超网络视角下复杂货运系统建模及机器学习-最优化混合方法

As the operational cost of logistics network is high, while the operating efficiency is relatively low. How to design and optimize freight network has become one of the most important scientific problems in logistics industry. With the increasing technologies of machine learning, hybrid methods are developmend. Firstly, as the heterogeneities (multi-layers, multi-models, multi-objectives, multi-actors and coordination) exit in complex freight network, super-network is used to construct interactive network framework between infrastructure network and service network, instead of the traditional single network modeling. Secondly, considering collaborative optimization problem between service network and infrastructure network, a multi-objective bi-level programming model is built, and a hybrid improved non-dominated sorting genetic algorithm (NSGA-Ⅱ)-Dijkstra method is developed to solve the problem. Besides, discrete bi-level programming model is built considering government subsidies for the green transportation mode and user equilibrium. A hybrid machine-learning and optimization method (ML-OP) is developed. Last, method comparison and model verification are carried out based on the simulation experiments, the results provide references for solving the problem of design and optimization of complex freight network. It is a new attempt combining machine learning with the classical optimization method to solve bi-level programming problem.

针对物流系统成本居高不下、服务能力不足的现状，研究复杂货运网络设计与优化的科学问题，利用日益丰富的机器学习技术与方法，设计混合方法求解货运网络优化模型。首先考虑复杂货运网络的多层、多模式、多准则、多主体以及协调特征，打破传统单一网络设计与优化的思路，利用超网络的方法构建基础设施网络、服务网络交互的网络设计框架。其次，考虑复杂货运网络设计中服务网络与基础设施网络的协同优化问题，构建基于多目标优化的双层规划模型，通过改进的非支配排序遗传算法-Dijkstra混合方法求解；再次，考虑对绿色运输方式补贴和用户均衡的问题，构建复杂货运网络的离散双层规划模型，通过非传统的方法，设计机器学习-最优化混合方法求解。研究基于仿真实验进行方法比较和模型验证，项目成果为解决复杂货运网络设计与优化问题提供了一种参考思路；同时，将机器学习的概念和技术与经典的优化方法进行混合，是对求解双层规划问题方法的一种新尝试。

针对城市配送系统成本居高不下、服务能力不足的现状，研究复杂货运网络设计与优化的科学 问题，利用日益丰富的人工智能、优化及仿真技术与方法，设计混合方法求解城市配送网络优化模型。首先考虑复杂货运网络的多层、多模式、多准则、多主体以及协调特征，打破传统单一网络设计与优化的思路，利用超网络的方法构建基础设施网络、服务网络交互的网络设计框架。其次，考虑复杂货运网络设计中服务网络与基础设施网络的协同优化问题，构建基于多目标优化的双层规划模型，以减少多级配送网络的成本、排放及惩罚函数，通过改进的非支配排序遗传算法方法求解；再次，考虑对绿色运输方式 补贴和用户均衡的问题，构建复杂货运网络的离散双层规划模型，通过非传统的方法，设计机器学习-最优化混合方法求解。研究基于测试数据，对多目标优化模型及改进的非支配排序遗传算法，及基于聚类的车辆路径模型和人工免疫算法进行了验证。此外，收集了佛罗里达州迈阿密县的城市配送数据，对研究构建的模型和算法进行了测试，通过敏感性分析，测试了多场景城市多级配送网络的影响因素，包括多车型的载重系数，配送网络布局，顾客密度等因素。结果发现，研究设计的改进非支配排序遗传算和基于聚类的免疫算法在测试大规模城市复杂配送网络中具有显著优势：提高了求解精度同时减少了最优解偏差百分比。项目成果为解决复杂货运网络设计与优化问题提供了一种参考思路；同时，将机器学习与优化、仿真方法进行结合，是对求解城市按需配送问题方法的一种新尝试。