CN104598994A - 一种带时变时间窗的关联物流运输优化调度方法 - Google Patents

Abstract

本发明涉及一种带时变时间窗的关联物流运输优化调度方法，该方法的具体实现步骤为：1.配送中心获取预订客户的需求信息；2.利用II插入法对所有已知客户进行初始路径规划；3.基于差分进化算法的改进蜂群算法优化初始路径；4.配送中心采集时变信息，获取客户的新时间窗信息，记录客户的新时间窗的申请时刻；5.判断新信息到来的时刻时的关键点；6.采用改进II插入法把时变客户插入到对步骤3求解的初始路径中，以完成时变路径的优化；7.结束。获得时变时间窗关联物流运输调度的最终调度方案。

Description

一种带时变时间窗的关联物流运输优化调度方法

技术领域

本发明属于物流运输优化调度领域，涉及一种带时变时间窗的关联物流运输优化调度方法，用于求解时变时间窗关联的物流运输优化调度问题。

背景技术

物流运输优化调度问题是一类重要的组合优化问题，其应用广泛，涉及到生产、流通、消费等领域。它是指把配送中心的货物按客户要求进行组织配送，追求总运输成本最小或总利润最高。物流运输优化调度的核心内容是根据客户的货物需求量进行车辆的分配和各车辆配送路线的生成。在网络信息技术高速发展的今天，电子商务的应用更为普及，商家通过互联网进行网上交易的情况更加普遍，使得订货等信息能够在供应链系统中迅速地传递，并能使调度系统立即做出响应。因此，这就改变了从前客户一旦确定就不能立即处理新增客户的情况，实现了在执行调度计划的过程中，客户可以根据自己的实际情况实时地提出改变时间窗的需求。这种情况下，产生的客户新要求使得原来的路径规划须做出适当的调整，既能及时地满足客户要求，又使总的运输费用最为节省。这类问题我们称为时变时间窗关联车辆路径优化问题。

时变时间窗关联物流运输调度问题是一个新的问题，目前国内外研究的很少。但是，时变时间窗关联物流运输调度问题实质上是各种不确定因素引起的动态车辆路径问题，它属于动态车辆路径问题的研究范畴。在国外，Powell在文献指出随着动态车辆调度问题复杂性越高，其求解策略就越需要简化(见On languages for dynamic resource schedulingproblems.In:Crainic,T.G,Laporte,G.(Eds.),Fleet Management andLogistics.Kluwer,Boston,1998,127-157.)，实例证明，虽然像插入法、构造和改进算法等启发式算法的原理相对简单，但是这些算法却能在复杂的动态环境下获得较好的结果。在国内，国内对DVRP问题进行研究的文献相当少，且处于起步阶段。2003年谢秉磊在其博士论文中(见随机车辆路径问题研究.成都:西南交通大学,博士学位论文，2003.)里详细分析了动态车辆路径问题的各类模型及其算法。郭凤鸣(见郭凤鸣.动态环境下的车辆调度问题研究[D].上海：同济大学，硕士学位论文，2009.)在硕士论文中，考虑了多车辆、容量约束、时间窗约束，建立了基于动态时间轴的数学模型，并分静态解的构造和动态解的插入两个阶段设计了相应的启发式算法。蜂群的觅食行为是一种典型的群体智能行为。

蜂群算法(Bees Algorithm，BA)是建立在蜜蜂自组织模型和群体智能基础上的一种非数值优化计算方法。蜂群算法由于其控制参数少、易于实现、计算简洁等优点，已被越来越多的学者所关注。但是，蜂群算法具有容易限于局部最优、收敛速度比较慢等问题。为了求解带容量限制的物流运输优化调度问题，本发明引入禁忌搜索中禁忌表思想。禁忌表用以记录已经搜索过的局部最优点蜂群算法局部邻域搜索的不足，增加获得更好全局最优解的概率。

发明内容

为了解决一种常见的物流运输调度问题，优化各种不确定因素引起的动态车辆路径问题，发明了一种带时变时间窗的关联物流运输优化调度方法。本发明解决上述技术问题的技术方案包括以下步骤：

