1、电子设计工程Electronic Design Engineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期：2021-11-11稿件编号：202111086作者简介：彭 勇（1973），男，重庆人，博士，教授。研究方向：交通运输规划与管理。文献1完成了短途客运与货运的结合，并提出了一种自适应大邻域搜索算法对其进行求解。文献2-4提出利用地铁网络进行城市货运并进行枢纽站点选址。文献5构建了地铁配送网络优化模型，并设计了一种随机变邻域迭代局部搜索算法进行求解。文献6将地铁与地面交通相结合建立了 POM模型，并用遗传算法进行求解。文献7建立了地下物流优化模型，并用
2、遗传算法进行求解。文献8构建了多目标优化模型，并用蚁群算法进行求解。文献9构建货车地铁联运的配送路径优化模型，并通过改进自适应遗传算法进行求解。文献10提出深度学习辅助启发式树搜索方法，实现加速求解问题。文献11使用机器学习提高解的质量，并降低计算时间。文献12通过机器学习加速优化模型求解并进行验证。文献13通过使用机器学习生成目标函数计算基于数据驱动的货车地铁协同配送路径优化彭 勇1，赵子翔1，肖云鹏2（1.重庆交通大学 交通运输学院，重庆 400074；2.重庆市市政设计研究院，重庆 400020）摘要：基于节约成本和减少城市物流对公共运输资源占用的目的，综合考虑货运需求、货车运输时间的不
3、确定性、地铁班期限制等问题，建立了货车地铁协同配送多目标路径优化模型。设计了基于数据驱动的多目标仿真蚁群算法（DDS-MSAC），引入Pareto理论和蒙特卡罗仿真，将数据池和机器学习相结合解决算法高耗时性问题。结合重庆市轨道交通和部分快递站点构建协同配送实例进行分析对比，结果表明，货车地铁协同配送方案更优。关键词：协同配送；路径优化；数据驱动；多目标仿真蚁群算法；地铁中图分类号：TP391.9文献标识码：A文章编号：1674-6236（2023）04-0143-06DOI：10.14022/j.issn1674-6236.2023.04.030Collaborative distributi
4、on route optimization of truck and subwaybased on datadrivenPENG Yong1，ZHAO Zixiang1，XIAO Yunpeng2（1.College of Traffic&Transportation，Chongqing Jiaotong University，Chongqing 400074，China；2.Chongqing Municipal Research Institute of Design，Chongqing 400020，China）Abstract:In order to save the cost and
5、 reduce the occupation of public transportation resources by urbanlogistics，considering the freight demand，the uncertainty of truck transportation time and the limitationof subway schedule，a multiobjective route optimization model for truck and subway cooperatingdistribution is established.The multi
6、objective simulation ant colony optimization algorithm based on thedatadriven strategy(DDS-MSAC)is designed，Pareto theory and Monte Carlo simulation are introduced，and data pool and machine learning are combined to solve the algorithm high time consuming proble.Taking the distribution network constr
7、ucted by Chongqing rail transit and some express stations as anexample，analysis and comparison，the results show that the truck and subway cooperative distributionscheme is better.Keywords:collaborative distribution；route optimization；datadriven；multiobjective simulation antcolony algorithm；subway-14
8、3电子设计工程 2023年第4期替代方法求解大规模问题。文献14和文献15使用蒙特卡罗仿真解决问题中的不确定性问题。文献16引入数据驱动策略解决了蒙特卡罗仿真的高耗时问题。综上，该文基于货车地铁协同配送网络，考虑货车配送过程中时间的不确定性、货车容量、地铁班期及转运花费等影响因素，建立不确定环境下以总配送成本和总配送时间为目标的多目标优化模型。并设计了以蚁群算法为主体，结合蒙特卡罗仿真和Pareto理论的多目标仿真蚁群算法，在此基础上引入结合数据池和机器学习算法的数据驱动策略加速问题的求解，构建基于数据驱动的多目标仿真蚁群算法。1问题描述与模型建立1.1问题描述在城市物流配送中，选择地铁客流平
9、峰期进行货车地铁协同配送。当有货物运输需求时，货车在寄件人处收集货物运输至地铁转运站点，由地铁转运到预定的卸货转运站点处，再由货车进行运输配送。在整个过程中，地铁线路具有固定班期，货物在转运站点通过地铁运输可能会产生等待时间。而在货物转运过程中也会产生一定的时间和成本。货车地铁协同配送模式图如图1所示。图1货车地铁协同配送模式图1.2假设条件假设 1：货物寄件人和收件人的需求都是已知的，客户随机分配给地铁转运站点；假设2：货车都相同，没有里程限制，且完成配送后不用回到起点；假设 3：地铁按固定班期发车，均有足够容量能装载货物，且货物能转运时立刻开始转运；假设4：不同节点间运输时间随机分布。1.
