《基于遗传算法的某港口多式联运路径优化实证探究》17000字【论文】

第1章绪论1.1研究背景及意义1.1.1研究背景"新冠肺炎"病毒感染疫情一直在我国各地继续和蔓延,受到此次病毒感染的影响,国内因封城和多地厂房暂时停产或被迫关闭而直接导致我国各省市的铁路、道路、水路、民航的交通运输总量大幅下降。多国也纷纷推出了针对中国(其中包括香港和澳门)的航班、飞机、旅行员和乘客等的出入境登陆限制,突如其来的一起黑天鹅危害性风险事故给运输与物流行业带来了空前的冲击。新冠病毒带来的影响是目前运输和物流业面临的主要风险与挑战。运输与运输运输物流行业中的物流业以劳动力密集型、资本密集型的物流企业为主,在各地疫情综合防控中强风险隔离、限制现金流动、防风险交叉的重要政策背景下,各类物流企业"用工荒"、"生产防疫难两全"等矛盾日益加剧,市场供给疲软,成本不断攀高,叠加了各地人民政府及其他认为相关行业监督管理机构是否有强制性或者说都是政策导向性的对抗疫让利,整体而言各个企业受各地疫情防控影响冲击相对比较大,需求下滑风险,防疫让利政策减风险,盈利下降风险,现金流风险比较突出。1、市场需求急剧下滑，行业受到严重冲击自从去年世界卫生组织在一次会议上正式宣布将我国爆发的新冠病毒突发疫情事件被列为"国际关注的突发公共卫生事件"以来,世界上许多发达国家对于我国的出入境商品采取严格了的管制和相关政策措施,直接地严重冲击了我国的国际商品出入境业务,导致了我国的出入境国际商品进出口贸易的需求大幅下降,部分同类商品订单或将在进出国际贸易途径遭到中断时面临着被责令撤销的重大风险,大宗商品贸易、集装箱货物以及大型石油化工产品等多种主要贸易货种进出国际贸易也可能会因此而受到严重影响。在国际航运和国内货物运输服务这两个方面,现在全世界上大约80%的一些欧洲国家和地区的港口货物都主要是通过国际海运方式进行交通,而在目前10个世界上拥有全球最繁忙的10个港口中,中国就独占7个,是整个现代世界货物运输的重要枢纽。国内许多工厂至今尚未完全恢复复工,对国际船舶的运力要求也有了一定幅度的减少,出现了国际船舶的运力大幅过剩。对于码头内的港口建设工程方面,因为航线取消、公路交通运输的限制、对运输要求的降低等一系列因素的冲击和影响,码头内的客运货物吞吐量也有所减少和降低,港口的安全检疫工作的时长也随之有所增加,集疏港的运行效率也因此受到了较大的威胁,货物周转问题也因此面临着严峻的机遇和挑战;在客运服务方面,疫情压缩了旅客的出行要求,导致我国铁路、民航、高速公路的客运总体交通量都出现了明显的减少。2、防疫政策严格，影响经营活动面对疫情防控的严重形势,中央及各级有关地方人民政府、各级有关地区和方面产业政策监管管理机构等陆续联合出台了各种形式的具有强制性或者引领特色为主要导向的产业政策和宣传文件。至于高速公路领域,受到交通运输部颁布的关于降低高速公路车辆通行费的指令影响,高速公路车辆的通行费收入再一次遭到重创;在我国的航运领域,为了有效地加强联合抗击新冠病毒疫情以及有效降低新冠病毒通过我国的航运而被输入的可能性和危害,现时有包括美国、澳大利亚、意大利、英国、新加坡等七十多个发达国家都正式地宣布采取一定数量和程度的出入境检疫措施。各国纷纷推出针对曾经停泊在中国的境外船只进行入境和防疫检测的措施,例如美国、澳大利亚、新加坡等发达国家都开始禁止曾经停泊在中国的境外船只直接进入该国官方港口,直到经过防疫检查结果证实船员未被医院确诊,这就很可能会导致使得由中国出口的货物无法及时送达,并且还会影响到全球的国际物流和出口商品供给。3、收入比率骤降,但是运营费用和成本很难得到有效的控制,造成了盈利能力的大幅下降各个不同类别的出口企业都共同面临着市场需求明显削减、客户直接订单需求数量明显下滑、生产线和经营业务活动可能中断或发展受阻、竞争整体市场更为激烈等严重困境,其企业整体全年营业收入同比下滑减速幅度相对较大;同时受到传统零售业和终端市场需求的大幅幅度萎缩因素影响,进出口企业贸易增长有所严重受限,整体企业盈利运营能力也因此有所严重受创。而目前采用区域隔离、限制人员流动等多种手段则已经大大降低了其物流劳动效率。航运以及大型航空业都已经是我国属于一个资本密集型的新兴产业,在对航空货运以及旅客的运力需求上会有所比较大幅度上的下降,运力供过于求的经济条件下,预期公司营业收入正在急速出现下滑,但是大型航运公司和其他大型航空运输企业仍然因为它们需要长期承担高昂的运营租金、利息、薪酬、维护费用以及需要支付其他新的固定成本,将会致使其长期面临着巨大的财务盈余和长期亏损。航运的运输货物很快就有可能会因此需要面临更加严格的安全监督检验和市场监督稽查检疫,增加额外的运营费用管理时间和额外资金管理成本,造成我国航运运输企业的运营成本费用大幅增加,盈利能力水平大幅下降。4、现金流短缺或导致债务危机运输和物流企业中普遍存在固定资产项目投资约占总项目投资的比重相对较大,负债费用成本高、资产流动性薄弱等特点,在各种突发事件的影响下,业务量也会受到很大的冲击,经营型现金流出也会变得更为有限,在偿付还债能力和市场价格整体相对较高的大环境背景下,且会因场地、人员薪酬、运行成本等压力而困境,将使企业面临更严峻的负债危机。另外,由于新冠疫情带来的影响,原本的应收账款的使用周期也被拉短,回收的难度增大,存在延迟拖款或者坏账的可能性。1.1.2研究意义新冠肺炎疫情自从暴发以来，其给我国乃至全球社会经济造成的影响不言而喻。在疫情持续扩散的过程中,交通运输类行业同样也未能幸免,在得以充分发挥其支撑和保障功能的同时,正常生产经营活动也遭遇了巨大的冲击,而疫情防控后期艰难缓慢的复工和重新生产过程却反映了其韧性仍然明显缺乏。