【摘要】：我國作為煤炭生產(chǎn)、消耗的大國,“北煤南運(yùn)”的特征使煤炭生產(chǎn)、消耗與運(yùn)輸成為煤炭供應(yīng)鏈中最值得整合優(yōu)化的資源。山西作為煤炭資源大省,在煤炭供應(yīng)鏈中處于源頭位置,如何協(xié)調(diào)煤炭生產(chǎn)、供應(yīng)、運(yùn)輸與需求的平衡是我省一直以來必須面對的艱巨任務(wù)。隨著物聯(lián)網(wǎng)技術(shù)的推廣應(yīng)用,在我省煤炭行業(yè)全面應(yīng)用物聯(lián)網(wǎng)技術(shù)也已提上日程。物聯(lián)網(wǎng)技術(shù)在煤炭供應(yīng)鏈中的應(yīng)用能使原本功能單一、相互隔離的各節(jié)點(diǎn)間實(shí)現(xiàn)資源共享和流程協(xié)同,促進(jìn)煤炭供應(yīng)鏈節(jié)點(diǎn)間的融合,實(shí)現(xiàn)煤炭供應(yīng)鏈級的信息與功能集成,完成煤炭供應(yīng)鏈級的資源調(diào)度,使煤礦的煤炭產(chǎn)量與客戶的煤炭消耗量相聯(lián)系,緩解供應(yīng)鏈上各個煤炭庫存要么量大要么不足的弊端。本文圍繞上述問題,探討了基于物聯(lián)網(wǎng)的煤炭物流供應(yīng)鏈整合框架,并構(gòu)建了煤炭物流優(yōu)化調(diào)度模型,這對提升我省煤炭供應(yīng)鏈的競爭力,降低煤炭物流成本,平衡煤炭供應(yīng)與需求是極有意義的。 首先,本文構(gòu)建了基于物聯(lián)網(wǎng)的煤炭物流供應(yīng)鏈智能系統(tǒng)感知框架,以物流各環(huán)節(jié)作為智能感知節(jié)點(diǎn),自動實(shí)時(shí)地感知庫存與運(yùn)輸?shù)淖兓?為實(shí)現(xiàn)煤炭物流供應(yīng)鏈的庫存與運(yùn)輸聯(lián)合優(yōu)化調(diào)度提供及時(shí)準(zhǔn)確的數(shù)據(jù)。 其次,本文建立了煤炭物流優(yōu)化調(diào)度模型。模型的特點(diǎn)是：①模型突破僅對本地庫存進(jìn)行優(yōu)化的單一庫存優(yōu)化模型,建立多級整體庫存優(yōu)化模型,利用煤炭交易的訂單和合同信息,計(jì)算煤炭供應(yīng)鏈全線各個節(jié)點(diǎn)庫存的庫存量,確定各節(jié)點(diǎn)庫存水平,使總庫存成本最低,客戶滿意度最高。②模型不僅考慮庫存優(yōu)化,而且考慮供應(yīng)鏈整體運(yùn)輸調(diào)度的優(yōu)化,適應(yīng)需求的動態(tài)性、突發(fā)性導(dǎo)致庫存和運(yùn)輸計(jì)劃的頻繁變更的情況,滿足生產(chǎn)的敏捷性和柔性要求。③模型運(yùn)行在有限長周期水平上。在隨機(jī)需求、隨機(jī)運(yùn)輸環(huán)境、隨機(jī)生產(chǎn)等多隨機(jī)因素的干擾下建立的煤炭物流供應(yīng)鏈多級庫存控制與運(yùn)輸調(diào)度整合模型,以生產(chǎn)計(jì)劃期內(nèi)最小成本為目標(biāo),以客戶庫存策略、運(yùn)輸策略為決策變量,尋求最優(yōu)決策方案及最優(yōu)目標(biāo)。④由于隨機(jī)變量使模型不具備完整的數(shù)學(xué)意義,因此,論文將模型轉(zhuǎn)化為隨機(jī)期望值模型和隨機(jī)機(jī)會約束規(guī)劃模型。 