基于乘用车物流运输模型程序算法的分析

６０　通过分析可得，该实际问题为双目标的最优化　模型　。　１模型的建立　ｎ　表示ｌ—ｔ型轿运车的数量；ｍ　表示Ｉ型乘　用车的数量，ｍ　表示Ⅱ型乘用车的数量，ｍ　表示Ⅲ　型乘用车的数量；　㈤（Ｓ．ｔ）表示第Ｓ型的第ｉ辆乘　用车装在第ｔ型的第　辆轿运车的第　层；其中，　，㈩（Ｓ．ｔ）表示第ｓ型的第ｉ辆乘用车装在第ｔ型的　第　辆轿运车的上层，　’（ｓ，　）表示第　型的第ｉ辆　乘用车装在第ｔ型的第．　辆轿运车的下层，ｓ＝１，２，　３；　＝１，２；ｔ＝１，２；ｉ＝１，２，…，ｍ　；　＝１，２，…，凡　。具　体符号说明如表１。　表１有关轿运车一乘用车符号标记　由表１可以清楚得看出：任意一辆乘用车在物　流运输中的具体装载方式，因此这样的标记方式具　有一定的科学性。　经分析，该实际问题属于双目标规划问题　。　接下来根据题意并结合实际，深度挖掘数据信息，在　模型建立之前确定目标函数和决策变量、寻找约束　条件。　（１）目标函数　在确保完成运输任务的前提下，物流公司追求　降低运输成本，影响成本高低的首先是轿运车使用　数量；其次，在轿运车使用数量相同情况下，１—１型　轿运车的使用成本较低，２—２型较高，１—２型略低　于前两者的平均值，用Ｐ　表示１—１型轿运车的使　用成本，用Ｐ　表示１—２型轿运车的使用成本，则　Ｐ　＜Ｐ：，且在实际情况中Ｐ　、Ｐ：均已知。　本问题为总成本尽可能低和轿运车的数量尽可　能小的双目标规划问题，目标函数如下：　２　２　３　ｍ　ａｒｉｎ　Ｃ＝∑Ｐ　∑∑∑∑　∥＂（Ｓ，ｔ＝１　＝Ｉｓ＝ｌ，＝ｌｉ＝１　ｔ）　ａｒｉｎ　ｎ＝ｎ１＋ｎ２　（２）决策变量　根据以上的分析，ｎ　和　（ｓ，ｔ）为决策变量（ｔ　＝１，２），其中　ｒ　第ｓ型车的第ｉ辆乘用车装到　似　（ｓ，￡）＝｛　第￡型车的第　辆轿运车的　层；　【０　否则。　（３）约束条件　１—１型与１—２型两种轿运车数量关系的约束：　为方便后续任务安排，每次ｌ一２型轿运车使用　量不超过１—１型轿运车使用量的２０％，所有的１—　１型车的数量为　．，所有的１—２型车的数量为ｎ　，　则有：　２０％ｎｌ≥ｎ２　（１）　Ⅲ型乘用车的约束：　受层高限制，高度超过１．７　ｍ的乘用车只能装　在１—１、１—２型下层，因此在实际装载中，Ⅲ型乘用　车只能装在１—１、１—２型轿运车的下层，不能装载　在１—１、１—２型轿运车的上层，即　…（３，ｔ）＝０（ｔ＝１，２）　（２）　轿运车车长的约束：　每一辆轿运车上装载的所有乘用车的纵向摆　放，相邻乘用车之间纵向及横向的安全车距均至少　为０．１　ｍ。１—２的上层只能装载运输Ｉ、Ⅱ型乘用　车，１—２的上层，本题只考虑纵向距离。对１—１型　轿运车而言，上下两层均单列装载，轿运车每层上装　载的所有乘用车的纵向距离加上各个相邻乘用车的　０．１　ｉｎ，应该小于该轿运车的车长，因此有：　３　ｍ　≥（０　＋０．１）　（ｓ，１）一０．１≤１９　（　：１，２；　＝１，２，…，　１）　（３）　对１—２型轿运车而言，下层单列装载，同上有：　３　ｍ　（　＋０．１）　’（ｓ，２）一０．１≤２４．３　（　＝１，２，…　：）　（４）　由于１—２型轿运车的上层装载２列乘用车，该　层上装载的所有乘用车的纵向距离加上各个相邻乘　用车的０．１　ｍ，应该小于该轿运车的车长的两倍，则：　３　ｍ　（０　＋０．