laimhx / bundleshipping

This is the Java program for solving bundle shipping problems.

I. Java program running method

This is the Java program for solving bundle shipping problems. The main file is Main.java. Run this file would generate the results for a given set of data instances. Specify the data set in file AlgoRunner.java.

II. Data description

1. Vehicle and cost

(1) capacity: 33 pallets

1 pallet = 1,200 lbs = 544 kg 20000 lbs = 17 pallets

(2) The TL rate per km ** $$ \begin{equation} r_{ij} = \left{ \begin{array}{ll} 50, & \hbox{if $d_{ij}<=250$ km;} \ 40, & \hbox{if $d_{ij}>250$ km.} \end{array} \right. \end{equation} $$ 其中 $d_{ij}$ 是路线驾驶距离，单位: km.。

(3) Stop-off charges $f=$ 500 CNY/stop。

(4) load/unload service time 每个订单的装货/卸货时间： $$ \begin{equation*} serve(w) = \left{ \begin{array}{ll} 45 ; min, & \hbox{if $w \leq 10$ pallets;} \ 60 ; min, & \hbox{if $w \leq 15$ pallets;} \ 90 ; min, & \hbox{if $w &gt; 15$ pallets.} \end{array} \right. \end{equation*} $$

单位：min (分钟)。

(5) MSTL routes

• 任何一条 MSTL route 的车辆从depot的出发时间可以为早上8:00，也可以为中午12:00；
• 车辆数量不限制；
• 选择单独LTL模式运输的订单不使用任何车辆，按照传统模式运输；

(6) 其他说明

• 每个订单的时间窗，即$[最早提货时间 t_{i}^{o}, 最晚送货时间 t_{i}^{d}]$ 或者为 $[8:00, 20:00]$ 或者为 $[12:00, 24:00]$
• 所有运输都要求在当天内完成
• 每辆车自行确定出发时间：一般，如果所提取的第一个订单最早提货时间 $t_{i}^{o}=12:00$，则该车辆应该选择12:00的出发时刻。

2. The shipping network data

（1）Centers.csv

属性	描述	备注
id	POI code
name	地点名称	货物起始地或目的地位置
city	市
district	所在城市的行政区	用省份邮编前三位表示
adcode	地区邮编
province	所在省份	以邮政编码前三位表示
long	经度
lat	纬度
type	站点类型	类型：start depot, return depot, shipping point

（2）route.csv

属性	描述	备注
origin	线路起点	POI 位置，代表一个物流节点
destination	线路终点	POI 位置，代表一个物流节点
distance	驾驶距离	单位：km
duration	驾驶时间	单位：hour

注意：

• 订单数量大于600以上的算例，称为大规模问题，不运行枚举算法
• 订单数量不超过600的算例，称为小规模问题，需要运行枚举算法

3. Input data format (示例)

File name: inst_JS_300_1.csv

Parameters:

startdepot	returndepot	numOrders	radius	maxOrder	maxTime	LIFO
B01FE15XQH	B0FFGPRVIT	357	40	3	12	1

Orders:

属性	描述	备注
id	货运订单编号
origin	货物起始地	POI 位置，代表一个物流节点
org_city	起始地所在城市	城市名称拼音
destination	货物目的地	POI 位置，代表一个物流节点
dest_city	目的地所在城市	城市名称拼音
distance	直达驾驶距离	单位：km
duration	直达驾驶时间	单位：hour
pallet	货物数量	单位：pallet
to	最早提货时刻	08:00, 或者为12:00
td	交货截止时刻	20:00, 或者为 24:00
LTL	零担模式单独运输费用	单位：CNY (人民币)
maxDelay	针对所有订单设定的一个共同的最大延迟时间	单位：hour
lateCost	订单的单位延迟费用	单位：CNY/(pallet*hour)

4 Output data format (示例)

File name: result_JS_20221102.csv

Results:

