地下物流多级节点选址的双层规划模型

地下物流系统逐渐成为缓解城市交通问题的新思路,其中地下物流节点选址是其中的关键问题。利用分级配送的原则,首先基于聚类算法依据货物需求情况对城市进行区域划分。然后,在保证地上交通畅通的情况下,构建了基于双层规划的多级地下物流节点选址优化模型,并利用模拟退火-贪心算法求解一级、二级物流节点位置及各节点间可运输的最大货运量。最后,通过分析算例,验证了该地下物流多级节点选址模型的正确性和实用性。     

融合粗糙集和熵权法的钢铁物流加工配送中心选址评价

针对钢铁物流加工配送中心选址的评价问题,提出一种融合粗糙集和熵权法优势的评价方法,利用粗糙集的等价关系对评价指标体系进行了约简,通过熵权法计算各指标的权重,求出各备选点的评价值并进行优劣顺序的排序,筛选出符合决策者期望的最终决策节点。结果表明:所提出的方法在选址评价过程中具有操作简单的特点且更加客观合理,能够为钢铁物流加工配送中心选址提供借鉴。     

物流配送中心选址问题研究

物流配送中心选址是否合理,对物流配送中心功能的发挥和整个物流系统的经济效益都有极大的影响。因此,在配送中心建设之前,需要进行系统、全面的规划。本文介绍了物流配送中心选址的原则,对影响物流配送中心选址因素进行了分析,提出了物流配送中心选址的流程及评价方法,并以成都枢纽内多个货运站的规划为例,进行了实例分析。     

物流配送中心选址的多目标优化模型

针对传统选址模型片面追求物流成本最小化而忽视物流服务水平的情况,将可靠性作为物流服务水平的一种测度,提出了配送中心系统可靠度的计算方法,建立了以物流成本最小化和物流服务可靠度最大化为目标的配送中心选址多目标优化模型.采用主要目标法将建立的多目标优化模型转化为单目标优化模型,并运用贪婪取走启发式算法对转化后的模型进行求解.算例结果表明,模型的非劣解充分反映了物流成本与物流服务可靠度之间的悖反关系,同时包含了传统的以物流成本最小化为目标的选址模型的最优解,从而为配送中心选址提供更加全面的决策依据.     

基于层次粒子群算法的配送中心双层规划选址策略

在考虑物流网络宏观决策部门和客户双方利益的基础上,建立物流配送中心双层规划的选址模型.此类问题大多属于非凸优化问题,现有的求解算法存在算法复杂度及计算效率问题.基于进化博弈及多目标优化非支配排序的思想设计层次粒子群算法,通过两个粒子群算法的交互迭代求解物流配送中心双层规划选址问题.通过测试算例验证算法的有效性.     

“绿色”物流配送中心选址

绿色配送能够实现货物在配送过程中减少对环境的危害,对改善环境具有现实的意义。本文综合考虑物流运作中各环节的碳排放和电子商务下的物流配送的特殊性,研究配送过程中的固定建设成本、运输及配送成本和碳排放成本,合理设置物流配送中心优化模型中的时间约束条件,从而构建基于碳排放成本和总成本的物流配送中心选址模型。系统仿真案例的验证结果表明:本文提出的配送中心选址模型与当前有效可行的同类模型相比,不仅具有同等的低配送成本,而且体现出更为优越的低碳性,进而达到低碳物流的发展目标,同时也能满足顾客对时效性的要求,提高客户满意度。     

求解物流配送中心选址问题的改进鸽群算法

为了提高鸽群优化算法求解物流配送中心选址问题的优化效果，减少物流配送成本，提出了一种改进的鸽群优化算法。该算法在基础鸽群优化算法上，引入灰狼优化算法在寻优过程中的捕食策略，能够有效地提高鸽群优化算法的局部搜索能力、增强算法的寻优性能。由函数测试实验可得，该算法在求解测试函数最优值上具有寻优速度快、收敛精度高的特点。最后，将其应用到求解物流配送中心选址问题中，实验结果表明：改进的鸽群优化算法更适合求解高维物流配送中心选址问题。     

区域性煤炭运输节点的优化

针对当前我国煤炭行业物流诸多现实问题,尤其是煤炭运输通道规划合理化问题,通过对煤炭物流客户的需求量、运输距离及多式联运等信息的分析,并在对煤炭配送中心选址的重要性、合理性及其煤炭调运成本的影响因素的研究之后,文中运用煤炭配送中心合理的选址优化模型与配送成本优化模型等优化方法,实现煤炭运输成本最小化,以达到优化区域性煤炭运输节点的目的。煤炭配送中心合理的选址优化模型与配送成本优化模型的科学性和有效性也经过实验证明其应用的实际价值,为我国煤炭运输通道合理化的建设提供理论和技术支持,也有为我国煤炭运输通道的未来发展提供了指导性的意义。     

物流配送中心选址模型的分析

物流配送中心选址的好坏关系着能否有效节省费用，促进生产和消费的协调与配合，保证物流系统的平衡发展。因此物流配送中心选址对工作效率及物流控制水平会产生很大影响。正是基于物流配送中心及其位置的重要作用，有必要建立一系列选址的模型和算法。     

