具体实施方式

下面结合附图对本发明的具体实施方式做出说明。

实施例一：

如图1所示，本实施例提供了一种面向快件非标准服务的多主体协同运输资源调度方法，包括如下步骤：

S1：获取多主体共享快件物流网络和客户任务。

S2：建立多主体协同运输方案模型。

S3：设定运输费用、运输时间和运输质量计算公式。

S4：建立多主体协同运输资源调度模型。

S5：配置用于求解多主体协同运输方案模型和多主体协同运输资源调度模型的三信息素蚁群-遗传混合算法，并生成相应的协同运输方案。

S6：对协同运输方案进行可视化展示。

在本实施例中，步骤S1的具体步骤如下：

S1.1：获取多主体共享快件物流网络。共享服务网络SEN＝(SBN,STN)，SBN＝(P,V,E)为共享主干网络，STN＝(W,A,E’)为共享转运网络。

S1.2：获取某客户任务。客户任务ρ＝(b,e,w,C,T,Q)，其中，b和e分别为货物运输的起始节点和终止节点，w为货物重量，C为运输服务总价格的最大值，T为服务时间的最大值，Q为服务质量的最小值。

其中，步骤S1.1中共享服务网络SEN获取的具体步骤如下：

S1.1.1：获取共享主干网络SBN＝(P,V,E)。其中，P＝{p_i|i＝1,2,…,m}为快件物流商的集合，m为快件物流商的数量，p_i∈P表示第i个快件物流组织；S_i＝{s_ik|k＝1,2,…,l_i}为快件物流商p_i的运输服务方式集合，l_i为快件物流商p_i的运输服务方式数量；V＝{v_j|j＝1,2,…,n}为主干城市节点集合，v_j∈V为第j个主干城市节点，n为节点数量；为主干网络服务线路的集合，表示从主干节点v_j到v_j'采用快件物流商p_i的服务方式s_ik的运输服务线路。

S1.1.2：获取共享转运网络STN＝(W,A,E’)。其中，W＝{w_j|j＝1,2,…,n}为位于主干城市节点内部的共享转运中心集合，默认位于某主干城市节点的共享转运中心的数量为1，n为共享转运中心数量；A_j＝{a_ji|i＝1,2,…,m_j}为位于主干城市节点v_j内部的转运中心集合，a_ji表示快件物流商p_i的转运中心，默认各快件物流商位于某主干城市节点的转运中心数量小于等于1，m_j≤m为位于主干城市节点v_j内部的转运中心数量；E’＝{e'_i,j,e'_j,i|i∈[1,m],j∈[1,n]}为转运网络服务线路的集合，运输方式唯一，e'_i,j表示在节点v_j内部从快件物流商p_i的转运中心a_ji，到共享转运中心w_j的转运服务线路，e'_j,i表示在节点v_j从共享转运中心w_j，到快件物流商p_i的转运中心a_ji的转运服务线路。

S1.1.3：获取共享服务网络SEN还包括：从主干节点v_j到主干节点v_j'的距离d_j,j'；主干节点v_j内部发生转运时，从共享转运中心w_j到快件物流商p_i的转运中心a_ji的距离d_i,j；快件物流商p_i从主干节点v_j到v_j'采用运输服务方式s_ik的单位货物重量的单位距离价格在主干节点v_j内部，从快件物流商p_i的转运中心a_ji到共享转运中心w_j的单位货物重量的单位距离价格c_i,j；快件物流商p_i拥有的运输服务方式s_ik的速度u_i,k；在主干节点v_j内部，从快件物流商p_i的转运中心a_ji到共享转运中心w_j的中转速度u_i,j；快件物流商p_i从主干节点v_j到v_j'的运输服务方式s_ik的服务质量

在本实施例中，步骤S2的具体步骤如下：

S2.1：建立多主体协同运输方案模型，运输方案是指从客户任务的起始节点到终止节点所经过的主干节点和转运节点、参与的快件物流商和使用的运输方式的序列，包括主干运输线路和转运运输线路。

S2.2：主干运输线路为其中，v_j∈V是任务路径的第j(j＝1,…,n_r)个节点，v₁代表客户任务的起始节点b，v_nr代表终止节点e，n_r是经过节点的数量，是节点v_j和节点v_j+1之间的服务线路。设定一个二元决策变量表示运输服务线路是否属于任务路径r，以及节点v_j和v_j’是否属于任务路径r。

