[发明专利]一种考虑不确定条件的多式联运路径优化方法

说明书

本发明公开了一种考虑不确定条件的多式联运路径优化方法，实现步骤为：建立不确定条件下的多式联运路径优化模型；利用随机模拟方法和强大数定律为训练RBF神经网络模型产生输入和输出数据；输入随机模拟生成的不确定运输速度和转运时间，训练完毕RBF神经网络模型输出期望延误惩罚费用和期望送达时间约束值；基于差分进化算法计算不确定条件下多式联运最优路径方案。本发明方法能够在货物运输速度和转运时间不确定条件下，输出期望运输总成本最优的多式联运路径方案，提高运输时效性和经济性，为运输企业制定合理的物流路径方案提供决策支持。

技术领域

本发明涉及货物多式联运与路径规划技术领域，具体涉及一种货物运输速度和转运 时间不确定条件下的多式联运路径优化方法。

背景技术

随着城市经济以及电子商务的繁荣发展，居民的物流需求日益增长，物流行业的业 务量也随之出现激增。如何规划物流运输路径，提高货物运输效率，实现运输时间与运输费用之间的权衡，是当前物流运输行业面临的主要问题。与单一运输方式相比，货物 多式联运可降低约20％的运输成本，同时提高63％的货运载具空间利用率。因此，利用 公路、铁路、航运等运输方式发展多式联运，有助于降低货物运输空载率，提升综合运 输效率。

目前多式联运过程中的运输方式选择与路径优化大多以人工经验方式，借助物流历 史数据进行预判与抉择，这种方法存在一定的局限性，难以发挥综合运输的效益和优势。

因此，考虑货物运输过程中存在的运输速度与转运时间等不确定性因素，以运输时 间或运输成本最优为目标，借助数学模型与智能算法进行货物运输方式选择与多式联运 路径搜索，获得不确定条件下的最优路径方案，对降低企业运输成本，增强运输时效性和提高用户的满意度等方面有着积极作用。

发明内容

发明目的：本发明考虑了货物多式联运过程中，运输速度和转运时间的不确定性，提出一种不确定条件下的多式联运路径优化方法。该方法以期望总运输成本最小为目标，货物送达时间约束期望值为约束条件，建立数学模型，并采用RBF神经网络模型和差分 进化算法进行模型求解。本发明方法输出的多式联运路径优化结果更加符合实际道路运 输特征，能够为物流企业制定高效，经济的多式联运运输方案提供决策支持。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种考虑不确定条件的多式联运路径优化方法，包括如下步骤：

(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。

所述步骤(1)中，建立不确定条件下多式联运路径优化模型的前提包括：

货物运输过程中，所有可能经过的节点和运输路线都已给出；各节点间距，不同运输方式的运价，节点转运能力，运输路径服务能力已知；货物运输过程中不可拆分，货 物总量不应超过选定运输弧的服务能力，也不应超过节点的转运容量；相同节点或运输 弧至多经过1次，货物不在始发地和终点进行转运，运输过程中货物不可拆分，不发生 转运相同运输方式节点转运费用为0；天气变化、路况条件和人为操作不确定性因素会 对货物运输速度，货物转运时间产生不确定影响。