《基于遺傳算法的某港口多式聯(lián)運路徑優(yōu)化實證探究》17000字【論文】

第1章緒論1.1研究背景及意義1.1.1研究背景"新冠肺炎"病毒感染疫情一直在我國各地繼續(xù)和蔓延,受到此次病毒感染的影響,國內(nèi)因封城和多地廠房暫時停產(chǎn)或被迫關(guān)閉而直接導致我國各省市的鐵路、道路、水路、民航的交通運輸總量大幅下降。多國也紛紛推出了針對中國(其中包括香港和澳門)的航班、飛機、旅行員和乘客等的出入境登陸限制,突如其來的一起黑天鵝危害性風險事故給運輸與物流行業(yè)帶來了空前的沖擊。新冠病毒帶來的影響是目前運輸和物流業(yè)面臨的主要風險與挑戰(zhàn)。運輸與運輸運輸物流行業(yè)中的物流業(yè)以勞動力密集型、資本密集型的物流企業(yè)為主,在各地疫情綜合防控中強風險隔離、限制現(xiàn)金流動、防風險交叉的重要政策背景下,各類物流企業(yè)"用工荒"、"生產(chǎn)防疫難兩全"等矛盾日益加劇,市場供給疲軟,成本不斷攀高,疊加了各地人民政府及其他認為相關(guān)行業(yè)監(jiān)督管理機構(gòu)是否有強制性或者說都是政策導向性的對抗疫讓利,整體而言各個企業(yè)受各地疫情防控影響沖擊相對比較大,需求下滑風險,防疫讓利政策減風險,盈利下降風險,現(xiàn)金流風險比較突出。1、市場需求急劇下滑，行業(yè)受到嚴重沖擊自從去年世界衛(wèi)生組織在一次會議上正式宣布將我國爆發(fā)的新冠病毒突發(fā)疫情事件被列為"國際關(guān)注的突發(fā)公共衛(wèi)生事件"以來,世界上許多發(fā)達國家對于我國的出入境商品采取嚴格了的管制和相關(guān)政策措施,直接地嚴重沖擊了我國的國際商品出入境業(yè)務(wù),導致了我國的出入境國際商品進出口貿(mào)易的需求大幅下降,部分同類商品訂單或?qū)⒃谶M出國際貿(mào)易途徑遭到中斷時面臨著被責令撤銷的重大風險,大宗商品貿(mào)易、集裝箱貨物以及大型石油化工產(chǎn)品等多種主要貿(mào)易貨種進出國際貿(mào)易也可能會因此而受到嚴重影響。在國際航運和國內(nèi)貨物運輸服務(wù)這兩個方面,現(xiàn)在全世界上大約80%的一些歐洲國家和地區(qū)的港口貨物都主要是通過國際海運方式進行交通,而在目前10個世界上擁有全球最繁忙的10個港口中,中國就獨占7個,是整個現(xiàn)代世界貨物運輸?shù)闹匾獦屑~。國內(nèi)許多工廠至今尚未完全恢復復工,對國際船舶的運力要求也有了一定幅度的減少,出現(xiàn)了國際船舶的運力大幅過剩。對于碼頭內(nèi)的港口建設(shè)工程方面,因為航線取消、公路交通運輸?shù)南拗啤\輸要求的降低等一系列因素的沖擊和影響,碼頭內(nèi)的客運貨物吞吐量也有所減少和降低,港口的安全檢疫工作的時長也隨之有所增加,集疏港的運行效率也因此受到了較大的威脅,貨物周轉(zhuǎn)問題也因此面臨著嚴峻的機遇和挑戰(zhàn);在客運服務(wù)方面,疫情壓縮了旅客的出行要求,導致我國鐵路、民航、高速公路的客運總體交通量都出現(xiàn)了明顯的減少。2、防疫政策嚴格，影響經(jīng)營活動面對疫情防控的嚴重形勢,中央及各級有關(guān)地方人民政府、各級有關(guān)地區(qū)和方面產(chǎn)業(yè)政策監(jiān)管管理機構(gòu)等陸續(xù)聯(lián)合出臺了各種形式的具有強制性或者引領(lǐng)特色為主要導向的產(chǎn)業(yè)政策和宣傳文件。至于高速公路領(lǐng)域,受到交通運輸部頒布的關(guān)于降低高速公路車輛通行費的指令影響,高速公路車輛的通行費收入再一次遭到重創(chuàng);在我國的航運領(lǐng)域,為了有效地加強聯(lián)合抗擊新冠病毒疫情以及有效降低新冠病毒通過我國的航運而被輸入的可能性和危害,現(xiàn)時有包括美國、澳大利亞、意大利、英國、新加坡等七十多個發(fā)達國家都正式地宣布采取一定數(shù)量和程度的出入境檢疫措施。各國紛紛推出針對曾經(jīng)停泊在中國的境外船只進行入境和防疫檢測的措施,例如美國、澳大利亞、新加坡等發(fā)達國家都開始禁止曾經(jīng)停泊在中國的境外船只直接進入該國官方港口,直到經(jīng)過防疫檢查結(jié)果證實船員未被醫(yī)院確診,這就很可能會導致使得由中國出口的貨物無法及時送達,并且還會影響到全球的國際物流和出口商品供給。3、收入比率驟降,但是運營費用和成本很難得到有效的控制,造成了盈利能力的大幅下降各個不同類別的出口企業(yè)都共同面臨著市場需求明顯削減、客戶直接訂單需求數(shù)量明顯下滑、生產(chǎn)線和經(jīng)營業(yè)務(wù)活動可能中斷或發(fā)展受阻、競爭整體市場更為激烈等嚴重困境,其企業(yè)整體全年營業(yè)收入同比下滑減速幅度相對較大;同時受到傳統(tǒng)零售業(yè)和終端市場需求的大幅幅度萎縮因素影響,進出口企業(yè)貿(mào)易增長有所嚴重受限,整體企業(yè)盈利運營能力也因此有所嚴重受創(chuàng)。而目前采用區(qū)域隔離、限制人員流動等多種手段則已經(jīng)大大降低了其物流勞動效率。航運以及大型航空業(yè)都已經(jīng)是我國屬于一個資本密集型的新興產(chǎn)業(yè),在對航空貨運以及旅客的運力需求上會有所比較大幅度上的下降,運力供過于求的經(jīng)濟條件下,預期公司營業(yè)收入正在急速出現(xiàn)下滑,但是大型航運公司和其他大型航空運輸企業(yè)仍然因為它們需要長期承擔高昂的運營租金、利息、薪酬、維護費用以及需要支付其他新的固定成本,將會致使其長期面臨著巨大的財務(wù)盈余和長期虧損。航運的運輸貨物很快就有可能會因此需要面臨更加嚴格的安全監(jiān)督檢驗和市場監(jiān)督稽查檢疫,增加額外的運營費用管理時間和額外資金管理成本,造成我國航運運輸企業(yè)的運營成本費用大幅增加,盈利能力水平大幅下降。4、現(xiàn)金流短缺或?qū)е聜鶆?wù)危機運輸和物流企業(yè)中普遍存在固定資產(chǎn)項目投資約占總項目投資的比重相對較大,負債費用成本高、資產(chǎn)流動性薄弱等特點,在各種突發(fā)事件的影響下,業(yè)務(wù)量也會受到很大的沖擊,經(jīng)營型現(xiàn)金流出也會變得更為有限,在償付還債能力和市場價格整體相對較高的大環(huán)境背景下,且會因場地、人員薪酬、運行成本等壓力而困境,將使企業(yè)面臨更嚴峻的負債危機。另外,由于新冠疫情帶來的影響,原本的應收賬款的使用周期也被拉短,回收的難度增大,存在延遲拖款或者壞賬的可能性。1.1.2研究意義新冠肺炎疫情自從暴發(fā)以來，其給我國乃至全球社會經(jīng)濟造成的影響不言而喻。