步骤1：在时变调度环境中，将整个调度周期建立为时间轴，记每一个新需求产生的时刻为τ，建立基于时刻τ的子静态模型subP(τ)。

步骤2：配送中心获取所有已知客户的需求信息，基于II插入法构造初始路径。步骤如下：

(2a)令未分配路径的客户集合U＝{1,2,...,N}，设定蜂群中侦察蜂的数目N_L＝1，即先派出一只侦察蜂；

(2b)为侦察蜂选定一个种子客户s，构成初始路线{0,s,0}；

(2c)采用改进的II插入法找到最优插入客户u^*。若u^*符合容量约束条件，并且满足t_i+T_i+T_iu≤L_u或者t_u+T_u+T_uj≤L_j，则将u^*插入到当前路径的客户对中间；否则，再派出一只侦察蜂，且N_L＝N_L+1并转(2b)，此时得到一条路径；判断U是否为空集，若不是空集，则重复步骤2)；否则，初始解构造结束，根据N_L确定侦察蜂在蜂群中的比例P_L＝N_L/SN。

步骤3：分进化算法的改进蜂群算法优化初始路径。

(3a)算法初始化。初始化种群规模SN、全局循环次数cycle＝1。利用步骤2构造初始解x_ij(i,j＝1,2,...,N)，并计算每个解的适应度；

(3b)局部循环次数l＝1；引领蜂对邻域进行搜索，采用差分进化算法对初始解进行变异和交叉操作，产生新解u_ij，并计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择。我们用d维向量X_i＝(x_i1,x_i2,...,x_id)^T来表示第i个蜜源(客户)的位置。式中，v_ij是新的蜜源的位置，x_ij为当前蜜源位置，Φ_ij是一个[-1,1]范围内的随机数，x_rj为随机选择一个邻域个体的蜜源位置，r∈{1,2,…,n}且r≠i。

(3c)检查禁忌表中是否有该解，如果有则转(3f)。

(3d)计算所有x_ij的适应度值，并根据公式计算与x_ij相关的概率值p_i；跟随蜂根据p_i选择引领蜂跟随，并采用差分进化算法对所选择的引领蜂的解进行变异和交叉操作，对邻域进行搜索产生新解v_ij，计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择。其中，fit_i是食物源i所代表的解的适应度函数，SN是食物源的总数，与引领蜂的数量相等。

(3e)l＝l+1，判断是否达到局部最大循环次数limit，如果l<limit，则转(3c)，否则转(3f)；

(3f)将该路径放入禁忌表中。则引领蜂转变为侦查蜂，并根据公式v_ij＝x_ij+R_ij(x_ij-x_kj)随机产生一个新解来替换它，记录目前为止最好的解；cycle＝cycle+1；R_ij是一个[-1,1]范围内的随机数，x_kj为随机选择一个邻域个体的蜜源位置，r∈{1,2,…,n}且r≠i。

(3g)判断是否达到全局最大循环次数M。如果cycle≥M，则输出最优结果，否则返回(3b)。

步骤4：插入法把时变客户插入到对步骤(3)求解的初始路径中，以完成时变路径的调整，满足时变客户的要求。假设客户u的原时间窗为[E_u,L_u]，车辆到达该客户的时间为t_u，需求量为q_u。它在τ时刻提出了改变原时间窗的要求，新时间窗为[E′_u,L′_u]。此时，判断τ时刻各条线路上的关键点(CR)，记车辆k(k＝1,2,...,K)，在τ时刻的未完成路线为i_m＝0。

当出现以下情况时予以拒绝客户u要求。

①新时间窗不在配送中心的工作时间窗内。

②如果是关键点的时间窗发生变化，由于车辆已经到达该客户位置或者正在前往该客户的途中，资源已经被占用，应予以拒绝。

当出现t_u∈[E_u,L′_u]这种情况时，无需对初始路径进行时变调整。

若不属于以上两种情况，则需要对初始路径进行实时调整。调整具体步骤如下：

(4a)在新需求到来的时刻τ，检查每辆车k所在线路的信息；对每条路线，计算车辆k的剩余载货量Q_k(τ)；找出所有Q_k(τ)≥q_u的车辆和路线，并记作路径集合R_z＝{R_k|Q_k(τ)≥q_u}，R_z元素个数为Z；若Z≤1则从车场新派一辆车，构建新线路{0,u,0}且k＝k+1；否则转下步。