１）　¨’（ｓ，２）一０．２≤２　Ｘ　２４．３　（　＝１，２，…，ｎ　）　（５）　轿运车最大数量约束：　每辆轿运车可以装载乘用车的最大数量在６到　２７辆之间，则：　３　ｍ２　２　６≤ｍａｘ∑∑∑　’（ｓ，ｔ）≤２７　第２期　ｔ　＝基于乘用车物流运输模型程序算法的分析　６ｌ　ｌ　吕（６）　目壮　青　２　遗传算法及适应度函数的构造　一　一　开一一一～一　一　‘　’一　模型的求解我们选择遗传算法　来寻找可行　解，遗传算法（Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ）是一种通过模拟自　然进化过程搜索最优解的方法，其中选择、交叉和变　异构成了遗传算法的遗传操作，遗传算法在解决优　化问题时，最主要的特征是：不在单点上寻优，而是　从整个种群中选择生命力强的个体产生新的种群，　下层尽量装满的约束：　题目要求“下层力争装满”，我们理解的“装满”　是在满足要求的情况下，不能再装入任何类型的乘　用车，即最后所剩的长度比Ｉ型、Ⅱ型、Ⅲ型三者车　上的最小值　还小就装满了，其中　＝ｍｉｎ（４．６１，３．６１５，４．６３）＋０．１：３．７１５　那么就得到下面关系式：　３　ｍ　一　（Ⅱ　＋０．１）　ｆ　’（ｓ，ｔ）＜３．６１５　（７）　上层两列力求对称的约束：　根据直观性分析：１—２型轿运车的上层可以装　载两列乘用车，为了保证轿运车行驶平稳，上层两列　装载时力求对称。当１—２的上层所装的同一类型　的乘用车数量为偶数时，显然能够保证轿运车行驶　平稳，即　ｍ　∑　【】’（ｓ，２）＝２ｋ，ｋ为正整数　ｓ＝１，２，３；　＝１，２，一・，ｎ２　（８）　以上是根据题意和对数据信息深度挖掘后得　到：决策变量与目标函数间的约束关系，在数学建模　过程中，这部分工作属于难点部分。　综上，建立单目的地的乘用车运输模型：　２　２　３　ｍｓ　ｍｉｎＣ＝∑Ｐ　∑∑　ｔ＝１　ｋ＝ｌｓ＝Ｌ　ｆ＝Ｉ　ｉ＝ｌ　∑（５，　）　ｍｉｎ　ｎ＝ｎｌ＋ｎ２　２０％　１＞１ｎ２；　‘　’（３，ｔ）：０（ｔ＝１，２）；　３　ｍ　ｓ（　＋０．１）ｘｉｊ（ｋ）（ｓ，１）一０．１≤ｌ９　（ｋ＝１，２　＝１，２，…，ｎ１）；　３　ｍ　ｉ　。（　＋０．１）ｘ　（ｓ，２）一０．１￣＜２４．３　（　＝１，２，…，ｎ２）；　（　＋０．１）　‘　’（５，２）一０．２≤２×２４．３　Ｓ．ｔ．　。　ｌ　（　＝１，２，…，ｎ，）；　６＜￣ｍａｘ　（　５：１　．ｌ　Ｉ　＝　．１　。　（ｔ＝１，２）；　一∑（ｎ　＋０．１）　‘。　＜３．６１５　．　５＝ｌ１　１　’　（　＝１，２，…，ｎ１；￡＝１，２）；　ｍ　ｓ㈩（ｓ，２）＝２ｋ　（ｋ为正整数，ｓ＝１，２，３；，＝１，２，…，ｎ２）。　应用随机转换原理时，遗传算法得到结果好坏，主要　依赖于遗传代数和解组规模。在实际中，可根据具　体要求，在合理的时间内对问题求解，如果得到的解　不满足要求，则可以增加遗传代数或是解组规模，有　望得到问题的全局最优解，当然这是以延长计算时　间为代价的。基本遗传算法的流程图如图３所示：　图３遗传算法的流程图　从实际的整车物流运输出发，并由简单到复杂　逐步考虑，层层深入，如此会为解决乘用车物流运输　计划问题提供宝贵的模型思想和简单算法。因此需　要通过直观性分析计算出１—１和１—２型轿运车的　所有满载方案，具体方案如表２和表３。　