基于BP人工神经网络的物流配送中心选址决策

物流配送中心的选址在整个物流系统规划中占有十分重要的地位,需要决策者综合考虑多种因素：但在传统的算法中,有些重要的定性因素被忽略。本文通过建立选址决策的模糊评价矩阵,利用BP人工神经网络来处理数据.可避免传统算法的不足,较客观地对多个选址方案的优劣进行评价,并引用实例说明该方法的实现过程。     

基于地域特征的物流仓储中心逆向选址算法

物流仓储中心地址的选取,从根本上决定了物品出发地和运达地之间的距离,直接关系到物品能否被及时高效地运输,以及配送成本和仓储成本能否最小化。针对传统物流仓储中心选址求解算法脱离实际应用、且容易出现局部最优、求解速度较慢和注意力单一等问题。为减少物流配送时间,降低物流成本,切实提出选址解决方案,通过对K均值聚类算法和帝王蝶优化算法进行改进,研究了京津冀地区物流仓储中心的选址问题。实验仿真结果表明,提出的改进帝王蝶优化算法较其他优化算法在求解精度、收敛速度和迭代次数上均有优势,能够有效完成物流仓储中心选址问题,切实可以缩短物流配送距离,提高物流配送效率。     

运用自动化信息系统优化的农产品物流配送路径研究

基于自动化信息技术的广泛应用,运用自动化信息系统研究了农产品物流配送路径的优化,提高配送效率和降低配送成本.首先,利用自动化的信息系统将配送车辆、配送员、物流公司、客户联系在一起,实时监控客户的需求变化,并保持信息沟通和共享,构建考虑自动化信息系统的农产品物流多配送中心成本优化模型.其次,结合A公司农产品物流企业数据,设计了一种运用GPS思想改进的混合算法进行路径的优化,得到一个最优化的配送方案,证明了该模型和算法对路径优化的科学性,也说明了改进的混合算法对于模型的最优解具有较强的全局搜索能力.最后,通过仿真实验结果证明,运用自动化信息系统对农产品物流配送路径进行优化具有可行性和合理性.在此基础上,本研究针对农产品物流配送路径优化的进一步发展提出了建议.     

实际约束条件下多配送中心物流车辆调度优化

传统方法难以解决有时间窗等具有实际约束条件,且调度结果并非最优,提出一种基于变邻域搜索算法的多配送中心物流车辆调度优化方法。对多配送中心物流车辆调度优化问题进行分析,在分析结果的基础之上构建实际约束条件下多配送中心物流车辆调度数学模型;利用变邻域搜索算法求解物流车辆调度模型的最优解,完成实际约束条件下多配送中心物流车辆的调度优化。实验结果表明,采用所提方法进行多配送中心物流车辆调度,其总运输时间短、运输总费用低,调度结果较优,且符合实际约束。     

基于遗传算法的配送中心选址问题

配送中心是物流系统的枢纽，配送中心地址的确定是物流系统分析的核心内容．文中根据配送中心选址问题的特点和要求，在运输成本最低的基础上，构造了选址问题的数学模型．并把遗传算法引入到该模型的求解中，通过选择恰当的编码方法和遗传算子，求得了模型的最优解，验证了该模型的正确性．该方法也适用于大规模物流系统配送中心的选址问题．     

县域农村物流配送中心选址优化模型及算法

为解决县域农村物流配送中心合理选址问题,综合现实路网条件及未来物流需求等因素,以物流总费用最小化为目标函数,建立基于现实公路网的农村物流配送中心选址优化模型.通过对聚类中心和边缘点加以处理,改进了Kmeans聚类算法,并以此求解上述选址优化模型.实例分析表明,该模型和算法能很好地解决县域农村物流配送中心选址优化问题.     

基于量子粒子群算法的物流配送中心选址

在物流系统网络中,物流配送中心地址的优化选择不但能够高效及时地完成物资的配送,而且能使得配送成本和仓储成本等运营成本最小化,显著提高物流管理的效率和能力。针对物流配送中心选址最优解的问题,通常采用经典粒子群算法解决,但其有易早熟收敛和仅能得到局部最优解的缺陷。为了克服此缺点,将量子进化算法融入经典粒子群算法中,采用量子理论中独有的叠加态和概率幅特性,粒子最优位置的搜寻采用量子自旋门完成,粒子位置的多样性变异采用量子非门完成,以免出现局部最优解和早熟收敛缺陷。实验结果表明,与经典粒子群算法相比,量子粒子群算法在最优解的搜寻能力和优化效率方面更具有优势,能够优化配送中心的地址选取,从而减少物流运营的总成本,提高物流配送的效率,优化物流管理系统。     

福建省农产品物流配送中心选址问题研究

农产品由于其自身的生物特性,导致其物流成本居高不下,买难卖难矛盾突出。提高农产品物流效益,减少农产品在流通过程中的不必要损耗,实现生产者和消费者之间的双赢对配送中心选址的研究提出了更高的要求。配送中心合理的选址能够产生规模效益,从而提高物流效率,降低物流成本,实现效益的最大化。结合农产品配送中心选址的影响因素和原则,采用重心法模型对福建省的农产品物流配送中心进行选址研究,求出基于总产量和各种农产品的初步位置,然后结合实际情况,对选址地址做进一步的分析,最终确定基于总产量和粮食的最优位置分别位于德化县和大田县。