CN110197311A - 一种基于智能优化的物流配送路径规划方法 - Google Patents

Abstract

本发明公开了一种基于智能优化的物流配送路径规划方法，涉及物流配送路径规划方法领域，为解决单纯的从配送的经济性角度出发考虑问题，却忽视了其他方面的优化目标的问题。步骤1：对影响路径规划的问题进行分析；步骤2：建立物流规划路线支点网络，引入容量、距离、时间窗、随机增加车辆路径的约束；步骤3：通过不同的路径问题建立数学模型，将时间窗＞容量＞距离＞随机增加车辆路径按主从层记进行排序；步骤4：通过程序对扩展车辆路径问题的数学模型的的正确性进行评估；步骤5：对蚁群算法进行改进，同时设置算法的实时更新；步骤6：录入订单，通过系统实例仿真，最后得出结论。

Description

一种基于智能优化的物流配送路径规划方法

技术领域

本发明涉及物流配送路径规划方法领域，具体为一种基于智能优化的物流配送路径规划方法。

背景技术

物流配送是现代物流中的重要环节，物流配送一端连接配送中心，一端连接客户，是一种集集货、分货、配货、配装和送货等多种功能于一体的物资流通方式；物流配送成本在物流总成本中占有很大的比例，而配送路线的优化能有效降低物流配送成本，因此研究物流配送路线的优化问题具有现实意义。

路径规划问题作为物流配送优化系统中的关键环节，其合理与否直接影响到物流配送的成本和企业效益，目前市面上的路径规划问题集中在车辆容量限制、顾客送货或取货需求等约束下，最低的总成本(如行驶里程最短)满足所有客户的需求，即单纯的从配送的经济性角度出发考虑问题，却忽视了其他方面的优化目标，如忽视了客户时间紧迫性和优先级别的差异，导致产生的很多路径违背了客户时间窗约束，成为不可行解。

发明内容

本发明的目的在于提供一种基于智能优化的物流配送路径规划方法，以解决上述背景技术中提出的单纯的从配送的经济性角度出发考虑问题，却忽视了其他方面的优化目标，如忽视了客户时间紧迫性和优先级别的差异，导致产生的很多路径违背了客户时间窗约束，成为不可行解的问题。

为实现上述目的，本发明提供如下技术方案：一种基于智能优化的物流配送路径规划方法，包括以下步骤：

步骤1：对影响路径规划的问题进行分析，统计了带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题四种问题；

步骤2：建立物流规划路线支点网络，并将不同等级的支点按层划分，引入容量、距离、时间窗、随机增加车辆路径的约束；

步骤3：通过不同的路径问题建立数学模型，并进行限定，将时间窗＞容量＞距离＞随机增加车辆路径按主从层记进行排序；

步骤4：通过程序对扩展车辆路径问题的数学模型的的正确性进行评估，当评估为否时，返回步骤1，重新建立数学模型，当评估为是时，继续下一步；

步骤5：分析蚁群算法在物流配送路径优化问题中的应用状况，然后就带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题进行研究，对蚁群算法进行改进，同时设置算法的实时更新；

步骤6：运用上述改进的物流配送路径优化问题的方案，录入订单，将订单的寄出地址与收件地址加入支点网络，记录包裹的重量、尺寸、类型、两地相隔距离以及选择的送货时间，通过系统实例仿真，实验时加入一些新的订单，用于呈现随机增加车辆的问题，同时加入采用对比分析法对改进算法进行评估，当评估为否时，返回步骤4，重新根据各问题修改蚁群算法，当评估为是时，最后得出结论。

优选的，所述步骤1中所述的带容量约束的车辆路径问题指设有若干个配送中也和客户节点，且配送中也与客户及客户与客户间的距离已知，各客户节点的需求量均小于车辆载重量，现要从配送中也出发，用若干台车辆向某区域范围内的若干客户节点提供配送服务；要求科学规划车辆出行路线，使得在保证完成配送任务的条件下车辆行驶里程最短，同时满足车辆容量和行驶距离限制；

带时间窗限制的车辆路径问题是一种重要的车辆路径问题类别，是根据物流配送实际对标准车辆路径问题进行的拓展，在规划配送路线时，不仅要考虑车辆的容量约束和单次最大行驶距离约束，还要考虑客户对提供配送服务的最早和最迟时间限制；通常，可以用时间窗[tis，tie]来表示，即货物送到的时间不能早于最早时间，也不能迟于最迟时间；

带回程车辆路径问题是对标准路径规划问题的扩展；在带回程车辆路径问题中，所有客户节点被划分为两类，即有送货需求的客户点集和有取货需求的客户点集；所有客户节点的位置和需求固定且已知，要求先送货后取货，即先向有送货需求的客户节点提供服务，而后再服务有取货需求的客户节点；要求合理安排车辆配送路线，使既能满足配送任务，又使所需车辆数最少、车辆行驶里程最短；

