CN102314648A - 货车运输路径的优化方法 - Google Patents

Abstract

本发明涉及一种货车运输路径的优化方法，包括：判断所述各站点的货物属性是否满足货车运输条件；将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习；将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习；将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习；将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习后的学子两两相比，选取所述货车较优的运输路径组成新的学子集合。本发明的方法具有容易实现、简单、应用广泛、使用便捷等技术特征和优点。

Description

货车运输路径的优化方法

技术领域

本发明涉及一种货车运输路径的优化方法。

背景技术

随着市场经济的发展与繁荣，货物运输的物流成本在整个经济运行中所占的比重越来越高，因此，如何降低运输成本，提升运输效率，提高运输效益等问题，日益显的重要，成为影响物流发展的重要一环。在货物运输中路径的优化问题，即货车运输路径的优化问题是降低运输成本、提高运输效益的关键因素。具体的，就是根据货物运输的已知条件和目标约束条件，寻找一般最符合条件的货车运输路径，使得货车运输利润最大化。

下面以实例说明(见图4)：

上海某物流公司的长途运输大型货车A，承接了运输货物从上海到拉萨，当前因信息共享不充分及无相关大型数据、算法处理技术，导致货车A到达目的地卸载货物后往往陷入迷茫，跑到货运公司等好长时间才能了解哪里有货源的信息。如果找不到货源往往空车开回出发地上海，造成了巨大浪费。本专利提出货车搜寻最优运输路径的技术，在物流信息交互平台上，将货源、车源、等相关信息充分共享，后台提供搜索引擎，使得长途货车和货源最优匹配。如通过系统搜索匹配，推荐货车A在要求回到出发地上海的时间内，从拉萨运输某货物到乌鲁木齐，然后从乌鲁木齐运输货物回到上海，这样的货车A无空载闲置的浪费，实现了车主利润最大化。由于顺路运货，运价也许低，货主支付的运费低，这样就实现了车主，货主双方利润的最大化，实现高效运输。

发明内容

本发明的目的在于提供一种能够提高运输效益的货车运输路径优化方法。

一种货车运输路径的优化方法，所述货车的一种运输路径经过的站点形成一个学子，所述货车的各种运输路径经过的站点形成一个学子集合，所述方法包括如下步骤：判断所述货车运输路径的学子集合的各站点的货物属性是否满足货车运输条件；若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习；若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习；若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习；将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习后的学子两两相比，选取所述货车较优的运输路径组成新的学子集合。

上述方法优选的一种技术方案，所述货车运输路径的各站点的货物属性包括运输费用、货物类型、重量、体积、运输出发地、目的地、出发时间、到达时间。

上述方法优选的一种技术方案，通过判断货物类型是否属于货车运输类型限制、货物重量是否小于货车运输重量限制、货物体积是否小于货车运输体积限制、两个相邻站点中前一站点的目的地是否是后一站点的出发地、两个相邻站点中前一站点的到达时间是否超出后一站点的出发时间来判断所述各站点的货物属性是否满足货车运输条件。

上述方法优选的一种技术方案，通过计算所述货车运输路径的总运输费用组成所述新的学子集合。

上述方法优选的一种技术方案，在所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习的过程中，对所述货车运输路径中各待运站点的货物进行编码，其中0表示不运输该站点货物，1表示运输该站点货物。

上述方法优选的一种技术方案，所述当前货车运输路径的初始个体历史最优学子集合随机产生、所述当前货车运输路径的全局最优学子、所述当前货车运输路径的局部最优学子比较优选产生。

上述方法优选的一种技术方案，更新所述当前货车运输路径的个体历史最优学子集合、所述当前全局最优学子、所述当前局部最优学子，将所述新的学子集合重新学习，比较并选取所述货车较优的运输路径，组成新一代的学子集合。

上述方法优选的一种技术方案，在所述货车运输路径的学子集合学习的过程中，采用分段的学习方法。

与现有技术相比，本发明采用LAE～IGL学习方法来选择货车运输的优化路径，按照货车的相关约束要求最优分配运输任务及路线，充分发挥运输资源的能力，避免空载浪费。提升物流运输业整体运营效率和管理水平，提高运营效益。本发明的方法具有容易实现、简单、应用广泛、使用便捷等技术特征和优点。

附图说明

图1是本发明的货车运输路径优化方法的流程图。

图2是本发明的方法中学子之间一段学习法的示意图。

图3是本发明的方法中学子之间两段学习法的示意图。

具体实施方式

本发明通过“向优学习的IGL型”学习算法(Learning Algorithm fromExcellent～Ibest，Gbest and Lbest，for short LAE～IGL)来选择货车运输的优化路径，实现货物的最佳匹配，从而提高运输效率，增强运输效益。为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

