宝德科技专业嘉兴网站建设国外c2c平台

宝德科技专业嘉兴网站建设,国外c2c平台,内贸网站有多少,文昌市规划建设管理局网站#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。⛳️赠与读者‍做科研涉及到一个深在的思想系统需要科研者逻辑缜密踏实认真但是不能只是努力很多时候借力比努力更重要然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学什么是电的时候不要觉得这些问题搞笑。哲学是科学之母哲学就是追究终极问题寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览免得骤然跌入幽暗的迷宫找不到来时的路它不足为你揭示全部问题的答案但若能让人胸中升起一朵朵疑云也未尝不会酿成晚霞斑斓的别一番景致万一它居然给你带来了一场精神世界的苦雨那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。或许雨过云收神驰的天地更清朗.......1 概述文献来源摘要新兴的城市物流应用需要解决诸多挑战包括复杂的交通状况和对时间敏感的需求。本研究在城市物流背景下考虑了一个具有时间依赖行驶时间和时间窗口的车辆路径问题VRPTW旨在最小化总广义成本包括与每辆车相关的运输、等待时间和固定成本。我们采用高维时空网络流模型来构建一个具有丰富准则和约束条件的基础车辆路径问题VRP。在解决VRP时一个困难问题是如何通常迭代地提高原始和对偶解的质量以及如何打破由许多相同解引起的对称性特别是对于同质车辆。沿着这条线许多耦合约束如跨不同代理人或决策者的共识约束需要仔细处理以在中等或大规模实例下找到高质量的最优或接近最优解。目前交替方向乘子法ADMM被广泛应用于凸优化领域作为增广拉格朗日松弛和块坐标下降方法的整合用于机器学习和大规模连续系统优化和控制。在这项工作中我们介绍了使用ADMM解决多车辆路径问题这是整数线性规划的特殊情况并展示了一种将ADMM中使用的二次惩罚项简化为简单线性函数的方法。在更广泛的背景下开发了一个计算可靠的分解框架以迭代地提高原始和对偶解的质量。基本上最小成本路径子问题或其他涉及二进制决策的类似子问题可以嵌入到一个顺序解决方案方案中输出下界估计和上界可行解。我们使用经典的Solomon VRP基准实例来检验所提出方法的性能。还基于一家主要电子商务公司的一个问题解决比赛的真实实例对我们的方法进行评估。关键词城市物流、带时间窗口的车辆路径问题、交替方向乘子法、问题分解1.1介绍Augmented Lagrangian relaxation(ALR)增广拉格朗日松弛在拉格朗日松弛的基础上加上一个二次惩罚项增加了解法的鲁棒性使得转换后的问题更容易求解。Block coordinate descent method块坐标下降法算法在迭代的过程中沿着某一个坐标的方向进行一维搜索寻找函数的一个局部极小值 整个过程中循环搜索不同的坐标方向。Alternating Direction Method of Multiplier(ADMM)ADMM可用于迭代优化K辆车的VRPTW问题使得从不可行解收敛到可行它把原问题分解成关于 每辆车的子问题使得子问题可以调用向前动态规划算法求解。1.2 技术用途可应用于VRPTW(Vehicle Routing Problem with Time Window)问题。1.3方法实现FDP维护一个(K, S, T)的矩阵K为参与考虑的方案数S为需求点的个数T为时间。状态为当前时刻t前K个最优的配送方案状态转移为当前时刻t考虑前 K个最优配送方案对于每一方案都可以选择任意未服务过的客户到达tt(i)时刻t(i)表示从当前服务点出发到达选择的新客户i服务点的时间花费然后跳到t1 时刻每个时刻t只考虑前K个最优配送方案。定义初始状态所有车辆都从同一个起始点出发从时刻0开始出发。ADMM首先初始化原问题的上界和下界、拉格朗日乘子、二次项参数和每辆车对应的配送方案等变量开始循环固定其他车辆的配送路径对K辆车先后调用FDP 求出其最小成本的配送路径更新乘子和惩罚项参数然后生成上下界并更新。CalculateCostForVehicle在某一个迭代轮次根据当前车队的配送方案计算出每一辆车的原始成本。FeasibleSolution:解的可行化。主要用于迭代轮次结束以后解还未收敛至可行解则可行化该不可行解。若有某服务点被两辆车服务了两次则保留第二辆车的服务 修改第一辆车的配送若有客户未被服务则指派一辆备用的车辆为该客户服务。GeneralizedCostMatrix:生成广义成本矩阵把迟到产生的费用加入到原成本矩阵即允许迟到但是会产生惩罚费用。GenerateFreshness为每辆车选择最优的水果新鲜度使得水果在配送至客户处时最接近客户要求的品质。已知每辆车配送方案的前提下循环尝试每种新鲜度 可以使得每辆车对其服务客户的新鲜度偏差最小选择对应新鲜度。2 运行结果期望送达最早时间窗0默认全部车辆从时间0从共同出发点出发期望送达最晚时间窗在时间集合中随机生成两点间配送时长随机设置任意两点间时长为1,2,或者3配送成本比时长11消费者订单需求量随机设置集合[25,40]内的正整数图1左图为UB和LB随着迭代次数的变化右图为未服务的顾客数随着迭代次数的变化。