对于不同的特定运输方式，疫情期间的表现并不完全相同。总体而言,疫情期间,水路、铁道运输的表现比较好于普遍的高速公路运输,水道运输系统中的航运行业受到的影响很小,铁路运输也充分发挥了稳定国际货运市场的作用,中欧班列海铁联运更是逆势而行;新冠疫情在很长一段时间内给高速公路交通带来了极为严重的负面影响。除少数人员是参与抗击疫情、保通运输等各类货运、物流服务企业外其余企业基本关闭，大量货运站关闭。由于很难找到适合出境货物的运输渠道，集装箱和散货物流无法转移。受此影响，运输物流企业和货主转向铁路集疏运或水运。多式联运系统能够充分利用各种交通运输工具的自身优势。通过不同的运输模式进行组合,能够大大降低整个物料在运输环节中的交通运送时间与交通运输费用。对于抵御疫情所带来的物流费用大幅增加、在运输节点中的时间长度增加、在运输中能力上的失衡等负面影响都起到了积极作用,多式联运能够大幅度地提高了货物的实际运输效率,通过多样化地配置货物运输的资源。1.2国内外研究现状近年来，对于国际多式联运路径优化问题国内外学者取得了卓有成效的研究，主要研究低碳绿色下和不同模型下的国际多式联运路径优化问题。一是在基于不同算法和模型下的多式联运路径优化。如柳春[1]将物联网技术成功运用到多式联运的研究中，优化茶叶的多式联运路径，大大降低了茶叶运输成本；SaeedF.等[2]主要研究了模糊需求在多式联运中的运用，将二者通过混合算法联系起来并建立模型；王陆平等[3]创新的把不规则棱柱模型和低碳视角进行有机结合，研究此情形下的多式联运路径优化；梅梦婷等[4]提出基于DE和NSGA-Ⅱ算法的多式联运优化模型，充分考虑运输中的不确定性建立综合多目标多式联运路径优化模型；万杰等[5]引入混合算法来研究多式联运路径选择问题，通过对运输全程进行总体分析来建立具体模型；张伟丰等[6]从系统仿真的角度对多式联运路径优化进行分析，使用flexsim建立仿真模型，来解决具体的多式联运问题；Cho等[7]研究了釜山至鹿特丹的多式联运航线；范方玲子[8]建立了基于遗传算法的一般性多目标多式联运优化模型，为后来者研究提供了思考角度。二是在低碳绿色需求下的多式联运路径优化，例如碳减排政策下，如张旭等[9]主要研究了动态环境和低碳需求下的多式联运优化优化，旨在降低多种不确定因素干扰，实现多式联运成本最小；朱欣媛等[10]充分考虑低碳需求，建立模糊时间窗下的多式联运路径选择模型；涂敏等[11]以阳逻港作为研究对象，研究了低碳约束下的多目标多式联运路径优化模型；Bouchrey[12]等研究了不同多式联运运输模式下的碳排放量控制。其他的多式联运路径优化研究有陈彦峰[13]主要研究了外部环境不确定下的多式联运路径选择问题；申艳光等[14]基于传统的遗传算法进行优化，加入混合算法进行路径优化，提供了算法优化的思考方向；贾叶子等[15]研究中考虑了外部环境变动导致的成本上升，基于此条件下研究多式联运成本优化；邵思杨[16]研究了考虑港口忙闲时间窗约束的多式联运路径优化；辛春林等[17]主要研究了危险品货物的运输路径优化问题，从单程运输、多式联运和选址三个角度进行分析研究,考虑环境内外影响因素进行建模；李玉民等[18]把高铁引入多式联运，并研究了时间窗下的生鲜品运输。关于疫情方面的研究，现已有许多学者陆续进行。例如李春华[19]等构建了多式联运运行指标体系，以数据化的方式展现疫情背景下物流企业存在的问题；李牧原[20]研究了疫情对集装箱运输业造成的影响，并对港口、铁路、多式联路等有关企业进行实际调研，做成调研报告以供研究；刘大成[21]对疫情背景下的物流供应链体系提出了精确分级调控，并对如何构建提出了一些意见；黄喻勍等[22]对疫情期间的集装箱出入境的检验检疫工作出现的问题进行了分析，并提出了具体的优化方案；贾旭文[23]对我国疫情下的物资运输体系的不足进行分析，对应急物资运输管理和运输方式提出了建议。以上容易看出多式联运路径优化相关研究近几年研究热点为基于各类模型算法和绿色低碳方向的优化研究，疫情方面的研究由于研究时间较短，相关研究不多，但各界学者陆续开始了疫情方面的研究，而且显而易见疫情对多式联运系统有较大影响，而且由于疫情常态化，未来关于疫情影响下的多式联运相关优化应是发展趋势之一。1.3研究内容及思路多式联运是集合各种运输方式优点于一身的联合运输方式，疫情期间多式联运体系对于抗击疫情带来的负面影响起到了非常关键的作用，而本文所研究的疫情影响下的多式联运路径优化问题，便是研究如何在类似疫情这种紧急突发灾害下，综合运用各种运输方式的优点降低疫情带来的负面影响，优化运输路线，同时减少运输成本和运输时间。本论文主要研究问题为疫情背景下的天津港多式联运路径优化问题，需要通过分析比较货运量、运输时间、运输速度的变化，建立恰当的研究模型、研究疫情对多式联运造成的影响，例如体现在运输费用、运输速度和货运量等方面。假设货物需要在一定的时间和一定的换装次数内运输到目的地，有公路、水路、铁路等多种运输路线。已知条件为各交通工具的运输速度、待运货物总量、各类交通工具的单位成本和单位时间、相邻路径节点之间的距离、不同运输方式的换装时间和成本。具体研究思路见图1.1，首先第一章调查研究国内外研究现状，寻找可供借鉴的相关研究内容，确定基本思路。然后第二章查找数据，确定疫情带来的货运量、运输时间、运输速度等方面的变化。第三章建立受疫情影响背景下的多式联运路径优化模型，确定各个参数及意义。第四章计算天津港实例，运算模型，最后对计算结果进行分析。最后第五章进行总结分析和对未来的展望。图1.1研究思路

