隨著互聯(lián)網(wǎng)云計算技術(shù)的發(fā)展,“互聯(lián)網(wǎng)+”高效物流被提出,物流行業(yè)逐漸信息化、平臺化,對于效率、效益的競爭愈加激烈。云物流平臺利用現(xiàn)代信息技術(shù),擺脫了傳統(tǒng)的物流模式,可以智能制定物流計劃,改進業(yè)務(wù)流程,充分利用有限資源,提高企業(yè)效率效益和競爭力。利用物流系統(tǒng)的資源共享、信息互通,進而充分利用運力資源,整合社會運力,通過計算機智能地制定調(diào)度計劃,解決運力資源的合理調(diào)度是當前的關(guān)鍵問題。這個問題的研究對于加快云物流平臺建設(shè),提高了運輸過程的效率,促進了物流成本的降低,以及我國物流業(yè)的資源整合與“互聯(lián)網(wǎng)+”環(huán)境下的物流業(yè)發(fā)展都具有重要意義。本文基于云物流及其大數(shù)據(jù)服務(wù)關(guān)鍵技術(shù)研究與產(chǎn)業(yè)項目,根據(jù)云物流平臺現(xiàn)有建設(shè)水平提供運力調(diào)度解決方案。云物流平臺下的運力調(diào)度包括提貨調(diào)度與干線運輸調(diào)度兩個問題,文中考慮了運輸?shù)某杀�、時間成本、車輛滿載率、多車型、多集散中心、甩掛運輸模式、動態(tài)大規(guī)模信息等一系列云物流平臺下的重要影響因素,分別提出多目標運力調(diào)度模型求解這兩個問題。針對提貨運力調(diào)度問題,本文使用了兩階段解決策略求解多集散中心調(diào)度模型,使用KNN聚類和遺傳算法求解模型得到運力調(diào)度方案,結(jié)果表明在降低... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

客戶群分布散點圖

第三章以訂單為中心的云物流平臺提貨調(diào)度33圖3.9客戶群分布散點圖Fig3.9Scatterdiagramofcustomergroups經(jīng)過第一階段聚類處理獲得一系列客戶群，每個客戶群代表一個提貨調(diào)度子問題，從而進入了第二階段的算法處理。本小節(jié)以集散中心Center1的一個提貨調(diào)度子問題為例進行求解。如圖3.10所示的是選取該集散中心對應(yīng)的提貨調(diào)度問題的坐標分布。圖3.10提貨點及車輛分布散點圖Fig3.10Scatterdiagramofpickuppointandvehicledistribution

第三章以訂單為中心的云物流平臺提貨調(diào)度35表3.6提貨點貨品表（續(xù)）Tab3.6Listofgoodsatdeliverypoint(Continued)提貨點編號貨品名稱貨品重量(kg)發(fā)貨時效（h）經(jīng)緯度坐標16菜苔150024117.2507,31.712917綠豆芽350024117.1432,31.936318生菜250024117.2840,31.854419豌豆莢150024117.2725,31.932320小蔥150024117.3657,31.926021蘋果250024117.2639,31.765022香蕉150024117.2300,31.894123小青菜150024117.2271,31.866624櫻桃250024117.2674,31.803825菠蘿350024117.3105,31.816626芒果150024117.3151,31.843127大米250024117.3519,31.8647使用主觀賦權(quán)法，設(shè)置各項目標權(quán)重分別為0.5，0.25，0.25，同時設(shè)置種群規(guī)模為80，交叉概率30%，變異概率10%，總迭代次數(shù)是800次，輸入上表數(shù)據(jù)進行迭代。如圖3.11是某次運行的最優(yōu)解跟蹤圖，從圖中可以看出遺傳算法對于目標函數(shù)具有較好的優(yōu)化效果，在400代左右最優(yōu)值開始趨于收斂，逐漸穩(wěn)定，最終達到0.1548的最佳目標值。圖3.11最優(yōu)值跟蹤曲線圖Fig3.11Optimalvaluetrackingcurve

【參考文獻】：
期刊論文
[1]基于大數(shù)據(jù)背景的云物流發(fā)展模式與升級路徑[J]. 狄寒梅,劉舫.  商業(yè)經(jīng)濟研究. 2019(21)
[2]基于云物流平臺的技術(shù)與服務(wù)模式協(xié)同創(chuàng)新耦合機理研究[J]. 張季平,駱溫平.  大連理工大學(xué)學(xué)報(社會科學(xué)版). 2019(03)
[3]大數(shù)據(jù)時代下云物流模式探究及轉(zhuǎn)型路徑研究[J]. 王智泓.  技術(shù)經(jīng)濟與管理研究. 2019(03)
[4]一種基于K近鄰的比較密度峰值聚類算法[J]. 杜沛,程曉榮.  計算機工程與應(yīng)用. 2019(10)
[5]基于K中心點和粗糙集的KNN分類算法[J]. 文武,李培強.  計算機工程與設(shè)計. 2018(11)
[6]基于改良C-W節(jié)約算法的甩掛運輸車輛調(diào)度模型[J]. 張笛,鐘明,陳龍,梁軍,葛慧敏,談建祥.  中國機械工程. 2018(19)
[7]基于大數(shù)據(jù)的電子商務(wù)物流服務(wù)創(chuàng)新[J]. 張曉芹.  中國流通經(jīng)濟. 2018(08)
[8]循環(huán)甩掛運輸網(wǎng)絡(luò)下的集裝箱牽引車調(diào)度優(yōu)化[J]. 黃勇,乙永松,邱琦.  華東交通大學(xué)學(xué)報. 2018(03)
[9]帶時間窗的甩掛運輸路徑優(yōu)化問題研究[J]. 邊展,徐奇,靳志宏.  交通運輸系統(tǒng)工程與信息. 2018(02)
[10]基于混合遺傳算法的大規(guī)模VRP問題算法研究[J]. 冉崇善,張妍.  電腦知識與技術(shù). 2016(18)

碩士論文
[1]考慮多場景情況的甩掛運輸路徑規(guī)劃[D]. 郝明治.合肥工業(yè)大學(xué) 2018
[2]基于改進遺傳算法的車貨動態(tài)配載模型研究與設(shè)計[D]. 侯景瑞.合肥工業(yè)大學(xué) 2018
[3]基于K-Means++和遺傳算法的提貨車輛路徑研究[D]. 張雪婷.首都經(jīng)濟貿(mào)易大學(xué) 2017
[4]基于改進遺傳算法的物流配載系統(tǒng)的設(shè)計與實現(xiàn)[D]. 張嘉寧.哈爾濱工業(yè)大學(xué) 2015
[5]基于云平臺的多配送中心車輛調(diào)度問題研究[D]. 邢鵬.北京交通大學(xué) 2013
[6]基于兩層次聚類的車輛配載調(diào)度方法[D]. 朱琳.天津大學(xué) 2010
[7]干線運輸車輛調(diào)度問題研究[D]. 徐小華.山東大學(xué) 2007



本文編號：3360263