10、3参数与决策变量说明参数定义：货车地铁协同配送网络为G=(N,E)，其中，N表示节点集(NC为客户节点，p为货车停车点，pN，NS为地铁站点，NT为转运点集合，NCN，NTNSN)，边集为E=Eij|i,jN。当iNC时，i为货物寄件人节点，i为与之对应的货物收件人节点，满足iNC，(i,i)表示货物寄件人与收件人的组合。V为完成货物收集的货车集合（货车vV），V为将货物交付至收件人的货车集合（货车vV），R为地铁列车合集（列车rR）。其他符号表示如下，其中上标“”表示不确定变量：C：总配送成本；T?：总配送时间；cvij：货车v将货物由节点i运输到节点j的单位成本；crij：地铁r将货物由节
11、点i运输到节点j的单位成本；cv：货车v的固定成本；cVRk：节点k处货物在货车与地铁间转运的单位成本；xv：货物运输过程中使用过货车v时为1；tvij：货车v将货物由节点i运输到节点j的时间；trij：通过地铁r将货物由节点i运输到节点j的时间；tVRk：节点k处货物在货车与地铁间转运的单位时间；-144qvij：货车v从节点i到节点j的货量；qrij：地铁r从节点i到节点j的货量；Q：货车最大容量；Tv,Aj：货车v到达节点j的时刻；vj：货车v运输货物在节点j可以离开的时刻；wvj：货车v运输货物在节点j以地铁r离开需要等待的时间；Tok：在节点k的第o班地铁的发班时间；k：在节点k处地
12、铁的发班周期。决策变量表示如下：xvij：选择货车v从节点i到节点j运输货物时取值为1，否则为0；yrij：选择地铁r从节点i到节点j运输货物时取值为1，否则为0；xvk：车辆v的货物在节点k处完成货车地铁间相互转运时取值为1，否则为0；xv：货车参与配送iNjNxvij1时取值为 1，否则为0；xv：货车参与配送iNjNxvij1时取值为 1，否则为0。1.4模型建立该文建立的不确定环境下货车地铁协同配送路径多目标优化模型的目标函数为minZ=C,T?，其中，运输成本C如式（1）所示，总时间T?如式（2）所示：C=vV jNCqvpjcvpjxvpj+iNCjNCqvijcvijxvij+i
13、NCjNSqvijcvijxvij+xvcv+vV iNjNCqvijcvijxvij+iNCjNCqvijcvijxvij+xvcv+rRiNSjNSqrijcrijyrij+vViNCjNSqvijcVRjxvj+vViNSjNCqvijcVRixvi（1）T?=vVjNCtvpjxvpj+iNCjNCtvijxvij+iNCjNStvijxvij+vV iNjNCtvijxvij+iNCjNCtvijxvij+rRiNSjNStrijyrij+vViNCjNSqvijtVRjxvj+jNTwvjxvj+vViNSjNCqvijtVRjxvi（2）式（3）表示货车的容量限制：qvijQ,v
14、V,i,jN（3）式（4）-（7）为流量约束：jNCxvpj=1,vV（4）vViNxvij=1,jN（5）vViNxvij=1,jN（6）vViNCjNSqvijxvij=rRiNSjNSqrijyrij=vViNSjNCqvijxvij（7）式（8）-（10）为时间约束:Tv,Aj=0,j=svViNCvi+tvijxvij,jN/s（8）vj=Tv,Aj,jNCTv,Aj+vVtVRjxvj,jNT（9）wvj=0,jNCvVT1j-modvj,jxvj,vjT1j,jNTvVT1j+j-modvj,jxvj,vjToj,jNT（10）2算法设计该文研究的问题属于NP-hard问题，采用
15、启发式算法（蚁群算法）进行求解。文中构建了DDS-MSAC算法，分为MSAC与数据驱动两部分，MSAC为主体，负责配送方案并寻找评估，并得到求解结果。数据驱动具有加速 MSAC 求解的功能，通过数据池收集数据和机器学习建模辅助 MSAC 流程中目标值的计算，降低目标值计算消耗时间，流程图如图2所示。彭 勇，等基于数据驱动的货车地铁协同配送路径优化-145电子设计工程 2023年第4期图2DDS-MSAC算法流程图DDS-MSAC算法步骤如下：1）算法初始化。2）蚂蚁移动配送路径。3）路径对比和目标值计算。标记该次迭代中未被数据池收录的配送方案，计算该方案的配送成本；若替代方法误差满足要求，使用
16、替代方法进行总配送时间预测，否则用蒙特卡罗仿真计算。4）数据池归档。完成目标值计算后，将其录入数据池完成更新。5）目标函数计算替代方法构建及其误差计算。若替代方法不满足误差要求，利用机器学习构建替代方法并重新统计模型预测误差；否则，跳过该步骤。6）非支配排序。利用快速非支配排序算法寻找可行解集中的Pareto解。7）信息素更新。8）替代方法参数修正。如果采用替代方法计算的方案比例大于数据池的阈值要求，则使用蒙特卡罗仿真重新计算，更新数据池后，对替代方法进行训练并统计模型预测误差；否则，跳过该步骤。3结果分析3.1算法分析常用于构造目标函数计算替代方法的机器学习算法有 GPR、SVR、RF和 BP神经网络等。分析对比不同机器学习算法在该文研究问题上的优劣，选取性能较好的机器学习算法构建数据驱动中的替代方法加速策略。分别设置20、30和50节点规模的抽象算例，运行 MSAC 进行求解，选取平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）和时间作为评价指标。由表 1可知，RF在该文研究问题情况下表现最优，选择RF作为构造目标函数计算替代方法的数据驱动方法。对数据