S2.3：r'_j＝{a_ji,e'_i,j,w_j,e'_j,i',a_ji’}为主干节点v_j内部的转运运输线路，表示从快件物流商p_i的转运中心a_ji，经过共享转运中心w_j，到快件物流商p_i'的转运中心a_ji'。设定一个二元决策变量和表示在节点v_j处是否从快件物流商p_i的转运中心a_ji经过共享转运中心w_j到快件物流商p_i’的转运中心a_ji'以及e'_i,j和e'_j,i是否属于任务路径。如果表示属于r，否则，表示不属于；如果表示在节点v_j处发生了从快件物流商p_i的转运中心a_ji经过共享网点w_j到快件物流商p_i'的转运中心a_ji'的转运，否则，表示在节点v_j处未发生转运。

S2.4：由于一个客户任务存在多条任务路径，设定R_ρ表示客户任务ρ的所有任务路径的集合，通过r,r'_j∈R_ρ确保任务路径的合法性。

在本实施例中，步骤S3的具体步骤如下：

S3.1：设定运输费用计算公式。运输费用计算公式如下：

其中，C₁(r)为为主干网络任务路径r上所有运输线路总费用，计算公式如下：

C₂(r)为转运网络任务路径r'_j上的转换总费用，计算公式如下：

S3.2：设定运输时间计算公式。运输时间计算公式如下：

其中，T₁(r)为主干网络任务路径r上所有运输线路的时间和，计算公式如下：

T₂(r)为转运网络任务路径r'_j上的转换时间总和，计算公式如下：

S3.3：设定运输服务质量计算公式。运输服务质量计算公式如下：

在本实施例中，步骤S4的具体包括：

建立多主体协同运输资源调度模型，其目标函数为：

min C(r,r') (8)

min T(r,r') (9)

max Q(r) (10)

其中，多主体协同运输资源调度模型的约束条件包括如下公式：

C(r,r′)≤C (11)

T(r,r′)≤T (12)

Q(r)≥Q (13)

在上面的形式化描述中，公式(8)-公式(10)为问题的优化目标，表示运输服务总费用最小、总时间最短和服务质量最高；公式(11)为费用约束，表示任务路径上货物运输的费用必须低于客户任务规定的费用；公式(12)为时间约束，表示任务路径上的货物运输必须在客户任务规定的时间内完成；公式(13)为服务质量约束，表示任务路径上的节点平均运输服务质量必须满足任务客户规定的服务质量。

在本实施例中，步骤S5还包括：基于共享服务网络SEN＝(SBN,STN)，共享主干网络SBN＝(P,V,E)，共享转运网络STN＝(W,A,E’)，客户任务ρ＝(b,e,w,C,T,Q)，决策变量和配置用于求解上述模型的三信息蚁群-遗传混合算法。

具体来说，基于多主体共享快件物流网络信息和某客户任务信息配置三信息素蚁群-遗传混合算法的步骤包括：

S5.1：导入数据，包括共享快件网络SEN和客户任务ρ；初始化遗传算法交叉概率p_c，变异概率p_m，种群个数P，进化代数K₁；初始化蚁群算法信息素影响因子α、先验影响因子β、最小信息挥发因子ρ、蚂蚁个数P，迭代次数K₂；

S5.2：生成初始染色体；

S5.3：利用遗传算法生成若干较优个体；

S5.4：更新路径先验矩阵、运输方式矩阵和快件物流组织先验矩阵；

S5.5：进行蚁群算法操作；

S5.6：输出历代最好解；

S5.7：算法结束。

本实施例中，步骤S5.2中初始解的生成方法如下：

S5.2.1：存储客户任务起始节点，并在可选范围内随机选择下一个主干节点(转运节点位于主干节点内)、快件物流商和运输服务方式，分别存储；

S5.2.2：计算当前运输服务路径上的运输服务总费用、运输服务总时间和运输服务质量，判断是否满足约束条件，若满足，则进行下一轮的随机选择，若不满足，则撤回所选的运输服务方式，重新选择后再进行判断，若仍然不满足约束，则撤回上一步所选的物流商，重新选择物流商及运输服务方式后再进行判断，若依旧不满足约束，则撤回上一步所选的节点，然后在可选范围内重新随机选择节点、物流商和运输服务方式，然后再进行判断，以此类推。

