无标度物流网络中延误扩散临界条件的仿真研究

doi:10.16182/j.issn1004731x.joss.20-0845

摘要/Abstract

摘要：

针对无标度物流网络延误扩散发生的临界条件，应用平均场理论，建立以延误节点密度为标度的常微分方程，求解延误扩散的临界条件；通过设计物流网络中延误扩散仿真系统，生成具有无标度属性的虚拟网络，对临界条件进行了仿真验证。研究结果表明：无标度物流网络中存在少数具有较高度值的关键节点，一旦这些节点出现服务障碍，将导致更大范围内的延误和更快的延误扩散速率。

关键词: 无标度物流网络, 延误扩散, 临界条件, 仿真检验

Abstract:

Aiming at the critical condition of delay diffusion in scale-free logistics network, a susceptible-infected-susceptible(SIS) model based on the density of delay nodes is established by mean field theory, and the critical value is solved. By designing the delay diffusion simulation system in logistics network, a virtual network with scale-free attribute is generated, and the critical condition is verified by simulation. The results show that there are a few key nodes with high value in scale-free logistics network. Once these nodes have service obstades, compared with other nodes, it will lead to a larger range of delay and faster delay diffusion rate.

Key words: scale-free logistics network, delay diffusion, critical condition, simulation verification

中图分类号:

TP391

姚红光,肖恢翚,张航 . 无标度物流网络中延误扩散临界条件的仿真研究[J]. 系统仿真学报, 2022, 34(4): 901-909.

Hongguang Yao,Huihui Xiao,Hang Zhang . Simulation on Critical Conditions of Delay Diffusion in Scale-free Logistics Network[J]. Journal of System Simulation, 2022, 34(4): 901-909.

图/表 15

图1

表1

图2

图3

图4

表2

图5

表3

表4

图6

图7

图8

图9

图10

图11

参考文献 16

1	Barabási A L, Albert R. Emergence of Scaling in Random Network[J]. Science(S0036-8075), 1999, 286(5439): 509-512.
2	何琨, 杨演昊, 林童, 等. 复杂网络局部特征分类[J]. 华中科技大学学报(自然科学版), 2020, 48(8): 2-6.
	He Kun, Yang Yanhao, Lin Tong, et al. Classification of Complex Networks Based on Local Features[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2020, 48(8): 2-6.
3	Wang Xiaomin, Ma Fe. Constructions and Properties of a Class of Random Scale-Free Networks[J].Chaos (Woodbury, N. Y. ) (S1054-1500), 2020, 30(4): 1-8.
4	Lyapin Sergey, Rizaeva Yulia, Kadasev Dmitry, et al. Methods to Analyze Traffic Demand Formation in Intelligent Transportation and Logistic Regional Network[J]. Transportation Research Procedia (S2352-1465),2020, 45(3): 522-529.
5	张雄飞, 李瑞敏, 郭旭明, 等. 带转向延误的拥挤交通网络配流模型及算法[J]. 清华大学学报(自然科学版), 2012, 52(6): 848-853.
	Zhang Xiongfei, Li Ruimin, Guo Xuming, et al. Traffic Assignment Problem Model with Turning Delays for Congested Networks[J]. Journal of Tsinghua University(Science & Technology), 2012, 52(6): 848-853.
6	Buzna Lubos, Peters Karsten, Helbing Dirk. Modelling the Dynamics of Disaster Spreading in Networks [J]. Physica A (S0378-4371), 2006, 363(4): 132-140.
7	翁文国, 倪顺江, 申世飞, 等. 复杂网络上灾害蔓延动力学研究[J]. 物理学报, 2007, 56(4): 1938-1943.
	Weng Wenguo, Ni Shunjiang, Shen Shifei, et al.Dynamics of Disaster Spreading in Complex Networks[J]. Acta Physica Sinica, 2007, 56(4): 1938-1943.
8	姚红光, 李智忠, 林彦. 突发交通事故下城市道路交通网络的延误扩散临界研究[J]. 系统管理学报, 2017, 26(4): 663-669.
	Yao Hongguang, Li Zhizhong, Lin Yan. Critical Boundary of Delay Spread on Urban Road Traffic Network under Disruptive Traffic Accidents[J]. Journal of Systems & Managemen, 2017, 26(4): 663-669.
9	Chowell G, Hyman J M, Eubank S. Scaling Laws for the Movement of People Between Locations in a Large City[J]. Physical Review E(S2470-0045), 2003, 68(6): 66-72.
10	李丹. 复杂物流网络下多层级供应链均衡优化仿真[J]. 计算机仿真, 2019, 36(6): 373-377.
	Li Dan. Multi-Level Supply Chain Equilibrium Optimization Simulation under Complex Logistics Network[J]. Computer Simulation, 2019, 36(6): 373-377.
11	Sivaramkumar V, Thansekhar M R, Saravanan R,et al. Demon-Strating the Importance of Using Total Time Balance Instead of Route Balance on a Multi-Objective Vehicle Routing Problem with Time Windows[J]. International Journal of Advanced Manufacturing Technology (S0268-3768), 2018, 98(8): 1287-1306.
12	Hiermann G, Puchinger J, Ropke S, et al. The Electric Fleet Size and Mix Vehicle Routing Problem with Time Windows and Recharging Stations[J]. European Journal of Operational Research(S0377-2217), 2016, 252(3): 995-1018.
13	邵晨曦, 陈小齐, 王行甫, 等. 基于数据场的复杂网络节点影响力建模与仿真[J]. 系统仿真学报, 2020, 32(7): 1257-1266.
	Shao Chenxi, Chen Xiaoqi, Wang Xingfu, et al. Modeling and Simulation on Influence of Complex Network Nodes Based on Data Field in[J]. Journal of System Simulation, 2020, 32(7): 1257-1266.
14	张博, 王玉峰, 梁忠诚. 基于平均场理论的社会网络中行为扩散的研究[J]. 计算机工程与应用, 2013, 49(16): 53-56.
	Zhang Bo, Wang Yufeng, Liang Zhongcheng. Study on Behavior Diffusion in Social Networks Based on Mean-Fieldtheory[J]. Computer Engineering and Applications, 2013, 49(16): 53-56.
15	Newman M E J. The Structure and Function of Complex Networks[J]. SIAM Review(S0036-1445), 2003, 45(2): 167-256.
16	Krapivsky P L, Redner S, Leyvraz F. Connectivity of Growing Random Networks[J]. Phys. Rev. Lett.(S0031-9007), 2000,
	85: 4629-4632.