在疫情持續(xù)擴散的過程中,交通運輸類行業(yè)同樣也未能幸免,在得以充分發(fā)揮其支撐和保障功能的同時,正常生產(chǎn)經(jīng)營活動也遭遇了巨大的沖擊,而疫情防控后期艱難緩慢的復工和重新生產(chǎn)過程卻反映了其韌性仍然明顯缺乏。對于不同的特定運輸方式，疫情期間的表現(xiàn)并不完全相同?？傮w而言,疫情期間,水路、鐵道運輸?shù)谋憩F(xiàn)比較好于普遍的高速公路運輸,水道運輸系統(tǒng)中的航運行業(yè)受到的影響很小,鐵路運輸也充分發(fā)揮了穩(wěn)定國際貨運市場的作用,中歐班列海鐵聯(lián)運更是逆勢而行;新冠疫情在很長一段時間內(nèi)給高速公路交通帶來了極為嚴重的負面影響。除少數(shù)人員是參與抗擊疫情、保通運輸?shù)雀黝愗涍\、物流服務(wù)企業(yè)外其余企業(yè)基本關(guān)閉，大量貨運站關(guān)閉。由于很難找到適合出境貨物的運輸渠道，集裝箱和散貨物流無法轉(zhuǎn)移。受此影響，運輸物流企業(yè)和貨主轉(zhuǎn)向鐵路集疏運或水運。多式聯(lián)運系統(tǒng)能夠充分利用各種交通運輸工具的自身優(yōu)勢。通過不同的運輸模式進行組合,能夠大大降低整個物料在運輸環(huán)節(jié)中的交通運送時間與交通運輸費用。對于抵御疫情所帶來的物流費用大幅增加、在運輸節(jié)點中的時間長度增加、在運輸中能力上的失衡等負面影響都起到了積極作用,多式聯(lián)運能夠大幅度地提高了貨物的實際運輸效率,通過多樣化地配置貨物運輸?shù)馁Y源。1.2國內(nèi)外研究現(xiàn)狀近年來，對于國際多式聯(lián)運路徑優(yōu)化問題國內(nèi)外學者取得了卓有成效的研究，主要研究低碳綠色下和不同模型下的國際多式聯(lián)運路徑優(yōu)化問題。一是在基于不同算法和模型下的多式聯(lián)運路徑優(yōu)化。如柳春[1]將物聯(lián)網(wǎng)技術(shù)成功運用到多式聯(lián)運的研究中，優(yōu)化茶葉的多式聯(lián)運路徑，大大降低了茶葉運輸成本；SaeedF.等[2]主要研究了模糊需求在多式聯(lián)運中的運用，將二者通過混合算法聯(lián)系起來并建立模型；王陸平等[3]創(chuàng)新的把不規(guī)則棱柱模型和低碳視角進行有機結(jié)合，研究此情形下的多式聯(lián)運路徑優(yōu)化；梅夢婷等[4]提出基于DE和NSGA-Ⅱ算法的多式聯(lián)運優(yōu)化模型，充分考慮運輸中的不確定性建立綜合多目標多式聯(lián)運路徑優(yōu)化模型；萬杰等[5]引入混合算法來研究多式聯(lián)運路徑選擇問題，通過對運輸全程進行總體分析來建立具體模型；張偉豐等[6]從系統(tǒng)仿真的角度對多式聯(lián)運路徑優(yōu)化進行分析，使用flexsim建立仿真模型，來解決具體的多式聯(lián)運問題；Cho等[7]研究了釜山至鹿特丹的多式聯(lián)運航線；范方玲子[8]建立了基于遺傳算法的一般性多目標多式聯(lián)運優(yōu)化模型，為后來者研究提供了思考角度。二是在低碳綠色需求下的多式聯(lián)運路徑優(yōu)化，例如碳減排政策下，如張旭等[9]主要研究了動態(tài)環(huán)境和低碳需求下的多式聯(lián)運優(yōu)化優(yōu)化，旨在降低多種不確定因素干擾，實現(xiàn)多式聯(lián)運成本最??；朱欣媛等[10]充分考慮低碳需求，建立模糊時間窗下的多式聯(lián)運路徑選擇模型；涂敏等[11]以陽邏港作為研究對象，研究了低碳約束下的多目標多式聯(lián)運路徑優(yōu)化模型；Bouchrey[12]等研究了不同多式聯(lián)運運輸模式下的碳排放量控制。其他的多式聯(lián)運路徑優(yōu)化研究有陳彥峰[13]主要研究了外部環(huán)境不確定下的多式聯(lián)運路徑選擇問題；申艷光等[14]基于傳統(tǒng)的遺傳算法進行優(yōu)化，加入混合算法進行路徑優(yōu)化，提供了算法優(yōu)化的思考方向；賈葉子等[15]研究中考慮了外部環(huán)境變動導致的成本上升，基于此條件下研究多式聯(lián)運成本優(yōu)化；邵思楊[16]研究了考慮港口忙閑時間窗約束的多式聯(lián)運路徑優(yōu)化；辛春林等[17]主要研究了危險品貨物的運輸路徑優(yōu)化問題，從單程運輸、多式聯(lián)運和選址三個角度進行分析研究,考慮環(huán)境內(nèi)外影響因素進行建模；李玉民等[18]把高鐵引入多式聯(lián)運，并研究了時間窗下的生鮮品運輸。關(guān)于疫情方面的研究，現(xiàn)已有許多學者陸續(xù)進行。例如李春華[19]等構(gòu)建了多式聯(lián)運運行指標體系，以數(shù)據(jù)化的方式展現(xiàn)疫情背景下物流企業(yè)存在的問題；李牧原[20]研究了疫情對集裝箱運輸業(yè)造成的影響，并對港口、鐵路、多式聯(lián)路等有關(guān)企業(yè)進行實際調(diào)研，做成調(diào)研報告以供研究；劉大成[21]對疫情背景下的物流供應鏈體系提出了精確分級調(diào)控，并對如何構(gòu)建提出了一些意見；黃喻勍等[22]對疫情期間的集裝箱出入境的檢驗檢疫工作出現(xiàn)的問題進行了分析，并提出了具體的優(yōu)化方案；賈旭文[23]對我國疫情下的物資運輸體系的不足進行分析，對應急物資運輸管理和運輸方式提出了建議。以上容易看出多式聯(lián)運路徑優(yōu)化相關(guān)研究近幾年研究熱點為基于各類模型算法和綠色低碳方向的優(yōu)化研究，疫情方面的研究由于研究時間較短，相關(guān)研究不多，但各界學者陸續(xù)開始了疫情方面的研究，而且顯而易見疫情對多式聯(lián)運系統(tǒng)有較大影響，而且由于疫情常態(tài)化，未來關(guān)于疫情影響下的多式聯(lián)運相關(guān)優(yōu)化應是發(fā)展趨勢之一。1.3研究內(nèi)容及思路多式聯(lián)運是集合各種運輸方式優(yōu)點于一身的聯(lián)合運輸方式，疫情期間多式聯(lián)運體系對于抗擊疫情帶來的負面影響起到了非常關(guān)鍵的作用，而本文所研究的疫情影響下的多式聯(lián)運路徑優(yōu)化問題，便是研究如何在類似疫情這種緊急突發(fā)災害下，綜合運用各種運輸方式的優(yōu)點降低疫情帶來的負面影響，優(yōu)化運輸路線，同時減少運輸成本和運輸時間。本論文主要研究問題為疫情背景下的天津港多式聯(lián)運路徑優(yōu)化問題，需要通過分析比較貨運量、運輸時間、運輸速度的變化，建立恰當?shù)难芯磕Ｐ?、研究疫情對多式?lián)運造成的影響，例如體現(xiàn)在運輸費用、運輸速度和貨運量等方面。假設(shè)貨物需要在一定的時間和一定的換裝次數(shù)內(nèi)運輸?shù)侥康牡?，有公路、水路、鐵路等多種運輸路線。已知條件為各交通工具的運輸速度、待運貨物總量、各類交通工具的單位成本和單位時間、相鄰路徑節(jié)點之間的距離、不同運輸方式的換裝時間和成本。具體研究思路見圖1.1，首先第一章調(diào)查研究國內(nèi)外研究現(xiàn)狀，尋找可供借鑒的相關(guān)研究內(nèi)容，確定基本思路。然后第二章查找數(shù)據(jù)，確定疫情帶來的貨運量、運輸時間、運輸速度等方面的變化。第三章建立受疫情影響背景下的多式聯(lián)運路徑優(yōu)化模型，確定各個參數(shù)及意義。第四章計算天津港實例，運算模型，最后對計算結(jié)果進行分析。最后第五章進行總結(jié)分析和對未來的展望。圖1.1研究思路

