《Biomimetics》:A Two-Stage Allocation–Transportation Framework with Improved Holistic Swarm Optimization for Port Cargo Transportation Planning
编辑推荐:
由于仓库分布密度高,港口货物极易受到火灾、潮湿及各类自然灾害的影响。灾害发生时,可能导致严重的货物损失。同时,由于港口吞吐量巨大,运输成本控制长期以来一直是港口物流领域的研究热点。为解决上述问题,本文提出一种基于改进整体群智能优化的两阶段分配—运输框架。在分配
由于仓库分布密度高,港口货物极易受到火灾、潮湿及各类自然灾害的影响。灾害发生时,可能导致严重的货物损失。同时,由于港口吞吐量巨大,运输成本控制长期以来一直是港口物流领域的研究热点。为解决上述问题,本文提出一种基于改进整体群智能优化的两阶段分配—运输框架。在分配阶段,本文设计了一种仓库分区策略。基于距离准则,采用聚类方法将空间邻近的仓库划分为同一区域,并将同种货物分散分配至不同区域。由此,可避免同种货物在灾害中全部损毁。在运输阶段,本文设计了一种改进整体群智能优化算法(Improved Holistic Swarm Optimization,IHSO)来规划货物运输路线。在该方法中,研究人员将贪心搜索算法、蚁群优化(Ant Colony Optimization,ACO)以及自适应交换/逆转操作与整体群智能优化(Holistic Swarm Optimization,HSO)算法相融合,从而增强全局搜索能力并显著缩短运输路线长度。为验证所提算法的有效性,研究在多种规模实例及CVRPLIB基准实例上开展了实验,并将结果与多种基线方法进行比较。具体而言,与表现最优的基线方法ACO相比,IHSO在自生成实例上最优路线长度最多降低2.08%,在CVRPLIB基准实例上最多降低5.24%。此外,所有改进在Wilcoxon符号秩检验(p < 0.05)下均具有统计学显著性,证实IHSO的优势是系统性的而非偶然性的。所提算法在求解港口货物路径规划问题中展现出较高的适应性,能够提供高质量的求解方案。
论文解读
一、研究背景与问题提出
港口作为海运与陆运中转的关键枢纽,具有吞吐量大、货物存储集中的特点,这使得港口极易受到自然灾害的影响。在传统的仓储管理中,出于简化管理、提高效率和便于实施的考虑,同种货物通常集中存放于单一仓库。然而,一旦发生火灾、水灾或地震等突发灾害,集中存储的货物极有可能被全部损毁,进而导致供应链中断、生产周期停滞,造成严重的经济损失。将同种货物分散存储于不同仓库可以有效降低这一风险,但过度分散的货物存储又会给运输路线规划和仓储管理带来困难。此外,港口仓库分布密集,这对货物运输过程中的路径规划提出了更高要求。
在港口货物存储分配问题中,降低存储风险的关键在于合理的仓库分区和有效的货物分配。传统的存储分配方法主要包括随机存储、基于周转率的ABC分类存储和专用存储等,但这些方法主要聚焦于单一仓库内的货位优化,并未解决多仓库间的货物分配问题。近年来,聚类方法已被广泛应用于路径规划问题的分区阶段,例如将客户分区后再分别求解各区域内的旅行商问题(TSP)或带时间窗的车辆路径问题(VRPTW),从而将复杂的车辆路径问题分解为多个可处理的子问题。
货物分配完成后,港口货物运输问题可转化为容量约束车辆路径问题(CVRP),其目标是在车辆容量约束下规划运输路线,使总行驶距离最小化。CVRP的求解方法主要有三类:精确算法、深度学习算法和群智能算法。精确算法(如分支定界法、列生成法、分支切割法)能够找到全局最优解,但随着问题规模增大,计算复杂度呈指数增长,难以在可接受时间内求得最优解。深度学习算法(如图注意力网络、图卷积网络、深度Q网络)在大规模节点路径问题中可快速获得解,但训练需要大规模数据集,小数据集下泛化能力差,且训练和推理过程对硬件要求较高。群智能算法(如哈里斯鹰优化算法、蚁群优化、灰狼优化算法、萤火虫算法等)计算复杂度低,能在可接受时间内生成高质量解,但参数敏感性较高,容易陷入局部最优。