参数	值
最大节点数	50、100、150
最大边数	150、400、750
节点平均度	3、4、5
初始图中的节点数	10
初始图中的节点连接概率	0.6
Alpha值	0.3
Beta值	0.3

网络	节点数	边	<k>	<k²>
A₁	34	70	3.11	29.53
A₂	100	282	3.36	24.42
A₃	96	319	6.50	89.04

网络	α	γ
A₁	1.349	-0.711
A₂	1.038	-0.926
A₂	1.128	-0.702

系统参数	参数取值
无标度网络邻接矩阵	A₁、A₂、A₃网络对应的0-1矩阵
网络线路距离矩阵	各矩阵元素乘以[0,100]的随机数
物流流速	各矩阵元素乘以[0,50]的随机数
时间刻度	1
系统平均物流总数	34、100、96
新路线选择概率	0.50
初始延误站点数	11、34、32

[1]	黄涛, 张智, 丁玉杰, 陈艳波, 王晶, 张文倩. 考虑动态频率安全与N-k故障的鲁棒应急调度方法[J]. 系统仿真学报, 2025, 37(12): 2981-2993.
[2]	张润昭, 陈艳波, 黄涛, 田昊欣, 强涂奔, 张智. 基于异构负荷特征解析预测的虚拟电厂调度方法[J]. 系统仿真学报, 2025, 37(12): 2994-3006.
[3]	于祥星, 赵艳东, 张宝琳. 基于电涡流NES的海上风机塔架振动控制[J]. 系统仿真学报, 2025, 37(12): 3007-3017.
[4]	李斌, 王于绰. 基于多策略融合的光伏系统故障诊断方法[J]. 系统仿真学报, 2025, 37(12): 3018-3032.
[5]	李孝斌, 胡冰, 尹超, 李波, 马军. 基于时空图卷积的汽车配件供应链需求预测与仿真分析[J]. 系统仿真学报, 2025, 37(12): 3060-3074.
[6]	彭艺, 雷云揆, 杨青青, 李辉, 王健明. 改进PID搜索算法的山地环境无人机路径规划[J]. 系统仿真学报, 2025, 37(12): 3075-3086.
[7]	伍枢珩, 刘永奎, 张霖, 肖莹莹, 王力翚. 基于改进YOLOv8的轻量级装配工件检测算法[J]. 系统仿真学报, 2025, 37(12): 3099-3111.
[8]	陈逸, 邱思航, 朱正秋, 季雅泰, 赵勇, 鞠儒生. 基于启发式的人-大模型协作寻源方法[J]. 系统仿真学报, 2025, 37(12): 3112-3127.
[9]	任亮, 周泽榕, 马云峰. “货到人”系统订单拣选和分拣协同优化问题[J]. 系统仿真学报, 2025, 37(12): 3128-3139.
[10]	索婧怡, 卢柏宏, 屈澈. 影视LED光源光强分布测定及其在游戏引擎中的仿真研究[J]. 系统仿真学报, 2025, 37(12): 3140-3151.
[11]	龚建兴, 胡海, 任海慧, 吴瑞祥. 面向虚实结合的军事训练系统互操作模型与运用[J]. 系统仿真学报, 2025, 37(12): 3161-3175.
[12]	徐智霞, 王蕊, 孙楠, 何兵, 沈晓卫, 朱晓菲. 基于改进遗传算法的协同干扰资源分配问题研究[J]. 系统仿真学报, 2025, 37(12): 3176-3189.
[13]	刘翔, 金乾坤. 基于PAC-Bayes的多目标强化学习A2C算法研究[J]. 系统仿真学报, 2025, 37(12): 3212-3223.
[14]	杨兰英, 李超, 邹海锋, 万江涛, 张仁强, 刘惠, 卢宏. 基于改进蚁群算法与A*算法相融合的机器人路径规划优化[J]. 系统仿真学报, 2025, 37(11): 2956-2965.
[15]	苏筱婷, 张小威, 田义, 李奇, 王帅豪. 星光导航动态仿真场景时序设计方法研究[J]. 系统仿真学报, 2025, 37(11): 2946-2955.