在本发明的货车运输路径的优化方法中，所述货车经过的一种运输路径经过的站点形成一个学子，所述货车的各种运输路径经过的站点形成一个学子集合。具体的，所述货车的各待运站点的货物属性包括货物类型m、重量w、体积v、运输出发地d_s、目的地d_f、出发时间t_s、到达时间t_f、运输费用c_i，则第i个运输点货物的属性可以表述为

[m_i，w_i，v_i，d_si，d_fi，t_si，t_fi，c_i](1)

所有运输点的货物构成待运货物集合，其可以表述为：

$\left(\begin{array}{cccccccc}{m}_1& w_1& v_1& d_{s1}& d_{f1}& t_{s1}& t_{f1}& c_1\\ m_2& w_2& v_2& d_{s2}& d_{f2}& t_{s2}& t_{f2}& c_2\\ L& L& L& L& L& L& L& L\\ m_n& w_n& v_n& d_{\mathrm{sn}}& d_{\mathrm{fn}}& t_{\mathrm{sn}}& t_{\mathrm{fn}}& c_n\end{array}\right)---\left(2\right)$

若所述货车运输路径包括n个待运站点，各个站点的货物表述为：

[x₁，x₂，x₃，......，x_n](3)

其中，x_i(i＝1，2，3，......n)为0或者1，若x_i为0，则表示所述货车不运输该站点的货物，若x_i为1，则表示所述货车运输该站点的货物，则[x₁，x₂，x₃，......，x_n]为货车的一种运输路径，即为一个运输路径学子。

所述货车的整个运输路径的总运输费用可以表述为

$R=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{c}_i---\left(4\right)$

其中，每个站点的货物属性应当满足的条件为

$\left\{\begin{array}{c}{w}_i\≤W\\ v_i\≤V\\ d_{\mathrm{fi}}=d_{\mathrm{si}+1}(i=\mathrm{1,2},...n)\\ t_{\mathrm{fi}}\≤t_{\mathrm{si}+1}(i=\mathrm{1,2},...n)\\ \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i(t_{\mathrm{fi}}-t_{\mathrm{si}})\≤T\\ m_i\∈M(i=\mathrm{1,2},...n)\end{array}\right.---\left(5\right)$

其中，w_i≤W表示货物重量w_i小于货车运输重量W的限制，v_i≤V表示货物体积v_i满足货车运输重量V的限制，d_f1＝d_su(i，u＝1，2，...n)表示两个相邻站点中前一站点的目的地d_fi是后一站点的出发地d_si或在同一地区，t_fi≤t_su(i，u＝1，2，...n)表示两个相邻站点中前一站点的到达时间t_fi没有超出后一站点的出发时间t_s，

表示货车运输路径所需的全部时间满足货车从出发点到终点的时间上限T，m_i∈M(i＝1，2，...n)表示货物类型m_i属于货车运输类型限制。

请参阅图1、图1是本发明的货车运输路径的优化方法的流程图。本发明的货车运输路径的优化方法包括如下步骤：

判断所述货车运输路径中各站点的货物属性是否满足货车运输条件，若满足条件，则采用本发明的方法进行货车运输路径的优化；若不满足条件，则对应站点的货物不属于本发明的方法进行货车运输路径优化的范围。具体的，可以采用式子(5)判断所述货车运输路径中各站点的货物属性是否满足货车运输条件。

选取当前货车运输路径的个体历史最优学子集合、当前全局最优学子、当前局部最优学子。具体的，所述当前货车运输路径的初始个体历史最优学子集合随机产生、而所述当前货车运输路径的其它个体历史最优学子集合、所述当前货车运输路径的全局最优学子、局部最优学子在上次货车运输路径优化过程中选取。

若各站点的货物属性均满足货车运输条件，将货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习，该学习过程可以用如下式子表示：

$X_i^I\left(k\right)=X_i\left(k\right)\⊕I_{\mathrm{best}}\left(k\right)---\left(6\right)$

其中，I_best(k)表示当前货车运输路径的个体历史最优学子集合，X_i(k)表示需要优化的货车运输路径的学子的集合，

表示X_i(k)向I_best(k)学习后形成的货物运输路径的学子集合，

表示学习符号，代表两个学子集体进行学习。

下面以货车运输路径包括12个站点待运输货物为例，说明上述X_i(k)向I_best(k)学习的方法。所述X_i(k)向I_best(k)学习的过程可以采用分段的学习方法，其中一段学习法如图2所示，随机选择一个小于待运货物站点数n的学习点，将学子集合A内的学习点内的货物站点对应复制到未成熟学子集合C，然后将另一个学子集合B对应学习点外的货物站点复制，并同所述未成熟学子集合C一起形成新的学子集合D。两段学习法如图3所示，随机选择两个小于待运货物站点数n的学习点，将学子集合E内的两个学习点内的货物站点对应复制到未成熟学子集合G，然后将另一个学子集合F对应学习点外的货物站点复制，并同所述未成熟学子集合G一起形成新的学子集合H。多段学习方法类似，在此不再累赘。