表２　１—１型轿运车装载方案　１—１型下层　Ⅲ　剩余（ｎ１）　方案一　０　０．２６　方案十四　４　０．１８　６２　表３　１—２型轿运车装载方案　为了清晰地表达，做符号说明：（Ｐ　‘¨，ｑ　‘　，　ｒ。　）表示轿运车的第ｋ层上装有Ｐ　‘　辆Ｉ型乘用　车、ｇ　’辆Ⅱ型乘用车、ｒ　辆Ⅲ型乘用车这类方案，　表示第　种方案；Ａ　为ｔ型轿运车的车长（ｔ＝１，２　分别表示１—１型和１—２型轿运车）。为了更好地　体现装载剩余的空间，定义第ｉ个装载方案的“装载　效率”为：　：　Ａ　ｒ　（ｋ＝ｌ，＼　２；ｔ＝ｌ，２），’　一．其中ｒ　为第ｉ个运载方案中剩余的空间。将遗　传算法及其思想应用到乘车物流运输模型中，具体　步骤如下　Ｊ：　第一步：随机产生初始种群，即从所有可能的装　载运输方案中随机ｍ种１—１型轿运车的装载方　案、ｎ种１—２型轿运车的装载方案，如下表：　第二步：确定收敛准则　要完成所有的装载运输任务，装载的ｉ型乘用　车的总量不少于需要装载的ｉ型乘用车的数量　，ｉ　＝１，２，３，定义“剔除函数”ｇ。、ｇ２、ｇ３：　ｆｌ，；ｏ３ｉｐ　’≥Ⅳ１（ｔ＝１，２）　ｇ１：｛　ｌ０，否则　ｆｌ，　≥Ｎ２（ｔ＝１，２）　ｇ２＝｛【０，否则　　ｒ１．　ｃｇｉｑ　≥Ⅳ３（　＝１，２）　ｇ３：｛　【０，否则　要使轿运车的成本尽量的低、轿运车尽量的少，　则应该使ｍ＋ｎ在｛ｍ＋ｎ｝集合中取到尽量小的值，　为了加大迭代的梯度，考虑ｅ一（ｍ　尽量的大；而旦　则应该尽量的大，但为了避免ｍ、／７，为０的情况，考　虑　尽量的大；轿运车装载以后剩余的空间尽量　的少，也就是说装载的效率应该尽量高，也就是说每　一辆轿运车被装的应该尽量的“满”，考虑　尽　量的大。据此定义“总体装载效率”　：　＝　・ｅ－（ｒｅ＋ｎ）。　第三步：适应函数的构造　为了剔除在约束条件下“明显”不是最优的装　载方案，建立适应函数：　ｎ　‘　∑ａ邑　－４－１　＋　。　，　到方案不满足　　尔什口纛　　；　ｙ＝　。，　；　这样便能逐步迭代，剔除“明显”不是最优的装　载方案，最后找出最优解或次优解。　３模型结果　应用以上算法思想并采用Ｊａｖａ—ｗｅｂ技术对模　型求解。　表４模型结果　注：模型结果不唯一，原因是采用遗传算法时，初值点　的选取是由计算机自动随机生成，具有任意性，但是模型的　结果都符合实际，真实有效，可供物流公司参考，从而采取最　佳运输方案。　根据模型思想和遗传算法的程序算法思想，将　数学问题转化为计算机程序问题，极大地提高了应　用计算机解决实际问题的能力。　该实际问题必须借助计算机程序来执行，程序　有许多，如Ｃ语言、Ｃ＋＋、Ｊａｖａ—ｗｅｂ和ＭＡＴＬＡＢ等。　但是多个计算机程序共同的算法是相同的，因此本　文的核心工作是提供算法思想和算法分析。　参考文献：　［１］ｈｔｔｐ：／／ｗｗｗ．ｍａｄｉｏ．ｎｅｔ／ｔｈｒｅａｄ一２２３９６５—１—１．ｈｔｍ１．　［２］董文永，刘进，丁建立，等．最优化技术与数学建模［Ｍ］．　北京：清华大学出版社，２０１０．　（下转第６５页）　第２期　陕北高校理工科大学生文化素质教育现状调查及其研究　６５　地方特色，对本地红色文化的了解很好，但其他方面　的人文知识如对文学、历史、哲学、艺术等方面的知　识知之甚少，明显不如本地红色文化的掌握。第二，　因为身处的地域原因，同城高校数量较少，不利于相　互交流，相比省会城市高校的文化素质教育观念有　些滞后。