随机车辆路径问题是在标准车辆路径问题基础上发展起来的一类不确定性车辆路径问题，在随机车辆路径问题中某些参数变量是不确定的，可分为以下三类：

①随机顾客：即客户出现为不确定变量，服从某概率分布；

②随机需求：即客户的对货物的需求量为不确定变量；

③随机时间：即客户要求的服务时间和车辆出行时间。

优选的，所述步骤3中带回程车辆路径问题对数学模型进行限定：用数学语言进行如下描述：

以最小化系统运行费用作为目标，建立的车辆路径问题模型如下所示：

x_ijk∈{0,1}(i,j＝0,1,…,n；k＝1,2,…,k) (7)

y_kj∈{0,1}(i＝0,1,…,n；k＝1,2,…,k) (8)

在配送中心编号通常用0进行表示，客户点编号用1，2，…，n来表示，配送中心和客户点通常用点i(i＝0，1，2，…，n)来进行表示，约束条件(6)和(7)的主要功能是用来保证如果客户点i，j在车辆k的行驶线路上，那么客户点i，j将由车辆k来进行相关的服务；目标函数(2)的主要功能是使车队总的服务费用降到最低程度；约束条件(5)是用来保证车辆都从配送中心出发并且能返回到配送中心；约束条件(3)主要用来约束车辆的装载能力；约束条件(4)是保证对每个客户都进行了服务。

与现有技术相比，本发明的有益效果是：

本发明对会影响解决车辆路径问题进行分析，对路径规划进行合理的、科学的调整，将时间窗放在运算的最高级，最大限度的满足客户的需要，提高客户的满意度，将容量防止第二有效的防止车辆过载的问题，保证包裹和快递员的安全，同时实时更新路线系统，如果出现新的订单更新车辆路径，不但可以提高物流经济效益、实现物流科学化，而且，也可以缓解城市交通压力、节约能源、降低污染，实现效率、资源、环境和价值观念各方面的内在统一，促迸物流业的进步和社会经济的可持续发展。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，

本发明提供的一种实施例：一种基于智能优化的物流配送路径规划方法，包括以下步骤：

步骤1：对影响路径规划的问题进行分析，统计了带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题四种问题；

步骤2：建立物流规划路线支点网络，并将不同等级的支点按层划分，引入容量、距离、时间窗、随机增加车辆路径的约束；

步骤3：通过不同的路径问题建立数学模型，并进行限定，将时间窗＞容量＞距离＞随机增加车辆路径按主从层记进行排序；

步骤4：通过程序对扩展车辆路径问题的数学模型的的正确性进行评估，当评估为否时，返回步骤1，重新建立数学模型，当评估为是时，继续下一步；

步骤5：分析蚁群算法在物流配送路径优化问题中的应用状况，然后就带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题进行研究，对蚁群算法进行改进，同时设置算法的实时更新；

步骤6：运用上述改进的物流配送路径优化问题的方案，录入订单，将订单的寄出地址与收件地址加入支点网络，记录包裹的重量、尺寸、类型、两地相隔距离以及选择的送货时间，通过系统实例仿真，实验时加入一些新的订单，用于呈现随机增加车辆的问题，同时加入采用对比分析法对改进算法进行评估，当评估为否时，返回步骤4，重新根据各问题修改蚁群算法，当评估为是时，最后得出结论。

进一步，步骤1中的带容量约束的车辆路径问题指设有若干个配送中也和客户节点，且配送中也与客户及客户与客户间的距离已知，各客户节点的需求量均小于车辆载重量，现要从配送中也出发，用若干台车辆向某区域范围内的若干客户节点提供配送服务；要求科学规划车辆出行路线，使得在保证完成配送任务的条件下车辆行驶里程最短，同时满足车辆容量和行驶距离限制；

带时间窗限制的车辆路径问题是一种重要的车辆路径问题类别，是根据物流配送实际对标准车辆路径问题进行的拓展，在规划配送路线时，不仅要考虑车辆的容量约束和单次最大行驶距离约束，还要考虑客户对提供配送服务的最早和最迟时间限制；通常，可以用时间窗[tis，tie]来表示，即货物送到的时间不能早于最早时间，也不能迟于最迟时间；

带回程车辆路径问题是对标准路径规划问题的扩展；在带回程车辆路径问题中，所有客户节点被划分为两类，即有送货需求的客户点集和有取货需求的客户点集；所有客户节点的位置和需求固定且已知，要求先送货后取货，即先向有送货需求的客户节点提供服务，而后再服务有取货需求的客户节点；要求合理安排车辆配送路线，使既能满足配送任务，又使所需车辆数最少、车辆行驶里程最短；

随机车辆路径问题是在标准车辆路径问题基础上发展起来的一类不确定性车辆路径问题，在随机车辆路径问题中某些参数变量是不确定的，可分为以下三类：

①随机顾客：即客户出现为不确定变量，服从某概率分布；

②随机需求：即客户的对货物的需求量为不确定变量；

③随机时间：即客户要求的服务时间和车辆出行时间。

进一步，步骤3中带回程车辆路径问题对数学模型进行限定：

用数学语言进行如下描述：

以最小化系统运行费用作为目标，建立的车辆路径问题模型如下所示：

x_ijk∈{0,1}(i,j＝0,1,…,n；k＝1,2,…,k) (7)

y_kj∈{0,1}(i＝0,1,…,n；k＝1,2,…,k) (8)