(4b)置z＝1；

(4c)根据改进II插入法计算将客户u插入R_z第z条线路的相邻客户i，j的插入成本c(u^*)，得到点u的最优插入位置为R_z第z条线路的客户对(i_uz,j_uz)之间；令z＝z+1；

(4d)将u插入到R_z第z条线路的客户对(i_uz,j_uz)之间；

(4e)算法终止。

步骤5：结束，获得时间窗关联运输调度的最终调度方案。

本发明的技术效果在于发明一种时变时间窗关联物流运输优化调度研究方法，利用了蜂群算法在解决复杂组合优化问题的优点，有效地解决了物流运输行业中实际存在的问题。蜂群算法通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。由于算法利用了引领蜂和跟随蜂寻路的正反馈机制，在一定程度上可以加快进化过程。

综上所述，本发明提出了一种求解时变时间窗关联物流运输优化调度问题的方法，其优点在于：对于物流运输行业所存在的时变时间窗关联的运输调度实际问题，采用蜂群算法进行求解。蜂群算法的角色转换机制以及侦查蜂和引领蜂之间的正反馈机制能够加快收敛速度，它具有很强的发现最优解的能力，有极好的鲁棒性和广泛的适用性。满足物流调度行业的实际需求，提供了强有力的解决办法。

附图说明

图1为本发明的主要求解流程图。

图2为本发明的改进II插入法构造初始路径的流程图。

图3为本发明的改进蜂群算法的优化初始路径流程图。

图4为发明的改进II插入法实时调整路径流程图。

具体实施方式

下面通过附图和具体实施方法对本发明的技术方案做进一步的描述，但本发明的保护范围并不限于此。

一种时变时间窗关联的物流运输调度问题的解决方法，包括以下步骤：

步骤1：在时变调度环境中，将整个调度周期建立为时间轴，记每一个新需求产生的时刻为τ，建立基于时刻τ的子静态模型subP(τ)。

首先定义下列参数和变量：

N_c0(τ)：τ时刻下所有关键点及配送中心的集合；

N_u(τ)：τ时刻下所有未服务的客户和动态客户的集合；

N_cu(τ)：τ时刻下关键点、未服务的客户和动态客户的集合；

N_u0(τ)：τ时刻下所有未服务的客户、动态客户和配送中心的集合；

N_cu0(τ)：τ时刻，所有关键点、未服务的客户、动态客户和配送中心的集合；

q_i：表示各客户点i的货物需求量；

τ：表示调度中心接收到新客户需求的时刻；

K：表示所用车辆数；

Q：额定载重量，假定配送中心所有的车辆拥有相同的额定载重量；

Q_k(τ)：τ时刻车辆k的剩余货物量(包括关键点)；如果车辆还在配送中心，则Q_k(τ)＝0；

d_ij：客户i与j之间的路径长度；

v_ij：从客户i到j的车辆速度；

t_ij：客户i到j的时间；

T_i：各客户i的执行服务(卸货)时间；

t_j：车辆到达客户点j的时刻，其中t₀表示最晚一辆车返回配送中心O的时刻，t_j＝t_i+T_i+t_ij；

[0,T]：配送中心的服务时间窗；

[E_i,L_i]：客户i的硬时间窗。E_i表示最早开始服务时间，L_i表示最晚开始服务时间；

c_ij：车辆从客户i到j的单位距离成本，C为单位车辆的固定使用费用(包括驾驶员的工资、车辆使用基本费用)。

决策变量：

则τ时刻静态子调度模型subP(τ)可表述为：

$\min Z\left(\mathrm{\&tau;}\right)=\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\underset{j\&Element;N_{u0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ij}}{d}_{\mathrm{ij}}{x}_{\mathrm{ijk}}+\frac{\mathrm{\&alpha;}}{{\mathrm{\&lambda;}}_i}\underset{i\&Element;N_{\mathrm{cu}0\mathrm{\&tau;}}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\max \{E_i-t_i,0\}+C\&CenterDot;\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}}---\left(1\right)$

约束条件为：

$\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{q}_i{y}_{\mathrm{ik}}\&le;Q_k\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K---\left(2\right)$

t_i∈[E_i,L_i-T_i],i∈N_cu(τ)                    (3)

t₀≥T                                (4)

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}}=1,i\&Element;N_{\mathrm{cu}}\left(\mathrm{\&tau;}\right)---\left(5\right)$