若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习，该学习过程可以用如下式子表示：

$X_i^G\left(k\right)=X_i\left(k\right)\⊕G_{\mathrm{best}}\left(k\right)---\left(7\right)$

其中，G_best(k)表示当前货车运输路径的全局最优学子，

表示X_i(k)向G_best(k)学习后形成的货物运输路径的学子集合。X_i(k)向G_best(k)学习的方法如图2、图3所示，在此不再累赘。

若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习，该学习过程可以用如下式子表示：

$X_i^L\left(k\right)=X_i\left(k\right)\⊕L_{\mathrm{best}}\left(k\right)---\left(8\right)$

其中，L_best(k)表示当前货车运输路径的局部最优学子，表示X_i(k)向L_best(k)学习后形成的货物运输路径的学子集合。X_i(k)向L_best(k)学习的方法如图2、图3所示，在此不再累赘。

将所述向个体历史最优学子集合I_best(k)、全局最优学子G_best(k)、局部最优学子L_best(k)学习后的学子集合

两两相比，选取所述货车运输路径中较优的学子组成新一代的学子集合。该过程可以通过如下式子表示

$X_i(k+1)=X_i^I\left(k\right)I{X}_i^G\left(k\right)I{X}_i^L\left(k\right)---\left(9\right)$

其中，X_i(k+1)表示学习后的学子集合。具体的，将

的学子从大到小排序，取前m(学子集合规模)个学子组成新一代的学子集合X_i(k+1)，可以采用式子(4)将学子排列。至此完成货车运输路径的一次优化。

进一步的，根据X_i(k)向I_best(k)、G_best(k)、L_best(k)的学习结果，更新所述当前货车运输路径的个体历史最优学子集合、所述当前全局最优学子、所述当前局部最优学子，将所述货车运输路径优化后的学子集合重新学习，比较并选取所述货车运输路径再次组合形成新的学子集合。也可以通过设置最大优化次数，对所述货车运输路径进行多次优化，直到产生货车运输的满意路径。

与现有技术相比，本发明采用LAE～IGL学习方法来选择货车运输的优化路径，按照货车的相关约束要求最优分配运输任务及路线，充分发挥运输资源的能力，避免空载浪费。提升物流运输业整体运营效率和管理水平，减少运营成本费用，增强运输效益。本发明的方法具有容易实现、简单、应用广泛、使用便捷等技术特征和优点。

在不偏离本发明的精神和范围的情况下还可以构成许多有很大差别的实施例。应当理解，除了如所附的权利要求所限定的，本发明并不限于在说明书中所述的具体实施例。

Claims (8)

1.一种货车运输路径的优化方法，其特征在于，所述货车的一种运输路径经过的站点形成一个学子，所述货车的各种运输路径经过的站点形成一个学子集合，所述方法包括如下步骤：

判断所述货车运输路径的学子集合的各站点的货物属性是否满足货车运输条件；

若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习；

若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习；

若各站点的货物属性均满足货车运输条件，将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习；

将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习后的学子两两相比，选取所述货车较优的运输路径组成新的学子集合。

2.如权利要求1所述的货车运输路径的优化方法，其特征在于，所述货车运输路径的各站点的货物属性包括运输费用、货物类型、重量、体积、运输出发地、目的地、出发时间、到达时间。

3.如权利要求2所述的货车运输路径的优化方法，其特征在于，通过判断货物类型是否属于货车运输类型限制、货物重量是否小于货车运输重量限制、货物体积是否小于货车运输体积限制、两个相邻站点中前一站点的目的地是否是后一站点的出发地、两个相邻站点中前一站点的到达时间是否超出后一站点的出发时间来判断所述各站点的货物属性是否满足货车运输条件。

4.如权利要求2所述的货车运输路径的优化方法，其特征在于，通过计算所述货车运输路径的总运输费用组成所述新的学子集合。

5.如权利要求1所述的货车运输路径的优化方法，其特征在于，在所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习的过程中，对所述货车运输路径中各待运站点的货物进行编码，其中0表示不运输该站点货物，1表示运输该站点货物。

6.如权利要求1所述的货车运输路径的优化方法，其特征在于，所述当前货车运输路径的初始个体历史最优学子集合随机产生、所述当前货车运输路径的全局最优学子、所述当前货车运输路径的局部最优学子比较优选产生。

7.如权利要求1所述的货车运输路径的优化方法，其特征在于，更新所述当前货车运输路径的个体历史最优学子集合、所述当前全局最优学子、所述当前局部最优学子，将所述新的学子集合重新学习，比较并选取所述货车较优的运输路径，组成新一代的学子集合。

8.如权利要求1所述的货车运输路径的优化方法，其特征在于，在所述货车运输路径的学子集合学习的过程中，采用分段的学习方法。

Images