在配送中心编号通常用0进行表示，客户点编号用1，2，…，n来表示，配送中心和客户点通常用点i(i＝0，1，2，…，n)来进行表示，约束条件(6)和(7)的主要功能是用来保证如果客户点i，j在车辆k的行驶线路上，那么客户点i，j将由车辆k来进行相关的服务；目标函数(2)的主要功能是使车队总的服务费用降到最低程度；约束条件(5)是用来保证车辆都从配送中心出发并且能返回到配送中心；约束条件(3)主要用来约束车辆的装载能力；约束条件(4)是保证对每个客户都进行了服务。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明，因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (3)

1.一种基于智能优化的物流配送路径规划方法，其特征在于：包括以下步骤：

步骤1：对影响路径规划的问题进行分析，统计了带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题四种问题；

步骤2：建立物流规划路线支点网络，并将不同等级的支点按层划分，引入容量、距离、时间窗、随机增加车辆路径的约束；

步骤3：通过不同的路径问题建立数学模型，并进行限定，将时间窗＞容量＞距离＞随机增加车辆路径按主从层记进行排序；

步骤4：通过程序对扩展车辆路径问题的数学模型的的正确性进行评估，当评估为否时，返回步骤1，重新建立数学模型，当评估为是时，继续下一步；

步骤5：分析蚁群算法在物流配送路径优化问题中的应用状况，然后就带容量约束的车辆路径问题、带时间窗限制的车辆路径问题、带回程车辆路径问题和随机车辆路径问题进行研究，对蚁群算法进行改进，同时设置算法的实时更新；

步骤6：运用上述改进的物流配送路径优化问题的方案，录入订单，将订单的寄出地址与收件地址加入支点网络，记录包裹的重量、尺寸、类型、两地相隔距离以及选择的送货时间，通过系统实例仿真，实验时加入一些新的订单，用于呈现随机增加车辆的问题，同时加入采用对比分析法对改进算法进行评估，当评估为否时，返回步骤4，重新根据各问题修改蚁群算法，当评估为是时，最后得出结论。

2.根据权利要求1所述的一种基于智能优化的物流配送路径规划方法，其特征在于，所述步骤1中所述的带容量约束的车辆路径问题指设有若干个配送中也和客户节点，且配送中也与客户及客户与客户间的距离已知，各客户节点的需求量均小于车辆载重量，现要从配送中也出发，用若干台车辆向某区域范围内的若干客户节点提供配送服务；要求科学规划车辆出行路线，使得在保证完成配送任务的条件下车辆行驶里程最短，同时满足车辆容量和行驶距离限制；

带时间窗限制的车辆路径问题是一种重要的车辆路径问题类别，是根据物流配送实际对标准车辆路径问题进行的拓展，在规划配送路线时，不仅要考虑车辆的容量约束和单次最大行驶距离约束，还要考虑客户对提供配送服务的最早和最迟时间限制；通常，可以用时间窗[tis，tie]来表示，即货物送到的时间不能早于最早时间，也不能迟于最迟时间；

带回程车辆路径问题是对标准路径规划问题的扩展；在带回程车辆路径问题中，所有客户节点被划分为两类，即有送货需求的客户点集和有取货需求的客户点集；所有客户节点的位置和需求固定且已知，要求先送货后取货，即先向有送货需求的客户节点提供服务，而后再服务有取货需求的客户节点；要求合理安排车辆配送路线，使既能满足配送任务，又使所需车辆数最少、车辆行驶里程最短；

随机车辆路径问题是在标准车辆路径问题基础上发展起来的一类不确定性车辆路径问题，在随机车辆路径问题中某些参数变量是不确定的，可分为以下三类：

①随机顾客：即客户出现为不确定变量，服从某概率分布；

②随机需求：即客户的对货物的需求量为不确定变量；

③随机时间：即客户要求的服务时间和车辆出行时间。

3.根据权利要求1所述的一种基于智能优化的物流配送路径规划方法，其特征在于，所述步骤3中带回程车辆路径问题对数学模型进行限定：

用数学语言进行如下描述：

以最小化系统运行费用作为目标，建立的车辆路径问题模型如下所示：

x_ijk∈{0,1}(i,j＝0,1,…,n；k＝1,2,…,k) (7)

y_kj∈{0,1}(i＝0,1,…,n；k＝1,2,…,k) (8)

在配送中心编号通常用0进行表示，客户点编号用1，2，…，n来表示，配送中心和客户点通常用点i(i＝0，1，2，…，n)来进行表示，约束条件(6)和(7)的主要功能是用来保证如果客户点i，j在车辆k的行驶线路上，那么客户点i，j将由车辆k来进行相关的服务；目标函数(2)的主要功能是使车队总的服务费用降到最低程度；约束条件(5)是用来保证车辆都从配送中心出发并且能返回到配送中心；约束条件(3)主要用来约束车辆的装载能力；约束条件(4)是保证对每个客户都进行了服务。