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{0k}=K,k=\mathrm{1,2},...,K---\left(6\right)$

$\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=y_{\mathrm{ik}},j\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K---\left(7\right)$

$\underset{j\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}},k=\mathrm{1,2},...,K---\left(8\right)$

$\underset{j\&Element;N_u\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=1;i\&Element;N_{c0}\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K$

$\underset{i\&Element;N_{\mathrm{cu}}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{i0k}=1,k=\mathrm{1,2},...,K$

R_k＝{j|x_ijk＝1，i＝0,1,2...,n；j＝1,2,3,...,n}，k＝1,2,...,m；且R_s∩R_t＝φ，s,t＝1,2,...,m     (11)

x_ijk,y_ik＝0或1；i∈N_u(τ),j∈N_cu0(τ)；k＝1,2,...,K                 (12)

式(1)为目标函数，使总运费达到最小，其中总的运输成本由四项构成：第一项为车辆在各地点间行驶所产生的线路成本，主要为燃料费用；第二项为等待成本；第三项为迟到成本；第四项为K辆车辆的使用费用(包括驾驶员的工资、车辆使用基本费用)；式(2)为容量约束，即每辆车后续线路上的总的客户需求重不能超过车辆的剩余载货量；式(3)为硬时间窗约束，车辆到达客户的时间要在时间窗范围内；式(4)要求所有车辆必须在配送中心关闭前回到车场；式(5)为客户i的送货任务由一辆车辆来完成；式(6)为实际使用车辆均从配送中心出发，共K辆车辆；式(7)表示对任意客户，车辆k最多只能为该客户提供一次服务；式(8)表示车辆k如果到达某客户，则一定要离开这个客户去服务下一个客户；式(9)表示车辆k必须从配送中心或者关键点出发；式(10)表示车辆k必须返回配送中心；式(11)中，R_k表示车辆k依次服务的客户的编号的有序集合(R_k的构造：若x_0sk＝1，则R_k的第一个元素为s；若u∈R_k，且x_uvk＝1，则v∈R_k，且u、v相邻，v排在u之后；对R_k的最后一个元素w，有x_w0k＝1)；式(12)为变量的取值范围。

步骤2：配送中心获取所有已知客户的需求信息，基于改进II插入法构造的蜂群算法初始解构造初始路径。具体步骤如下：

(2a)令未分配路径的客户集合U＝{1,2,...,N}，设定蜂群中侦察蜂的数目N_L＝1，即先派出一只侦察蜂；

(2b)为侦察蜂选定一个种子客户s，构成初始路线{0,s,0}；

(2c)采用改进的II插入法找到最优插入客户u^*。若u^*符合容量约束条件，并且满足t_i+T_i+T_iu≤L_u或者t_u+T_u+T_uj≤L_j，则将u^*插入到当前路径的客户对中间；否则，再派出一只侦察蜂，且N_L＝N_L+1并转(2b)，此时得到一条路径；判断U是否为空集，若不是空集，则重复步骤(2c)；否则，初始解构造结束，根据N_L确定侦察蜂在蜂群中的比例P_L＝N_L/SN。

步骤3：分进化算法的改进蜂群算法优化初始路径，具体步骤如下：

(3a)算法初始化。初始化种群规模SN、全局循环次数cycle＝1。利用步骤(2)构造初始解x_ij(i,j＝1,2,...,N)，并计算每个解的适应度；

(3b)局部循环次数l＝1；引领蜂对邻域进行搜索，采用差分进化算法对初始解进行变异和交叉操作，产生新解u_ij，并计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择。设d维向量X_i＝(x_i1,x_i2,...,x_id)^T来表示第i个蜜源(客户)的位置。式中，v_ij是新的蜜源的位置，x_ij为当前蜜源位置，Φ_ij是一个[-1,1]范围内的随机数，x_rj为随机选择一个邻域个体的蜜源位置，r∈{1,2,…,n}且r≠i。

(3c)检查禁忌表中是否有该解，如果有则转(3f)。

(3d)计算所有x_ij的适应度值，并根据公式计算与x_ij相关的概率值p_i；跟随蜂根据p_i选择引领蜂跟随，并采用差分进化算法对所选择的引领蜂的解进行变异和交叉操作，对邻域进行搜索产生新解v_ij，计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择。其中，fit_i是食物源i所代表的解的适应度函数，SN是食物源的总数，与引领蜂的数量相等。

