CN105046365A - 物流配送车辆路径优化方法和装置 - Google Patents

Abstract

本发明公开了一种物流配送车辆路径优化方法和装置，属于物流领域。所述方法包括初始化拥堵矩阵α、距离矩阵D，生成配送路径权值矩阵ω＝αD，初始化种群模块N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0，采用贪婪算法生成一条初始路径r₁，对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，对初始路径与新路径组成第一代种群计算每条路径的适应度A_n，在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径进行交叉和变异操作，生成下一代群体，更新n＝n+1，当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径。本发明能够使物流配送车辆在配送货物时，配送时间尽可能少、配送路径尽可能短。

Description

物流配送车辆路径优化方法和装置

技术领域

本发明涉及物流领域，特别是指一种物流配送车辆路径优化方法和装置。

背景技术

随着物流行业的不断发展，对于物流配送也提出了更高的要求。如何更快捷地配送物品成为提高配送服务质量、降低配送成本的重要课题，于是配送路径优化成为物流领域的一项关键技术。配送路径优化的目标是生成一条最优的配送路径。最优路径的标准有：路程尽可能段、时间尽可能少。目前车辆路径优化方法大致可分为两类：精确计算方法和启发式方法。其中，精确计算方法包括：穷举法、动态规划法等。启发式方法包括：遗传算法、模拟退火算法、蚁群算法、粒子群算法等。精确算法往往计算量大、计算时间长，当配送路径较为复杂时，往往不太适用。启发式方法会有容易陷入局部最优解的缺点。

目前，国内的现有技术中存在的配送路径优化的方法，例如，中国专利文献CN104573880A公开了一种路径优化方法，它主要采用模拟退火算法计算大规模目的地的最短、最优路径，该方法的路径优化只考虑到路径长度，路径优化的目标是使得总体配送路径长度最短。然而，现实任务当中，除了需要考虑配送路径长短外，还需要考虑配送消耗的时间多少。最好的配送路径是配送时间尽可能少、配送路径尽可能短。而影响配送时间的条件不仅有路径的长度，还包括路径的拥堵情况。因此，在路径优化过程中需要综合考虑路径总长度和路径拥堵情况来进行路径优化。

发明内容

本发明要解决的技术问题是提供一种配送路径尽可能短、配送时间尽可能少的物流配送车辆路径优化方法和装置。

为解决上述技术问题，本发明提供技术方案如下：

一种物流配送车辆路径优化方法，包括：

步骤S101：获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

步骤S102：初始化配送路径上各配送节点之间的距离矩阵D；

步骤S103：根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

步骤S104：初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

步骤S105：针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

步骤S106：对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

步骤S107：在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

步骤S108：当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

进一步的，所述步骤S101中拥堵系统矩阵α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

所述步骤S102中距离矩阵D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

所述步骤S103中配送路径权值矩阵ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

进一步的，所述步骤S105包括：

步骤S1051：以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点为下一个配送节点IPP₂，即：ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

步骤S1052：选择与配送节点IPP₂之间权值最小的配送节点为下一个配送节点IPP₃，即：ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

步骤S1053：依次选择与配送节点IPP_n之间权值最小的配送节点为下一个配送节点IPP_n+1，即：ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

进一步的，所述步骤S106中适应度A_n的函数为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}.$

进一步的，所述步骤S101包括：

预设所述拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。

一种物流配送车辆路径优化装置，包括：

拥堵系数矩阵初始化模块，用于获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

距离矩阵初始化模块，用于初始化配送路径上各配送节点之间的距离矩阵D；

配送路径权值矩阵生成模块，用于根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

种群初始化模块，用于初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

初始路径生成模块，用于针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

路径操作模块，用于对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

种群操作模块，用于在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

路径选择模块，用于当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

进一步的，所述拥堵系数矩阵初始化模块用于初始化拥堵系统矩阵α，α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

所述距离矩阵初始化模块用于初始化距离矩阵D，D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

所述配送路径权值矩阵生成模块用于初始化路径配送路径权值矩阵ω，ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

进一步的，所述初始路径生成模块包括：

第一初始路径生成模块，用于以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点IPP₂为下一个配送节点，即：

ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

第二初始路径生成模块，用于选择与配送节点IPP₂之间权值最小的配送节点IPP₃为下一个配送节点，即：

ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

第三初始路径生成模块，用于依次选择与配送节点IPP_n之间权值最小的配送节点IPP_n+1为下一个配送节点，即：

ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

进一步的，所述路径操作模块定义的适应度A_n函数为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}.$