第2章疫情影響下的多式聯(lián)運2.1貨運量變化疫情爆發(fā)以來，我國沿海多個港口多條航線被迫停航，許多國家也暫停了中國的航線，這導致國際多式聯(lián)運受到嚴重的影響。因此，我國的進口貨物進不來，出口貨物出不去，對我國的外貿(mào)交易帶來了一次嚴重的打擊。根據(jù)克拉克森海洋網(wǎng)目前公布的數(shù)據(jù)，在2019年我國大陸港口約占全球港口總量的7%。全球散貨船僅在我國水域的活動時長占全球水域活動時長的10%，集裝箱船占9%。但是此前受疫情的影響，在2020年2月份中旬的一周時間內(nèi)，亞洲至北歐地區(qū)已有約60%的航線將會面臨取消，中國出口貿(mào)易量也將因此暫時下降?，F(xiàn)在雖然疫情已被初步得到控制，國內(nèi)的航空運輸、鐵路運輸以及其他各種運輸方式也正在恢復正常營運，但是國內(nèi)航運業(yè)的恢復還較為緩慢?，F(xiàn)在在國內(nèi)，由于疫情，中國內(nèi)陸的大量港口也遭遇了數(shù)十年未見的巨大挫折。眾所周知,港口是我國多式聯(lián)運過程中的重要運輸節(jié)點,港口吞吐量可以決定我國海上航線和國際航線的多式聯(lián)運營運的速度和效果。所以，港口吞吐量的減少導致多式聯(lián)運中的貨物周轉(zhuǎn)需要面臨諸多難題。另外，疫情危機下的交通限制，特別是對道路運輸?shù)南拗坪痛罅繃H航線的被迫停運，使港口貨運壓力大大增加，由于疫情的存在，必須加強口岸貨物檢疫，這使得港口積壓貨物得周轉(zhuǎn)速度變慢。這些都進一步導致在途鮮活易腐貨物的運輸效率、貨物分揀效率、中轉(zhuǎn)站中轉(zhuǎn)效率、各中轉(zhuǎn)站的運輸效率急劇下降，難以保證貨物的安全，最后使各物流企業(yè)面臨巨額賠償，承受大量的經(jīng)濟和品牌損失。天津港克服新冠疫情帶來的不利影響。截至2020年12月30日，天津港集裝箱吞吐量達到1835萬標箱，同比增長6.1%，創(chuàng)年集裝箱吞吐量歷史新高。同時，貨物吞吐量也逐年增加。“一帶一路”發(fā)展天津港，是集團堅定筑牢防疫防控防線、持續(xù)拓展內(nèi)貿(mào)強中轉(zhuǎn)、積極服務(wù)國內(nèi)循環(huán)主體以來的2020年發(fā)展新格局，促進了國內(nèi)外的雙循環(huán)。樞紐港和世界級港口建設(shè)“又快又穩(wěn)”。根據(jù)最新的國際航運中心排名，截止到2020年天津港在世界航運中心排名上升至第20位，在中國內(nèi)地港口排名第6位；值得注意的是2019年，天津在全球航運中心排名第24位。2.2運輸成本多式聯(lián)運憑借較低的運輸成本而被許多物流企業(yè)紛紛采用。但在新冠疫情的影響下，以往多式聯(lián)運賴以生存的優(yōu)勢在迅速減小，原因是疫情期間各種運輸方式成本的迅速上升。首先勞動力成本顯著增高。延遲返工時間導致物流公司出現(xiàn)勞動力短缺。公司為了留住員工，以期應對疫情期間可能出現(xiàn)的突發(fā)情況，公司不得不提高職員的薪資;其次是空載率較高。在疫情期間，物流公司所承接業(yè)務(wù)帶來的貨運量很多時候無法裝滿運輸車輛，這不但降低了資源使用效率，而且導致物流公司的營運成本大大增加;最后，疫情期間的各個物流樞紐節(jié)點的集散存在類似斷鏈、過度聚集的問題，這也是使多式聯(lián)運的運營和等待成本升高的重要原因之一。以上因素都一定程度上使物流公司單位運輸費用上升，再加上多式聯(lián)運有運量限制和規(guī)格限制，同時物流公司還需與同類型公司進行價格競爭，使多式聯(lián)運的競爭優(yōu)勢和經(jīng)濟性受到了極大的削弱。為了能夠提高質(zhì)量以及效率，物流公司優(yōu)化多式聯(lián)運相關(guān)的運營管理流程很有必要，采用綠色環(huán)保、低能耗的物流運營工具和協(xié)同集成的物流配送服務(wù)。商品供不應求往往會導致價格上漲。這種趨勢已經(jīng)出現(xiàn)，但是由于許多航運合同規(guī)定了長期和固定的價格，運輸成本的有所上升的同時，速度較為緩慢。已有貨運數(shù)據(jù)統(tǒng)計資料顯示,自2020年6月1日以來,從中國出發(fā)到美國東海岸的貨運價格同比增加85%,而同期從蘇伊士運河到歐洲貨運價格同比增長142%,經(jīng)蘇伊士運河再到地中海貨運價格也同比增加103%。大型航運商能夠通過減少航次來操縱市場，部分企業(yè)在一些市場上擁有壟斷地位，而在這些市場上，進入該行業(yè)的成本極高。2.3運輸時間變化多式聯(lián)運是一種需多種交通運輸工具相互配合的運輸方式，但是，在疫情的影響下，各種運輸方式均受到不同程度的負面影響。第一種是公路運輸，它使多式聯(lián)運的“最后一英里”成為難題。特別是新型冠狀病毒肺炎疫情進入暴發(fā)期，為控制疫情蔓延，各省封鎖道路，限制外來車輛出入境，給物流企業(yè)跨省運輸帶來困難。疫情得到初步控制后，雖然低危地區(qū)的公路運輸已基本恢復，不過司機外出仍需進行隔離。這一舉措對于疫情期間本就缺乏貨運司機的物流公司可以說是雪上加霜。這種情況使貨物的長途運輸也受到很大的影響，延長了運輸時間，增加了運輸時間的不確定性。中寰衛(wèi)星發(fā)布的全國貨車在線率信息顯示，2020年1月28日前全國貨車的在線率高于2019年，但是1月29日以來，全國貨車在線率一直處于較低水準，與2019年同期貨車在線率快速上升形成了一個鮮明對比。總而言之，疫情危機下的緊急交通管制對道路的貨物運輸?shù)木薮笥绊懯苟嗍铰?lián)運陷入泥沼。不論是貨物的周轉(zhuǎn)次數(shù)還是周轉(zhuǎn)時間，包括各個中轉(zhuǎn)站點之間的運輸方式和不同種類貨物的運輸時間，都一定程度會因此受到影響。此外，由于多式聯(lián)運參與人沒有統(tǒng)一的標準，往往會導致聯(lián)運出現(xiàn)缺乏銜接、貨物轉(zhuǎn)運過程費時費力收益低等問題。第3章疫情影響下的多式聯(lián)運路徑優(yōu)化模型3.1問題描述假設(shè)一批貨物用集裝箱運輸，必須直接從A市運到B市，并有幾個中間節(jié)點。