第2章疫情影响下的多式联运2.1货运量变化疫情爆发以来，我国沿海多个港口多条航线被迫停航，许多国家也暂停了中国的航线，这导致国际多式联运受到严重的影响。因此，我国的进口货物进不来，出口货物出不去，对我国的外贸交易带来了一次严重的打击。根据克拉克森海洋网目前公布的数据，在2019年我国大陆港口约占全球港口总量的7%。全球散货船仅在我国水域的活动时长占全球水域活动时长的10%，集装箱船占9%。但是此前受疫情的影响，在2020年2月份中旬的一周时间内，亚洲至北欧地区已有约60%的航线将会面临取消，中国出口贸易量也将因此暂时下降。现在虽然疫情已被初步得到控制，国内的航空运输、铁路运输以及其他各种运输方式也正在恢复正常营运，但是国内航运业的恢复还较为缓慢。现在在国内，由于疫情，中国内陆的大量港口也遭遇了数十年未见的巨大挫折。众所周知,港口是我国多式联运过程中的重要运输节点,港口吞吐量可以决定我国海上航线和国际航线的多式联运营运的速度和效果。所以，港口吞吐量的减少导致多式联运中的货物周转需要面临诸多难题。另外，疫情危机下的交通限制，特别是对道路运输的限制和大量国际航线的被迫停运，使港口货运压力大大增加，由于疫情的存在，必须加强口岸货物检疫，这使得港口积压货物得周转速度变慢。这些都进一步导致在途鲜活易腐货物的运输效率、货物分拣效率、中转站中转效率、各中转站的运输效率急剧下降，难以保证货物的安全，最后使各物流企业面临巨额赔偿，承受大量的经济和品牌损失。天津港克服新冠疫情带来的不利影响。截至2020年12月30日，天津港集装箱吞吐量达到1835万标箱，同比增长6.1%，创年集装箱吞吐量历史新高。同时，货物吞吐量也逐年增加。“一带一路”发展天津港，是集团坚定筑牢防疫防控防线、持续拓展内贸强中转、积极服务国内循环主体以来的2020年发展新格局，促进了国内外的双循环。枢纽港和世界级港口建设“又快又稳”。根据最新的国际航运中心排名，截止到2020年天津港在世界航运中心排名上升至第20位，在中国内地港口排名第6位；值得注意的是2019年，天津在全球航运中心排名第24位。2.2运输成本多式联运凭借较低的运输成本而被许多物流企业纷纷采用。但在新冠疫情的影响下，以往多式联运赖以生存的优势在迅速减小，原因是疫情期间各种运输方式成本的迅速上升。首先劳动力成本显著增高。延迟返工时间导致物流公司出现劳动力短缺。公司为了留住员工，以期应对疫情期间可能出现的突发情况，公司不得不提高职员的薪资;其次是空载率较高。在疫情期间，物流公司所承接业务带来的货运量很多时候无法装满运输车辆，这不但降低了资源使用效率，而且导致物流公司的营运成本大大增加;最后，疫情期间的各个物流枢纽节点的集散存在类似断链、过度聚集的问题，这也是使多式联运的运营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单位运输费用上升，再加上多式联运有运量限制和规格限制，同时物流公司还需与同类型公司进行价格竞争，使多式联运的竞争优势和经济性受到了极大的削弱。为了能够提高质量以及效率，物流公司优化多式联运相关的运营管理流程很有必要，采用绿色环保、低能耗的物流运营工具和协同集成的物流配送服务。商品供不应求往往会导致价格上涨。这种趋势已经出现，但是由于许多航运合同规定了长期和固定的价格，运输成本的有所上升的同时，速度较为缓慢。已有货运数据统计资料显示,自2020年6月1日以来,从中国出发到美国东海岸的货运价格同比增加85%,而同期从苏伊士运河到欧洲货运价格同比增长142%,经苏伊士运河再到地中海货运价格也同比增加103%。大型航运商能够通过减少航次来操纵市场，部分企业在一些市场上拥有垄断地位，而在这些市场上，进入该行业的成本极高。2.3运输时间变化多式联运是一种需多种交通运输工具相互配合的运输方式，但是，在疫情的影响下，各种运输方式均受到不同程度的负面影响。第一种是公路运输，它使多式联运的“最后一英里”成为难题。特别是新型冠状病毒肺炎疫情进入暴发期，为控制疫情蔓延，各省封锁道路，限制外来车辆出入境，给物流企业跨省运输带来困难。疫情得到初步控制后，虽然低危地区的公路运输已基本恢复，不过司机外出仍需进行隔离。这一举措对于疫情期间本就缺乏货运司机的物流公司可以说是雪上加霜。这种情况使货物的长途运输也受到很大的影响，延长了运输时间，增加了运输时间的不确定性。中寰卫星发布的全国货车在线率信息显示，2020年1月28日前全国货车的在线率高于2019年，但是1月29日以来，全国货车在线率一直处于较低水准，与2019年同期货车在线率快速上升形成了一个鲜明对比。总而言之，疫情危机下的紧急交通管制对道路的货物运输的巨大影响使多式联运陷入泥沼。不论是货物的周转次数还是周转时间，包括各个中转站点之间的运输方式和不同种类货物的运输时间，都一定程度会因此受到影响。此外，由于多式联运参与人没有统一的标准，往往会导致联运出现缺乏衔接、货物转运过程费时费力收益低等问题。第3章疫情影响下的多式联运路径优化模型3.1问题描述假设一批货物用集装箱运输，必须直接从A市运到B市，并有几个中间节点。在运输的全过程中，需要对公路运输、铁路运输、水路运输等多种运输方式组成的多式联运系统进行综合分析。在总体路线规划中，通常充分考虑了物流企业通过降低投资成本、提高运输效率、提高客户满意度等优化目标，基于多因素制定具体解决方案，实现多式联运路线优化。本文通过选择时间、距离、和成本三个主要因素构建多式联运路径网络优化解决方案。多式联运随机路径网络构成图见图3.1。