一类带容量限制的运输问题

考虑一类带容量限制的运输问题．采用构造辅助网络的方法，将运输网络中的每个配送中心均拆分成两个节点，构造出新弧，形成新的网络，把此类运输问题转换为最小费用流问题来解决．并在此基础上，考虑运输网络中配送中心的容量扩张问题。     

基于GIS的最大覆盖双层选址问题研究与实现

最大覆盖选址问题在物流配送中具有重要的应用意义。为了充分考虑现有城市道路的网络特性,建立了基于地理信息系统(GIS)的最大覆盖双层选址分配模型。首先,该模型考虑实际路网的起始-目的地(OD)成本与多配送中心协同供给资源的可能性,在选择配送中心的位置使覆盖的总需求量最大化的同时保证较低的运输分配成本;其次,为了确定配送中心选址的位置及各个需求点分配到的物资比例,利用精英保留策略的免疫遗传算法进行选址-分配的优化,并以杭州市某区为实例验证了所提方法的有效性;最后,实现了融合GIS技术与优化算法的选址系统。     

模糊需求下快速消费品生产配送协调调度

针对具有模糊需求的快速消费品生产配送问题,提出一种模糊线性规划模型,来解决多周期、多工厂、多产品、多配送中心的生产配送协调调度问题。同时考虑配送中心的库存水平,使总生产、库存成本和配送成本最小。最后,通过一个算例来证明该方法的可行性。     

主机厂零部件JIT供应物流规划与应用

为了解决主机厂供应物流交付不及时、卸货位忙闲不均、物流费用不透明、运输效率和服务水平低、管理不可控的现状问题,应用“5W3H”和问卷调查法提出了A车型发动机和变速箱供应物流采用取货制的解决方法。建立了基于平准化、准时化的物流和信息流模型,基于三流合一建立了物流、信息流和资金流作业流程。通过规划方案在试点改善中的应用,使配送中心库存由10 d降为3 d,运输车辆由16台减为8台,每年降低运输费用1 000万元。结果表明该研究成果对于企业提升物流管理水平、降低供应链物流成本和增强整体竞争力具有指导作用。     

多级库存控制的连锁经营企业配送网络设计

研究了随机需求条件下连锁经营企业配送网络设计及其库存决策的联合优化问题.详细分析了基于POT(power of two)多级库存控制策略的连锁企业多级工作库存及订货成本,给出了门店及配送中心在满足给定服务水平条件下的安全库存成本.在综合考虑运输成本和配送中心选址成本的基础上,建立了以系统总成本最小为目标的配送系统总成本优化模型,并采用遗传算法求解该优化模型,在得到最优配送网络设计方案的同时,确定了配送中心订货周期及门店配送周期.通过算例验证了模型及算法的有效性,并分析了需求、运输距离和选址成本等因素的变化对系统总成本的影响,为连锁经营企业的物流配送网络设计及库存控制提供决策支持.     

城市物流配送系统的多目标优化LRP模型研究

建立了准时到达、总成本最低的多目标定位--运输路线安排问题（LRP）的数学模型;此LRP问题包括配送中心的分派和运输路线优化两方面的决策,属于NP难题.在构建模型算法过程中,采用了两阶段法：首先采用启发式算法确定配送中心分派问题;其次,给出各个目标的优先级,根据优先因子建立以准时到达为最高优先级、总成本最低为次优先级的新的数学模型,并运用遗传算法求解优化运输路线问题.     

一种军事物流配送中心的选址模型

考虑战场保障网络中军事物流配送中心到部队用户的时间约束对军事物流配送中心选址的影响,针对战场保障网络中节点间存在多重边的情况,通过逐步搜索避免形成环,剪除超过时间约束的路径,构造了可行路径算法,该算法可以在(n-1)步内完成搜索.根据各条边的时间可靠性进行了路径筛选,建立了军事物流配送中心的选址-路线安排模型.     