在運輸?shù)娜^程中，需要對公路運輸、鐵路運輸、水路運輸?shù)榷喾N運輸方式組成的多式聯(lián)運系統(tǒng)進行綜合分析。在總體路線規(guī)劃中，通常充分考慮了物流企業(yè)通過降低投資成本、提高運輸效率、提高客戶滿意度等優(yōu)化目標，基于多因素制定具體解決方案，實現(xiàn)多式聯(lián)運路線優(yōu)化。本文通過選擇時間、距離、和成本三個主要因素構(gòu)建多式聯(lián)運路徑網(wǎng)絡(luò)優(yōu)化解決方案。多式聯(lián)運隨機路徑網(wǎng)絡(luò)構(gòu)成圖見圖3.1。從圖3.1布局的網(wǎng)絡(luò)地理結(jié)構(gòu)可以看出，從起始點A到終點B，將經(jīng)過C、D、E3個中轉(zhuǎn)節(jié)點,每一個獨立的交通節(jié)點都能任意選擇公、鐵、水路三種交通運輸方式其中的一種,根據(jù)各節(jié)點之間的運輸距離、運輸時間以及三種運輸方式之間的轉(zhuǎn)運時間和轉(zhuǎn)運成本，通過組合不同的運輸方式，可以完成從A到B的多式聯(lián)運解決方案。圖3.1多式聯(lián)運網(wǎng)絡(luò)布局圖3.2模型構(gòu)建3.2.1模型參數(shù)說明完整的多式聯(lián)運系統(tǒng)一般由運輸和中轉(zhuǎn)構(gòu)成。在各種運輸環(huán)境中各種不同的運輸方式所要花費的成本以及它們所要消耗的時間都會被統(tǒng)計進來,并且在運輸期間按照相鄰的換裝節(jié)點和所需轉(zhuǎn)換的運輸方式不同所，同一路段的對應距離也會隨之發(fā)生改變。貨物運輸過程,起點至終點之間會有多條不同的運輸路徑可供選擇,可以通過對比較上面幾個受到影響的因素來進行經(jīng)濟效益的擇優(yōu)。（1）模型假設(shè)①任意相鄰運輸節(jié)點之間能且僅能變換一次交通工具。②在運輸?shù)娜^程中,貨物的實際運輸量總數(shù)保持不變,即在每一個中間站任何時候都不對轉(zhuǎn)站貨物的運量總數(shù)做任何增減。③除運輸全程本身產(chǎn)生的成本外，其他因素導致的成本不予考慮。④任意兩個相鄰節(jié)點之間的每種存在的運輸方式都只有一條對應的實際運輸路徑。⑤運輸全程貨物不存在逆行。（2）模型變量A=｛a1,a2,a3｝代表不同運輸方式的集合，其中a1代表著公路運輸，B=｛b1,b2,…,b3Φ（i）=｛bi|eij∈E｝是節(jié)點bi的外鄰節(jié)點集合，η(i)=｛bi|E代表多式聯(lián)運里每兩個節(jié)點之間的一個路徑線段集合，eijd為運輸距離，dijc為運輸成本，cijt為運輸時間，tijδbiai→j代表貨物由節(jié)點biωbiai→j代表物件貨物由節(jié)點biμbiai→j為一組（0,1）變量，其中μbiai→j代表物件在節(jié)點bi（3）決策變量①當xijai取1時，代表物件由運輸方式,ai可以順利通過節(jié)點i至節(jié)點j之間的路段，否則②當ybiai→j取1時，代表物件在節(jié)點i存在運輸方式ai轉(zhuǎn)換為運輸方式a3.2.2模型建立綜合考慮多種因素的直接影響,建立基于最小運輸時間、最小運輸距離、和最低運輸成本的綜合路徑優(yōu)化模型,各公式和約束條件如（3.1）至（3.10）所示:最小運輸時間：minT=ai=13i=1n最小運輸距離：minD=ai=13i=1最小運輸成本：minC=ai=13i=1nj=1約束條件：ybiai→j≤μj∈｛j|bi=1,bi為起點ai=13xai=13aj∈｛j|bi∈η（i）｝xijai+xijai=11≤i,j≤nybiai→j=其中，式（3.1）是最短的總運輸時間優(yōu)化的模型,運輸總時長包含貨物在途運輸時間和貨物在換裝節(jié)點換裝所花費時間總和；式（3.2）是運輸總距離最短優(yōu)化模型，在實際運輸過程中，縮短運輸距離能提高資源配置效率，減少運輸過程中突發(fā)情況出現(xiàn)的概率；式（3.3）是運輸成本最少優(yōu)化模型，對于多式聯(lián)運優(yōu)化來說運輸成本總是處在核心位置，只有不斷降低成本，各物流企業(yè)才有盈利的空間；式（3.4）保證貨物只在具有換裝條件的運輸節(jié)點進行換裝；式（3.5）保證運輸節(jié)點的貨物輸入量和輸出量保持一致；式（3.6）約束了貨物在任一條子路徑中進行運輸時只可使用一種運輸方式；式（3.7）約束貨物在任一中轉(zhuǎn)節(jié)點能且僅能轉(zhuǎn)換一次交通方式；式（3.8）保證了貨物在多式聯(lián)運運輸體系中可以保持一定的連續(xù)性；式（3.9）和式（3.10）為≥0,1∈決策變量。3.3基于遺傳算法的求解3.3.1編碼如今遺傳算法的實際應用非常廣泛性,研究者們已經(jīng)開發(fā)并提出了各種編碼技術(shù),總的來說,可以劃分為三個大類:一般為二進制編碼、符號式編碼、浮點數(shù)式編碼。目前并沒有完全的指導思想和理論能夠幫助我們正確地設(shè)計編碼方案,必須根據(jù)存在的問題進行具體的分析,根據(jù)這些問題實際情況,采用各種不同的編碼技術(shù)。對于帶時間窗的多式聯(lián)運路徑優(yōu)化問題,其可以被簡單地理解為根據(jù)需求點和運輸路徑組合,但遺傳算法并不是一種能夠直接優(yōu)化求解空間的優(yōu)化方法。所以,我們需要將多式聯(lián)運的路徑優(yōu)化問題解的思想和求得的解決形式,通過基因型串聯(lián)空間中的遺傳模擬量轉(zhuǎn)換成基因型串聯(lián)的數(shù)據(jù),以便于遺傳學上的計算。帶有多個時間窗的多式組合聯(lián)運編碼路徑產(chǎn)物優(yōu)化的生成問題主要表現(xiàn)是基于不同次序的多式組合產(chǎn)物優(yōu)化生成問題,為了盡量減少使用無效方法理解的次序產(chǎn)物組合生成,本文主要采用了大量自然數(shù)方法進行組合編碼。假設(shè)一個虛擬點的運輸工具港口當中有一個k輛作為虛擬點的運輸工具,需求點點的個數(shù)分別為k和l,通過在其中直接增加大于k+1個作為虛擬點的運輸工具港口就可以能夠直接形成一個長度大約等于k+l+1的虛擬染色體串并進行虛擬編碼字符串。例如,對于9個用戶需要點由3輛自動運輸工具共同進行運輸服務(wù)的用戶個人信息編碼(0256014830790)，其含義為：第一種運輸工具從運輸港口出發(fā)，服務(wù)完顧客2，5，6后返回運輸港口，形成子路徑1；第二輛運輸工具也從運輸港口出發(fā)，服務(wù)完顧客1，4，8，3后返回運輸港口，形成子路徑2；第三輛運輸工具從運輸港口出發(fā)，服務(wù)完顧客7，9后返回運輸港口，形成子路徑3。