从图3.1布局的网络地理结构可以看出，从起始点A到终点B，将经过C、D、E3个中转节点,每一个独立的交通节点都能任意选择公、铁、水路三种交通运输方式其中的一种,根据各节点之间的运输距离、运输时间以及三种运输方式之间的转运时间和转运成本，通过组合不同的运输方式，可以完成从A到B的多式联运解决方案。图3.1多式联运网络布局图3.2模型构建3.2.1模型参数说明完整的多式联运系统一般由运输和中转构成。在各种运输环境中各种不同的运输方式所要花费的成本以及它们所要消耗的时间都会被统计进来,并且在运输期间按照相邻的换装节点和所需转换的运输方式不同所，同一路段的对应距离也会随之发生改变。货物运输过程,起点至终点之间会有多条不同的运输路径可供选择,可以通过对比较上面几个受到影响的因素来进行经济效益的择优。（1）模型假设①任意相邻运输节点之间能且仅能变换一次交通工具。②在运输的全过程中,货物的实际运输量总数保持不变,即在每一个中间站任何时候都不对转站货物的运量总数做任何增减。③除运输全程本身产生的成本外，其他因素导致的成本不予考虑。④任意两个相邻节点之间的每种存在的运输方式都只有一条对应的实际运输路径。⑤运输全程货物不存在逆行。（2）模型变量A=｛a1,a2,a3｝代表不同运输方式的集合，其中a1代表着公路运输，B=｛b1,b2,…,b3Φ（i）=｛bi|eij∈E｝是节点bi的外邻节点集合，η(i)=｛bi|E代表多式联运里每两个节点之间的一个路径线段集合，eijd为运输距离，dijc为运输成本，cijt为运输时间，tijδbiai→j代表货物由节点biωbiai→j代表物件货物由节点biμbiai→j为一组（0,1）变量，其中μbiai→j代表物件在节点bi（3）决策变量①当xijai取1时，代表物件由运输方式,ai可以顺利通过节点i至节点j之间的路段，否则②当ybiai→j取1时，代表物件在节点i存在运输方式ai转换为运输方式a3.2.2模型建立综合考虑多种因素的直接影响,建立基于最小运输时间、最小运输距离、和最低运输成本的综合路径优化模型,各公式和约束条件如（3.1）至（3.10）所示:最小运输时间：minT=ai=13i=1n最小运输距离：minD=ai=13i=1最小运输成本：minC=ai=13i=1nj=1约束条件：ybiai→j≤μj∈｛j|bi=1,bi为起点ai=13xai=13aj∈｛j|bi∈η（i）｝xijai+xijai=11≤i,j≤nybiai→j=其中，式（3.1）是最短的总运输时间优化的模型,运输总时长包含货物在途运输时间和货物在换装节点换装所花费时间总和；式（3.2）是运输总距离最短优化模型，在实际运输过程中，缩短运输距离能提高资源配置效率，减少运输过程中突发情况出现的概率；式（3.3）是运输成本最少优化模型，对于多式联运优化来说运输成本总是处在核心位置，只有不断降低成本，各物流企业才有盈利的空间；式（3.4）保证货物只在具有换装条件的运输节点进行换装；式（3.5）保证运输节点的货物输入量和输出量保持一致；式（3.6）约束了货物在任一条子路径中进行运输时只可使用一种运输方式；式（3.7）约束货物在任一中转节点能且仅能转换一次交通方式；式（3.8）保证了货物在多式联运运输体系中可以保持一定的连续性；式（3.9）和式（3.10）为≥0,1∈决策变量。3.3基于遗传算法的求解3.3.1编码如今遗传算法的实际应用非常广泛性,研究者们已经开发并提出了各种编码技术,总的来说,可以划分为三个大类:一般为二进制编码、符号式编码、浮点数式编码。目前并没有完全的指导思想和理论能够帮助我们正确地设计编码方案,必须根据存在的问题进行具体的分析,根据这些问题实际情况,采用各种不同的编码技术。对于带时间窗的多式联运路径优化问题,其可以被简单地理解为根据需求点和运输路径组合,但遗传算法并不是一种能够直接优化求解空间的优化方法。所以,我们需要将多式联运的路径优化问题解的思想和求得的解决形式,通过基因型串联空间中的遗传模拟量转换成基因型串联的数据,以便于遗传学上的计算。带有多个时间窗的多式组合联运编码路径产物优化的生成问题主要表现是基于不同次序的多式组合产物优化生成问题,为了尽量减少使用无效方法理解的次序产物组合生成,本文主要采用了大量自然数方法进行组合编码。假设一个虚拟点的运输工具港口当中有一个k辆作为虚拟点的运输工具,需求点点的个数分别为k和l,通过在其中直接增加大于k+1个作为虚拟点的运输工具港口就可以能够直接形成一个长度大约等于k+l+1的虚拟染色体串并进行虚拟编码字符串。例如,对于9个用户需要点由3辆自动运输工具共同进行运输服务的用户个人信息编码(0256014830790)，其含义为：第一种运输工具从运输港口出发，服务完顾客2，5，6后返回运输港口，形成子路径1；第二辆运输工具也从运输港口出发，服务完顾客1，4，8，3后返回运输港口，形成子路径2；第三辆运输工具从运输港口出发，服务完顾客7，9后返回运输港口，形成子路径3。以上对应的多式联运路径如下(其中0表示运输港口)：子路径1：0－2－5－6－0子路径2：0－1－4－8－3－0子路径3：0－7－9－0子路径内各个目标需求点都同样是有序的，若同一子路径中的不同需求节点进行交换，如子路径1中需求节点2和需求节点5，目标函数运行值会因此发生改变，但是由于子路径相互之间是无序存在的，若有子路径2和子路线3交换彼此的位置，目标函数运行值并不会因此变化。3.3.2初始种群遗传算法属于是概率搜索算法，它需要对种群进行初始化，以便于遗传算子的操作。遗传算法也可以说是一种随机优化方法，它同时在多个种群个体中寻找可行解。种群数量的大小会给遗传算法得到的最终数据与其运算效率带来一定的影响。