收益极大化的运输问题的表上作业法

对于收益极大化的运输问题,一般的解法是用收益表上的最大数减去每一个数得到一张新表,从而转化成标准的极小化运输问题。本文直接针对现有的收益表给出一种类似于极小化运输问题的表上作业法,其关键是每一步始终遵循收益极大的原则。     

基于FANP方法的供应链配送中心评价选择

供应链配送中心的评价选择是供应链管理的重要课题.层次分析法(AHP)只能分析经过大量简化处理的树状结构或者其他理想结构.因此,采用解释结构模型(ISM)建立配送中心评价选择指标体系,用模糊网络分析法(FANP)进行计算分析,对以制造业为主导的供应链配送中心进行评价和选择,不仅考虑了指标的层次关系,也考虑到各层中因素之间的相互关系,解决了对具有网络关系的混合型结构评价指标体系的评价选择问题,克服了层次分析法(AHP)等传统算法的局限,在实际应用中具有很好的效果.     

配送型物流中心选址建模实例分析

自20世纪50年代以来，随着经济全球化的发展．物流以惊人的速度发展变化，逐渐成为企业的三利润源。在物流发展过程中，众多学者和企业经营者发现要促进物流的合理化发展．就必须科学的选择物流网络中的节点一物流中心的位置．本文通过实例说明配送中心的选址是在在分析运输成本和配送中心的运营成本的基础上，采用O～1混合整数规划法建立选址模型，并用遗传算法来求解。最后确定物流中心选址的方法。     

An Artificial Intelligence Approach for Solving Stochastic Transportation Problems

Recent years witness a great deal of interest in artificial intelligence (AI) tools in the area of optimization. AI has developed a large number of tools to solve the most difficult search-and-optimization problems in computer science and operations research. Indeed, metaheuristic-based algorithms are a sub-field of AI. This study presents the use of the metaheuristic algorithm, that is, water cycle algorithm (WCA), in the transportation problem. A stochastic transportation problem is considered in which the parameters supply and demand are considered as random variables that follow the Weibull distribution. Since the parameters are stochastic, the corresponding constraints are probabilistic. They are converted into deterministic constraints using the stochastic programming approach. In this study, we propose evolutionary algorithms to handle the difficulties of the complex high-dimensional optimization problems. WCA is influenced by the water cycle process of how streams and rivers flow toward the sea (optimal solution). WCA is applied to the stochastic transportation problem, and obtained results are compared with that of the new metaheuristic optimization algorithm, namely the neural network algorithm which is inspired by the biological nervous system. It is concluded that WCA presents better results when compared with the neural network algorithm.     

新鲜度限制约束下物流配送中心选址-路径优化

目的 满足生鲜产品交付时较高的新鲜度要求,解决多产品、多车型情景下的配送中心选址-路径优化问题。方法 构建考虑碳排放成本和满足客户对产品交付最低新鲜度要求的双层目标规划模型。上层模型以配送中心固定成本、库存管理成本最小化为优化目标,下层模型以车辆固定成本、运输成本、碳排放成本、惩罚成本最小化为优化目标,并结合模型特点,采用两阶段启发式算法进行求解。结果 采用的两阶段启发式算法相对于遗传算法的平均成本解改进率为1.22%,相对于K-means聚类求解算法的平均解改进率为3.03%;两阶段启发式算法相对于遗传算法最优解运算时间的平均提高率为24.8%,相对于传统K-means聚类求解算法的平均提高率为33.0%。结论 经算例对比研究发现,不同新鲜度要求下对配送中心的选址以及车辆路径的安排有显著影响,企业可通过合理规划物流网络和准确评估客户对产品的新鲜度要求等手段实现企业物流成本的降低。     

考虑顾客延误损失的配送中心选址双层规划问题研究

配送网络中存在潜在的延误风险。针对延误情景下配送中心选址问题,提出双层规划模型。上层是企业选址的0-1规划问题,下层是顾客对设施目标选择的0-1规划问题,并考虑配送距离、时间延误造成的损失等因素对顾客选择的影响。通过层次遗传算法,对具体案例进行分析。结果表明,选址成本与顾客损失效用之间的反比关系,有效选址可以缩短物资配送距离和配送时间,从而降低选址成本和减轻顾客损失。     

区域物流网络中多配送中心的库存需求预测模型

研究了某区域物流网络中由m个配送中心、n个零售商组成的配送网络的需求预测问题。分析了区域物流网络的需求特点,运用Dijkstra算法得出最短路径矩阵,在此基础上构建了库存需求预测模型,通过该模型求得每个配送中心的需求总量,并以实例验证了该模型的正确性和可行性。     