以上對應的多式聯(lián)運路徑如下(其中0表示運輸港口)：子路徑1：0－2－5－6－0子路徑2：0－1－4－8－3－0子路徑3：0－7－9－0子路徑內(nèi)各個目標需求點都同樣是有序的，若同一子路徑中的不同需求節(jié)點進行交換，如子路徑1中需求節(jié)點2和需求節(jié)點5，目標函數(shù)運行值會因此發(fā)生改變，但是由于子路徑相互之間是無序存在的，若有子路徑2和子路線3交換彼此的位置，目標函數(shù)運行值并不會因此變化。3.3.2初始種群遺傳算法屬于是概率搜索算法，它需要對種群進行初始化，以便于遺傳算子的操作。遺傳算法也可以說是一種隨機優(yōu)化方法，它同時在多個種群個體中尋找可行解。種群數(shù)量的大小會給遺傳算法得到的最終數(shù)據(jù)與其運算效率帶來一定的影響。所以當一個種群的規(guī)模過于小,遺傳算法的性能就變得不好了。但是,當遺傳算法的種群規(guī)模超出一定范圍時,遺傳算法進行局部最優(yōu)求解的可能性就會降低,但遺傳算法進行優(yōu)化操作的時間復雜性和空間的復雜性就會隨之增加。對于大規(guī)模的算例來說,可以通過增大種群規(guī)模等方式來計算獲得更優(yōu)的解空間。遺傳算法對于最優(yōu)化求解的分布搜索并不一定真的需要完全依賴初始原生種群,但是當初始的每個原生種群都已經(jīng)完全能夠均勻地被分布到所有的需要進行求解的有限空間內(nèi)時,遺傳算法可能因此而跳出一個局部最優(yōu)化解的概率大大增加，這樣將會更有利于搜尋得到全局最優(yōu)解。所以,為了更好地讓初始的種群能夠盡量多地均勻分布到同一個解空間內(nèi),本文中基因遺傳算法的初始種群將會采用隨機方式進行生成。3.3.3選擇算子遺傳算法當中存在著多種選擇算子。經(jīng)典遺傳算法中常使用輪盤賭這種選取方法。它是對空間進行回放的隨機抽取分析。每一個個體到達下一代種群的概率都相當于其適應度對應值和個體在整個種群中的適應值之比。適應值越高,所選個體進入下一代種群的概率越高。隨機轉(zhuǎn)動一個小圓盤。當圓盤轉(zhuǎn)動停止時，選擇指針所指的點與扇面相對應，并隨機選擇相應的獨立個體。這種隨機選擇個體的方法就是因為這個原因而得名的。由于選擇的個體群體的有限規(guī)模和隨機操作的次數(shù),每個群體被正確選擇的次數(shù)及其所選擇的期望值例如等式（3.11）所示（3.11）之間必然存在有誤差值，因此，選擇方法與期望值之間的誤差較大，有時甚至不能選擇適應性較強的個體。3.3.4交叉算子交叉算子的設(shè)計與其實現(xiàn)和解決具體的問題有很大的緊密聯(lián)系,應該跟編碼的設(shè)計一起來思考,主要是包含了一些交叉節(jié)點的定義和位置,以及一些基因之間的交換。隨著模式中進化代數(shù)的逐漸增加，模式中的所有基因?qū)⒆兊酶营毩?。只要?gòu)成模式的所有基因都存在，模式就有機會被搜索。在這種情況下，模式的最大基因極限分布的概率系數(shù)等于整個群體之間的系數(shù)與其基因的初始分布概率的乘積,與模式定義的基因距離不一定相關(guān),說明采用交叉式計算子模式可以有效擴展整個種群的基因分布。對于多式聯(lián)運路徑優(yōu)化問題，使用算術(shù)交叉非常有效。算術(shù)交叉是由兩個獨立個體相互之間進行線性組合得到另外兩個全新個體的過程。算術(shù)交叉通常以以下由以下操作得到：(1)確定兩個個體進行線性組合時的系數(shù)α；(2)根據(jù)規(guī)則生成兩個全新的獨立個體。3.3.5變異算子變異一般通過一個小概率值來改變字符串上一個或幾個字符。變異算法可以產(chǎn)生區(qū)別于母體的新個體，這樣也避免了選擇和交叉等操作過程中可能出現(xiàn)的信息損失，可以一定程度上保持遺傳算法原來的有效性。確保算法在計算中的精度和效率。交叉和變異算子互相之間開配合，幫助我們同時實現(xiàn)整個基于網(wǎng)絡(luò)信息搜索優(yōu)化空間的一個局部網(wǎng)絡(luò)搜索和一個整體上的全局網(wǎng)絡(luò)搜索,使遺傳算法人員能夠在網(wǎng)絡(luò)搜索的優(yōu)化過程中以良好的網(wǎng)絡(luò)搜索優(yōu)化方式迅速地準確完成搜索所需信息結(jié)果的搜索優(yōu)化。在遺傳算法中使用變異算子可以加強算法的局部搜索和尋優(yōu)能力，遺傳算法通常是從全局出發(fā)，不斷接近所期望得到的全局最優(yōu)解，但只靠交叉算子無法做到局部尋優(yōu)，此時,如果我們通過使用一些變異算子來調(diào)整在編碼字符串中某一組個體其中一些基因的數(shù)量,我們就可以從一組局部的某一組基因的角度考慮部分基因的數(shù)量,使得人群中的個體更容易接近其最優(yōu)求解,從而大大提高了遺傳算法在整個局部搜索過程中的準確性和效率。為防止遺傳算法運行中出現(xiàn)早熟。通常使用一個新的基因來代替原有基因，來預防早熟，并且保持種群多樣性。3.3.6適應度函數(shù)適應性的概念通常在計算中都是用來衡量各種群中其個體及他們進行優(yōu)化和計算所能夠?qū)崿F(xiàn)的接近于最優(yōu)解的好壞。適應性影響著個體從上一代遺傳至下一代的發(fā)生概率及其大小,適應度值越大則概率越大，適應度值越小則概率越小。這個用來度量適應度的函數(shù)一般叫做適應度函數(shù)(FitnessFunction)。適應度函數(shù)通常被用于通過目標函數(shù)來判斷每一個種群中各個體優(yōu)劣的標準。適應度函數(shù)不僅被認為是對大量數(shù)學計算結(jié)果進行選取和研究時所必須掌握的基礎(chǔ),而且是算法演變過程中核心的驅(qū)動能量。適應度函數(shù)通常不會在其中出現(xiàn)為負值。在遺傳算法的求解過程中，適應度值通常是越大越好。在研究多式聯(lián)運路徑優(yōu)化問題時，成本最小化便是我們主要研究的目標之一，為了能夠增大區(qū)分度以及更方便后續(xù)計算，本文使用目標函數(shù)倒數(shù)和區(qū)分度系數(shù)β的乘積來當作我們的適應度函數(shù)，β取值大小通過具體情況來定：通常適應度值小于1時，β取值大小100左右；若當適應度值較大時，β取1-2足以滿足區(qū)分度。3.3.7終止規(guī)則遺傳算法從本質(zhì)上來說是一種概率搜索算法，需要我們設(shè)置一個合適的終止規(guī)則來使算法在優(yōu)化過程中達到所需的求解精度時能夠及時停止演化循環(huán)。通常有以下幾種終止規(guī)則:(1)算法達到了設(shè)定的求解精度和優(yōu)化目標；(2)算法達到了設(shè)定的迭代次數(shù)。本文所使用的遺傳算法將設(shè)定進化代數(shù)作為終止規(guī)則，即在求解過程中判斷進化代數(shù)是否為設(shè)定進化代數(shù)N。如果已經(jīng)達到設(shè)定進化代數(shù)，則停止運算，否則繼續(xù)進行優(yōu)化運算。

