一种实时需求驱动的物流服务设施选址方法与流程

1.本发明涉及设施选址的技术领域，尤其涉及一种实时需求驱动的物流服务设施选址方法。


背景技术：

2.物流作为我国的新兴产业，在国民经济发展中占据着越来越重要的地位。随着物流规模的不断扩大，物流企业对于货物集散、分拣和中转的需求越来越高。众多物流企业因为站点选址不合理，造成企业的物流成本高、物流效率低，导致客户体验差。因此，如何设置合理的物流站点选址，对提高物流企业的行业竞争力具有重要意义。
3.鉴于此，本发明提出一种实时需求驱动的物流服务设施选址方法，通过分析物流配送的实时需求，构建多种物流配送模型，并根据所构建的物流配送模型确定结合用户满意度以及配送成本的物流配送中心选址模型，利用启发式算法对模型进行求解，得到物流配送中心地址。


技术实现要素：

4.本发明提供一种实时需求驱动的物流服务设施选址方法，目的在于(1)构建基于实时需求的物流配送模型；(2)基于用户满意度以及物流配送成本确定物流配送中心选址模型的目标函数，并通过对目标函数进行优化求解，得到物流配送中心地址。
5.实现上述目的，本发明提供的一种实时需求驱动的物流服务设施选址方法，包括以下步骤：
6.s1：分析物流配送需求，构建物流配送模型；
7.s2：根据所构建的物流配送模型，确定物流配送中心选址模型；
8.s3：构建用户满意度函数以及物流配送成本函数，并基于所构建函数确定物流配送中心选址模型的目标函数和约束条件；
9.s4：利用粒子群算法对所构建的目标函数进行优化求解，得到的最优求解结果即为物流配送中心地址。
10.作为本发明的进一步改进方法：
11.所述s1步骤中构建物流配送模型，包括：
12.构建实时需求驱动的物流配送模型，所述物流配送模型包括：
13.1)物流直接配送模型：物流配送中心从供货商处拿到货物直接送达到用户所在地；
14.2)物流层级配送模型：建立包含物流配送中心以及若干区域配送站的两层物流配送网络，在进行配送时由物流配送中心直接向区域配送中心进行物流配送，再由区域配送中心配送到用户手中，退货时，货物首先进入区域配送中心，由区域配送中心汇入物流配送中心；
15.在本发明一个具体实施例中，本发明采用物流直接配送模型进行一些大型货物以
及重要货物的配送，采用物流层级配送模型配送其他货物。
16.所述s2步骤中确定物流配送中心选址模型，包括：
17.构建物流配送中心选址模型，所构建的物流中心选址模型为：
18.对于物流直接配送模型的物流中心选址模型为：
[0019][0020][0021]
其中：
[0022]
qi表示城市中第i个物流配送目标，qi的坐标为(xi,yi)，i＝1,2,
…
,l，l表示物流配送目标总数；
[0023]
(x0,y0)表示物流配送中心的坐标；
[0024]
u表示从物流配送中心配送到目标的配送成本；
[0025]
对于物流层级配送模型的物流中心选址模型为：
[0026][0027]
其中：
[0028]dk
表示货物从物流配送中心配送到第k个区域配送中心的距离，k表示城市内所设置的区域配送中心总数；
[0029]dkn
表示货物从第k个区域配送中心配送到第n个物流配送目标的距离；
[0030]gk
表示由物流配送中心配送到第k个区域配送中心的配送量；
[0031]gkn
表示由第k个区域配送中心配送到第n个物流配送目标的配送量；
[0032]
yk＝{0,1}，yk＝0表示第k个区域配送中心未被选中执行物流配送，yk＝1表示第k个区域配送中心被选中执行物流配送；
[0033]
f表示从物流配送中心配送到配送目标的配送成本，其中第k个区域配送中心的坐标为(xk,yk)，第n个物流配送目标的坐标为(xn,yn)，n表示物流配送目标的总数。
[0034]
在本发明一个具体实施例中，区域配送中心与物流配送目标的距离为欧式距离。
[0035]
所述s3步骤中构建用户满意度函数，包括：
[0036]
构建用户满意度函数，所构建的用户满意度函数为：
[0037][0038]
其中：
[0039]
f(t
kn
)为所构建的用户满意度函数；
[0040]
t
kn
表示从第k个物流配送位置配送到第n个物流配送目标的配送时长，当k＝0，所述物流配送位置表示物流配送中心，当k＝1,2,
…
