[发明专利]一种考虑不确定条件的多式联运路径优化方法

权利要求书

1.一种考虑不确定条件的多式联运路径优化方法，其特征在于，包括以下步骤：

(1)根据运输节点和路线以及货运参数，建立不确定条件下多式联运路径优化模型及约束条件；所述货运参数包括货物运输速度、节点转运时间、送达时间及运输费用；其中不确定条件是指货物运输速度和节点转运时间；

(2)利用随机模拟方法生成不确定运输速度和不确定转运时间值，作为训练RBF神经网络模型的输入数据，利用强大数定律生成期望延误惩罚费用估计值和送达时间约束期望估计值，作为训练RBF神经网络模型的输出数据；

(3)利用步骤(2)中的数据训练RBF神经网络模型，模型训练完毕后，输入随机模拟生成的不确定运输速度和不确定转运时间值，利用训练完毕的RBF神经网络模型输出期望延误惩罚费用值和送达时间约束期望值；

(4)利用差分进化算法进行不确定条件下的多式联运路径优化，生成基于期望运输总成本最优的运输路径方案。

2.根据权利要求1所述的一种考虑不确定条件的多式联运路径优化方法，其特征在于，所述步骤(1)中，建立不确定条件下的多式联运路径优化模型包括：

运输网络表示为G(N,A,M)，其中：N为网络中节点集合，A为两节点间的运输弧集合，M为运输方式集合；h,i,j为运输节点h,i,j∈N；(h,i)表示h,i节点之间的运输弧，(h,i)∈A；k,l为货物运输方式,k,l∈M；M_(h,i)表示h,i节点之间运输弧的运输方式集合；N_I表示与i点相邻上下游节点集合；Q为货运总量，单位为吨；T_m为货物运输和中转时间，单位为小时；T′为货物约定到达时间，单位为小时；为k运输模式下运输弧(h,i)通过能力，单位为吨；q_i为节点i转运能力，单位为吨；为k运输模式下运输弧(h,i)距离，单位为千米；C′为延误惩罚费用，单位为万元/吨*小时；为k运输模式下弧(h,i)运输速度，单位为千米/小时；为节点i处从方式k转向方式l的转运费用，单位为万元；T_i^k,l为节点i从方式k转向方式l的转运时间，单位为小时；为k运输模式下运输弧(h,i)运输费用，单位为万元；为k运输模式下运输弧(h,i)运输时间，单位为小时；为0-1决策变量，若货物以k运输方式经运输弧(h,i)，则否则为0-1决策变量，若在i点发生运输方式的转换，则否则μ＝sgn(x)为符号函数，返回参数的正负；x＝T_m-T′为数值型参数，当x＜0时，返回值为-1；当x＝0时，返回的函数值为0；当x＞0时，返回值为1；δ表示随机向量，向量由不确定变量和T_i^k,l的一组样本组成；定义向量函数h(δ)，当路径方案中货物准时送达即T_m-T′＜0时，h(δ)＝1，当T_m-T′≥0，h(δ)＝0；α为货物准时到达目的地机会约束期望阈值；

不确定条件下的多式联运路径优化模型为：

约束条件为：

3.根据权利要求2所述的一种考虑不确定条件的多式联运路径优化方法，其特征在于，所述步骤(2)中，利用随机模拟方法和强大数定律生成供RBF神经网络训练的输入数据和输出数据，具体方法包括：

(2a)利用随机模拟方法各生成R组不确定运输速度和不确定转运时间值，为RBF神经网络的训练产生输入数据；

(2b)利用强大数定律估计期望延误惩罚费用值F₁和送达时间约束期望值F₂，为训练RBF神经网络产生输出数据；

令r＝1,2,...,R，随机向量δ_r由步骤2(a)生成的不确定变量和T_i^k,l的一组样本构成；期望延误惩罚费用值F₁和送达时间约束期望值F₂的估计方法如下：