进一步的，所述拥堵系数矩阵初始化模块，还用于预设所述拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。

本发明具有以下有益效果：

与现有技术相比，本发明采用配送路径的距离和路径的拥堵情况作为本发明的路径优化目标，因此采用路径的距离矩阵和路径的拥堵矩阵来定义配送节点之间的配送路径权值矩阵，为了提高路径优化的准确性，本发明根据实时路况对路径的拥堵矩阵进行定时更新，首先，采用贪婪算法预先生成一条初始路径，贪婪算法的本质是每次都形成局部最优解，即每次都处理出一个最好的方案，直到获得问题的完全解为止，然后，本发明采用遗传算法是按照交叉率和变异率对采用贪婪算法生成的初始路径进行交叉和变异操作，得到更多的新路径，遗传算法是把问题的求解过程模拟为群体的适者生存过程，通过群体的一代代的不断进化出现新群体，最终收敛到最优解，从而求得物流车辆配送的最优路径，最后，计算出每条路径的适应度函数值A_n，选用当前种群中适应度最高的配送路径。

本发明在同时考虑配送距离和道路拥堵的情况下，规划最优物流配送路径，使得物流车辆进行货物配送时的配送距离尽可能短、配送时间尽可能少。

附图说明

图1为本发明的物流配送车辆路径优化方法的流程示意图；

图2为本发明的物流配送车辆路径优化方法的具体实施例的十个配送节点的分布示意图；

图3为本发明的物流配送车辆路径优化方法的具体实施例的初始路径示意图；

图4为本发明的物流配送车辆路径优化方法的具体实施例的最优路径示意图；

图5为本发明的物流配送车辆路径优化装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种物流配送车辆路径优化方法，如图1所示，包括：

步骤S101：获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

本步骤中，采用拥堵系数构成拥堵矩阵作为定义配送路径权值矩阵的一个重要依据，并根据实时路况对该矩阵进行定时更新，能够有效地避免物流车辆配送时，因为道路拥堵造成的时间延误。

步骤S102：初始化配送路径上各配送节点之间的距离矩阵D；

本步骤中，采用节点之间的距离构成距离矩阵作为定义配送路径权值矩阵的另一个重要依据，使物流车辆配送时，可以行驶尽量短的路程，既节约了时间，又节省了运送成本。

步骤S103：根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

本步骤中，同时考虑路径的拥堵情况和路径的总长度，定义目标函数。

步骤S104：初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

本步骤中，初始化种群N_ZQ数量可以根据需要配送的节点数来确定，本发明中可以采用N_ZQ＝n²确定种群数量，为了节省计算量，定义N_X＝kN_ZQ，k∈(0,1]，以N_X作为参加运算的种群规模，最大遗传代数N_G为运算的循环次数。

步骤S105：针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

本步骤中，采用的贪婪算法可以在配送节点的选择中每一步都要求“贪婪”地选择最佳路径，通过一系列的局部最优选择得到最优的初始路径。

步骤S106：对初始路径r₁进行变异和交叉操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

本步骤中，路径的变异操作定义为：随机选中路径上的两个配送节点，交换它们的位置；

两个路径之间的交叉操作定义为：随机生成3个配送节点序号，将它们从需要进行交叉操作的两个路径中搜索出来，并交换填充到另一个路径中。

步骤S107：在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

本步骤中，选择算子选择N_X条路径，并对选择的N_X条路径进行交叉和变异操作，对种群的个体进行优胜劣汰操作，使得适应度较高的个体有较大的概率被遗传到下一代群体中，适应度较低的个体有较小概率被遗传到下一代群体中。本步骤中的选择算法还可以采用本领域技术人员公知的其它算法，如比例选择、保存最佳个体策略和确定式采用选择等。