第4章天津港算例4.1天津港多式聯(lián)運路徑優(yōu)化模型在本文中我們選擇的是中國北方航運中心之一———天津港來作為多式聯(lián)運網(wǎng)絡(luò)的起始點，終點是中國南部的沿海城市———湛江。在路徑節(jié)點選擇時，我們通常選擇具有明顯多式聯(lián)運特征的港口或城市，湛江雖然位于內(nèi)陸但地理條件優(yōu)越，周圍港口和內(nèi)陸節(jié)點眾多，適合用于研究多式聯(lián)運問題。并且這一運輸路線近幾年貨運量增長迅速，即便突發(fā)疫情導致全球范圍內(nèi)集裝箱量出現(xiàn)負增長，這一多式聯(lián)運路線也依舊保持一定的漲幅。在這個運輸過程中,多式聯(lián)運路徑設(shè)計著重考察湛江周邊地區(qū)可以自由選擇的各類型港口及其內(nèi)陸中轉(zhuǎn)站，最終選擇包括息烽、果園港、武漢、鎮(zhèn)江港、連云港、沈陽。加上天津港和湛江共8個城市節(jié)點。主要考慮三種運輸方式：即水運、公路和鐵路。多式聯(lián)運系統(tǒng)中的總物流費用一般包含了各從屬節(jié)點間的運輸費用,同時包括運輸過程中發(fā)生運輸方式轉(zhuǎn)換導致發(fā)生的裝卸、堆存和報關(guān)費用。所以想要降低運輸全程的總物流費用，在確定的運費結(jié)構(gòu)下，重點需要合理選擇路徑和運輸方式。部分運輸節(jié)點受到各種外部條件限制,可能不具有全部種類的運輸方式,這些運輸方式則被簡單地在該表中忽視和省略。故表中羅列了8個城市。表中"--"指出了在網(wǎng)絡(luò)中部分節(jié)點之間沒有達到通行條件的路徑,該節(jié)點在程序中把它們設(shè)置成極大的懲罰值(1×1000)。以天津港運送到湛江的多式聯(lián)運路線為例子，假設(shè)有5個總計100t的20英尺集裝箱需要運輸，運輸起點為天津港，運輸終點為湛江。為使得到的結(jié)果更加準確，算例中的各數(shù)據(jù)來源都是實際值，來源于官方的數(shù)據(jù)查詢網(wǎng)站或參考文獻，并假定公路、鐵路和水運都以柴油為燃料，當在水運和鐵路兩種運輸方式之間進行轉(zhuǎn)運時，默認使用公路運輸銜接，這樣是為了排除研究變量外的無關(guān)因素影響。從圖4.1中可以看到,我們劃分有以下5條運輸路線，即（1）天津港—武漢——息烽——湛江；（2）天津港—武漢—果園港—湛江；（3）天津港—連云港—果園港—湛江；（4）天津港—連云港—鎮(zhèn)江港—湛江；（5）天津港—沈陽—湛江。根據(jù)相關(guān)文獻和參考資料制成詳細數(shù)據(jù)表見表4.1至4.6。將多路徑拆分成單路徑之后可分別看成是多條單路徑，然后對每條單路徑進行時間限制的運輸方式求解，然后通過對比每條路徑所需最低費用，選擇最優(yōu)化的運輸路徑以及運輸方式組合。圖4.1運輸網(wǎng)絡(luò)圖表4.1不同運輸方式的運輸成本、運輸速度參數(shù)表運輸方式運輸成本（元/t/km）中轉(zhuǎn)方式中轉(zhuǎn)費用（元/t）中轉(zhuǎn)時間（h/TEU）公路0.15公路-鐵路2.50.20鐵路0.18鐵路-水運3.50.45水路0.27公路-水運2.60.34表4.2路線一運輸方式/轉(zhuǎn)換點天津港—武漢武漢—息烽息烽—湛江運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）公路—————————鐵路12421508.2613181508.7810731507.15水路12082843.20——————表4.3路線二運輸方式/轉(zhuǎn)換點天津港—武漢武漢—果園港果園港—湛江運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）公路———867.58010.8412698015.9鐵路12421508.26———13241508.83水路12082843.20921.02832.9———表4.4路線三運輸方式/轉(zhuǎn)換點天津港—連云港連云港—果園港果園港—湛江運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）公路638.6807.98———12698015.9鐵路——————13241508.83水路9132832.6116192857.8———表4.5路線四運輸方式/轉(zhuǎn)換點天津港—連云港連云港—鎮(zhèn)江港鎮(zhèn)江港—湛江運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）公路638.6807.98338.8804.2318288022.9鐵路——————水路9132832.61———25782892.07表4.6路線五運輸方式/轉(zhuǎn)換點天津港—沈陽沈陽—湛江運輸距離（km）運輸速度（km/h）運輸時間（h）運輸距離（km）運輸速度（km/h）運輸時間（h）公路677808.46———鐵路68915011.50———水路164.2285.86283728101.32由于多目標函數(shù)一般較為復雜，所以通常通過線性加權(quán)的方式來把多目標問題轉(zhuǎn)化為單目標問題，而本文構(gòu)建的多式聯(lián)運路徑優(yōu)化模型，涉及到成本、時間和距離三個變量，是典型的多目標優(yōu)化問題，所以采用線性加權(quán)的方式來處理目標函數(shù)，處理后的目標函數(shù)如下所示：minZ=mini=13在式（4.1）中，λi是fi的權(quán)重因子，fi代表各目標函數(shù)，λi∈|0,1|，只需對λi賦予不同的數(shù)值，便可得到有不同權(quán)重的各個目標函數(shù)下優(yōu)化結(jié)果在標準的多式聯(lián)運運輸體系中，多式聯(lián)運的經(jīng)營人除了考慮降低運輸成本增加營運收益外，在市場經(jīng)濟中，經(jīng)營人往往需要提供高質(zhì)量的服務(wù)來獲得其客戶的滿意度，以此形成良好口碑，獲得長期穩(wěn)定客戶，開發(fā)潛在新客戶，提高自身在市場中的競爭力。所以在一個典型的多式聯(lián)運運輸系統(tǒng)中，多式聯(lián)運經(jīng)營人一般把客戶滿意度放在首位，即使這需一定程度上承受因此帶來的成本上升。在此前提下才去考慮降低運營成本。在這樣的一個多式聯(lián)運體系中的敏感度劃分往往是運輸時間＞運輸距離＞運輸成本。但就如本文前半部分所提，在疫情期間，多式聯(lián)運成本不斷提高，由于嚴格防疫政策帶來的勞動力短缺，導致不論是用人成本、運輸成本還是周轉(zhuǎn)成本都普遍提高，多式聯(lián)運優(yōu)勢不斷縮小，許多企業(yè)難以為繼，所以疫情期間對于降低運輸成本是首要目標。