,k，所述物流配送位置表示第k个区域配送中心；
[0041]rn
表示第n个物流配送目标的客户对配送服务感到不满意时的最短等待时长；在本发明一个具体实施例中，将rn设置为3小时。
[0042]
所述s3步骤中构建物流配送成本函数，包括：
[0043]
构建物流配送成本函数，所构建的物流配送成本函数为：
[0044]
g＝q
idi
s sd
kgk
sd
kngkn
[0045]
其中：
[0046]
s表示从物流配送的单位运输费用，在本发明一个具体实施例中，所述单位运输费用表示每单位配送量在单位距离的运输费用。
[0047]
所述s3步骤中基于所构建函数确定物流配送中心选址模型的目标函数和约束条件，包括：
[0048]
所述物流配送中心选址模型的目标函数为：
[0049][0050]
其中：
[0051]
计算得到的结果为物流配送中心的坐标，该坐标可以实现物流直接配送模型中物流配送运输费用最少；
[0052]
计算得到的结果为物流层级配送模型中区域配送中心的坐标，该坐标可以实现物流层级配送模型中物流配送运输费用最少；
[0053]
所述物流配送中心选址模型的约束条件为：
[0054][0055]
qi》0
[0056]
其中：
[0057]
保障了在进行物流配送时，用户的不满意程度最小。
[0058]
所述s4步骤中利用粒子群算法对目标函数进行优化求解，目标函数求解结果即为物流配送中心地址，包括：
[0059]
利用粒子群算法对目标函数进行优化求解，所述粒子群优化算法的流程为：
[0060]
1)随机生成30个粒子，所述第i个粒子的位置信息为：
[0061][0062]
其中：
[0063]
表示目标函数中物流配送中心地址的坐标；
[0064]
表示目标函数中第k个区域配送中心地址的坐标；
[0065]
2)初始化每个粒子的位置pi和速度vi，以及粒子群算法的最大迭代次数max；
[0066]
3)利用每个粒子的位置信息生成物流配送模型，模拟物流配送需求，计算每个粒子所生成的物流配送模型的目标函数值vi；在本发明一个具体实施例中，所述目标函数值为在约束条件的限制下，物流配送模型完成物流配送需求的运输费用值；
[0067]
4)更新粒子i的速度和位置：
[0068][0069][0070]
其中：
[0071]
x
best
(m)表示在第m轮迭代时，目标函数值最低的粒子所对应的粒子位置；
[0072]
w表示惯性权重，当w＝0.72，当w＝0.2；
[0073]
gaussian(0,σ2)表示均值为0，方差为σ2的高斯扰动，将σ2设置为0.002；
[0074]
c表示加速因子，其值为0.2；
[0075]
r为(0,1)之间的随机数；
[0076]
直到更新完成每个粒子的位置；
[0077]
5)判断此时迭代次数是否达到最大迭代次数max，若达到最大迭代次数，此时目标函数值最低的粒子所对应的位置信息即为物流配送中心的选址位置；若未达到最大迭代次数，则返回步骤3)。
[0078]
相对于现有技术，本发明提出一种实时需求驱动的物流服务设施选址方法，该技术具有以下优势：
[0079]
首先，本方案提出一种基于实时需求的物流中心选址模型构建方法，通过构建实时需求驱动的物流配送模型，所构建的物流配送模型包括物流直接配送模型以及物流层级配送模型，所述物流直接配送模型指物流配送中心从供货商处拿到货物直接送达到用户所在地；所述物流层级配送模型指建立包含物流配送中心以及若干区域配送站的两层物流配送网络，在进行配送时由物流配送中心直接向区域配送中心进行物流配送，再由区域配送中心配送到用户手中，退货时，货物首先进入区域配送中心，由区域配送中心汇入物流配送中心。所构建的物流中心选址模型为：对于物流直接配送模型的物流中心选址模型为：
[0080][0081][0082]
其中：qi表示城市中第i个物流配送目标，qi的坐标为(xi,yi)，i＝1,2,
…
,l，l表示物流配送目标总数；(x0,y0)表示物流配送中心的坐标；u表示从物流配送中心配送到目标的配送成本；对于物流层级配送模型的物流中心选址模型为：
[0083][0084]
其中：dk表示货物从物流配送中心配送到第k个区域配送中心的距离，k表示城市内所设置的区域配送中心总数；d
kn
