附录B 外文原文
Research on Optimization of Cold Chain Logistics Distribution Path Based on P Company
Xinyan YU1, Daofang CHANG2,*, Xin SONG3
1Logistics Science and Engineering Research Institute, Shanghai Maritime University, Anshan, Liaoning, China
2*Logistics Science and Engineering Research Institute, Shanghai Maritime University, Fengqiu, Henan, China
3Logistics Science and Engineering Research Institute, Shanghai Maritime University, Chizhou, Anhui, China
Email:dfchang@shmtu.edu.cn
*Corresponding Author
- ABSTRACT. With the development of cold chain technology and the improvement of peoples living standards, the demand for cold chain logistics is becoming more and more prosperous. In view of the fact that most cold chain logistics companies still have many problems such as high distribution costs and untimely distribution. Considering the high cost of cold chain transportation, the total cost of the five costs of fixed cost, fuel consumption cost, refrigeration cost, cargo damage cost, and penalty cost is the minimum optimization goal, a cold chain logistics distribution route optimization model is constructed, and genetic algorithm and hybrid are designed. Particle swarm optimization solves the problem, and the optimized path effectively reduces the companys cold chain distribution time and cost, and improves the efficiency of cold chain transportation.
- KEYWORDS: Cold chain logistics, Distribution path optimization, Genetic algorithm, Hybrid particle swarm optimization
1. Introduction
- At present, Chinas cold chain logistics is developing rapidly, but it still cannot meet the growing demand of the people. Most cold chain logistics distribution products are perishable and perishable, and require high freshness. At present, there are still some problems in domestic cold chain logistics distribution, such as incomplete distribution, lack of strategic guidance on the distribution path planning, and distribution vehicles. Problems such as low loading rate and unreasonable delivery time control. The existence of these distribution problems greatly affects the distribution efficiency and customer satisfaction, therefore, cold chain logistics research becomes increasingly important [1]. Mo Haixi et al. built a cold chain distribution model based on the factors of distribution center location through analytic hierarchy process and goal planning method[2]; Guo Fu et al.[3] combined the improved VRP problem with cold chain transportation. Li Shuqin et al.[4] established a multi-model vehicle route optimization model with soft time window constraints to study the impact of different environmental performance vehicles. Ronald et al.[5] established a mathematical model for solving complex facility location based on inventory capacity and distribution route through genetic algorithm; Wu Lihong et al.[6] considered the main influencing factors of fresh food distribution through goal planning method and ant colony algorithm to establish The cost models of the two main modes of self-operation and outsourcing were solved by intelligent algorithms; Chaug et al.[7] used integer programming algorithm to consider the time window needs of different customers to provide food in different temperature ranges, and analyzed the best multi-temperature joint distribution model. Distribution cycle; Liu Xiu et al.[8] used genetic algorithms to convert carbon emissions into carbon costs, and constructed a cold chain distribution path optimization model in a low-carbon environment; Sinaide et al.[9] applied the variable domain search algorithm to generalized variable The domain algorithm solves the vehicle routing problem with a randomly varying domain. By collating the literature of domestic and foreign scholars on cold chain logistics distribution, it was found that the scholars mainly optimized the distribution path optimization, distribution center location, mode selection, etc., and established a mathematical model for optimization analysis, which lacked the quantification of specific cases. the study. In view of the shortcomings of the existing research, this study intends to take the company Ps cold chain logistics distribution as the research object, through the analysis of the current distribution status of the research object, using genetic algorithm and hybrid particle swarm algorithm to solve the optimization.
2. Research Content
2.1 Model Establishment
- According to the actual situation of P companys distribution path, this paper takes the minimum total cost of fixed cost, variable cost, refrigeration cost, cargo damage cost and penalty cost as the optimization goal. In order to make the model more realistic and simplify the calculation, this study makes assumptions about relevant factors and sets constraints. Combined with the situation of Company P, we will use one distribution center to deliver multiple customers as the basis, take Company Ps distribution center and customers as the research object, and take the minimum total cost of fixed cost, fuel consumption cost, refrigeration cost, and cargo damage cost as the optimization goal. Construct an optimized model of P companys cold chain logistics distribution path.