基于JITD的服务备件二级分销网络集成研究

从供应链集成的角度出发,使用双层规划建立了服务备件二级分销网络的设施选址-运输路线安排-库存控制问题(CLRIP)模型,确定了分销中心的位置、车辆的运输路线等。该模型充分考虑决策部门和顾客双方的利益,针对服务备件的价值高以及服务水平要求高的特点,将按需拉动的准时制配送策略（JITD）应用于分销网络设计中,在降低系统成本的同时,可以大幅度提高配送的准时性和稳定性。设计了该模型的启发式算法,通过算例验证了模型和算法的有效性。研究结果有助于优化服务备件分销网络结构、提高配送准时性和降低物流成本。     

Two-stage optimisation method for material flow and allocation management in cross-docking networks

Cross-docking is a relatively new logistics strategy in which items are moved from suppliers to customers through cross-docking centres without putting them into long-term storage. An important decision during the planning of cross-docking operations is related to the material flow management in the network, which has great potential to reduce transportation costs. However, until now, there has been a lack of studies regarding operations for both transportation of trucks between locations and trans-shipment of items in cross-docking centres. This study presents a novel two-stage mixed integer linear mathematical model for the transportation problem of cross-docking network design integrated with truck–door assignments to minimise total transportation costs from suppliers to customers. This model also considers incoming/outgoing truck-loading plans and product allocations in the cross-docking area with regard to the two-dimensional physical constraints. Due to the complexity of the problem, a genetic algorithm (GA) is proposed to solve large-sized problems. Computational studies are conducted to examine the validity of the two-stage model and performance of the GA. The computational studies show that the introduced model provides a comprehensive plan for material flow management in cross-docking networks and proposed GA is capable of obtaining effective results for the problem within a short computational time.     

需求可拆分的无人机与卡车协同路径优化问题

基于无人机配送优势,提出一类无人机与卡车分区域协同配送问题。考虑需求稀疏地区由无人机配送,需求密集地区由卡车与无人机协同配送的情形。由于无人机的载重能力较小,无人机访问的顾客需求允许被拆分。结合无人机与卡车的访问路径关系,以最小化运输成本和使用卡车的人力成本为目标建立混合整数规划模型,并设计一种改进变邻域搜索算法对问题进行求解。小规模算例的特性分析表明,运输成本对无人机的载重能力及单位运输成本敏感性较高。多个不同规模的算例测试表明,改进变邻域搜索算法能在较短时间内有效求解各规模算例,且算法稳定性较好。     

A strategic decision support system for logistics and supply chain network design

This paper aims to develop a strategic decision support system for logistics and supply chain network design of a multi-stage, multi-commodity, and multi-period distribution and transportation system. A mixed integer linear programming model is proposed to tackle the problem while minimizing the operating, transportation and handling cost through all tiers of the supply chain network. A genetic algorithm based method has been proposed to solve the problem in a large scale realistic environment. The efficacy of the developed strategic decision support model in achieving better utilization of network and resources to fulfil the customer demand is demonstrated using illustrative scenarios inspired from the real case of a logistics company.     

进口物资运输的中转站选址-分配问题

结合进口物资的江海联合中转运输,提出了一类带三重能力约束的中转站选址-分配问题(LAP)模型,即在物流网络节点有最大单批通行能力、中转站吞吐能力、运输工具总运输能力三重能力约束下,如何进行中转站选址,并相关资源分配,使总的费用最小.针对该问题构建了混合整数规划模型,提出了一种先进行选址然后进行资源分配的优化算法.还给出了该模型在武汉钢铁(集团)公司进口铁矿石江海联合运输的中转站选址-分配问题的研究实例.     

A fuzzy approach to transport optimization problem

This paper presents an algorithm to solve a fuzzy transportation problem in which demand, supply and transportation costs are uncertain. Existing solution methods convert a fuzzy transportation problem into two or more crisp transportation problems and solves it. But, the proposed algorithm solves a fuzzy transportation problem without converting it into a crisp transportation problem. This approach results in a fuzzy total transportation cost, which is a fuzzy number. Sudhagar score method is used to rank fuzzy numbers. In comparing results of existing methods with the proposed method, this algorithm outperforms the previous ones. Two numerical examples explain working procedure of the proposed algorithm.