表示货物从第k个区域配送中心配送到第n个物流配送目标的距离；gk表示由物流配送中心配送到第k个区域配送中心的配送量；g
kn
表示由第k个区域配送中心配送到第n个物流配送目标的配送量；yk＝{0,1}，yk＝0表示第k个区域配送中心未被选中执行物流配送，yk＝1表示第k个区域配送中心被选中执行物流配送；f表示从物流配送中心配送到配送目标的配送成本，其中第k个区域配送中心的坐标为(xk,yk)，第n个物流配送目标的坐标为(xn,yn)，n表示物流配送目标的总数。相较于传统方案，本方案采用物流直接配送模型进行一些大型货物以及重要货物的配送，采用物流层级配送模型配送其他货物，并为物流直接配送模型以及物流层级配送模型分别构建物流中心选址模型，通过利
用基于物流直接配送模型的选址模型确定物流配送中心，利用基于物流层级配送模型的选址模型确定物流区域配送中心，实现物流服务设施选址。
[0085]
同时，本方案提出一种结合用户满意度和物流配送成本的物流配送中心求解方法，所述物流配送中心选址模型的目标函数为：
[0086][0087]
其中：计算得到的结果为物流配送中心的坐标，该坐标可以实现物流直接配送模型中物流配送运输费用最少；计算得到的结果为物流层级配送模型中区域配送中心的坐标，该坐标可以实现物流层级配送模型中物流配送运输费用最少；所述物流配送中心选址模型的约束条件为：
[0088][0089]
qi》0
[0090]
其中：保障了在进行物流配送时，用户的不满意程度最小。本方案利用粒子群算法对上述结合用户满意度以及物流配送成本的目标函数进行优化求解，优化求解结果即为物流配送中心的选址位置。
附图说明
[0091]
图1为本发明一实施例提供的一种实时需求驱动的物流服务设施选址方法的流程示意图；
[0092]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0093]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0094]
s1：分析物流配送需求，构建物流配送模型。
[0095]
所述s1步骤中构建物流配送模型，包括：
[0096]
构建实时需求驱动的物流配送模型，所述物流配送模型包括：
[0097]
1)物流直接配送模型：物流配送中心从供货商处拿到货物直接送达到用户所在地；
[0098]
2)物流层级配送模型：建立包含物流配送中心以及若干区域配送站的两层物流配送网络，在进行配送时由物流配送中心直接向区域配送中心进行物流配送，再由区域配送中心配送到用户手中，退货时，货物首先进入区域配送中心，由区域配送中心汇入物流配送中心；
[0099]
在本发明一个具体实施例中，本发明采用物流直接配送模型进行一些大型货物以及重要货物的配送，采用物流层级配送模型配送其他货物。
[0100]
s2：根据所构建的物流配送模型，确定物流配送中心选址模型。
[0101]
所述s2步骤中确定物流配送中心选址模型，包括：
[0102]
构建物流配送中心选址模型，所构建的物流中心选址模型为：
[0103]
对于物流直接配送模型的物流中心选址模型为：
[0104][0105][0106]
其中：
[0107]
qi表示城市中第i个物流配送目标，qi的坐标为(xi,yi)，i＝1,2,
…
,l，l表示物流配送目标总数；
[0108]
(x0,y0)表示物流配送中心的坐标；
[0109]
u表示从物流配送中心配送到目标的配送成本；
[0110]
对于物流层级配送模型的物流中心选址模型为：
[0111][0112]
其中：
[0113]dk
表示货物从物流配送中心配送到第k个区域配送中心的距离，k表示城市内所设置的区域配送中心总数；
[0114]dkn
表示货物从第k个区域配送中心配送到第n个物流配送目标的距离；
[0115]gk
表示由物流配送中心配送到第k个区域配送中心的配送量；
[0116]gkn
表示由第k个区域配送中心配送到第n个物流配送目标的配送量；
[0117]
yk＝{0,1}，yk＝0表示第k个区域配送中心未被选中执行物流配送，yk＝1表示第k个区域配送中心被选中执行物流配送；
[0118]
f表示从物流配送中心配送到配送目标的配送成本，其中第k个区域配送中心的坐标为(xk,yk)，第n个物流配送目标的坐标为(xn,yn)，n表示物流配送目标的总数。