2.2 Model Establishment
- 2.2.1 Basic Assumptions
(1) Assuming that the temperature in the cold chain distribution vehicle is con
剩余内容已隐藏，支付完成后下载完整资料
附录A 外文译文
基于P公司的冷链物流配送路径优化研究
于鑫岩1，昌道芳2*，宋鑫3
1上海海事大学物流科学与工程研究所，中国辽宁鞍山
2*上海海事大学物流科学与工程研究所，河南凤秋
3上海海事大学物流科学与工程研究所，安徽池州
Email:dfchang@shmtu.edu.cn
*文章作者
摘 要
随着冷链技术的发展和人民生活水平的提高，对冷链物流的需求越来越旺盛。鉴于大多数冷链物流公司仍存在配送成本高、配送不及时等问题。考虑到冷链运输成本高，以固定成本、油耗成本、制冷成本、货物损坏成本、惩罚成本五大成本为最低优化目标，构建冷链物流配送路线优化模型，设计遗传算法和混合型粒子群优化解决了问题，优化路径有效降低了公司的冷链配送时间和成本，提高了冷链运输效率。
关键词：冷链物流、分布路径优化、遗传算法、杂交粒子群优化
1.简介
- 目前，我国冷链物流发展迅速，但仍不能满足人民群众日益增长的需求。大多数冷链物流配送产品易腐易腐，需要高新鲜度。目前，国内冷链物流配送还存在配送不完善、配送路径规划缺乏战略指导、配送车辆不完善等问题。装载率低、交货时间控制不合理等问题。这些配送问题的存在极大地影响了配送效率和客户满意度，因此，冷链物流研究变得越来越重要。莫海希等人通过分析分层过程和目标规划方法，构建了基于配送中心位置因素的冷链分布模型郭富等人将改进的VRP问题与冷链运输相结合。李淑琴等人建立了具有软时间窗口限制的多车型车辆路线优化模型，以研究不同环境性能车辆的影响。罗纳德等人建立了基于库存容量和通过遗传算法分布路线解决复杂设施位置的数学模型：吴力宏等人通过目标规划方法和蚂蚁群算法来建立自营和外包两种主要模式的成本模型，通过智能算法解决了新鲜食品分配的主要影响因素：乔格等人使用整数编程算法来考虑不同客户在不同温度范围内提供食物的时间窗口需求，并分析了最佳的多温联合分布模型。分配周期;刘秀等人使用基因算法将碳排放转化为碳成本，并在低碳环境中构建冷链分布路径优化模型：西奈德等人将可变域搜索算法应用于通用变量域算法使用随机变化的域解决车辆路由问题。通过整理国内外学者关于冷链物流配送的文献，发现学者们主要优化了配送路径优化、配送中心位置、模式选择等，建立了缺乏具体案例量化的优化分析数学模型。研究。针对现有研究的不足，本研究拟以公司P的冷链物流配送为研究对象，通过分析研究对象的当前分布状况，利用遗传算法和杂交粒子群算法解决优化问题。
2.研究内容
2.1模型设置
- 根据P公司分销路径的实际情况，以固定成本、可变成本、制冷成本、货物损坏成本、罚款成本等最低总成本为优化目标。为了使模型更逼真、更简化计算，本研究对相关因素进行了假设，并设定了约束因素。结合P公司的情况，以一个配送中心为依托，以P公司的配送中心和客户为研究对象，以固定成本、油耗成本、制冷成本、货物损坏成本等最低总成本为优化目标。构建P公司冷链物流配送路径优化模式。
2.2模型设置
2.2.1基本假设
（1）假设冷链分布车辆的温度是恒定的和合适的：
（2）假设交付产品的货物损坏率只与时间有关，而忽略了其他影响因素：
（3）假设所有运载车辆型号相同，车辆最大载重和行驶距离最长相同，允许一定量的超载，但需按罚款成本计算：
（4）假设配送中心的位置和客户为人所知，配送中心的货物可以交付给所有客户。
2.2.2参数描述
基于上述问题的描述和假设，本研究中用于模型构建的参数及其含义如下：
问：车辆数量：
C1：固定成本：
C2：单位距离的油耗成本：
Dij：商店之间的距离：
Cf：单位冷却能源成本：
e：制冷设备的平均功率：
