基于差分进化算法的多式联运物流运输问题研究
孙 哲，刘晨磊，孙知信 （南京邮电大学，江苏 南京 210003）
摘 要： 随着电子商务和物流行业的快速发展，以不同运输方式为基础的物流运输网络已经逐渐变得越来越复杂。目前，这种多式联运物流运输问题被认为是一类复杂的车辆路径问题。因此，合适的物流车辆路径选择对于提高物流规划的经济效益和合理性具有重要的作用。为了获得合理的路径，文章将差分进化算法应用到对多式联运物流运输问题的研究中。最后，通过实验证明了该方案的可行性和有效性。
关键词： 多式联运；物流；差分进化算法；车辆路径问题
0 引言
在贸易全球化的现在，各物流公司更加有效地优化和管理物流环节是很有必要的。其中，最重要的一种实现方法就是对货物进行物流运输时车辆路线进行合理的规划，因为这不仅可以降低运输成本，还对提升服务质量起到重要作用。经典的车辆路径问题（Vehicle Route Problem，VRP）[1]是指在给定的运输网络上的对物流车辆的路线进行有效规划，以便物流公司在一些特定的约束条件下高效地服务于客户。其中，缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件，文献[1] 提出了新的车辆路径模型和应用场景，但是同样引出了一种更复杂的组合优化问题。一般意义上，基本的车辆路径问题是指确认一组有效的多个旅行商（TSP）路线问题，即车辆从起点到目的地的，以服务给定的一组客户，并且每个客户应该只被一辆车访问一次。此外，由于单个路线可能超过允许的运输距离或者运输时间，因此物流车辆可能存在多种不同运输路线。因此，VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。
AT89S52是一个8051核的低功耗、高性能CMOS 8 位单片机。器件采用ATMEL公司的高密度、非易失性存储技术制造，兼容标准MCS-51 指令系统及80C51引脚结构，芯片内集成了通用8位中央处理器，256字节RAM存储单元和8k ISP(In-System Programming)Flash程序存储器[2]。功能强大的AT89S52 可为许多嵌入式控制应用系统提供高性价比的控制方案。
VRP由于约束条件或者目标的不同存在着多种变体，例如容量VRP（CVRP）[2]，多仓库VRP（MDVRP）[3]和带时间窗的VRP（VRPTW）[4]。此外，随着不同运输方式的发展，传统的道路运输模式已不再是唯一的物流运输解决方案，基于多式联运的物流运输方案已成为全球物流行业的重要工作模式，并且多式联运的应用被政府视为推动运营高效化和环保化的重要动力。与经典的VRP类似，多式联运VRP[5]也是一个NP 难的优化问题，同时被认为是一个复杂的组合优化问题，研究人员需要在运输成本和时间成本方面协调规划车辆路线和运输模式，因此在过去20年中已经成为一个具有挑战性的研究课题。
精确算法被认为是解决这类物流运输车辆路径问题的最有效方法之一，在文献[6] 中，作者提出了一种基于经典Dijkstra算法的路径搜索算法及其决策机制，解决了大型应用系统中搜索算法的时空复杂度较大的问题。在文献[7] 中，作者通过建立迭代矩阵和序列数矩阵提出了一种改进的Floyd算法，并成功地采用该算法来处理汽车导航系统中的路径选择问题。文献[8] 中，作者为了获得最佳路线，提出了基于概率变量邻域搜索的三步局部搜索算法，并将其用于车辆路径规划问题的求解中。在文献[9] 中，作者提出了一种分支切割算法来解决商人库存路径问题，并运用经济目标函数分析了经济环境变化对车辆路径问题的运输平均利润造成的影响。还有研究[10]为VRP开发了一种有效稳健的分支切割和价格算法，在这个算法中路线通常与列相关联，这些列是容量化基本路线的松弛，这使得定价问题在假多项式时间内能够被解决。通常，这些精确算法适用于那些简单的VRP和路由规划，但是对于处理复杂的路由规划问题，精确算法的性能可能就无法满足计算要求了。