另一方面，校内教师大多来自本地或本校　毕业生，使教育理念和文化素质教育过于本土化。　更多学科的知识，成为复合型的高级人才。所以在　以后的文化素质教育改革中要多引进校外师资，特　别是教育发达地区的师资人才，使人文师资多样化，　定期组织本地师资去省会城市高校进行培训交流，　使本地区的文化素质教育综合全面发展。　参考文献：　［１］秦志勇，谭旭东．理工科大学生文化素质教育论［Ｊ］．中　知识结构是否完善是理工科大学生参与社会竞　山大学学报，２００８（３）：５５—５９．　争的重要因素。加强理工科大学生的文化素质教　［２］徐艳．高校人文素质教育实施策略刍议【Ｊ］．内蒙古农　育，完善知识结构，可以不断丰富和扩展大学生的知　业大学学报，２０１３（５）：１２３—１２５．　识领域，使大学生在具有扎实专业技能的同时，具备　［责任编辑贺小林］　Ｓｕｒｖｅｙ　ａｎｄ　Ｒｅｓｅａｒｃｈ　ａｂｏｕｔ　Ｐｒｅｓｅｎｔ　Ｓｉｔｕａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｃｕｌｔｕｒａｌ　Ｅｄｕｃａｔｉｏｎ　ｆｏｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｓｔｕｄｅｎｔ　ｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｎｏｒｔｈｅｒｎ　Ｓｈａａｎｘｉ　ＪＩＡＮＧ　Ｊｉｎ—ｐｉｎｇ，ＺＨＡＮＧ　Ｘｉａｏ—ｍｉｎｇ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，Ｙａｎ　ａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｙａｎ　ａｎ　７１６０００　Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｔ　ｆｉｒｓｔ，ｔｈｅ　ｒｅｑｕｉｒｅｍｅｎｔｓ　ｆｏｒ　ｓｃｉｅｎｃｅ　ａｎｄ　ｅｎｇｉｎｅｅｒｉｎｇ　Ｓｔｕｄｅｎｔ　ｉｓ　ｄｉｓｃｕｓｓｅｄ　ｗｉｔｈ　ｔｈｅ　ｓｏｃｉａｌ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｔｈｅ　ｔｉｍｅｓ．Ｔｈｅ　ｐｒｏｐｅｒ　ｃｏｎｎｏｔａｔｉｏｎ　ｉｓ　ｄｅｆｉｎｅｄ　ｆｏｒ　ｔｈｅ　ｃｕｈａｒａｌ　ｑｕａｌｉｔｉｅｓ．Ｔｈｅｎ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｓｉｔｕａｔｉｏｎ　ｏｆ　ｃｕｌｔｕｒａｌ　ｑｕａｌｉｔｙ　ｅｎｄｕｃａｔｉｏｎ　ｆｏｒ　ｓｃｉｅｎｃｅ　ａｎｄ　ｅｎｇｉｎｅｅｒｉｎｇ　ｓｔｕｄｅｎｔｓ　ｉｓ　ｉｎｖｅｓｔｉｇａｔｅｄ　ｉｎ　ｔｈｅ　Ｎｏｒｔｈｅｒｎ　ｏｆ　Ｓｈａａｎｘｉ　ａｎｄ　ｔｈｅ　ｒｅａｓｏｎｓ　ａｒｅ　ａｎａ—　ｌｙｚｅｄ．Ｆｉｎａｌｌｙ　ｔｈｅ　ａｐｐｒｏａｃｈ　ｔｏ　ｒｅｆｏｒｍ　ｉｓ　ｄｉｓｃｕｓｓｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｓｃｉｅｎｃｅ　ａｎｄ　ｅｎｇｉｎｅｅｒｉｎｇ；ｃｕｌｔｕｒａｌ　ｑｕａｌｉｔｙ；Ｎｏｒｔｈｅｒｎ　ｏｆ　Ｓｈａａｎｘｉ　１　１　．　