所以当一个种群的规模过于小,遗传算法的性能就变得不好了。但是,当遗传算法的种群规模超出一定范围时,遗传算法进行局部最优求解的可能性就会降低,但遗传算法进行优化操作的时间复杂性和空间的复杂性就会随之增加。对于大规模的算例来说,可以通过增大种群规模等方式来计算获得更优的解空间。遗传算法对于最优化求解的分布搜索并不一定真的需要完全依赖初始原生种群,但是当初始的每个原生种群都已经完全能够均匀地被分布到所有的需要进行求解的有限空间内时,遗传算法可能因此而跳出一个局部最优化解的概率大大增加，这样将会更有利于搜寻得到全局最优解。所以,为了更好地让初始的种群能够尽量多地均匀分布到同一个解空间内,本文中基因遗传算法的初始种群将会采用随机方式进行生成。3.3.3选择算子遗传算法当中存在着多种选择算子。经典遗传算法中常使用轮盘赌这种选取方法。它是对空间进行回放的随机抽取分析。每一个个体到达下一代种群的概率都相当于其适应度对应值和个体在整个种群中的适应值之比。适应值越高,所选个体进入下一代种群的概率越高。随机转动一个小圆盘。当圆盘转动停止时，选择指针所指的点与扇面相对应，并随机选择相应的独立个体。这种随机选择个体的方法就是因为这个原因而得名的。由于选择的个体群体的有限规模和随机操作的次数,每个群体被正确选择的次数及其所选择的期望值例如等式（3.11）所示（3.11）之间必然存在有误差值，因此，选择方法与期望值之间的误差较大，有时甚至不能选择适应性较强的个体。3.3.4交叉算子交叉算子的设计与其实现和解决具体的问题有很大的紧密联系,应该跟编码的设计一起来思考,主要是包含了一些交叉节点的定义和位置,以及一些基因之间的交换。随着模式中进化代数的逐渐增加，模式中的所有基因将变得更加独立。只要构成模式的所有基因都存在，模式就有机会被搜索。在这种情况下，模式的最大基因极限分布的概率系数等于整个群体之间的系数与其基因的初始分布概率的乘积,与模式定义的基因距离不一定相关,说明采用交叉式计算子模式可以有效扩展整个种群的基因分布。对于多式联运路径优化问题，使用算术交叉非常有效。算术交叉是由两个独立个体相互之间进行线性组合得到另外两个全新个体的过程。算术交叉通常以以下由以下操作得到：(1)确定两个个体进行线性组合时的系数α；(2)根据规则生成两个全新的独立个体。3.3.5变异算子变异一般通过一个小概率值来改变字符串上一个或几个字符。变异算法可以产生区别于母体的新个体，这样也避免了选择和交叉等操作过程中可能出现的信息损失，可以一定程度上保持遗传算法原来的有效性。确保算法在计算中的精度和效率。交叉和变异算子互相之间开配合，帮助我们同时实现整个基于网络信息搜索优化空间的一个局部网络搜索和一个整体上的全局网络搜索,使遗传算法人员能够在网络搜索的优化过程中以良好的网络搜索优化方式迅速地准确完成搜索所需信息结果的搜索优化。在遗传算法中使用变异算子可以加强算法的局部搜索和寻优能力，遗传算法通常是从全局出发，不断接近所期望得到的全局最优解，但只靠交叉算子无法做到局部寻优，此时,如果我们通过使用一些变异算子来调整在编码字符串中某一组个体其中一些基因的数量,我们就可以从一组局部的某一组基因的角度考虑部分基因的数量,使得人群中的个体更容易接近其最优求解,从而大大提高了遗传算法在整个局部搜索过程中的准确性和效率。为防止遗传算法运行中出现早熟。通常使用一个新的基因来代替原有基因，来预防早熟，并且保持种群多样性。3.3.6适应度函数适应性的概念通常在计算中都是用来衡量各种群中其个体及他们进行优化和计算所能够实现的接近于最优解的好坏。适应性影响着个体从上一代遗传至下一代的发生概率及其大小,适应度值越大则概率越大，适应度值越小则概率越小。这个用来度量适应度的函数一般叫做适应度函数(FitnessFunction)。适应度函数通常被用于通过目标函数来判断每一个种群中各个体优劣的标准。适应度函数不仅被认为是对大量数学计算结果进行选取和研究时所必须掌握的基础,而且是算法演变过程中核心的驱动能量。适应度函数通常不会在其中出现为负值。在遗传算法的求解过程中，适应度值通常是越大越好。在研究多式联运路径优化问题时，成本最小化便是我们主要研究的目标之一，为了能够增大区分度以及更方便后续计算，本文使用目标函数倒数和区分度系数β的乘积来当作我们的适应度函数，β取值大小通过具体情况来定：通常适应度值小于1时，β取值大小100左右；若当适应度值较大时，β取1-2足以满足区分度。3.3.7终止规则遗传算法从本质上来说是一种概率搜索算法，需要我们设置一个合适的终止规则来使算法在优化过程中达到所需的求解精度时能够及时停止演化循环。通常有以下几种终止规则:(1)算法达到了设定的求解精度和优化目标；(2)算法达到了设定的迭代次数。本文所使用的遗传算法将设定进化代数作为终止规则，即在求解过程中判断进化代数是否为设定进化代数N。如果已经达到设定进化代数，则停止运算，否则继续进行优化运算。