(3e)l＝l+1，判断是否达到局部最大循环次数limit，如果l<limit，则转(3c)，否则转至下一步；

(3f)将该路径放入禁忌表中。则引领蜂转变为侦查蜂，并根据公式v_ij＝x_ij+R_ij(x_ij-x_kj)随机产生一个新解来替换它，记录目前为止最好的解；cycle＝cycle+1；R_ij是一个[-1,1]范围内的随机数，x_kj为随机选择一个邻域个体的蜜源位置，r∈{1,2,…,n}且r≠i。

(3g)判断是否达到全局最大循环次数M。如果cycle≥M，则输出最优结果，否则返回(3b)。

步骤4：采用改进II插入法把时变客户插入到对步骤(3)求解的初始路径中，以完成时变路径的调整，满足时变客户的要求。假设客户u的原时间窗为[E_u,L_u]，车辆到达该客户的时间为t_u，需求量为q_u。它在τ时刻提出了改变原时间窗的要求，新时间窗为[E_u′,L_u′]。此时，判断τ时刻各条线路上的关键点(CR)，在τ时刻的未完成路线为

当出现以下情况时予以拒绝客户u要求。

①新时间窗不在配送中心的工作时间窗内。

②若关键点的时间窗发生变化，由于车辆已经到达该客户处或者正在前往该客户的途中，资源已经被占用，应予以拒绝。

当出现t_u∈[E_u,L′_u-L_u]这种情况时，无需对初始路径进行时变调整。

当非以上两种情况出现的时候，就需要对初始路径进行实时调整。调整具体步骤如下：

(4a)在新需求到来的时刻τ，检查每辆车k所在线路的信息；对每条路线，计算车辆k的剩余载货量Q_k(τ)；找出所有Q_k(τ)≥q_u的车辆和路线，并记作路径集合R_z＝{R_k|Q_k(τ)≥q_u}，R_z元素个数为Z；若Z≤1则从车场新派一辆车，构建新线路{0,u,0}，且z＝1；否则转至下一步。

(4b)置z＝1；

(4c)根据改进II插入法计算将客户u插入R_z第z条线路的相邻客户i，j的插入成本c(u^*)，得到点u的最优插入位置为R_z第z条线路的客户对(i_uz,j_uz)之间；令z＝z+1；

(4d)将u插入到R_z第z条线路的客户对(i_uz,j_uz)之间；

(4e)算法终止。

步骤5：结束，获得时间窗关联运输调度的最终调度方案。

仿真实验如下：

设有一个配送中心O，拥有额定载重量Q为20吨的同一车型的车辆若干辆，时间窗为[0,10]。某天有10个客户需要服务，各客户相关信息如表1所示。有两个客户提出更改时间窗的要求，其编号为2和7，相关信息如表2所示。客户间的距离可由位置坐标求得。分为3个时间段，车辆行驶的单位距离成本c_ij和行驶速度v_ij分时段如表3所示。单位车辆的固定使用费用C为30元/辆。车辆等待的单位时间成本α＝15元/h，迟到的单位时间成本β＝20元/h。

表1 客户信息

表2 提出新时间窗的客户信息

表3 车辆速度运费相关信息

本算例在windows 7安装系统下，采用MatlabR2010b进行仿真，运行20次。II算法中，参数θ＝0.7，容量约束θQ则为14吨。方便起见，改进II插入法中令a₁＝a₃，时间窗关联系数a₂的取值如表1。改进的蜂群算法中，设置缩放因子F＝1.3，交叉概率CR＝0.6，种群规模SN＝1000，迭代次数M＝150，limit＝60。第一阶段改进II算法结合改进蜂群算法得到的初始路径为：

表4 初始路径

在时刻4，配送中心接收到2号客户更改时间窗的要求，新时间窗比原时间窗延后，此时2号车辆还在配送中心未出发。因此可以先服务6号客户，再去服务2号客户，这反而比初始路线花费更少成本，调整路线如下：0-6-2-9-0。在6时刻，配送中心接收到7号客户更改时间窗的要求，新时间窗比原时间窗提前；而此时7号客户恰好为关键点，于是7号客户的要求被拒绝，车辆按照原路线进行服务。具体调度方案如表5所示。