与精确算法相比，启发式算法，如禁忌搜索算法[11]、模拟退火算法[12]、蚁群算法[13]、遗传算法[14]、粒子群优化[15]和差分进化算法[16]由于强大的搜索能力，在大规模多重约束优化方面表现出优异的性能。例如，在文献[17] 、[18] 中，Brando提出了禁忌搜索算法，并利用3个过程来得出初始解，还为邻域定义了3个运算符：单个插入、双插入和交换。该算法还在搜索期间利用了强化和多样化的操作，故该方法能够获得更高质量的解决方案。在文献[19] 中，作者提出了一种结合了几种局部搜索技术的模拟退火算法（SA）来处理车辆路径问题（VRP）的变体，其中时间窗口是与每个客户服务相关联。在文献[20] 中，研究人员提出了一种粒子群优化方法，采用自学习方法处理配送中心的车辆路径规划问题，该配送中心具有多个交叉对接处理多种产品。针对算法早熟收敛问题与降低基本蚁群算法（ACA）的计算成本，文献[13] 提出了一种基于信息熵和局部搜索的自适应蚁群算法求解车辆路径问题和能力的VRP。在文献[14] 中，研究人员采用混合的遗传算法来解决具有时间窗的VRP（VRPTW），其中有一个特定的时间可服务任何客户，然后他对他的结果和其他算法的结果进行了比较，如模拟退火算法。
2.1 模型构建。结合客户的需求本文对模型中涉及的参数进行如下定义：P 是所有运输站点的集合；S 是运输模式的集合；di ,j 表示站点i 和站点j 之间距离；
表示站点i 和站点j 之间使用运输方式k ；
表示在站点j 上将运输方式k 调整为运输方式l ；
1 差分进化算法
1.1 算法原理。DE算法被认为是用于实际参数优化问题的有效且易于理解的一种优化方法。根据文献[21] 的描述，DE算法启动时随机生成NP 只个体，记为
P ｝。第i个潜在解决方案由D维向量xi=
表示。 通常，标准的DE算法由3个基本操作组成，即变异、交叉和选择。
变异操作：在其变异阶段，DE算法从当前群体中随机选择3个目标个体x 1,x 2和x 3。需要注意的是，这些被挑选出的目标向量不能够重合。其中，变异个体通过式（1）产生。
其中：Fm ∈ [0,2 ] 是一个控制差分变量
的缩放因子。通常情况下，Fm 过小会导致算法过早收敛，但是Fm 过大也会导致减弱算法的局部最优解搜索能力。
步骤7：比较实验个体和目标个体的适应度值，选取最优个体置于种群中，即进行选择操作。
交叉操作：为了提高概率密度，变异操作之后通常采用交叉操作。新的个体向量
] 将通过以下规则获得。
其中：randj 是第j 次随机进化，其范围是
是交叉概率约束，
] 是选择指数，用来保证元素vi ,j 能够得到。
表示站点i 和站点j 之间在运输方式k 下的运输时间；
表 示在站点j 上将运输方式k 调整为运输方式l 需要的时间；T 是最长服务时间；
表示站点i 和站点j 之间在运输方式k 下的运输成本；
表示在站点j 上将运输方式k 调整为运输方式l 需要的成本；Q 是运输量；
表示站点i 和站点j 之间在运输方式k 下的运输量。
2.1 大学生体质健康标准测试各指标的基本信息贵州大学2017年男女生体质健康测试各指标的均值、标准差、最小值、最大值见表3，其中总分=BMI指数得分*0.15+肺活量得分*0.15+50m跑得分*0.2+800m/1000m得分*0.2+立定跳远得分*0.1+坐位体前屈*0.1+一分钟仰卧起坐/引体向上得分*0.1。
1.2 差分进化算法流程。基于以上提及的操作，差分进化算法的执行步骤进行如下总结，并且具体的差分进化算法执行流程图如图1所示。
图1 差分进化算法流程图
步骤1：初始化差分进化算法的参数和种群
并且计算种群内每一个体对应的自适应度值；
步骤2：更新种群迭数g=g +1，并设置个体索引i =1;
其中：该数学模型的约束条件可以被总结为如下公式：
步骤4：在xi 和vi 间执行交叉操作，随后执行选择操作；
步骤5：更新个体索引i=i +1，返回步骤3直至i=NP ；
步骤6：判断当前一代的最佳值是否符合终止条件，如果符合，则停止算法的执行；否则返回步骤2。
2 多式联运车辆路径问题建模与优化
作为一种高效且功能强大的全局优化算法——差分进化算法（Differential Evolution Algorithm，DE）[16]已成功应用于各种邻域，因为其性能优于其他优化算法[13-15]。因此，搜索多式联运VRP问题的差分进化算子被认为是优化最佳路径的有效、可行的方案，这构成了本篇文章的基础。本文的结构如下：第1章中我们描述了差分进化算法；多式联运的VRP模型在第2章；模拟测试和结果讨论在第3章；总结部分在最后一个章节中。