tj：在客户j卸载时间：
p：商品的单价：
Ri：客户i的需求（按重量计算）：
b1：运输过程中货物损坏率：
b2：卸货过程中货物损坏率：
问：在客户i卸货后留在车内的货物数量：
i，j：商店节点号，i=0，1，2，3.。。，n（0代表配送中心，n表示所有商店的数量）：
N：包括配送中心在内的一组节点编号：
N：排除配送中心后的其他节点编号：
h：车号，h=1，2,...，q（q是分布的车辆总数）：
H：车辆总成;
qt：车辆的最大负载h：
a：车辆装卸效率：
fijh：车辆h的负载在间隔（i，j）：
Lh：车辆行驶的最大距离h：
v：车辆的速度。
2.2.3成本分析
（1）固定成本
固定成本是冷链车辆在运输和配送过程中的固定消费成本。它不随运输时间、运输距离、客户分布数量、货物分配数量而变化，主要包括车辆和设备折旧成本、驾驶员工资等。固定成本的表述显示在（1）：
（2）油耗成本
此成本与运输距离、运输货物的重量和运输速度有关。在上述假设中，运输速度被认为是恒定的，它对可变成本的影响被忽视了。最后，根据过去的数据，计算平均运输可变成本。油耗成本的表述见于（2）：
（3）货物损坏费用
冷链运输的产品大多是易腐、变质的产品，运输车辆卸货时会造成冷链产品的损失。当货物损坏成本的具体表述在方程中显示时（3）：
（4）冷却成本
车辆在运输过程中的冷却能耗等于制冷设备的平均功率乘以运输时间。运输时间由运输距离除以运输速度来衡量。制冷成本的表述显示在（4）：
2.2.4目标函数
通过对上述四个成本的分析，本文的最终优化目标是：
限制因素包括：
其中，公式的两个约束（7）是VRP问题的基本约束：公式（8）表示每个配送车辆最多一次离开配送中心，返回配送中心后禁止车辆再次使用：公式（9）表示在分配过程中，每个分配车辆的最大行驶距离不超过其指定的最大行驶距离：公式（10）限制车辆的最大负载：公式（11）表示车辆从配送中心出发并最终返回配送中心：公式（12）表示在一次交付中，每个客户只能交付一次并可以交付：公式（13）意味着交付中所有车辆的最大负载总和大于所有客户的需求。
3.算法分析
3.1模型遗传算法
3.1.1遗传算法设计[10]
（1）编码操作
在本研究中，选择了自然数编码方法，0表示配送中心，30个分布点为1-30。两个零之间的路径代表一个子路径，表示送货车辆从交付中心出发，在完成任务[11]后返回交付中心。
（2）生成初始人口
这项研究将人口规模设定为200人。本研究共有30个客户，因此随机函数Randperm中断1到30以生成随机序列，即一条染色体对应于一个分布路径方案。
（3）个人健身评价
当使用遗传算法来解决问题时，健身功能用于评估染色体的质量。染色体的健身值越大，就越容易被保留。染色体的健身值反映了它是否是最好的可行解决方案。
（4）遗传操作者设计
1）选择操作
选择一条与自然界中适者生存相似的规则，它更能适应环境并保留环境，而那些不能适应环境的人则被淘汰。
2）交叉操作
在这个过程中，主要是保留父亲的优良基因，形成更好的个体后代。在研究中，交叉概率设置为求解过程中的0.6，交叉位置从编码基因的INT（n/3）到INT（2n/3）位置从左到右。在本研究中，选择了部分匹配交叉方法。
3）突变操作
突变手术是用一种新的基因取代染色体上某个基因位置的基因。在本研究中，Pm被选为0.03，突变方法被选为反向转换。
（5）终止条件
本研究中选择的终止条件是迭代次数。当迭代达到200次时，程序会自行停止搜索。
3.1.2遗传算法解决方案过程
根据上述遗传算法的设计，遗传算法的解决过程主要包括以下步骤。
步骤1：将实际问题转化为计算机能够识别和解决的问题，确定实际问题的参数集，并编码参数集：
第2步：屏幕编码组，随机确定初始组，并设置迭代的初始数量：
第3步：选择、交叉和变异母体的染色体，以获得后代的新染色体：