表5 最终调度方案

由实际应用结果可见，改进的II插入法和改进蜂群算法能快速得到质量较高的解。该发明所提出的改进蜂群算法有更好的收敛性，并具有更强的全局寻优能力。改进蜂群算法能够解决诸如时变时间窗关联物流运输调度的复杂组合优化问题，这在物流运输系统中有助于减少费用，提高经济效益。

Claims (7)

1.一种带时变时间窗的关联物流运输优化调度方法，其特征在于以下步骤：

步骤(1)：在时变调度环境中，将整个调度周期建立为时间轴，记每一个新需求产生的时刻为τ，建立基于时刻τ的子静态模型subP(τ)；

步骤(2)：配送中心获取所有已知客户的需求信息，通过II插入法的蜂群算法构造初始路径；步骤如下：

(2a)令未分配路径的客户集合U＝{1,2,...,N}，设定蜂群中侦察蜂的数目N_L＝1，即先派出一只侦察蜂；

(2b)为侦察蜂选定一个种子客户s，构成初始路线{0,s,0}；

(2c)采用改进II插入法找出最优的插入客户u^*；若u^*符合容量约束条件，并且满足t_i+T_i+T_iu≤L_u或者t_u+T_u+T_uj≤L_j，则将u^*插入到当前路径的客户对之间；否则，再派出一只侦察蜂，且N_L＝N_L+1，并转至(2b)，此时得到一条路径；判断U是否为空集，若不是空集，则重复步骤(2c)；否则，根据N_L确定侦察蜂在蜂群中的比例P_L＝N_L/SN；

步骤(3)：基于差分进化算法的改进蜂群算法优化初始路径，具体步骤如下：

(3a)算法初始化；初始化种群规模SN，全局循环次数cycle＝1；利用步骤(2)构造初始解x_ij(i,j＝1,2,...,N)，并计算每个解的适应度；

(3b)局部循环次数l＝1；引领蜂对邻域进行搜索，采用差分进化算法对初始解进行变异和交叉操作，产生新解u_ij，并计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择；设d维向量X_i＝(x_i1,x_i2,...,x_id)^T来表示第i个蜜源(客户)的位置；式中，v_ij是新的蜜源的位置，x_ij为当前蜜源位置，Φ_ij是一个[-1,1]范围内的随机数，x_rj为随机选择一个邻域个体的蜜源位置，r∈{1,2,...,n}且r≠i。

(3c)检查禁忌表中是否有该解，如果有则转(3f)。

(3d)计算所有x_ij的适应度值，并根据公式计算与x_ij相关的概率值p_i；跟随蜂根据p_i选择引领蜂跟随，并采用差分进化算法对所选择的引领蜂的解进行变异和交叉操作，对邻域进行搜索产生新解v_ij，计算其适应度值；采用贪婪原则依据适应度值对x_ij和v_ij做出选择；其中，fit_i是食物源i所代表的解的适应度函数，SN是食物源的总数，与引领蜂的数量相等；

(3e)l＝l+1，判断是否达到局部最大循环次数limit，如果l<limit，则转至(3c)，否则转至下一步；

(3f)将该路径放入禁忌表中；当引领蜂转变为侦查蜂时，根据公式v_ij＝x_ij+R_ij(x_ij-x_kj)随机产生一个新解来替换它，记录目前为止最好的解；cycle＝cycle+1；R_ij是一个[-1,1]范围内的随机数，x_kj为随机选择一个邻域个体的蜜源位置，r∈{1,2,...,n}且r≠i；

(3g)判断是否达到全局最大循环次数M；如果cycle≥M，则输出最优结果，否则返回(3b)；

步骤(4)：采用改进II插入法把时变客户插入到对步骤(3)求解的初始路径中，以完成时变路径的调整，满足时变客户的要求；具体步骤如下：

(4a)在新需求到来的时刻τ，检查每辆车k所在线路的信息；对每条路线，计算车辆k的剩余载货量Q_k(τ)；找出所有Q_k(τ)≥q_u的车辆和路线，并记作路径集合R_z＝{R_k|Q_k(τ)≥q_u}，R_z元素个数为Z；若Z≤1则从车场新派一辆车，构建新线路{0,u,0}且k＝k+1；否则转至下一步；