选择操作：选择操作的目的是决定将哪些个体保留到下一代以及将多少个体复制到下一代。贪婪选择方案被应用在DE算法中，以确定新的个体ui 和目标个体xi 。如果ui 优于xi ，那么新个体将替换到下一代中的相应目标向量，否则目标个体保留在种群中。因此，种群要么变得更好，要么在健康状态下保持不变，但永远不会产生恶化。贪婪选择方案被描述为以下的优化问题minf （x ）：
根据以上定义，多式联运车辆路径问题的数学模型描述如下：
步骤3：从当前的种群中选择3个不同的目标个体，通过对xi 的变异操作计算出变异个体vi ；
骨质疏松症（osteoporosis，OP）是一种以骨量低下，骨微结构损坏，导致骨脆性增加，易发生骨折为特征的全身性骨病。OP分为原发性和继发性两大类。在我国，以原发性骨质疏松较为多见。据估算2006年OP在我国至少有6 944万患者，骨量减少者已超过2.1亿［1］，尽管缺乏新近的流行病学数据，但估测我国OP和骨量减少人数已远超过上述数字［2］。OP的严重后果是导致骨质疏松性骨折，2015年我国主要骨质疏松性骨折（腕部、椎体和髋部）约为269万例次［3］，发生1次骨折后其再发风险将增加2～5.67倍［4］。随着年龄的增长和发生退行性病变，OP所导致的严重后果不仅是骨折，还有许多
2.2 优化过程。为了利用差分进化算法来优化多式联运VRP，VRP需要采用十进制代码编码。在该优化过程中本文采用两个分段编码的形式，DE个体的第一部分代表运输路径，其余部分是多模式运输类型。例如，如果共有8个运输点，在路径编码中，我们将 [0,1 ,…,7] 定义为传输点编号，并且0,7定义初始点和终点；在运输型编码中，[1,2,3,4] 分别代表公路运输、铁路运输、船舶运输和航空运输。
多式联运车辆路径问题优化过程如下：
步骤1：初始化差分进化算法的种群的道路和运输方式模型，并初始化算法相关参数（例如，1→2→4→3→5；公路→铁路→空运→公路等）。
根据当前研究进展，采用短板效应原理法和GIS空间分析法进行福州市域土地资源建设开发适宜性评价。具体如下：
步骤2：当迭代标志g ＜200时，开始执行循环；否则，跳过优化算法，执行步骤13。
步骤3：当个体索引i＜NP 时，将个体i 设置目标个体。
苏东坡是米芾十分佩服与尊敬的长者。米芾当众请教苏东坡，不用说，是想请他为自己说句好话，驳斥那些乱嚼舌头的，还他一个公道与公平。
步骤4：根据公式（4）计算原始种群所有个体的适应度值。
在经济新常态的背景下，作为国内经济重要组成部分的城市经济发展面临着前所未有的挑战和机遇，城市经济产业结构不合理、增长模式不科学等问题突出。依靠创新推动新旧动能转换和结构优化升级是经济新常态最核心的内容，新旧动能转换为城市经济发展提供了新的方向。
经过上次的教训，奇巧生在出发之前仔细检查、修理了一遍飞船，起飞之后全程低空飞行。抵达南方第三列山系的祷过山时，他们只能把飞船停在半山腰上。奇巧生说：“这次我必须找点更好的材料来加固飞船。”
步骤6：根据得到的变异个体，将其与目标个体通过公式（2）进行交叉操作，得到实验个体。
步骤5：随机选取3个个体利用公式（1）进行变异操作，得到变异个体。
计算机科学和技术已经大量地应用于服装行业，是企业进行数字化信息化管理的重要工具。截止到2012年末，服装企业信息化系统的普及程度有一定的提高，特别是零售商业终端系统 （POS）、客户关系管理 （CRM）、企业资源计划 （ERP）、计算机辅助设计及制造 （CAD/CAM）在企业普及程度均超过50%[3]。从企业业务流程的角度来分析，服装企业的信息化技术主要应用于生产环节信息化、供应链信息化和经营环节信息化等。服装企业信息化数字化管理的主要技术手段和常见系统如表1所示。
步骤8：比较新的目标个体与原本的目标个体的适应值，选取最优个体置于种群中，即再进行一个选择操作。
步骤9：个体索引更新i=i +1。
步骤10：返回步骤3。
步骤11：返回步骤2。
模型中非期望产出的处理。在DEA模型的投入产出要素中，地区生产总值为期望产出，碳排放为非期望产出，期望产出越大越好，非期望产出越少越好，违反了方程的一致性，必须进行处理。本文以非期望产出作为投入的方法处理碳排放问题。
步骤12：输出结果，结束程序。
3 仿真测试和结果