步骤S108：当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

本步骤中，适应度函数用来评价每条路径相对于目标函数的优劣，即评价一条可能配送路径的优劣情况。

本发明的物流配送车辆路径优化方法，采用配送路径的距离和路径的拥堵情况作为本发明的路径优化目标，因此采用路径的距离矩阵和路径的拥堵矩阵来定义配送节点之间的配送路径权值矩阵，为了提高路径优化的准确性，本发明根据实时路况对路径的拥堵矩阵进行定时更新，首先，采用贪婪算法预先生成一条初始路径，贪婪算法的本质是每次都形成局部最优解，即每次都处理出一个最好的方案，直到获得问题的完全解为止，然后，本发明采用遗传算法是按照交叉率和变异率对采用贪婪算法生成的初始路径进行交叉和变异操作，得到更多的新路径，遗传算法是把问题的求解过程模拟为群体的适者生存过程，通过群体的一代代的不断进化出现新群体，最终收敛到最优解，从而求得物流车辆配送的最优路径，最后，计算出每条路径的适应度函数值A_n，选用当前种群中适应度最高的配送路径。

本发明在同时考虑配送距离和道路拥堵的情况下，规划最优物流配送路径，使得物流车辆进行货物配送时的配送距离尽可能短、配送时间尽可能少。

作为本发明的一种改进，步骤S101中拥堵系统矩阵α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

步骤S102中距离矩阵D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

步骤S103中配送路径权值矩阵ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

本步骤中，还可以采用本领域技术人员容易想到的其它参数与配送路径的拥堵情况和配送路径的距离一起作为路径优化目标，进一步定义配送节点之间的配送路径权值矩阵。

本发明中，步骤S105包括：

步骤S1051：以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点为下一个配送节点IPP₂，即：

ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

步骤S1052：选择与配送节点IPP₂之间权值最小的配送节点为下一个配送节点IPP₃，即：

ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

步骤S1053：依次选择与配送节点IPP_n之间权值最小的配送节点为下一个配送节点IPP_n+1，即：

ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

本步骤中，采用贪婪算法逐步构造最优解，即在每个阶段，都做出一个最优的决策。对于本发明，以IPP₁为起始节点，以设定好的路径权值ω为依据逐步逼近给定目标，可以尽可能快的求得更好的解。本发明采用的贪婪算法具有易编程、易调试、速度快和占用空间小等优势。

优选的，步骤S106中适应度A_n的函数为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}.$

本步骤中，采用贪婪算法和遗传算法的关键问题是定义目标函数。本算法综合考虑配送路径的距离和路径的拥堵情况，因此用两个因素来定义两个配送节点之间的权值，用ω(i,j)表示第i个配送节点和第j个配送节点之间的路径权值：

ω(i,j)＝α_ijD_ij

其中，D_ij表示第个i配送节点和第个j配送节点之间的路径距离，α_ij表示路径的拥堵系数，取值范围为[1,10]，当第i个配送节点到第j个配送节点之间的路径畅通时，α_ij＝1；当第i个配送节点到第j个配送节点之间的路径拥堵时，根据拥堵情况分配给α_ij一个大于1的数值。

本算法目标是生成最优的配送路径，同时考虑路径总长度和路径的拥堵情况，目标函数定义为：

$min\left(L\right)=min\left({\Σ}_{i=1}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)\right)$

其中，r＝{IPP_i|i＝1,…,N}是一条可能的配送路径，N是配送节点总数。

适应度函数用来评价每条染色体相对于目标函数优劣，即评价一条可能配送路径的优劣情况，定义为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}$

其中，r＝{IPP_i|i＝1,…,N}是一条可能的配送路径。

本发明中，步骤S101包括：

预设拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。

本步骤中，拥堵系数是反映道路畅通或拥堵的概念性数值，相当于把拥堵情况数字化。在上述的五个级别中，数值越高，表明交通拥堵状况越严重。

本发明具体实施时，如图2所示，每一个节点表示一个配送节点，点1是配送起点。算法的目标是生成一条遍历这些配送节点的路径，该条路径的配送时间尽可能少，配送路程尽可能短。实施步骤可以按照如下步骤进行：

Step1：初始化拥堵系数矩阵D：

$D=\left[\begin{array}{cccccccccc}INF& 363& 271& 493& 635& 716& 308& 396& 328& 590\\ 363& INF& 106& 130& 272& 354& 154& 296& 247& 467\\ 271& 106& INF& 228& 369& 448& 84& 237& 172& 430\\ 493& 130& 228& INF& 142& 223& 243& 346& 320& 472\\ 635& 272& 369& 142& INF& 83& 375& 451& 441& 534\\ 716& 354& 448& 223& 83& INF& 448& 507& 506& 564\\ 308& 154& 84& 243& 375& 448& INF& 153& 94& 346\\ 396& 296& 237& 346& 451& 507& 153& INF& 72& 201\\ 328& 247& 172& 320& 441& 506& 94& 72& INF& 274\\ 590& 467& 430& 472& 534& 564& 346& 201& 274& INF\end{array}\right]$