為求解上述具有NP-hard的物流優(yōu)化調(diào)度隨機(jī)規(guī)劃模型,本文構(gòu)造了復(fù)雜約束條件下基于隨機(jī)模擬和神經(jīng)網(wǎng)絡(luò)的改進(jìn)粒子群優(yōu)化算法。首先,為處理實(shí)際模型中復(fù)雜的約束,把處理約束條件的乘子罰函數(shù)法與粒子群算法相結(jié)合,提出了一種改進(jìn)的求解非線性約束優(yōu)化問題的混合粒子群優(yōu)化算法。算法的兩個特點(diǎn)是：①以乘子罰函數(shù)值作為粒子的適應(yīng)度；②為混合算法重新定義了粒子群更新公式中的粒子個體最優(yōu)與群體最優(yōu),使用粒子上代的位置作為個體最優(yōu),群體上代最優(yōu)作為全局最優(yōu)。 在上述算法的基礎(chǔ)上,建立了復(fù)雜約束下,求解隨機(jī)期望值模型和隨機(jī)機(jī)會約束規(guī)劃模型的粒子群優(yōu)化算法。算法的基本思路是：①構(gòu)造乘子罰函數(shù)作為隨機(jī)規(guī)劃的目標(biāo)函數(shù),化約束問題為非約束問題；②由于模型中含有隨機(jī)變量,提出基于隨機(jī)模擬、BP神經(jīng)網(wǎng)絡(luò)等方法來產(chǎn)生不確定函數(shù)的輸出；③改進(jìn)粒子群算法求解以乘子罰函數(shù)作為新目標(biāo)函數(shù)的隨機(jī)規(guī)劃模型。算法的創(chuàng)新是：①將乘子法思想引入隨機(jī)規(guī)劃模型,轉(zhuǎn)化含約束的隨機(jī)規(guī)劃模型為不含約束的隨機(jī)規(guī)劃模型。約束條件既有不含隨機(jī)變量的約束條件,也有含有隨機(jī)變量的約束條件,對后者,根據(jù)決策者的決策意愿可分為隨機(jī)期望值約束或者隨機(jī)機(jī)會約束；由于目標(biāo)函數(shù)也含有隨機(jī)變量,也可根據(jù)決策者的決策意愿分為隨機(jī)期望值目標(biāo)函數(shù)或者隨機(jī)機(jī)會約束規(guī)劃目標(biāo)函數(shù)；從而形成基于乘子罰函數(shù)的隨機(jī)期望值模型和隨機(jī)機(jī)會約束規(guī)劃模型。②隨機(jī)模擬、BP神經(jīng)網(wǎng)絡(luò)等方法用來為基于乘子罰函數(shù)的隨機(jī)期望值模型和隨機(jī)機(jī)會約束規(guī)劃模型產(chǎn)生函數(shù)輸出。③在基于乘子罰函數(shù)的隨機(jī)期望值模型和隨機(jī)機(jī)會約束規(guī)劃模型的求解過程中,為使粒子群更好地追隨最優(yōu)粒子飛向可行域中的最優(yōu),當(dāng)粒子更新時(shí),用上一代的粒子位置作為個體最優(yōu),上一代的群體最優(yōu)粒子作為全局最優(yōu),從而使粒子群最終收斂于可行域中的最優(yōu)位置。 最后,設(shè)計(jì)了幾個不同復(fù)雜度的實(shí)驗(yàn)對模型與算法進(jìn)行了驗(yàn)證,仿真結(jié)果表明了本文構(gòu)建的模型與算法的有效性
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2012
【分類號】：TP391.44;TN929.5;F426.21;F252

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曹學(xué)明;林柏梁;嚴(yán)賀祥;;鐵路直達(dá)運(yùn)輸條件下煤炭運(yùn)輸與庫存一體化模型[J];北京交通大學(xué)學(xué)報(bào);2006年06期

2 孫其博;劉杰;黎，

本文編號：2646764