物流科技的不斷發(fā)展和進(jìn)步,對(duì)以鋼鐵物流企業(yè)為代表的大宗商品物流的配送效率和成本控制都提出了更高的要求。貨物配載負(fù)責(zé)按照各類貨物的裝載要求為車輛分配貨物,這一過(guò)程向下對(duì)貨物進(jìn)行組合封裝成裝車清單,向上為司機(jī)分配運(yùn)輸任務(wù),是鋼鐵物流領(lǐng)域的核心環(huán)節(jié)。傳統(tǒng)的貨物配載方案由人工分配,以最大限度配載每輛卡車的可裝載重量為目標(biāo),忽視了運(yùn)輸品種偏好、運(yùn)輸?shù)攸c(diǎn)偏好和裝貨排隊(duì)等待時(shí)間等司機(jī)偏好,但這些偏好信息與物流企業(yè)的成本和利潤(rùn)息息相關(guān)。因此,本文分別從優(yōu)先考慮配載規(guī)則和優(yōu)先考慮司機(jī)偏好這兩個(gè)角度設(shè)計(jì)貨物配載和貨物推薦方案,為平臺(tái)實(shí)現(xiàn)降本增效。本文針對(duì)鋼鐵物流企業(yè)中運(yùn)輸資源利用率低和司機(jī)滿意度低等挑戰(zhàn),為鋼鐵物流平臺(tái)提供合適的貨物配載方案。首先,結(jié)合實(shí)際物流場(chǎng)景,提取并歸納貨物配載過(guò)程中的相關(guān)規(guī)則。其次,針對(duì)綜合考慮平臺(tái)和司機(jī)偏好的配載場(chǎng)景,設(shè)計(jì)多目標(biāo)優(yōu)化貨物配載方法,該方法使用優(yōu)化的遺傳算法對(duì)貨物進(jìn)行拆分、組合繼而封裝,實(shí)現(xiàn)貨物的配載過(guò)程。最后,為了優(yōu)先滿足司機(jī)偏好提出兩種貨物排序推薦模型,其中基于矩陣分解與深度神經(jīng)網(wǎng)絡(luò)的貨物排序推薦模型根據(jù)歷史配載信息挖掘出司機(jī)偏好特征,設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)模型為司機(jī)推...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1:鋼鐵物流運(yùn)輸流程

圖2.1展示了鋼鐵物流運(yùn)輸?shù)娜^(guò)程,包括倉(cāng)儲(chǔ)、配載、運(yùn)輸三個(gè)階段。首先在倉(cāng)儲(chǔ)階段,經(jīng)過(guò)生產(chǎn)、加工后的鋼材按需被存儲(chǔ)至對(duì)應(yīng)的倉(cāng)庫(kù)。然后平臺(tái)根據(jù)倉(cāng)庫(kù)中貨物信息和車輛信息對(duì)貨物進(jìn)行組合生成對(duì)應(yīng)的裝車清單,這一過(guò)程即為貨物配載階段。最后司機(jī)根據(jù)裝車清單信息去各個(gè)倉(cāng)庫(kù)裝貨,分別通過(guò)水運(yùn)、公....

圖3.1:EGA流程圖

圖3.1是EGA的主流程圖。在該算法中,首先需要對(duì)車輛數(shù)據(jù)和貨物數(shù)據(jù)進(jìn)行預(yù)處理,將整件貨物拆分為單件貨物,貨物重量數(shù)值精確為小數(shù)點(diǎn)后三位,同時(shí)根據(jù)運(yùn)往目的地城市名稱將貨物分類,單獨(dú)為某個(gè)城市的貨物進(jìn)行配載。之后需要隨機(jī)生成一個(gè)包含N個(gè)個(gè)體的初始種群,同時(shí)初始化一些參數(shù),如種群迭代....

圖3.2:FEGA流程圖

圖3.2是FEGA的主流程圖。該算法基本框架基于EGA設(shè)計(jì),在此基礎(chǔ)上進(jìn)行改進(jìn)。首先設(shè)置迭代過(guò)程中的基本參數(shù),之后在初始化種群的過(guò)程中不再隨機(jī)生成初代種群,利用貪心算法生成0.3N個(gè)個(gè)體,再隨機(jī)生成0.7N個(gè)個(gè)體,最后合成生成父代種群Pt。之后通過(guò)對(duì)父代種群Pt進(jìn)行非支配排序,將....

圖3.3:非支配解平均數(shù)量對(duì)比

圖3.3顯示最終EGA相對(duì)于NSGA-II的非支配解數(shù)量和相同,但達(dá)到收斂的速度優(yōu)于NSGA-II,而FEGA無(wú)論是最終非支配解的數(shù)量還是達(dá)到收斂的速度都明顯優(yōu)于其他算法,表明FEGA在保持高求解精度的同時(shí)還具有快速收斂的性能,具有很好的全局、局部搜索能力。圖3.4:HV對(duì)比結(jié)果

本文編號(hào)：4003987