S2中的模型如下：C＝min(C

运输的总时间函数为：

T＝min(T

约束条件：

在约束条件中，约束(1)表示集装箱在两相邻节点间只能采用一种运输方式。约束(2)表示改变集装箱的运输方式只能在节点发生。约束(3)表明集装箱的运输只能从一个港口出发。约束(4)表示在每个欧洲国家集装箱只能选择一趟车运输。约束(5)-(8)表示四个决策变量只能取0或1；约束(9)保证运输过程的连续性；约束(10)表示概率θ的取值范围是0到1；约束(11)-(12)表示集装箱运输要严格遵守时刻表，按照船期、班期运行。

实施例2：

在考虑路线优化问题的求解时，本发明采用遗传算法。遗传算法是模拟著名生物学家达尔文提出的生物进化论提出的算法，在达尔文的进化论中，大自然会根据自然界的生存环境会对生物进行考验，留下基因优质、适合生存的个体。遗传算法的适应度就相当于在大自然中，通过设定规则和采用优胜劣汰的方法对个体进行搜索，适应环境的个体将得到更大的生存机会，并产生后代。其特点是可以在遗传中保留潜在解构成的基因，进而来实现全局搜索。遗传算法因为对数学方面的要求低，非常适用于多目标函数优化和非线性组合优化问题，可以方便快捷的处理所有的种类的目标函数与目标约束。

遗传算法求解步骤：

第一步：初始化个体，生成初始种群。

第二步：根据适应度函数，计算生成个体的适应度值，判断适应度值是否满足迭代终止条件；若满足，则输出最佳适应度值对应的个体，即该个体是最优解。否则继续第三步。

第三步：根据适应度函数计算个体的适应度，选出种群中部分潜在的最优个体。

第四步：通过交叉算法，对第三步选择出来的个体进行交叉操作，扩大个体的基因库。

第五步：通过变异算法，对第四步选择的个体做变异操作，增加个体的可能性，防止求解结果陷入局部最优。

第六步：将执行第四步和第五步操作后得到新个体，组成新的种群，重新进行第二步的操作。

其中采用实施例1中的模型进行求解时的变量与参数，含义如下：

表4-1(续表)

上述实施例并非对本发明的范围进行限定，在不脱离本发明设计构思的前提下，本领域所属技术人员对本发明的技术方案作出的各种变形和改进，均应纳入本发明的权利要求书确定的保护范围内。