其次疫情期間多式聯(lián)運時效性受到影響，不管是一個多式聯(lián)運訂單中貨物所需周轉(zhuǎn)的次數(shù)和周轉(zhuǎn)耗時，還是運輸中的待轉(zhuǎn)運和轉(zhuǎn)運時長，即使是運輸節(jié)點間的運輸時長，都因此有所延長。這甚至導致無法按照規(guī)定時間交付貨物，這會減少客戶滿意度，不利于企業(yè)的長期發(fā)展，所以時間是影響疫情期間多式聯(lián)運的一個重要因素。此外，為了減少疫情期間交通管制帶來的各種時間、空間上的不確定性，使貨物能更符合預期計劃的運輸，及時交付至客戶，適當?shù)臏p少運輸距離也很有必要。以上分析，不難對疫情期間的多式聯(lián)運的影響因素進行敏感度劃分：運輸成本＞運輸時間＞運輸距離。通過以上的敏感度劃分，確立了以下的敏感度值，敏感程度越大代表所對應的目標函數(shù)所占權(quán)重越大。通過表4.7，可確定λi的取值為λi表4.7敏感度劃分程度表示敏感程度劃分強（k1一般（k2弱（k3數(shù)值7354.2模型運算結(jié)果根據(jù)上文的天津港實例分析可以計算得到：λ1=0.333；λ2=0.2；λ3=0.467。在建立模型、收集數(shù)據(jù)和確立目標函數(shù)的權(quán)重系數(shù)后，對模型使用MATLAB進行求解，算法的基礎(chǔ)設(shè)定值有最大迭代次數(shù)gen=50，變異概率Pm圖4.2運行結(jié)果根據(jù)圖4.2的運行結(jié)果圖，可以得到天津港至湛江的多條多式聯(lián)運路線中，第3條多式聯(lián)運線路為最優(yōu)路線，即在起始點天津港從水路出發(fā)，運送至中轉(zhuǎn)節(jié)點連云港，不轉(zhuǎn)換運輸方式，從連云港繼續(xù)采用水運運送至果園港，然后轉(zhuǎn)換運輸方式為鐵路，運送至目的地湛江。在得到的最優(yōu)多式聯(lián)運方案中，共使用了鐵路和水路兩種運輸方式，并進行了一次轉(zhuǎn)運，轉(zhuǎn)運發(fā)生在中轉(zhuǎn)節(jié)點果園港。最終總費用為92546元，時間為101.5h，大約為4.3天，且滿足各個約束條件。綜上，對于運輸期限T=4.3時，每條路徑的最優(yōu)運輸方式已滿足約束條件，因此該條運輸路線為最優(yōu)路徑，而所選擇的這種運輸方式為最優(yōu)運輸方式，其組合則為多式聯(lián)運的不同運輸路徑和不同運輸方式的所求最優(yōu)組合。4.3結(jié)果分析本文在求解多目標下的多式聯(lián)運路徑優(yōu)化模型時，還綜合考慮了疫情的影響，依據(jù)疫情對多式聯(lián)運各環(huán)節(jié)的影響程度不同，本文研究中為3個不同的目標函數(shù)設(shè)定了不同的權(quán)重值，該權(quán)重的大小是基于疫情影響下的，在類似疫情這類突發(fā)事件影響下，時間、成本和距離的重要程度和正常的多式聯(lián)運體系有明顯的不同。在運用遺傳算法得到了優(yōu)化結(jié)果后，通過分析可以看到模型運行良好，從五條運輸路線中選出了最優(yōu)的運輸路線，最優(yōu)路線符合成本、時間和距離的綜合最低，并且滿足各項約束條件，結(jié)果符合預期值，結(jié)果的適應度值也比較高，證明了結(jié)果的可靠性。研究結(jié)果證明本文研究的疫情影響下的多式聯(lián)運路徑優(yōu)化的可行性，具有一定的參考價值，可以為處于疫情或類似背景下的參與多式聯(lián)運的相關(guān)企業(yè)單位提供一定的思考角度。由于現(xiàn)實中可獲得的數(shù)據(jù)和可參考的文獻資料限制，本文中的算法和模型存在一定的不足，尚不確定當?shù)螖?shù)增大或運輸節(jié)點增多后，模型和算法是否依舊存在可行性，具體模型和算法還有進一步改進的空間。第5章結(jié)論與展望鑒于多式聯(lián)運高速發(fā)展的今天，對于多式聯(lián)運的要求也越來越苛刻的前提下，本文從考慮疫情對于多式聯(lián)運影響的角度出發(fā)，從貨主角度出發(fā)，兼顧多式聯(lián)運經(jīng)營人的利益，探討了疫情背景下，多式聯(lián)運在時間、距離和成本的限制條件下的路徑以及運輸方式的最佳組合，以期達到時間和運費的雙重節(jié)約，同時兼顧客戶滿意度。本文通過遺傳算法求解，并通過實例進行求證。旨在為疫情等應急背景下的多式聯(lián)運的發(fā)展提供一些思考方向，僅代表本人一些不成熟的想法，望對讀者有一定的啟發(fā)。

參考文獻[1]柳春.基于物聯(lián)網(wǎng)技術(shù)的茶葉多式聯(lián)運優(yōu)化研究[J].福建茶葉,2020,42(07):7-9.[2]FAZAYELIS,EYDIA,KAMALABADIIN.Location-routingprobleminmultimodaltransportationnetworkwithtimewindowsandfuzzydemands:Presentingatwo-partgeneticalgorithm[J].Computers&IndustrialEngineering,2018,119(5):233-246.[3]王陸平，肖偉，魏慶琦．基于不規(guī)則棱柱網(wǎng)絡(luò)的低碳多式聯(lián)運路徑研究［Ｊ］．計算機應用研究，2014，31（8）：2275~2278．[4]梅夢婷,米小珍,鄭曉軍.基于DE和NSGA-Ⅱ的集裝箱多式聯(lián)運的路徑優(yōu)化算法[J].現(xiàn)代電子技術(shù),2019,42(15):144-149.[5]萬杰,魏爽.基于混合算法的多目標多式聯(lián)運路徑選擇問題研究[J].天津大學學報(自然科學與工程技術(shù)版),2019,52(03):285-292.[6]張偉豐.基于Flexsim的多式聯(lián)運路徑優(yōu)化仿真研究[J].湖北汽車工業(yè)學院學報,2018,32(03):55-59.[7]ChoJH，KimHS，ChoiHR.Anintermodaltransportnetworkplanningalgorithmusingdynamicprogram-ming—Acasestudy：FromBusantoRotterdaminin-termodalfreightrouting[J].AppliedIntelligence，2012，36(3)：529-541.[8]基于遺傳算法的公鐵水多式聯(lián)運路徑優(yōu)化問題研究[J].范方玲子,王茂春,陳厚春.物流科技.2020(02)[9]張旭,降亞迪,袁旭梅.需求不確定下低碳多式聯(lián)運路徑優(yōu)化[J].模糊系統(tǒng)與數(shù)學,2020,34(05):163-174.