为了评估本文使用的差分进化算法的有效性，本文研究了一种路由优化案例，用于搜索不同运输方式的最优路径规划。此外，遗传算法将用于比较，并且表1给出了差分进化算法和遗传算法的相应参数设置情况。在本案例研究中，从A市到K市有一个10吨的运输任务，其中网络拓扑共包括11个城市。除了启动城市A和目的地城市K之外，该网络中有9个中转城市和数百个可选路线，该网络拓扑如图2所示。为了方便优化算法计算种群个体和染色体的适应度值，每个城市的运输成本和转移成本列于表2中，其中符号“-”表示列出的运输方式不可使用。
正是因为上述特性，日记这一工具被主要应用于考察二语习得研究中的个体差异问题，学习策略问题，师、生二语课堂教与学的体验问题，以及移民和旅行者对在目的语环境中学习第二语言和与当地人进行社会交往的认知问题。
表1 差分进化算法和遗传算法的参数设置
图2 运输网络拓扑
通过分别使用差分进化算法和遗传算法，可以容易地获得具有运输模式的最佳路线，即从A市到K市的最佳路线是A→B→F→J→K，相应的交通方式是从A市到B市到F市的铁路运输，从F市到J市到K市的船舶运输。此外，为了确认差分进化算法的有效性与性能，本文在本案例实验中选择了标准遗传算法和标准差分进化算法进行对比，其迭代趋势的比较结果如图3所示。从图3可以看出，差分进化算法相比于遗传算法收敛速度更快，并且能够计算出更加优秀的物流运输车辆路径规划方案。综上，本文设计的差分进化算法在多式联运车辆路径问题上的应用方案是可行的、有效的。
4 总 结
物流运输车辆路径规划问题被认为是一个复杂的组合优化问题，其在过去的20年中已成为一个具有挑战性的研究课题。为了解决这类NP 难问题，本文邻域搜索操作，提出了一种将差分进化算法应用于物流多式联运车辆路径问题的方案。同时，为了证明所提出方法的有效性，本文设计并测试了基于多式联运方式的物流运输实例，并通过仿真实验证明了差分进化算法应用在多式联运车辆路径问题上的可行性和有效性。
表2 多式联运模式运输开销
图3 实验迭代结果
参考文献：
[1] Pillac V,Gendreau M,Guéret Christelle,et al.A review of dynamic vehicle routing problems[J] .European JournalofOperational Research,2013,225(1):1-11.
[2] Simchi-Levi D,Chen X,Bramel J.[Springer Series in Operations Research and Financial Engineering] The Logic of Logistics||The Capacitated VRP with Unequal Demands[EB/OL] .(2014-10-07)[2019-04-15] .http://link.springer.com/10.1007/978-1-4614-9149-1_18.
[3] Ho W,Ho G T S,Ji P,et al.A hybrid genetic algorithm for the multi-depot vehicle routing problem[J] .Engineering Applications of Artificial Intelligence,2008,21(4):548-557.
[4] 邓学平，薛莹，田帅辉.带时间窗的快递包装回收车辆路径优化研究[J] .重庆邮电大学学报（自然科学版），2018,30(6):861-869.
[5] Zografos K G,Androutsopoulos K N.Algorithms for Itinerary Planning in Multimodal Transportation Networks[J] .IEEE Transactions on Intelligent Transportation Systems,2008,9(1):175-184.
[6] 王景存，张晓彤，陈彬,等.一种基于Dijkstra算法的启发式最优路径搜索算法[J] .北京科技大学学报，2007(3):346-350.
[7] Wei D.An Optimized Floyd Algorithm for the Shortest Path Problem[J] .Journal of Networks,2010,5(12):1496-1504.