数据属性	定义	单位
ID	算例的ID，即输入数据的csv名称
numOrders	订单数量
radius	bundling 距离限制	km
maxOrder	bundling 订单数量限制
maxTime	bundling 车辆服务时间限制	hour
LIFO	loading 规则
COST_LTL	零担模式单独运输总成本	CNY (人民币)
ROUTE_2	枚举服务2个order的route数量
ROUTE_3	枚举服务3个order的route数量
ROUTE_4	枚举服务4个order的route数量
NUM_route	所有枚举出的可行route数量（不含单独运输的情形）
COST_enum	基于枚举的精确优化算法解的最优成本	CNY (人民币)
TIME_enum	基于枚举的精确优化算法计算时间（包含枚举路径和求解CPLEX模型的时间）	minute
LTL_enum	基于枚举的精确解中单独运输的订单数量
MSTL2_enum	基于枚举的精确解中服务2个order的route数量
MSTL3_enum	基于枚举的精确解中服务3个order的route数量
MSTL4_enum	基于枚举的精确解中服务4个order的route数量
		minute
delayOrder_enum	基于枚举的精确解中交付延迟的订单数量
delayTime_avg_enum	基于枚举的精确解中，对于发生交付延迟的那些订单，计算延迟时间的平均值	hour
delayTime_sd_enum	基于枚举的精确解中，对于发生交付延迟的那些订单，计算延迟时间的标准差	hour
NUM_local	ILS启发式算法总共搜索的局部最优解个数
LTL_ILS	ILS启发式算法解中单独运输的订单数量
MSTL2_ILS	ILS启发式算法解中服务2个order的route数量
MSTL3_ILS	ILS启发式算法解中服务3个order的route数量
MSTL4_ILS	ILS启发式算法解中服务4个order的route数量
COST_ILS	ILS启发式算法解的近似最优成本	CNY (人民币)
ITER_ILS	ILS启发式算法终止时的迭代次数
TIME_ILS	ILS启发式算法终止时的计算时间	minute
delayOrder_ILS	ILS启发式算法解中交付延迟的订单数量
delayTime_avg_ILS	ILS启发式算法解中，对于发生交付延迟的那些订单，计算延迟时间的平均值	hour
delayTime_sd_ILS	ILS启发式算法解中，对于发生交付延迟的那些订单，计算延迟时间的标准差	hour
epsilon_exact	基于枚举稳定性约束的MP问题分配解中 $\epsilon$ 的值	CNY (人民币)
MAXDEV_exact	基于枚举稳定性约束的MP问题分配解中稳定性相对偏离最大值： $100*(\sum_{i\in \mathcal{R}}\xi_{i} - \Gamma(\mathcal{R})) / \Gamma(\mathcal{R})$	%
instb_exact	基于枚举稳定性约束的MP问题分配解中违反稳定性约束的 route 比例	%
SAVE_avg_exact	基于枚举稳定性约束的MP问题分配解中, 对于所有被 MSTL route 服务的 order，计算成本节约 $100*(LTL cost - allocated ; cost) / LTL cost$ 的平均值	%
SAVE_sd_exact	基于枚举稳定性约束的MP问题分配解中, 对于所有被 MSTL route 服务的 order，计算成本节约 100*(LTL cost - allocated cost) / LTL cost的标准差	%
TIME_exact	基于枚举稳定性约束的MP问题求解时间 (包含枚举稳定性约束和求解CPLEX模型的时间）	minute
epsilon_LCS	LCS算法迭代求解稳定分配解中 $\epsilon$ 的值	CNY (人民币)
MAXDEV_LCS	LCS算法迭代求解稳定分配解中稳定性相对偏离最大值： $100*(\sum_{i\in \mathcal{R}}\xi_{i} - \Gamma(\mathcal{R})) / \Gamma(\mathcal{R})$	%
instb_LCS	LCS算法迭代求解稳定分配解中违反稳定性约束的 route 比例	%
SAVE_avg_LCS	应用ILS算法求解近似解，应用LCS算法迭代求解稳定分配解，对于所有被 MSTL route 服务的 order，计算成本节约 $100*(LTL cost - allocated ; cost) / LTL cost$ 的平均值	%
SAVE_sd_LCS	应用ILS算法求解近似解，应用LCS算法迭代求解稳定分配解，对于所有被 MSTL route 服务的 order，计算成本节约 100*(LTL cost - allocated cost) / LTL cost的标准差	%
CONSTR_LCS	LCS算法迭代求解稳定分配问题中总共加入的稳定性约束个数
CONSTR_LCS_initial	LCS算法迭代求解稳定分配问题中初始加入的稳定性约束个数
ITER_LCS	LCS算法迭代求解稳定分配终止时的迭代次数
TIME_LCS	LCS算法迭代求解稳定分配计算时间	minute
ITER_SP	最后一轮求解子问题SP时MSLS算法迭代次数
epsilon_SH	Shapley value 分配解中 $\epsilon$ 的值	CNY (人民币)
MAXDEV_SH	Shapley value 分配解中稳定性相对偏离最大值： $100*(\sum_{i\in \mathcal{R}}\xi_{i} - \Gamma(\mathcal{R})) / \Gamma(\mathcal{R})$	%
instb_SH	Shapley value 分配解中违反稳定性约束的 route 比例	%
SAVE_avg_SH	应用ILS算法求解近似解，应用 Shapley value 分配解，对于所有被 MSTL route 服务的 order，计算成本节约 $100*(LTL cost - allocated ; cost) / LTL cost$ 的平均值	%
SAVE_sd_SH	应用ILS算法求解近似解，应用 Shapley value 分配解，对于所有被 MSTL route 服务的 order，计算成本节约 100*(LTL cost - allocated cost) / LTL cost的标准差	%
epsilon_PR	基于重量比例式分配解中 $\epsilon$ 的值	CNY (人民币)
MAXDEV_PR	基于重量比例式分配解中稳定性相对偏离最大值： $100*(\sum_{i\in \mathcal{R}}\xi_{i} - \Gamma(\mathcal{R})) / \Gamma(\mathcal{R})$	%
instb_PR	基于重量比例式分配解中违反稳定性约束的 route 比例	%
SAVE_avg_PR	应用ILS算法求解近似解，应用基于重量比例式分配解，对于所有被 MSTL route 服务的 order，计算成本节约 $100*(LTL cost - allocated ; cost) / LTL cost$ 的平均值	%
SAVE_sd_PR	应用ILS算法求解近似解，应用基于重量比例式分配解，对于所有被 MSTL route 服务的 order，计算成本节约 100*(LTL cost - allocated cost) / LTL cost的标准差	%
epsilon_DR	对偶规则分配解中 $\epsilon$ 的值	CNY (人民币)
MAXDEV_DR	对偶规则分配解中稳定性相对偏离最大值： $100*(\sum_{i\in \mathcal{R}}\xi_{i} - \Gamma(\mathcal{R})) / \Gamma(\mathcal{R})$	%
instb_DR	对偶规则分配解中违反稳定性约束的 route 比例	%
SAVE_avg_DR	应用ILS算法求解近似解，应用对偶规则分配解，对于所有被 MSTL route 服务的 order，计算成本节约 $100*(LTL cost - allocated ; cost) / LTL cost$ 的平均值	%
SAVE_sd_DR	应用ILS算法求解近似解，应用对偶规则分配解，对于所有被 MSTL route 服务的 order，计算成本节约 100*(LTL cost - allocated cost) / LTL cost的标准差	%