[10]朱欣媛,趙建有,張璐璐,楊雪峰.碳排放約束下考慮模糊時間窗的多式聯(lián)運路徑選擇[J].物流科技,2020,43(11):77-82.[11]涂敏,張東強.低碳視角下陽邏港集裝箱多式聯(lián)運路徑優(yōu)化[J].工程與建設(shè),2020,34(02):365-368.[12]BouchreyY,FronsooJ.Cost.carbonemissionandmodalshiftinintermodalnetworkdesigndecisions[J].internationalJouralofProuuctionEconomics,2015,164:388~399.[13]基于路徑選擇的多式聯(lián)運網(wǎng)絡(luò)優(yōu)化研究[J].劉彥峰.數(shù)碼世界.2018(04).[14]基于混合遺傳算法的物流路徑優(yōu)化方法研究[J].申艷光,張玲玉,劉永紅.計算機技術(shù)與發(fā)展.2018(03).[15]賈葉子,李博威.考慮環(huán)境外部成本的多式聯(lián)運路徑優(yōu)化研究[J].武漢理工大學學報(交通科學與工程版),2020,44(03):541-546.[16]辛春林,孟佳,張建文,馮倩茹.危險品運輸路徑優(yōu)化問題研究綜述[J].中國安全科學學報,2018,28(03):102-107.[17]邵思楊.考慮港口忙閑時間窗約束的多式聯(lián)運路徑優(yōu)化[D].大連海事大學,2020.[18]李玉民,邱夢,閆凱麗,劉頎欣.高鐵參與下考慮時間窗的生鮮品多式聯(lián)運路徑選擇[J/OL].重慶交通大學學報(自然科學版):1-8[2020-12-22].[19]李春華,謝泗薪.新冠肺炎疫情大考下物流企業(yè)多式聯(lián)運的效果評價與優(yōu)化攻略[J].價格月刊,2020(10):68-78.[20]李牧原.新冠肺炎疫情對我國集裝箱運輸業(yè)的影響及對策建議[J].集裝箱化,2020,31(03):1-8.[21]劉大成.如何構(gòu)建重大疫情下的物流供應鏈體系[N].現(xiàn)代物流報，2020-03-09（A06）.[22]黃喻勍,陶成偉,張金山,汪巍,鄭曉忠,萬彬.我國出入境多式聯(lián)運集裝箱檢驗檢疫監(jiān)管模式優(yōu)化[J].集裝箱化,2016,27(02):6-8.[23]賈旭文.新冠疫情下我國物資運輸體系的優(yōu)化[J].中國儲運,2021(05):98-99.附錄附錄1functionret=Cross(pcross,lenchrom,chrom,sizepop,bound)%本函數(shù)完成交叉操作%pcorssinput:交叉概率%lenchrominput:染色體的長度%chrominput:染色體群%sizepopinput:種群規(guī)模%retoutput:交叉后的染色體fori=1:sizepop%隨機選擇兩個染色體進行交叉index=randi(sizepop,2,1);%交叉概率決定是否進行交叉pick=rand;whilepick==0pick=rand;endifpick>pcrossflag=0;whileflag==0%隨機選擇交叉位置pos=randi(lenchrom);%隨機選擇進行交叉的位置，即選擇第幾個變量進行交叉，注意：兩個染色體交叉的位置相同pick=rand;%交叉開始v1=chrom(index(1),pos);v2=chrom(index(2),pos);chrom(index(1),pos)=pick*v2+(1-pick)*v1;chrom(index(2),pos)=pick*v1+(1-pick)*v2;%交叉結(jié)束flag1=test(bound,chrom(index(1),:));%檢驗染色體1的可行性flag2=test(bound,chrom(index(2),:));%檢驗染色體2的可行性ifflag1*flag2==0flag=0;elseflag=1;end%如果兩個染色體不是都可行，則重新交叉endendendret=chrom;%%清空環(huán)境clcclear%%遺傳算法參數(shù)maxgen=50;%進化代數(shù)sizepop=100;%種群規(guī)模pcross=0.6;%交叉概率pmutation=0.01;%變異概率lenchrom=5;%變量字串長度bound=[00.9*pi;00.9*pi;00.9*pi;00.9*pi;00.9*pi];%變量范圍%%個體初始化individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);%種群結(jié)構(gòu)體%avgfitness=[];%種群平均適應度%bestfitness=[];%種群最佳適應度%bestchrom=[];%適應度最好染色體%初始化種群fori=1:sizepopindividuals.chrom(i,:)=Code(lenchrom,bound);%隨機產(chǎn)生個體x=individuals.chrom(i,:);individuals.fitness(i)=fun(x);%個體適應度end%找最好的染色體[bestfitness,bestindex]=min(individuals.fitness);bestchrom=individuals.chrom(bestindex,:);%最好的染色體avgfitness=sum(individuals.fitness)/sizepop;%染色體的平均適應度%記錄每一代進化中最好的適應度和平均適應度trace=[];%%進化開始fori=1:maxgen%選擇操作individuals=Select(individuals,sizepop);%交叉操作individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);%變異操作individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[imaxgen],bound);%計算適應度forj=1:sizepopx=individuals.chrom(j,:);individuals.fitness(j)=fun(x);end%找到最小和最大適應度的染色體及它們在種群中的位置[newbestfitness,newbestindex]=min(individuals.fitness);[worestfitness,worestindex]=max(individuals.fitness);%代替上一次進化中最好的染色體ifbestfitness>newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)