一种外贸物流路径的优化方法

摘要

本发明涉及一种外贸物流路径的优化方法，其解决了目前计算方法事实操作可行性不强，面对大规模的物流网络无法精确且成本高，无自适用学能力。其通过建立无向图模型推到出期望值模型进行计算得出最优路径。其可广泛应用物流运输领域。

主权项

一种外贸物流路径的优化方法，其特征在于包括以下步骤：(1)识别外贸物流网络中的实体，所述实体包括：起点，代理，第一运输公司，仓储站，第二运输公司和目的地；(2)构建外贸物流网络；(3)将所述外贸物流网络抽象为层次无向图；(4)针对所述层次无向图，面对不同场景，计算最优路径；所述层次无向图中，不同层次的节点抽象为无向图的节点集合V，不同层次节点之间的连线抽象为无向图边的集合E，形成G＝<V,E>；节点集合V可以分为k个不相交的子集：V＝S₁∪S₂∪…∪S_k，用V_i来表示一个节点，则有V_i∈S_i，边集E＝{＜V_i，V_i+1|V_i∈S_i，V_i+1∈S_i+1＞}，i∈{1,...,k‑1}，每条边e＝<v_i,v_j>的权为ω_ij表示该边在物流路径上的概率；所述步骤(4)中的计算方法如下：所述层次无向图中，每对<S_i,S_i+1>生成一个转移概率矩阵M；所述外贸物流网络存在6个实体,每一对实体之间有一个转移概率矩阵，因此，存在5个转移概率矩阵：M₁，M₂，M₃，M₄和M₅，矩阵M_i为<S_i,S_i+1>上的转移概率矩阵；定义如下的优化路径迭代方程：$\begin{array}{c}{v}^1=(1-c)M_1{v}^2+cp\\ v^2=\frac{1}{2}{M_1}^T{v}^1+\frac{1}{2}{M}_2{v}^3\\ v^3=\frac{1}{2}{M_2}^T{v}^2+\frac{1}{2}{M}_3{v}^4\\ v^4=\frac{1}{2}{M_3}^T{v}^3+\frac{1}{2}{M}_4{v}^5\\ v^5=\frac{1}{2}{M_5}^T{v}^3+\frac{1}{2}{M}_5{v}^5\\ v^6=(1-c)M_5{v}^2+cq\end{array}---\left(1\right)$向量p和q具有初始值，c是一个常数，根据经验设定为0.5，vⁱ是一个向量，vⁱ中的每一个维度分量v_hⁱ表示S_i中第h个节点被选中成为外贸物流路径一个结点的可能性；转移概率定义为：$\begin{array}{c}{f}_{\psi }(v_i,v_j)=\frac{1}{1+\exp (-F(v_i,v_j,\psi \left)\right)}\\ =\frac{1}{1+\exp (-\underset{k=1}{\overset{n}{\Sigma }}{\psi }_k{\left(v_i^k-v_j^k\right)}^2)}.\end{array}---\left(2\right)$参数ψ可以采用最大似然估计，对数似然函数是：其中m是边的数量；最大化步骤可表示为：$\begin{array}{c}\frac{\partial F(v_i,v_j,\psi )}{\partial {\psi }_k}=sim(v_i^k,v_j^k)\\ \frac{\partial L}{\partial {\psi }_k}=(-1)\underset{m}{\Sigma }\frac{\exp (-F(v_i,v_j,\psi \left)\right)}{1+\exp (-F(v_i,v_j,\psi \left)\right)}\frac{\partial F(v_i,v_j,\psi )}{\partial {\psi }_k}\\ =(-1)\underset{m}{\Sigma }\frac{\exp (-F(v_i,v_j,\psi \left)\right)}{1+\exp (-F(v_i,v_j,\psi \left)\right)}sim(v_i^k,v_j^k)\\ {\psi }_t={\psi }_{t-1}+\eta \frac{\partial L}{\partial \psi },\end{array}---\left(3\right)$其中η是迭代参数，当|ψ_t‑ψ_t‑1|小于预定义的ε值时，迭代结束；A：基于随机游走模型的运输路线算法当没有特殊要求或约束时，可以通过RWTR算法获得最佳路径；该算法直接采用随机游走模型优化路径，算法如下所示：算法的输入项为：出口商品属性P，业务数据集D；算法的输出项为：图G中的路径和转移概率矩阵；算法的运行步骤为：1)生成转移概率矩阵M₁，M₂，M₃，M₄，M₅；2)根据出口商品属性P生成向量p和q；3)初始化向量v¹,v²,v³,v⁴,v⁵,v⁶；4)判断v¹,v²,v³,v⁴,v⁵,v⁶的值是否收敛，如果收敛则跳转到步骤6)；5)根据所述优化路径迭代方程来更新v¹,v²,v³,v⁴,v⁵,v⁶的值；6)在向量vⁱ中，找到值最大的维度f，那么节点被选中作为优化路径中的一个节点；7)根据步骤6)，在v²,v³,v⁴,v⁵,v⁶上获取整个优化路径的节点；或者B：面向约束的运输路径算法，如下所示的CTR算法算法的输入项为：出口商品属性P，概率矩阵：M₁，M₂，M₃，M₄，M₅，约束L＝{l_i(s_j),s_j∈V‑S¹}，其中S¹表示外贸物流中的所有出发点组成的集合；算法的输出项为：图G中的路径；算法的运行步骤为：Ⅰ、根据出口商品属性P生成向量p和q；Ⅱ、初始化向量v¹,v²,v³,v⁴,v⁵,v⁶；Ⅲ、判断v¹,v²,v³,v⁴,v⁵,v⁶的值是否收敛，如果收敛则跳转到步骤Ⅴ；Ⅳ、根据所述优化路径迭代方程来更新v¹,v²,v³,v⁴,v⁵,v⁶的值；Ⅴ、将向量vⁱ中的每一个维度按照值的大小进行降序排列，顺序得找到值最大且满足约束l_i的维度h，那么节点被选中作为优化路径中的一个节点；Ⅵ、根据步骤Ⅴ，在v²,v³,v⁴,v⁵,v⁶上获取整个优化路径的节点；或者C:增量式运输路径算法一旦接收到增量数据集D_t，转换概率矩阵M1，M2，M3，M4，M5被公式(4)更新；${M_i}^{\prime }=\frac{\left|D\right|}{\left|D\right|+\left|D_t\right|}{M}_i+\frac{\left|D_t\right|}{\left|D\right|+\left|D_t\right|}{M}_{it},---\left(4\right)$其中,M_it是由D_t计算出来的转换概率矩阵；如下所示的ICTR算法：算法的输入项为：出口商品属性P，业务数据集D，新业务数据D_t，约束L＝{l_i(s_j),s_j∈V‑S¹}，其中S¹表示外贸物流中的所有出发点组成的集合；算法的输出项为：图G中的路径；算法的运行步骤为：步骤1，根据新业务数据生成转移概率矩阵M₁’，M₂’，M₃’，M₄’，M₅’；步骤2，根据出口商品属性P生成向量p和q；步骤3，初始化向量v¹,v²,v³,v⁴,v⁵,v⁶；步骤4，判断v¹,v²,v³,v⁴,v⁵,v⁶的值是否收敛，如果收敛则跳转到步骤6；步骤5，根据所述优化路径迭代方程来更新v¹,v²,v³,v⁴,v⁵,v⁶的值；步骤6，将向量vⁱ中的每一个维度按照值的大小进行降序排列，顺序得找到值最大且满足约束l_i的维度z，那么节点被选中作为优化路径中的一个节点；步骤7，根据步骤6，在v²,v³,v⁴,v⁵,v⁶上获取整个优化路径的节点。