从右图可以看出随着迭代轮次的增加未服务的顾客数从最大值逐渐下降到约第32轮次时收敛至0说明程序逐渐从刚迭代时得到的全部顾客都未服务的不可行解随着迭代轮次的增加到收敛时可以得到一个全部顾客都满足需求的可行解。由左图可以看出随着迭代轮次的增加上界逐渐下降下界逐渐上升解的质量随着迭代轮次的增加而增加。结合上述结论随着迭代轮次的增加至程序收敛时可以得到一个较好的可行解或未收敛时得到一个近似较优解。下面通过比较其中两个迭代轮次的解一个是收敛后另一个是未收敛时证明收敛后的解较优即程序可以通过迭代使得解逐渐变优直到收敛。未收敛轮次选取选取相对较好计算的第14次迭代结果进行分析第14次迭代车-路径结果及成本如下表所示0为共同起点26为共同终点Vehicle idVehicle routing solutioncost10-26020-26030-23-18-265.000040-20-19-25-267.000050-5-2-12-265.000060-6-15-4-265.000070-20-8-25-266.000080-1-17-264.000090-11-16-7-265.0000100-21-3-264.0000110-24-9-10-266.0000total47.0000表1第14次迭代车路径结果及成本使用车次9其中重复服务的顾客20.25未服务的顾客13.14.22详细讲解见第4部分。部分代码%parameterslambda1 1;lambda2 1;T 10; % Time.R 4; % Freshness.W 100; % Car capacity.c 100; % Customers.s c2; % Space node.alpha2 2; % Time window penalty for delivery late.rho 0.1;bestK 100;iteration 100; % ADMM iterations.% The next 3 lines of code is used to generate random time intervals% between random 2 nodes. Writes it in an excel file and then copy it% to inputFor100.xlsx file.%timeRange [1, 3];%[ B ] GenerateRandomTime( c, timeRange );%xlswrite(randomTimeFor100, B);node xlsread(inputFor100.xlsx, 1, B2:E101, basic);demand node(:, 1);%et node(:, 2);lt node(:, 3);freshness node(:, 4);K ceil(sum(demand)/W)2; % Set vehicle number.clear node;link xlsread(inputFor100.xlsx, 2, D2:D10405, basic);link reshape(link, [s, s]);[ UB1 ] CalculateObject1UB( link );link reshape(link, [s, s, 1, 1]);C zeros(s, s, T1, T1); % Arc cost matrix. Vehicles start from t0......subplot(1, 2, 1)plot(x, y1, x, y2);xlabel(Iteration)ylabel(UB LB)legend(UB,LB)subplot(1, 2, 2)plot(x, unServedNode);xlabel(Iteration)ylabel(The number of unserved Node)% Suggest to use this function after program has been converged.[ finalSeq, timeSeq ] FeasibleSolution( visitedSeq, finalRout, serviceTimes, C );% Generate freshness deviation and freshness choice for each vehicle.[ proposalR_K, freshnessDeviation ] ...GenerateFreshness( finalSeq, timeSeq, freshness, R );3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。[1] Y.Yao, X.Zhu, H.Dong, S.Wu, H.Wu, L.C.Tong and X.Zhou, ADMM-based Problem Decomposition Scheme for Vehicle Routing Problem with Time Windows, Transportation Research Part B:Methodological, vol. 129, no. 19, pp. 156-174, 2019.4 Matlab代码、数据、文档