(4b)置z＝1；

(4c)根据改进II插入法计算将客户u插入R_z第z条线路的相邻客户i，j的插入成本c(u^*)，得到点u的最优插入位置为R_z第z条线路的客户对(i_uz,j_uz)之间；令z＝z+1；

(4d)将u插入到R_z第z条线路的客户对(i_uz,j_uz)之间；

(4e)算法终止。

2.根据权利要求1带时变时间窗关联物流运输优化调度方法，其特征在于其中步骤(1)中所建立的基于时刻τ的子静态模型SubP(τ)如下：

定义参数和变量：

N_c0(τ)：τ时刻下所有关键点及配送中心的集合；

N_u(τ)：τ时刻下所有未服务的客户和动态客户的集合；

N_cu(τ)：τ时刻下关键点、未服务的客户和动态客户的集合；

N_u0(τ)：τ时刻下所有未服务的客户、动态客户和配送中心的集合；

N_cu0(τ)：τ时刻所有关键点、未服务的客户、动态客户和配送中心的集合；

q_i：各客户点i的货物需求量；

τ：调度中心接收到新客户需求的时刻；

K：所用车辆数；

Q：额定载重量，假定配送中心所有的车辆拥有相同的额定载重量；

Q_k(τ)：τ时刻车辆k的剩余货物量(包括关键点)；如果车辆还在配送中心，则Q_k(τ)＝0；

d_ij：客户i与j之间的距离；

v_ij：从客户i到j的车辆速度；

t_ij：客户i到j的时间；

T_i：各客户i的执行服务(卸货)时间；

t_j：车辆到达客户点j的时刻，其中t₀表示最晚一辆车返回配送中心O的时刻，t_j＝t_i+T_i+t_ij；

[0,T]：配送中心的服务时间窗；

[E_i,L_i]：客户i的硬时间窗。其中E_i表示最早开始服务时间，L_i表示最晚开始服务时间；

c_ij：车辆从客户i到j的单位距离成本，C为单位车辆的固定使用费用(包括驾驶员的工资、车辆使用基本费用等)；

决策变量：

i,j＝1,2,...,n，i≠j，k＝1,2,...,Ki＝1,2,...,n，k＝1,2,...,K

则τ时刻静态子调度模型subP(τ)可表述为：

$\min Z\left(\mathrm{\&tau;}\right)=\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\underset{j\&Element;N_{u0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ij}}{d}_{\mathrm{ij}}{x}_{\mathrm{ijk}}+\frac{\mathrm{\&alpha;}}{{\mathrm{\&lambda;}}_i}\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}\{E_i,-t_i,0\}+C\&CenterDot;\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}}---\left(1\right)$

约束条件为：

$\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{q}_i{y}_{\mathrm{ik}}\&le;Q_k\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K---\left(2\right)$

t_i∈[E_i,L_i-T_i],i∈N_cu(τ)   (3)

t₀≥T   (4)

$\begin{array}{c}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ik}}=1,i\&Element;N_{\mathrm{cu}}\left(\mathrm{\&tau;}\right)---\left(5\right)\\ \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{y}_{0k}=K,k=\mathrm{1,2},...,K---\left(6\right)\end{array}$

$\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=y_{\mathrm{jk}},j\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K---\left(7\right)$

$\underset{j\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=\underset{i\&Element;N_{\mathrm{cu}0}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}},k=\mathrm{1,2},...,K---\left(8\right)$

$\underset{j\&Element;N_u}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}=1;i\&Element;N_{c0}\left(\mathrm{\&tau;}\right),k=\mathrm{1,2},...,K---\left(9\right)$

$\underset{j\&Element;N_{\mathrm{cu}}\left(\mathrm{\&tau;}\right)}{\mathrm{\&Sigma;}}{x}_{i0k}=1,k=\mathrm{1,2},...,K---\left(10\right)$

R_k＝{j|x_ijk＝1，i＝0,1,2...,n；j＝1,2,3,...,n}，k＝1,2,...,m；且R_s ∩R_t＝φ，s,t＝1,2,...,m   (11)

x_ijk,y_ik＝0或1   i∈N_u(τ),j∈N_cu0(τ)；k＝1,2,...,K   (12)