[0119]
在本发明一个具体实施例中，区域配送中心与物流配送目标的距离为欧式距离。
[0120]
s3：构建用户满意度函数以及物流配送成本函数，并基于所构建函数确定物流配送中心选址模型的目标函数和约束条件。
[0121]
所述s3步骤中构建用户满意度函数，包括：
[0122]
构建用户满意度函数，所构建的用户满意度函数为：
[0123][0124]
其中：
[0125]
f(t
kn
)为所构建的用户满意度函数；
[0126]
t
kn
表示从第k个物流配送位置配送到第n个物流配送目标的配送时长，当k＝0，所述物流配送位置表示物流配送中心，当k＝1,2,
…
,k，所述物流配送位置表示第k个区域配送中心；
[0127]rn
表示第n个物流配送目标的客户对配送服务感到不满意时的最短等待时长；在
本发明一个具体实施例中，将rn设置为3小时。
[0128]
所述s3步骤中构建物流配送成本函数，包括：
[0129]
构建物流配送成本函数，所构建的物流配送成本函数为：
[0130]
g＝q
idi
s sd
kgk
sd
kngkn
[0131]
其中：
[0132]
s表示从物流配送的单位运输费用，在本发明一个具体实施例中，所述单位运输费用表示每单位配送量在单位距离的运输费用。
[0133]
所述s3步骤中基于所构建函数确定物流配送中心选址模型的目标函数和约束条件，包括：
[0134]
所述物流配送中心选址模型的目标函数为：
[0135][0136]
其中：
[0137]
计算得到的结果为物流配送中心的坐标，该坐标可以实现物流直接配送模型中物流配送运输费用最少；
[0138]
计算得到的结果为物流层级配送模型中区域配送中心的坐标，该坐标可以实现物流层级配送模型中物流配送运输费用最少；
[0139]
所述物流配送中心选址模型的约束条件为：
[0140][0141]
qi》0
[0142]
其中：
[0143]
保障了在进行物流配送时，用户的不满意程度最小。
[0144]
s4：利用粒子群算法对所构建的目标函数进行优化求解，得到的最优求解结果即为物流配送中心地址。
[0145]
所述s4步骤中利用粒子群算法对目标函数进行优化求解，目标函数求解结果即为物流配送中心地址，包括：
[0146]
利用粒子群算法对目标函数进行优化求解，所述粒子群优化算法的流程为：
[0147]
1)随机生成30个粒子，所述第i个粒子的位置信息为：
[0148][0149]
其中：
[0150]
表示目标函数中物流配送中心地址的坐标；
[0151]
表示目标函数中第k个区域配送中心地址的坐标；
[0152]
2)初始化每个粒子的位置pi和速度vi，以及粒子群算法的最大迭代次数max；
[0153]
3)利用每个粒子的位置信息生成物流配送模型，模拟物流配送需求，计算每个粒子所生成的物流配送模型的目标函数值vi；在本发明一个具体实施例中，所述目标函数值
为在约束条件的限制下，物流配送模型完成物流配送需求的运输费用值；
[0154]
4)更新粒子i的速度和位置：
[0155][0156][0157]
其中：
[0158]
x
best
(m)表示在第m轮迭代时，目标函数值最低的粒子所对应的粒子位置；
[0159]
w表示惯性权重，当w＝0.72，当w＝0.2；
[0160]
gaussian(0,σ2)表示均值为0，方差为σ2的高斯扰动，将σ2设置为0.002；
[0161]
c表示加速因子，其值为0.2；
[0162]
r为(0,1)之间的随机数；
[0163]
直到更新完成每个粒子的位置；
[0164]
5)判断此时迭代次数是否达到最大迭代次数max，若达到最大迭代次数，此时目标函数值最低的粒子所对应的位置信息即为物流配送中心的选址位置；若未达到最大迭代次数，则返回步骤3)。
[0165]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0166]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0167]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。