[8] Yepes V,Medina J.Economic heuristic optimization for heterogeneous fleet vrphestw[J] .Journal of Transportation Engineering,2006,132(4):303-311.
[9] Archetti C,Bertazzi L,Laporte G,et al.A Branch-and-Cut Algorithm for a Vendor-Managed Inventory-Routing Problem[J] .Transportation Science,2007,41(3):382-391.
[10] Pessoa A,Uchoa E.A robust branch-cut-and-price algorithm for the heterogeneous fleet vehicle routing problem[C] //International Workshop on Experimental&Efficient Algorithms.Springer Berlin Heidelberg,2007.
[11] 吴胜昔，刘威，卢文建,等.一类面向仓库车辆路径优化的改进禁忌搜索算法及其应用[J] .华东理工大学学报（自然科学版），2018,44(4):581-587.
[12] Afifi S,Dang D C,Moukrim A.A Simulated Annealing Algorithm for the Vehicle Routing Problem with Time Windows and Synchronization Constraints[C] //Revised Selected Papers of the International Conference on Learning&Intelligent Optimization,Springer-Verlag New York,Inc.2013.
[13] Wang Y P.Adaptive Ant Colony Algorithm for the VRP Solution of Logistics Distribution[J] .Research Journal of Applied Sciences,Engineering and Technology,2013,6(5):807-811.
[14] 仪孝展.基于改进遗传算法的物流车辆路径规划方法研究与应用[D] .西安：西安理工大学（硕士学位论文），2018.
[15] 袁罗.多策略粒子群算法及其在车辆路径规划中的应用[D] .无锡：江南大学（硕士学位论文），2018.
[16] Megherbi H,Megherbi A C.Differential evolution based identification of the LuGre friction model in the cart motion of an inverted pendulum system[C] //2017 6th International Conference on Systems and Control（ICSC）.IEEE,2017.
[17] Brando J.A deterministic tabu search algorithm for the fleet size and mix vehicle routing problem[J] .European Journal of Operational Research,2009,195(3):716-728.
[18] Brando J.A tabu search algorithm for the heterogeneous fixed fleet vehicle routing problem[J] .Computers&Operations Research,2011,38(1):140-151.
[19] Afifi S,Dang D C,Moukrim A.A Simulated Annealing Algorithm for the Vehicle Routing Problem with Time Windows and Synchronization Constraints[C] //Revised Selected Papers of the International Conference on Learning&Intelligent Optimization.Springer-Verlag New York,2013.
[20] Chen M C,Hsiao Y H,Reddy H,et al.A Particle Swarm Optimization Approach for Route Planning with Cross-Docking[C] //International Conference on Emerging Trends in Engineering&Technology.IEEE,2015.
[21] R Storn,S Price.Differential evolution simple and efficient heuristic for global optimization over continuous spaces[J] .Journal Global Optimization,1997,11(4):341-359.
Application of Differential Evolution Algorithm for Multimodal Logistics Transportation Routing Problem
SUN Zhe,LIU Chenlei,SUN Zhixin (Nanjing University of Posts and Telecommunications,Nanjing 210003,China)
Abstract: With the rapid development of E-commerce and logistics,the network of transportation of logistics with different transportation modes becomes more and more complicated in the world gradually.This multimodal logistics transportation problem is regarded as a kind of complicate vehicle routing problem now.So,an appropriate selecting of routing for logistics vehicle plays an extensive influence role in improving the economic interests and appropriateness of logistics planning.In order to acquire a reasonable route of logistics vehicle,the differential evolution algorithm is employed to solve the multimodal logistics transportation problem in this paper.The final simulation results confirm the feasibility and effectiveness of this method.
Key words: multimodaltransportation;logistics;differential evolution algorithm;vehicle routing problem
中图分类号： U116.2
文献标识码： A
文章编号： 1002-3100（2019）08-0082-05
收稿日期： 2019-04-18
作者简介： 孙 哲（1982-），男，山东淄博人，南京邮电大学，讲师，博士，研究方向：智能控制与优化、进化计算、复杂非线性系统建模与控制；刘晨磊（1995-），男，江苏南京人，南京邮电大学硕士研究生，研究方向：智能优化算法；孙知信（1964-），男，安徽宣城人，南京邮电大学，教授，博士，博士生导师，研究方向：计算机网络及安全、物联网应用、多媒体通信、计算机软件。