[发明专利]一种外贸物流路径的优化方法

说明书

技术领域

本发明涉及一种路径确定方法，具体说是一种外贸物流路径的优化方法。

背景技术

随着经济全球化迅速发展，物流业已经成为商业环节的一个重要组成部分。在各种不同需求的推动下，一些功能组件应运而生的并在现代物流业中发挥重要作用，如电子跟踪、仓储、资源分配。同时，随着服务中心、信息处理中心、资源配置中心的出现，整个供应链需要建立无缝连接，以使得物流网络能够高效运转。因此，由于功能组件引入，路径最优化的复杂性日益增强且相应生成的路径组合变得更加庞大。

物流是指为了满足客户的需求，以最低的成本，通过运输、保管、配送等方式，实现原材料、半成品、成品或相关信息进行由商品的产地到商品的消费地的计划、实施和管理的全过程。而外贸物流是指为一个国家（地区）与另一个国家（地区）为满足客户的各种需要，通过某种运输方式，实现两个国家（地区）相关产品交易。全部物流活动是在线路和节点进行的，物流网络指由执行物流活动使命的线路和执行物流停顿使命的节点两种基本元素所组成的网络。外贸物流网络包括六种类型的实体(节点)，如起点（出口商），代理，运输公司，仓储站，运输公司和目的地（进口商）。运输是物流中最重要的功能要素之一，物流合理化在很大程度上依赖于运输合理化。运输路径安排问题（LRP）是集成化物流系统中路径优化问题的一个重要分支，是任何现代物流系统必须要面临的问题。

在物流系统中路径优化问题中，最重要的问题是在所有可能的路径中寻找最佳的运输路径以使其运输成本最小。现有的方法是在整个运输网络中进行组合优化以寻求帮助，本质上，这是个NP-Hard问题，因此，这些方法只能得到近似解。随着物流网络规模的迅速增长，例如在外贸行业中，在不同的法律约束或面对用户的不同要求，通过此方法获得高效率和有效的解决方案变得越来越困难。现有方法中还有一些启发式算法或基于智能代理的算法，如遗传算法、蚁群算法和免疫算法。在起步阶段，针对这个问题，在许多研究工作中广泛采用遗传算法（GA）以优化物流路线，GA是一种基于自适应启发式搜索算法以进化中的自然选择和遗传变异前提。近几年，进化算法（EA），试图利用类似的技术，如遗传，变异，选择和交叉解决路径优化问题。免疫算法是模仿免疫系统，以解决多模态函数优化问题的遗传算法的变种。然后有研究者提出了基于智能代理技术的蚁群优化算法（ACO）用于解决组合优化问题，它模拟蚂蚁的觅食行为时产生感知信息素以帮助其他蚂蚁成功找到食物。在ACO算法中，首先要构建一定数目的虚拟蚂蚁，在完全连接图中按照某种规则出发，各自独立地根据信息素和启发式信息，采用一个概率规则选择下一步的移动，直到建立优化问题一个完整的解。

虽然上述算法已广泛应用于各种领域，如图形着色，路由选择和旅行商问题，但仍存在以下缺陷。第一，这些方法的问题在于假定物流网络每条边的成本是已知的，事实操作中，这是不可行的，因为这样大规模的物流网络无法精确的计算每条边的成本。第二，面对大量的约束，直接对整个物流网络进行优化是非常困难的。第三，由于缺乏自适应学习能力，无法从历史数据中获取知识。

发明内容

本发明就是为了解决上述技术问题，提供一种基于图模型的外贸物流路径的优化方法。

本发明的技术方案是，提供一种物流运输路径确定方法，包括一下步骤:

（1）识别外贸物流网络中的实体；

（2）构建外贸物流网络；

（3）将所述外贸物流网络抽象为层次无向图；

（4）针对所述层次无向图，面对不同场景，计算最优路径。

优选地，其特征在于所述实体包括：起点，代理，运输公司，仓储站，运输公司和目的地。

优选地，层次无向图中，不同层次的节点抽象为无向图的节点集合V，不同层次节点之间的连线抽象为无线图边的集合E，形成G=<V,E>；节点点集V可以分为k个不相交的子集：V=S₁∪S₂∪…∪S_k，用v_i来表示一个节点，则有，边集E=｛＜V_i，V_i+1|V_i∈S_i，V_i+1∈S_i+1＞｝，i∈｛1,...,k-1｝，每条边e=<v_i,v_j>的权为ω_ij表示该边在物流路径上的概率。

优选地，步骤（4）中的计算方法如下：

A：基于随机游走模型的运输路线算法