１　１．　贝　１　（上接第６２页）　［４］王占锋．求解非满载车辆调度问题的改进遗传算法［Ｊ］　［３］张磊．汽车整车配载与路线优化方案及算法研究［Ｊ］　计算机工程与设计，２００８，２（１５）：３９９１—３９９６．　计算机技术与发展，２０１１，２（６）：１９９—２２２．　［责任编辑毕伟］　Ｂａｓｅｄ　ｏｎ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｐａｓｓｅｎｇｅｒ　Ｔｒａｎｓｐｏｒｔ　Ｍｏｄｅｌｉｎｇ　Ｐｒｏｇｒａｍ　Ａｌｇｏｒｉｔｈｍ　ＬＩ　ＰＥＮＧ，ＤＯＵ　Ｊｉ—ｈｏｎｇ，ＺＨＯＮＧ　Ｗｅｎ—ｌｉｎ，ＬＵ　Ｋｅ—ｙｉｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ，Ｎｏｒｔｈｗｅｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ　ａｎ　７１０１２７，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｅ　ｑｕｅｓｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｌｅｖｅｎｔｈ　Ｇｒａｄｕａｔｅ　Ｍａｔｈｅｍａｔｉｃａｌ　Ｍｏｄｅｌｉｎｇ，ｗｈｉｃｈ　ｉｓ　ｒｅｌａｔｅｄ　ｔｏ　ａ　ｃｌａｓｓ　ｏｆ　ｐａｓｓｅｎｇｅｒ　ｔｒａｎｓｐｏｒｔ　ａｎｄ　ｌｏｇｉｓｔｉｃｓ　ｐｒｏｂｌｅｍｓ．Ｆｉｒｓｔｌｙ，ａ　ｓｉｎｇｌｅ　ｄｅｓｔｉｎａｔｉｏｎ　ｆｏｒ　ｐａｓｓｅｎｇｅｒ　ｔｒａｎｓｐｏｒｔ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｏｄｅｌ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ；ｓｅｃｏｎｄｌｙ　ａ　ｎｅｗ　ｉｆｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ　ｏｆ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ　ｉｓ　ｃｏｎｓｔｒｕｃｔｅｄ　ｗｈｅｎ　ｓｏｌｖｉｎｇ　ｔｈｅ　ｍｏｄｅ１．Ｔｈｉｓ　ａｌｇｏ—　ｒｉｔｈｍ　ｐｒｏｖｉｄｅｓ　ｎｅｗ　ａｌｇｏｒｉｔｈｍｓ　ｉｄｅａｓ　ｆｏｒ　ｔｈｅ　ｄｉｒｅｃｔ　ｕｓｅ　ｏｆ　ｔｈｅ　ｓｏｆｔｗａｒｅ　ｐｒｏｇｒａｍ　ｏｒ　Ｊａｖａ　ｗｅｂ　ｔｅｃｈｎｏｌｏｇｙ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｇｅｎｅｒａｌ　ｐｒｏｂｌｅｍ　ｏｆ　ｐａｓｓｅｎｇｅｒ　ｔｒａｎｓｐｏｒｔ　ａｎｄ　ｌｏｇｉｓｔｉｃｓ　ｐｌａｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｐａｓｓｅｎｇｅｒ　ｔｒａｎｓｐｏｒｔ　ｌｏｇｉｓｔｉｃｓ；ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ；ｆｉｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ；ｐｒｏｇｒａｍ　ａｌｇｏｒｉｔｈｍ