式(1)为目标函数，使总运费达到最小，其中总的运输成本由四项构成：第一项为车辆在各地点间行驶所产生的线路成本，主要为燃料费用；第二项为等待成本；第三项为迟到成本；第四项为K辆车辆的使用费用(包括驾驶员的工资、车辆使用基本费用)；式(2)为容量约束，即每辆车后续线路上的总的客户需求重不能超过车辆的剩余载货量；式(3)为硬时间窗约束，车辆到达客户的时间要在时间窗范围内；式(4)要求所有车辆必须在配送中心关闭前回到车场；式(5)为客户i的送货任务由一辆车辆来完成；式(6)为实际使用车辆均从配送中心出发，共K辆车辆；式(7)表示对任意客户，车辆k最多只能到达它一次；式(8)表示车辆k如果到达某客户，则一定要离开这个客户；式(9)表示车辆k必须从配送中心或者关键点出发；式(10)表示车辆k必须返回配送中心；式(11)R_k表示车辆k依次服务的客户的编号的有序集合(R_k的构造：若x_0sk＝1，则R_k的第一个元素为s；若u∈R_k，且x_uvk＝1，则v∈R_k，且u、v相邻，v排在u之后；对R_k的最后一个元素w，有x_w0k＝1)；式(12)为变量的取值范围。

3.根据权利要求1带时变时间窗关联物流运输优化调度方法，其特征在于步骤3中所述的关键点判断方法如下：

a)设某车辆到达客户i的时刻为t_i，服务时间为T_i；寻找满足t_i≤τ≤t_i+T_i的客户点；如果有，则客户点i即为i所在线路上的关键点；

b)对于线路中所有连接的点对(i,j)，寻找满足t_i+T_i≤τ≤t_j的客户点；如果有，则点j即为点对(i,j)所在线路上的关键点。

4.根据权利要求1带时变时间窗关联物流运输优化调度方法，其特征在于II插入法具体为：选取一个“种子客户”来初始化第一条路径，然后将未在路径上的客户依次插入到该路径中，直到违反调度要求和容量约束为止；再重新选择一个“种子客户”，重复上述路径生成和插入的过程构建第二条路径；如果此时仍有未在路径上的客户，则继续路径生成和插入的过程，直至所有的客户均被分配路径；“种子客户”一般选择地理位置上离配送中心最远的未分配路径的客户。

5.根据权利要求1带时变时间窗关联物流运输优化调度方法，其特征在于步骤3中改进蜂群算法中差分进化算法如下：

差分进化算法开始时，首先随机生成含有N个解(食物源的位置)的初始种群，每个解x_i(i＝1,2,...,N)是一个D维向量；差分进化算法应用三种典型的算子：交叉、变异和选择；

1)变异操作

在差分进化算法中，变异操作通过下式进行更新；其中，x_best,j是当前种群中最好个体的第j维向量，i≠r₁≠r₂≠r₃∈[1,N]，F∈[0,2]为缩放因子；

v_ij＝x_best,j+F(x_r1,j-x_r2,j)

2)交叉操作

按照一定的概率，将变异得到的中间个体v_i与父代个体x_i之间进行交叉操作，生成新个体u_i；其中，CR为交叉概率且CR∈[0,1]，rand(0,1)为[0,1]之间均匀分布的随机数，rand(0,D)是[1,D]之间的一个随机整数，这种交叉可以保证u_i中至少有一个分量由v_i提供；

3)选择操作

将经过交叉和变异操作后产生的新个体u_i与父代个体x_i进行比较，选择适应度较大的个体进入下一代。

6.根据权利要求1带时变时间窗关联物流运输优化调度方法，其特征在于其中步骤(2d)中容量约束条件设定为θQ；在构造初始路径的时候，车辆满载货物，但不分配满载重量Q的任务，而是留有一定的空间去灵活地接受实时请求；但也不能使一辆满载货物的车辆服务完之后，还剩余大量的货物没有配送；所以，在构造初始路径的时候，设定一个参数θ(0<θ≤1)，容量约束为θQ。

7.根据权利要求2带时变时间窗关联物流运输优化调度方法，其特征在于基于时刻τ的子静态模型SubP(τ)中参数c_ij为车辆从客户i到j的单位距离成本c_ij的离散时变函数；设一天的时间分为P个不同的时段[B_P,B_p+1]，车辆的行驶速度在同一个时段可以看成近似不变，不同时段行驶速度不同，此外车辆可能跨时段行驶；c_ij如下式所示，其中，c_p1和c_p2为时间的函