第4章天津港算例4.1天津港多式联运路径优化模型在本文中我们选择的是中国北方航运中心之一———天津港来作为多式联运网络的起始点，终点是中国南部的沿海城市———湛江。在路径节点选择时，我们通常选择具有明显多式联运特征的港口或城市，湛江虽然位于内陆但地理条件优越，周围港口和内陆节点众多，适合用于研究多式联运问题。并且这一运输路线近几年货运量增长迅速，即便突发疫情导致全球范围内集装箱量出现负增长，这一多式联运路线也依旧保持一定的涨幅。在这个运输过程中,多式联运路径设计着重考察湛江周边地区可以自由选择的各类型港口及其内陆中转站，最终选择包括息烽、果园港、武汉、镇江港、连云港、沈阳。加上天津港和湛江共8个城市节点。主要考虑三种运输方式：即水运、公路和铁路。多式联运系统中的总物流费用一般包含了各从属节点间的运输费用,同时包括运输过程中发生运输方式转换导致发生的装卸、堆存和报关费用。所以想要降低运输全程的总物流费用，在确定的运费结构下，重点需要合理选择路径和运输方式。部分运输节点受到各种外部条件限制,可能不具有全部种类的运输方式,这些运输方式则被简单地在该表中忽视和省略。故表中罗列了8个城市。表中"--"指出了在网络中部分节点之间没有达到通行条件的路径,该节点在程序中把它们设置成极大的惩罚值(1×1000)。以天津港运送到湛江的多式联运路线为例子，假设有5个总计100t的20英尺集装箱需要运输，运输起点为天津港，运输终点为湛江。为使得到的结果更加准确，算例中的各数据来源都是实际值，来源于官方的数据查询网站或参考文献，并假定公路、铁路和水运都以柴油为燃料，当在水运和铁路两种运输方式之间进行转运时，默认使用公路运输衔接，这样是为了排除研究变量外的无关因素影响。从图4.1中可以看到,我们划分有以下5条运输路线，即（1）天津港—武汉——息烽——湛江；（2）天津港—武汉—果园港—湛江；（3）天津港—连云港—果园港—湛江；（4）天津港—连云港—镇江港—湛江；（5）天津港—沈阳—湛江。根据相关文献和参考资料制成详细数据表见表4.1至4.6。将多路径拆分成单路径之后可分别看成是多条单路径，然后对每条单路径进行时间限制的运输方式求解，然后通过对比每条路径所需最低费用，选择最优化的运输路径以及运输方式组合。图4.1运输网络图表4.1不同运输方式的运输成本、运输速度参数表运输方式运输成本（元/t/km）中转方式中转费用（元/t）中转时间（h/TEU）公路0.15公路-铁路2.50.20铁路0.18铁路-水运3.50.45水路0.27公路-水运2.60.34表4.2路线一运输方式/转换点天津港—武汉武汉—息烽息烽—湛江运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）公路—————————铁路12421508.2613181508.7810731507.15水路12082843.20——————表4.3路线二运输方式/转换点天津港—武汉武汉—果园港果园港—湛江运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）公路———867.58010.8412698015.9铁路12421508.26———13241508.83水路12082843.20921.02832.9———表4.4路线三运输方式/转换点天津港—连云港连云港—果园港果园港—湛江运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）公路638.6807.98———12698015.9铁路——————13241508.83水路9132832.6116192857.8———表4.5路线四运输方式/转换点天津港—连云港连云港—镇江港镇江港—湛江运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）公路638.6807.98338.8804.2318288022.9铁路——————水路9132832.61———25782892.07表4.6路线五运输方式/转换点天津港—沈阳沈阳—湛江运输距离（km）运输速度（km/h）运输时间（h）运输距离（km）运输速度（km/h）运输时间（h）公路677808.46———铁路68915011.50———水路164.2285.86283728101.32由于多目标函数一般较为复杂，所以通常通过线性加权的方式来把多目标问题转化为单目标问题，而本文构建的多式联运路径优化模型，涉及到成本、时间和距离三个变量，是典型的多目标优化问题，所以采用线性加权的方式来处理目标函数，处理后的目标函数如下所示：minZ=mini=13在式（4.1）中，λi是fi的权重因子，fi代表各目标函数，λi∈|0,1|，只需对λi赋予不同的数值，便可得到有不同权重的各个目标函数下优化结果在标准的多式联运运输体系中，多式联运的经营人除了考虑降低运输成本增加营运收益外，在市场经济中，经营人往往需要提供高质量的服务来获得其客户的满意度，以此形成良好口碑，获得长期稳定客户，开发潜在新客户，提高自身在市场中的竞争力。所以在一个典型的多式联运运输系统中，多式联运经营人一般把客户满意度放在首位，即使这需一定程度上承受因此带来的成本上升。在此前提下才去考虑降低运营成本。在这样的一个多式联运体系中的敏感度划分往往是运输时间＞运输距离＞运输成本。但就如本文前半部分所提，在疫情期间，多式联运成本不断提高，由于严格防疫政策带来的劳动力短缺，导致不论是用人成本、运输成本还是周转成本都普遍提高，多式联运优势不断缩小，许多企业难以为继，所以疫情期间对于降低运输成本是首要目标。其次疫情期间多式联运时效性受到影响，不管是一个多式联运订单中货物所需周转的次数和周转耗时，还是运输中的待转运和转运时长，即使是运输节点间的运输时长，都因此有所延长。这甚至导致无法按照规定时间交付货物，这会减少客户满意度，不利于企业的长期发展，所以时间是影响疫情期间多式联运的一个重要因素。此外，为了减少疫情期间交通管制带来的各种时间、空间上的不确定性，使货物能更符合预期计划的运输，及时交付至客户，适当的减少运输距离也很有必要。以上分析，不难对疫情期间的多式联运的影响因素进行敏感度划分：运输成本＞运输时间＞运输距离。