Step2：初始化拥堵系数矩阵α(两个节点之间正向拥堵和逆向拥堵情况不同，因此系数也不相同)：

$\mathrm{\α}=\left[\begin{array}{cccccccccc}INF& 2.80& 2.30& 1.60& 1.40& 1.70& 2.70& 1.80& 1.50& 1.10\\ 1.20& INF& 2.80& 1.80& 1.70& 3.00& 1.20& 1.70& 1.70& 1.50\\ 1.60& 1.60& INF& 2.60& 2.00& 1.30& 2.00& 1.60& 2.10& 2.40\\ 1.70& 1.10& 2.60& INF& 3.00& 2.90& 1.10& 1.40& 1.60& 2.20\\ 1.20& 1.90& 2.30& 3.00& INF& 2.10& 1.70& 3.00& 2.20& 1.20\\ 2.60& 1.70& 2.70& 2.40& 2.60& INF& 1.80& 2.80& 2.20& 2.00\\ 1.20& 2.60& 2.40& 2.50& 2.10& 2.60& INF& 2.60& 1.40& 1.10\\ 1.40& 1.90& 1.80& 2.70& 2.60& 2.00& 1.20& INF& 2.10& 2.10\\ 2.80& 2.40& 2.00& 1.10& 2.50& 2.50& 1.80& 1.10& INF& 1.40\\ 1.90& 2.80& 1.10& 2.40& 2.30& 1.70& 2.30& 1.20& 1.50& INF\end{array}\right]$

Step3：初始化拥堵系数矩阵ω：

$\mathrm{\ω}=\mathrm{\α}D=\left[\begin{array}{cccccccccc}INF& 1016.40& 623.30& 788.80& 889.00& 1217.20& 831.60& 712.80& 492.00& 649.00\\ 435.60& INF& 296.80& 234.00& 462.40& 1062.00& 184.80& 503.20& 419.90& 700.50\\ 433.60& 169.60& INF& 592.80& 738.00& 582.40& 168.00& 379.20& 361.20& 1032.00\\ 838.10& 143.00& 592.80& INF& 426.00& 646.70& 267.30& 484.40& 512.00& 1038.40\\ 762.00& 516.80& 848.70& 426.00& INF& 174.30& 637.50& 1353.00& 970.20& 640.80\\ 1861.60& 601.80& 1209.60& 535.20& 215.80& INF& 806.40& 1368.90& 1113.20& 1128.00\\ 369.60& 400.40& 201.60& 607.50& 787.50& 1164.00& INF& 397.80& 131.60& 380.60\\ 554.40& 562.40& 426.60& 934.20& 1172.60& 1014.00& 183.60& INF& 151.20& 422.10\\ 918.40& 592.80& 344.00& 352.00& 1102.50& 1265.00& 169.20& 79.20& INF& 383.60\\ 1121.00& 1307.60& 473.00& 1132.80& 1228.20& 958.80& 795.80& 241.20& 411.00& INF\end{array}\right]$

Step4：本发明用贪婪算法生成的初始路径，该条路径对应的染色体为：{1,7,3,2,4,9,8,10,5,6}，如图3所示，该条路径的总权值为：3852.60。

Step5:初始化种群规模100，选择种群规模50，最大遗传代数1000，交叉率0.4，变异率0.6。

Step6:对初始路径进行变异操作，对新生成的路径进行交叉操作，生成初始种群，此外初始路径也必保留在初始种群中：

变异操作如下，随机交换初始路径染色体中的两个节点：

染色体r₁:{8,1,3,6,2,7,4,5}→染色体r₂:{8,1,3,4,2,7,6,5}

交叉操作如下，随机生成3个配送节点序号，将它们从需要进行交叉操作的两个染色体中搜索出来，并交换填充到另一个染色体中：

生成的初始种群如下，

并根据下面的公式，计算每条路径的适应度，即每条路径的适应度为该条路径总权值的倒数：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}.$

Step7:首先，在当前种群中选择50条适应度最小的路径放入新种群中；然后，从这50条选择路径中，随机选择0.6*50条路径，按照Step6中类似的方法进行变异操作，产生的新路径放入新种群中；最后，从这50条路径中，依次随机选择0.5*50条路径，选中的路径前后两两之间进行如Step6中所示的交叉操作，产生的新路径放入新种群中。这样就参数了新的种群，当前种群代数增加1。