第4步：经过选择、交叉和突变的基因操作，对染色体进行解码，进行体能评价，保留具有高健身价值的染色体，并继续下一次迭代。迭代人口从p（t）更改为p（t 1），并返回到第三步：
第5步：确定是否满足终止条件，将迭代次数与最大迭代数进行比较，当迭代次数小于最大迭代数时，返回到第四步，并在超过或等于迭代最大数时执行第6步：
第6步：已满足终止条件，搜索结束，此迭代的最佳解决方案是输出。
3.2混合粒子群优化算法
3.2.1混合粒子群优化设计
本文在解决车辆路由优化问题时，考虑加入遗传算法（GA）的操作方法，选择交叉和突变来分立粒子群优化（DPSO）。在迭期搜索过程中，通过编码物流运输和配送站点获得的站点序列与当前最佳站点序列和组最佳站点序列进行选择和交叉，从而加快了收敛速度：突变操作在选择交叉操作完成后执行，在每个分布站点序列中随机生成两个位置进行突变，从而提高算法的全球搜索能力[12]主要交叉和突变规则是：
（1）选择和交叉策略
在混合粒子群优化算法的迭年过程中，位置载体相当于物流运输中对配送站进行编码形成的站序列。随机生成数字的方法随机生成两个不同的数字，分别表示两个位置，形成一个位置序列，并利用位置序列在相应位置的每个迭代中拦截每个站点序列中的当前最佳站点序列，从而获得当前最佳站点序列中的站点序列段。
（2）突变策略
站点序列以当前最佳站点序列和粒子群流最佳站点序列完成交叉操作后，对它进行突变操作。从站点序列数中随机生成两个数字，分别对应站点序列中的位置，并执行与两个位置对应的交换站点（即突变操作）的操作。
4.示例分析
4.1基本数据信息
配送中心根据商店和超市的需要，向全市30家商店或超市配送产品。配送中心每天为每个门店和超市分发商品。车辆从配送中心出发，在配送完成后返回配送中心。车辆进行排序和清洁，以供下一次使用。需求是已知的，卸货时间是根据需求和驾驶员的卸货效率计算的。具体客户信息和公司P客户之间的相对距离是已知的
4.2结果分析
4.2.1遗传算法结果分析
根据上述遗传算法的设计，马特拉布用于解模型。经过200次迭代后，该模型被解决，以获得7845.97的近似最佳解决方案。分配路线优化后的方案由4辆车分配，运行时间为13.417289秒，分配路线优化方案显示在表1中：
本研究构建的模型以最低总成本为优化目标。经过200次迭代后，模型的近似最佳解决方案为7845.97。其中，遗传算法获得的最低成本路线的固定成本为1236.00：油耗成本886.00;制冷成本为3298.95：货物损坏费用2384.70：和40.32的罚款成本。通过数据调查和计算，可知P公司原总成本为10581元/天，基因算法得到极大优化，节约成本约25.85%。
图1显示了遗传算法的优化过程和迭过程中的最佳解决方案。图上的线段是由200点组成的行段，每个点都是每次迭代的结果。在实际操作过程中，在200、300、500、800、1000中尝试了终止迭代次数，最终结果都在7，000到8，000之间，因此本文的最终成本是7845.97的最小最佳解决方案，作为近似最佳解决方案。
图1遗传算法结果图
4.2.2杂交粒子群优化结果分析
根据上述混合粒子群算法的设计，Matlab用于解模型。经过500次迭代，模型被解决，近似最佳解决方案7934.21。分配路线优化后的方案由4辆车分配，运行时间为15.470161秒，分配路线优化方案为：
第一辆车：0-23-14-9-24-20-25-16-8-0；
第二辆车：0-26-3-5-12-11-4-6-21-0；
第三辆车：0-18-22-19-30-27-7-10-0；
第四辆车：0-15-2-28-29-1-17-13-0。
本研究构建的模型以最低总成本为优化目标。经过500次迭代，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[406927]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