通过以上的敏感度划分，确立了以下的敏感度值，敏感程度越大代表所对应的目标函数所占权重越大。通过表4.7，可确定λi的取值为λi表4.7敏感度划分程度表示敏感程度划分强（k1一般（k2弱（k3数值7354.2模型运算结果根据上文的天津港实例分析可以计算得到：λ1=0.333；λ2=0.2；λ3=0.467。在建立模型、收集数据和确立目标函数的权重系数后，对模型使用MATLAB进行求解，算法的基础设定值有最大迭代次数gen=50，变异概率Pm图4.2运行结果根据图4.2的运行结果图，可以得到天津港至湛江的多条多式联运路线中，第3条多式联运线路为最优路线，即在起始点天津港从水路出发，运送至中转节点连云港，不转换运输方式，从连云港继续采用水运运送至果园港，然后转换运输方式为铁路，运送至目的地湛江。在得到的最优多式联运方案中，共使用了铁路和水路两种运输方式，并进行了一次转运，转运发生在中转节点果园港。最终总费用为92546元，时间为101.5h，大约为4.3天，且满足各个约束条件。综上，对于运输期限T=4.3时，每条路径的最优运输方式已满足约束条件，因此该条运输路线为最优路径，而所选择的这种运输方式为最优运输方式，其组合则为多式联运的不同运输路径和不同运输方式的所求最优组合。4.3结果分析本文在求解多目标下的多式联运路径优化模型时，还综合考虑了疫情的影响，依据疫情对多式联运各环节的影响程度不同，本文研究中为3个不同的目标函数设定了不同的权重值，该权重的大小是基于疫情影响下的，在类似疫情这类突发事件影响下，时间、成本和距离的重要程度和正常的多式联运体系有明显的不同。在运用遗传算法得到了优化结果后，通过分析可以看到模型运行良好，从五条运输路线中选出了最优的运输路线，最优路线符合成本、时间和距离的综合最低，并且满足各项约束条件，结果符合预期值，结果的适应度值也比较高，证明了结果的可靠性。研究结果证明本文研究的疫情影响下的多式联运路径优化的可行性，具有一定的参考价值，可以为处于疫情或类似背景下的参与多式联运的相关企业单位提供一定的思考角度。由于现实中可获得的数据和可参考的文献资料限制，本文中的算法和模型存在一定的不足，尚不确定当迭代次数增大或运输节点增多后，模型和算法是否依旧存在可行性，具体模型和算法还有进一步改进的空间。第5章结论与展望鉴于多式联运高速发展的今天，对于多式联运的要求也越来越苛刻的前提下，本文从考虑疫情对于多式联运影响的角度出发，从货主角度出发，兼顾多式联运经营人的利益，探讨了疫情背景下，多式联运在时间、距离和成本的限制条件下的路径以及运输方式的最佳组合，以期达到时间和运费的双重节约，同时兼顾客户满意度。本文通过遗传算法求解，并通过实例进行求证。旨在为疫情等应急背景下的多式联运的发展提供一些思考方向，仅代表本人一些不成熟的想法，望对读者有一定的启发。

参考文献[1]柳春.基于物联网技术的茶叶多式联运优化研究[J].福建茶叶,2020,42(07):7-9.[2]FAZAYELIS,EYDIA,KAMALABADIIN.Location-routingprobleminmultimodaltransportationnetworkwithtimewindowsandfuzzydemands:Presentingatwo-partgeneticalgorithm[J].Computers&IndustrialEngineering,2018,119(5):233-246.[3]王陆平，肖伟，魏庆琦．基于不规则棱柱网络的低碳多式联运路径研究［Ｊ］．计算机应用研究，2014，31（8）：2275~2278．[4]梅梦婷,米小珍,郑晓军.基于DE和NSGA-Ⅱ的集装箱多式联运的路径优化算法[J].现代电子技术,2019,42(15):144-149.[5]万杰,魏爽.基于混合算法的多目标多式联运路径选择问题研究[J].天津大学学报(自然科学与工程技术版),2019,52(03):285-292.[6]张伟丰.基于Flexsim的多式联运路径优化仿真研究[J].湖北汽车工业学院学报,2018,32(03):55-59.[7]ChoJH，KimHS，ChoiHR.Anintermodaltransportnetworkplanningalgorithmusingdynamicprogram-ming—Acasestudy：FromBusantoRotterdaminin-termodalfreightrouting[J].AppliedIntelligence，2012，36(3)：529-541.[8]基于遗传算法的公铁水多式联运路径优化问题研究[J].范方玲子,王茂春,陈厚春.物流科技.2020(02)[9]张旭,降亚迪,袁旭梅.需求不确定下低碳多式联运路径优化[J].模糊系统与数学,2020,34(05):163-174.[10]朱欣媛,赵建有,张璐璐,杨雪峰.碳排放约束下考虑模糊时间窗的多式联运路径选择[J].物流科技,2020,43(11):77-82.[11]涂敏,张东强.低碳视角下阳逻港集装箱多式联运路径优化[J].工程与建设,2020,34(02):365-368.[12]BouchreyY,FronsooJ.Cost.carbonemissionandmodalshiftinintermodalnetworkdesigndecisions[J].internationalJouralofProuuctionEconomics,2015,164:388~399.[13]基于路径选择的多式联运网络优化研究[J].刘彦峰.数码世界.2018(04).