Step8:当遗传代数达到100次时，算法中止，选择当前种群中适应度最高的路径为最优路径。否则转到Step7。算法生成的最优路径如图4所示，该条路径的总权值为：2461.10。

另一方面，本发明还提供一种物流配送车辆路径优化装置，如图5所示，包括：

拥堵系数矩阵初始化模块11，用于获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

距离矩阵初始化模块12，用于初始化配送路径上各配送节点之间的距离矩阵D；

配送路径权值矩阵生成模块13，用于根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

种群初始化模块14，用于初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

初始路径生成模块15，用于针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

路径操作模块16，用于对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

种群操作模块17，用于在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

路径选择模块18，用于当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

本发明的物流配送车辆路径优化装置，采用配送路径的距离和路径的拥堵情况作为本发明的路径优化目标，因此采用路径的距离矩阵和路径的拥堵矩阵来定义配送节点之间的配送路径权值矩阵，为了提高路径优化的准确性，本发明根据实时路况对路径的拥堵矩阵进行定时更新，首先，采用贪婪算法预先生成一条初始路径，贪婪算法的本质是每次都形成局部最优解，即每次都处理出一个最好的方案，直到获得问题的完全解为止，然后，本发明采用遗传算法是按照交叉率和变异率对采用贪婪算法生成的初始路径进行交叉和变异操作，得到更多的新路径，遗传算法是把问题的求解过程模拟为群体的适者生存过程，通过群体的一代代的不断进化出现新群体，最终收敛到最优解，从而求得物流车辆配送的最优路径，最后，计算出每条路径的适应度函数值A_n，选用当前种群中适应度最高的配送路径。

本发明在同时考虑配送距离和道路拥堵的情况下，规划最优物流配送路径，使得物流车辆进行货物配送时的配送距离尽可能短、配送时间尽可能少。

本发明中，拥堵系数矩阵初始化模块11用于初始化拥堵系统矩阵α，α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

距离矩阵初始化模块12用于初始化距离矩阵D，D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

配送路径权值矩阵生成模块13用于初始化路径配送路径权值矩阵ω，ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

本发明中，还可以采用本领域技术人员容易想到的其它参数与配送路径的拥堵情况和配送路径的距离一起作为路径优化目标，进一步定义配送节点之间的配送路径权值矩阵。

作为本发明的进一步改进，初始路径生成模块15包括：

第一初始路径生成模块151，用于以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点IPP₂为下一个配送节点，即：

ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

第二初始路径生成模块152，用于选择与配送节点IPP₂之间权值最小的配送节点IPP₃为下一个配送节点，即：

ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

第三初始路径生成模块153，用于依次选择与配送节点IPP_n之间权值最小的配送节点IPP_n+1为下一个配送节点，即：

ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

本发明中，采用贪婪算法逐步构造最优解，即在每个阶段，都做出一个最优的决策。对于本发明，可以以序号为1的配送节点为起始节点，以设定好的路径权值ω为依据逐步逼近给定目标，可以尽可能快的求得更好的解。本发明采用的贪婪算法具有易编程、易调试、速度快和占用空间小等优势。

优选的，路径操作模块16定义的适应度A_n函数为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}.$

本发明中，采用贪婪算法和遗传算法的关键问题是定义目标函数。本算法综合考虑配送路径的距离和路径的拥堵情况，因此用两个因素来定义两个配送节点之间的权值，用ω(i,j)表示第i个配送节点和第j个配送节点之间的路径权值：

ω(i,j)＝α_ijD_ij

其中，D_ij表示第个i配送节点和第个j配送节点之间的路径距离，α_ij表示路径的拥堵系数，取值范围为[1,10]，当第i个配送节点到第j个配送节点之间的路径畅通时，α_ij＝1；当第i个配送节点到第j个配送节点之间的路径拥堵时，根据拥堵情况分配给α_ij一个大于1的数值。

本算法目标是生成最优的配送路径，同时考虑路径总长度和路径的拥堵情况，目标函数定义为：

$min\left(L\right)=min\left({\Σ}_{i=1}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)\right)$