本实施例中，步骤S5.3中利用遗传算法生成若干较优个体的具体步骤如下：

S5.3.1：置当前进化代数k＝0；

S5.3.2：计算适应度，进行选择操作，采用轮盘赌选择法；

S5.3.3：根据交叉概率执行交叉操作，根据变异概率执行变异操作；

S5.3.4：k＝k+1，判断k是否达到K₁，若没有，转步骤S5.3.2。

其中，步骤S5.3.2采用的适应度计算公式如下：

单个个体的选择概率为P_j，累计概率为S_j，计算公式如下所示：

产生一个位于[0,1]的随机数ω，若ω位于区间[0,S₁]，选择第1个个体；若ω位于区间(S_j-1,S_j]，选择j_th个体。

本发明中，步骤S5.5中蚁群算法的具体步骤如下：

S5.5.1：置当前迭代次数k’＝0，将蚂蚁置于起点；

S5.5.2：计算状态转移概率，选择下一节点；

S5.5.3：判断是否到达终点，若没有，转步骤S5.5.3；

S5.5.4：保留本代最好解，挥发路径的信息素；

S5.5.5：k’＝k’+1，判断k’是否达到K₂，若没有，转步骤S5.5.2。

其中，步骤S5.5.2中使用的转移概率计算公式如下：

将主干节点信息、共享转运中心信息、运输服务方式信息、快件物流组织信息分别存入τ_v、τ_p和τ_s，即为初始信息素值，使得蚂蚁有良好的初始化方案可供选择。由于共享转运中心与主干节点相关联，所以信息素值一致。蚂蚁个体从起点移动到终点。从主干城市v_i转移到主干城市v_j，对于τ_v，为第a只蚂蚁转移概率；对于τ_s，为第a只蚂蚁采用某种运输服务方式的转移概率；对于τ_p，为第a只蚂蚁选择某承运快件组织的概率。

本实施例中，步骤S5.5.4中信息素挥发计算公式如下：

其中，τ_ij(t)表示路径(v_i,v_j)在t时刻的信息素强度，1-ρ表示信息素衰减程度，表示本次迭代的最好解的倒数。

在本实施例中，步骤S6还包括：将多主体协同运输资源调度方案以可视化的方式返回到用户界面；用户可以查看多主体协同运输资源调度方案。

实施例二：

基于实施例，本实施例提出了一种面向快件非标准服务的多主体协同运输资源调度方法，具体包括如下步骤：

步骤一，获取多主体共享快件物流网络和某客户任务。

步骤1.1：获取多主体共享快件物流网络。共享服务网络SEN＝(SBN,STN)，SBN＝(P,V,E)为共享主干网络，STN＝(W,A,E’)为共享转运网络。

共享快件物流网络示意图如附图2所示，包含5个主干节点(v₁,v₂,v₃,v₄,v₅)、3个快件物流组织(A,B,C)和3种运输服务方式的共享快件网络。在图中，空心圆表示主干城市节点，双线空心椭圆表示表示起始节点(v₁)和终止节点(v₅)；实心圆表示快件物流组织拥有的转运节点，不同的颜色代表属于不同的快件物流组织，其中红色实心圆表示共享转运中心；主干城市节点之间的连线表示运输服务线路，不同的颜色代表属于不同的快件物流组织，不同线形代表不同的运输服务方式，主干节点内部的红色连线表示转运线路；使用三元组表示某运输服务线路的速度、单位货物重量单位距离价格和运输服务质量。如图中在主干城市节点，v₂和v₃，之间由红色圈出的2:(10,16,7)，表示在两主干节点之间，快件物流组织C提供的运输服务方式2的速度为10，单位重量单位距离价格为16，服务质量为7。在主干城市节点内部，实心圆之间的连线表示属于不同快件物流组织的转运中心与共享转运中心之间的转运服务线路，使用二元组表示中转速度和单位货物重量的中转价格。如图中在节点，v₄，内部由红色圈出的4:(2,1)表示在该v₄内部，快件物流组织C的转运中心和共享转运中心之间的中转速度为2，单位货物重量的中转价格为1。

步骤1.2：获取某客户任务。客户任务ρ＝(1,5,0.02,20,30,2)，任务的起始节点为v₁，终止节点为v₅，货物单位质量为0.02，要求总费用不超过20，总时间不超过30，总服务质量不低于2。