[14]基于混合遗传算法的物流路径优化方法研究[J].申艳光,张玲玉,刘永红.计算机技术与发展.2018(03).[15]贾叶子,李博威.考虑环境外部成本的多式联运路径优化研究[J].武汉理工大学学报(交通科学与工程版),2020,44(03):541-546.[16]辛春林,孟佳,张建文,冯倩茹.危险品运输路径优化问题研究综述[J].中国安全科学学报,2018,28(03):102-107.[17]邵思杨.考虑港口忙闲时间窗约束的多式联运路径优化[D].大连海事大学,2020.[18]李玉民,邱梦,闫凯丽,刘颀欣.高铁参与下考虑时间窗的生鲜品多式联运路径选择[J/OL].重庆交通大学学报(自然科学版):1-8[2020-12-22].[19]李春华,谢泗薪.新冠肺炎疫情大考下物流企业多式联运的效果评价与优化攻略[J].价格月刊,2020(10):68-78.[20]李牧原.新冠肺炎疫情对我国集装箱运输业的影响及对策建议[J].集装箱化,2020,31(03):1-8.[21]刘大成.如何构建重大疫情下的物流供应链体系[N].现代物流报，2020-03-09（A06）.[22]黄喻勍,陶成伟,张金山,汪巍,郑晓忠,万彬.我国出入境多式联运集装箱检验检疫监管模式优化[J].集装箱化,2016,27(02):6-8.[23]贾旭文.新冠疫情下我国物资运输体系的优化[J].中国储运,2021(05):98-99.附录附录1functionret=Cross(pcross,lenchrom,chrom,sizepop,bound)%本函数完成交叉操作%pcorssinput:交叉概率%lenchrominput:染色体的长度%chrominput:染色体群%sizepopinput:种群规模%retoutput:交叉后的染色体fori=1:sizepop%随机选择两个染色体进行交叉index=randi(sizepop,2,1);%交叉概率决定是否进行交叉pick=rand;whilepick==0pick=rand;endifpick>pcrossflag=0;whileflag==0%随机选择交叉位置pos=randi(lenchrom);%随机选择进行交叉的位置，即选择第几个变量进行交叉，注意：两个染色体交叉的位置相同pick=rand;%交叉开始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;%交叉结束flag1=test(bound,chrom(index(1),:));%检验染色体1的可行性flag2=test(bound,chrom(index(2),:));%检验染色体2的可行性ifflag1*flag2==0flag=0;elseflag=1;end%如果两个染色体不是都可行，则重新交叉endendendret=chrom;%%清空环境clcclear%%遗传算法参数maxgen=50;%进化代数sizepop=100;%种群规模pcross=0.6;%交叉概率pmutation=0.01;%变异概率lenchrom=5;%变量字串长度bound=[00.9*pi;00.9*pi;00.9*pi;00.9*pi;00.9*pi];%变量范围%%个体初始化individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);%种群结构体%avgfitness=[];%种群平均适应度%bestfitness=[];%种群最佳适应度%bestchrom=[];%适应度最好染色体%初始化种群fori=1:sizepopindividuals.chrom(i,:)=Code(lenchrom,bound);%随机产生个体x=individuals.chrom(i,:);individuals.fitness(i)=fun(x);%个体适应度end%找最好的染色体[bestfitness,bestindex]=min(individuals.fitness);bestchrom=individuals.chrom(bestindex,:);%最好的染色体avgfitness=sum(individuals.fitness)/sizepop;%染色体的平均适应度%记录每一代进化中最好的适应度和平均适应度trace=[];%%进化开始fori=1:maxgen%选择操作individuals=Select(individuals,sizepop);%交叉操作individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);%变异操作individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[imaxgen],bound);%计算适应度forj=1:sizepopx=individuals.chrom(j,:);individuals.fitness(j)=fun(x);end%找到最小和最大适应度的染色体及它们在种群中的位置[newbestfitness,newbestindex]=min(individuals.fitness);[worestfitness,worestindex]=max(individuals.fitness);%代替上一次进化中最好的染色体ifbestfitness>newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)