其中，r＝{IPP_i|i＝1,…,N}是一条可能的配送路径，N是配送节点总数。

适应度函数用来评价每条染色体相对于目标函数优劣，即评价一条可能配送路径的优劣情况，定义为：

$A_n=\frac{1}{{\Σ}_{i=n}^{N-1}\mathrm{\ω}({\mathrm{IPP}}_{i+1},{\mathrm{IPP}}_i)}$

其中，r＝{IPP_i|i＝1,…,N}是一条可能的配送路径。

作为本发明的一种改进，拥堵系数矩阵初始化模块11预设的拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。

本发明中，拥堵系数是反映道路畅通或拥堵的概念性数值，相当于把拥堵情况数字化。在上述的五个级别中，数值越高，表明交通拥堵状况越严重。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种物流配送车辆路径优化方法，其特征在于，包括：

步骤S101：获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

步骤S102：初始化配送路径上各配送节点之间的距离矩阵D；

步骤S103：根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

步骤S104：初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

步骤S105：针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

步骤S106：对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

步骤S107：在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

步骤S108：当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

2.根据权利要求1所述的物流配送车辆路径优化方法，其特征在于，所述步骤S101中拥堵系统矩阵α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

所述步骤S102中距离矩阵D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

所述步骤S103中配送路径权值矩阵ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

3.根据权利要求2所述的物流配送车辆路径优化方法，其特征在于，所述步骤S105包括：

步骤S1051：以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点为下一个配送节点IPP₂，即：

ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

步骤S1052：选择与配送节点IPP₂之间权值最小的配送节点为下一个配送节点IPP₃，即：

ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

步骤S1053：依次选择与配送节点IPP_n之间权值最小的配送节点为下一个配送节点IPP_n+1，即：

ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

4.根据权利要求3所述的物流配送车辆路径优化方法，其特征在于，所述步骤S106中适应度A_n的函数为：

5.根据权利要求1所述的物流配送车辆路径优化方法，其特征在于，所述步骤S101包括：

预设所述拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。

6.一种物流配送车辆路径优化装置，其特征在于，包括：

拥堵系数矩阵初始化模块，用于获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

距离矩阵初始化模块，用于初始化配送路径上各配送节点之间的距离矩阵D；

配送路径权值矩阵生成模块，用于根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

种群初始化模块，用于初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

初始路径生成模块，用于针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

路径操作模块，用于对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

种群操作模块，用于在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

路径选择模块，用于当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

7.根据权利要求6所述的物流配送车辆路径优化装置，其特征在于，所述拥堵系数矩阵初始化模块用于初始化拥堵系统矩阵α，α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

所述距离矩阵初始化模块用于初始化距离矩阵D，D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

所述配送路径权值矩阵生成模块用于初始化路径配送路径权值矩阵ω，ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

。

8.根据权利要求7所述的物流配送车辆路径优化装置，其特征在于，所述初始路径生成模块包括：

第一初始路径生成模块，用于以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点IPP₂为下一个配送节点，即：

ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；

同时更新ω(1,IPP₂)＝INF；ω(IPP₂,1)＝INF；

第二初始路径生成模块，用于选择与配送节点IPP₂之间权值最小的配送节点IPP₃为下一个配送节点，即：

ω(IPP₂,IPP₃)＝min(ω(IPP₂,j)),j＝1,2,…,N；

同时更新ω(IPP₂,IPP₃)＝INF；ω(IPP₃,IPP₂)＝INF；

第三初始路径生成模块，用于依次选择与配送节点IPP_n之间权值最小的配送节点IPP_n+1为下一个配送节点，即：

ω(IPP_n,IPP_n+1)＝min(ω(IPP_n,j)),j＝1,2,…,N；

同时更新ω(IPP_n,IPP_n+1)＝INF；ω(IPP_n+1,IPP_n)＝INF。

9.根据权利要求8所述的物流配送车辆路径优化装置，其特征在于，所述路径操作模块定义的适应度A_n函数为：

10.根据权利要求6所述的物流配送车辆路径优化装置，其特征在于，所述拥堵系数矩阵初始化模块，还用于预设所述拥堵系数矩阵α内部的元素α_ij的取值范围为[0,10]，区间内分别对应“畅通”、“基本畅通”、“轻度拥堵”、“重度拥堵”和“严重拥堵”五个级别，其中：

[0,2]代表道路畅通；

[2,4]代表道路基本畅通；

[4,6]代表道路轻度拥堵；

[6,8]代表道路重度拥堵；

[8,10]代表道路严重拥堵。