整体群智能优化(HSO)是一种无隐喻的群智能优化算法,利用整个种群的信息增强搜索过程,在连续函数优化和工程设计领域表现优异。然而,目前HSO尚未被应用于离散组合优化领域(如车辆路径问题)。为使HSO更好地求解离散问题,本文借鉴其他成熟优化算法的思想,将贪心搜索算法、蚁群优化、自适应交换/逆转操作及自适应模拟退火策略有效融合到HSO中,提出改进整体群智能优化(IHSO)算法,以实现港口货物运输的高效路径规划。
二、研究内容与主要贡献
针对港口货物存储安全与运输成本的平衡问题,本文提出了一种基于改进整体群智能优化的两阶段分配—运输框架。该框架的主要贡献包括三个方面:第一,提出两阶段分配—运输规划方法,采用聚类方法将仓库划分为区域,并设计路线规划策略,实现了存储安全与运输成本的平衡;第二,提出IHSO算法,有效融合贪心搜索算法、ACO、自适应交换/逆转操作和自适应模拟退火策略,在提高收敛速度的同时降低车辆总行驶距离;第三,在港口货物运输问题的多组实验中,IHSO在解质量和收敛速度方面均优于对比算法。
三、关键技术方法概述
研究人员主要采用了以下几项关键技术方法。其一,基于欧氏距离的聚类分区方法:以仓库间距离为准则,通过选取两个种子点将仓库划分为两个区域,使同种货物可分散存储于不同区域以降低灾害风险。其二,按剩余容量比例分配的货物分配规则:从两个区域各随机选取一个仓库,按剩余容量比例分配货物,以提高仓库利用率。其三,改进整体群智能优化(IHSO)算法:将贪心搜索算法用于构造高质量初始解,将蚁群优化的精英蚁信息素更新和启发式引导融入种群更新过程,以自适应交换/逆转操作替代原HSO的变异操作,并引入自适应模拟退火策略接受劣质解以增强跳出局部最优的能力。
四、研究结果
(一)不同规模实例上的性能对比。 研究人员构建了6个不同规模的实例,仓库数量分别为100、200、300、400、500和600,经分配阶段后实际参与路线规划的仓库数量分别为95、185、271、374、463和559。在种群规模50、最大迭代次数300、各算法独立运行20次的条件下,IHSO在最优值(Best)、平均值(Ave)和标准差(Std)三个指标上均优于GA、PSO、SA和HSO;在小规模实例中优于ACO,在大规模实例中Best和Ave优于ACO。IHSO的Best与Ave非常接近,表明其解质量具有较高稳定性。
(二)Wilcoxon符号秩检验。 为评估IHSO与对比算法之间的性能差异,研究人员采用Wilcoxon符号秩检验,结果显示所有对比均具有统计学显著性(p < 0.05),证实IHSO的改进是系统性的。
(三)收敛速度与路线构建分析。 收敛曲线表明,IHSO在6个不同规模实例中均具有更快的收敛速度和更低的初始解成本,这得益于贪心搜索算法提供了更好的初始起点。在95个仓库实例的路线构建对比中,IHSO生成的路线结构明显优于其他算法。
(四)CVRPLIB基准实例验证。 在X-n204-k19和X-n308-k13两个标准CVRPLIB基准实例上,IHSO在Best、Ave和Std指标上均优于所有对比算法。与ACO相比,IHSO在204和308个仓库规模下分别将最优路线长度降低了3.68%和5.24%,同时实现了最快的收敛速度。
五、结论与展望
本文提出的两阶段分配—运输框架有效解决了港口货物集中存储的风险问题。在分配阶段,基于距离的聚类方法将仓库划分为两个区域,按区域和仓库容量分配货物,避免同种货物全部损毁;在运输阶段,IHSO算法融合贪心搜索、ACO和自适应交换/逆转操作,显著缩短了运输路线长度。实验结果表明,与表现最优的基线方法ACO相比,IHSO在自生成实例上最优路线长度最多降低2.08%,在CVRPLIB基准实例上最多降低5.24%,所有改进均具有统计学显著性(p < 0.05)。
研究仍存在一定局限性:目前主要聚焦于运输长度优化,尚未充分考虑多目标动态调度、随机灾害因素、各模块的消融分析以及参数敏感性分析等更复杂和实际的问题。未来研究可进一步探索IHSO在多目标动态调度中的应用,开展消融实验分析各模块的有效性,进行系统的参数敏感性分析以评估关键参数的影响,并引入灾害变量以定量分析两区域分散存储相对于集中存储的收益。