步骤二，建立多主体协同运输方案模型。运输方案是指从客户任务的起始节点到终止节点所经过的主干节点和转运节点、参与的快件物流商和使用的运输方式的序列。

多主体协同运输方案模型示意图如附图3所示。定义为E＝(V,P,S,W)。V＝{v₁,…,v_nr}为主干节点序列，用于存储任务路径中经过的主干节点编号，在这里，v₁为客户任务的起始节点，v_nr为终止节点，n_r是经过节点的数量；P＝{p₁,…,p_nr-1}为快件组织序列，用于存储任务路径上前后两主干节点之间选择的快件组织编号，表示在v_i和v_i+1之间选择编号为p_i的快件物流商；S＝{s₁,…,s_nr-1}为运输方式序列，用于存储任务路径上两主干节点之间度确定快件组织后选择的运输方式编号，表示在v_i和v_i+1之间选择快件物流商p_i的运输服务方式s_i；W＝{w₁,…,w_nr}为共享转运中心序列，用于存储发生转运的主干节点上的共享转运中心编号，未发生转运的主干节点上的共享转运中心编号为0，如起始节点v₁和终止节点v_nr均不发生转运，则w₁＝0和w_nr＝0。

步骤三，设定运输费用、运输时间和运输质量计算公式。

步骤四，建立多主体协同运输资源调度模型。

步骤五，配置用于求解上述模型的配置用于求解上述模型的三信息素蚁群-遗传混合算法，步骤包括：

步骤5.1：导入数据，包括共享快件网络SEN和客户任务ρ；初始化遗传算法交叉概率p_c，变异概率p_m，种群个数P，进化代数K₁；初始化蚁群算法信息素影响因子α、先验影响因子β、最小信息挥发因子ρ、蚂蚁个数P，迭代次数K₂。

步骤5.2：生成初始染色体。

步骤5.2.1：存储客户任务起始节点，并在可选范围内随机选择下一个主干节点(转运节点位于主干节点内)、快件物流商和运输服务方式，分别存储；

步骤5.2.2：计算当前运输服务路径上的运输服务总费用、运输服务总时间和运输服务质量，判断是否满足约束条件，若满足，则进行下一轮的随机选择，若不满足，则撤回所选的运输服务方式，重新选择后再进行判断，若仍然不满足约束，则撤回上一步所选的物流商，重新选择物流商及运输服务方式后再进行判断，若依旧不满足约束，则撤回上一步所选的节点，然后在可选范围内重新随机选择节点、物流商和运输服务方式，然后再进行判断，以此类推。

步骤5.3：利用遗传算法生成若干较优个体。

步骤5.3.1：置当前进化代数k＝0；

步骤5.3.2：计算适应度，进行选择操作，采用轮盘赌选择法；

步骤5.3.3：根据交叉概率执行交叉操作，根据变异概率执行变异操作；

交叉操作示意图如附图4所示。随机产生交叉点，主干节点序列(V)进行交叉操作，产生新的主干节点序列，然后进行两次修正，产生合法且较优的个体。第一次修正使主干节点序列合法化，第二次修正根据目标函数，更新共享转运中心序列(W)、快件物流组织序列(P)和运输服务方式序列(S)。

变异操作示意图如附图5所示，只针对快件物流组织序列和运输方式序列，不涉及主干节点序列和共享转运中心序列。

步骤5.3.4：k＝k+1，判断k是否达到K₁，若没有，转步骤5.3.2。

步骤5.4：更新路径先验矩阵、运输方式矩阵和快件物流组织先验矩阵。

步骤5.5：进行蚁群算法操作。

步骤5.5.1：置当前迭代次数k’＝0，将蚂蚁置于起点；

步骤5.5.2：计算状态转移概率，选择下一节点；

步骤5.5.3：判断是否到达终点，若没有，转步骤5.5.3；

步骤5.5.4：保留本代最好解，挥发路径的信息素；

步骤5.5.5：k’＝k’+1，判断k’是否达到K₂，若没有，转步骤5.5.2。

步骤5.6：输出历代最好解；

步骤5.7：算法结束。

附图6给出了三信息素蚁群-遗传混合算法的流程图。

步骤六，对协同运输方案进行可视化展示。

将多主体协同运输资源调度方案以可视化的方式返回到用户界面；用户可以查看多主体协同运输资源调度方案。

结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。