CN105069518A - 一种基于可变长基因遗传算法的物资调度方法及系统 - Google Patents
一种基于可变长基因遗传算法的物资调度方法及系统 Download PDFInfo
- Publication number
- CN105069518A CN105069518A CN201510416305.5A CN201510416305A CN105069518A CN 105069518 A CN105069518 A CN 105069518A CN 201510416305 A CN201510416305 A CN 201510416305A CN 105069518 A CN105069518 A CN 105069518A
- Authority
- CN
- China
- Prior art keywords
- information
- transport
- chromosome
- dispatching
- materials
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 108
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 title abstract description 18
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 58
- 210000000349 chromosome Anatomy 0.000 claims abstract description 45
- 239000012634 fragment Substances 0.000 claims abstract description 25
- 230000032258 transport Effects 0.000 claims description 78
- 238000009826 distribution Methods 0.000 claims description 41
- SPSXSWRZQFPVTJ-ZQQKUFEYSA-N hepatitis b vaccine Chemical compound C([C@H](NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CCSC)C(=O)N[C@@H](CC1N=CN=C1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)OC(=O)CNC(=O)CNC(=O)[C@H](C)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@@H](N)CCCNC(N)=N)C1=CC=CC=C1 SPSXSWRZQFPVTJ-ZQQKUFEYSA-N 0.000 claims description 19
- 229940124736 hepatitis-B vaccine Drugs 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 19
- 230000002759 chromosomal effect Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 108020004999 messenger RNA Proteins 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000002407 reforming Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 235000012206 bottled water Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于可变长基因遗传算法的物资调度方法及系统，物资调度方法包括：(a)根据物资调度参数信息建立数据模块，对数据模块中的参数信息编码；(b)生成初始种群，该种群包含若干条染色体，按任意长度逐一对每个运输工具生成其运输工具调度序列，该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即一个运输工具调度方案；(c)迭代选出适应度最高的染色体作为最终的运输工具调度方案，迭代的交叉操作中任意两个基因片段相互交换。调度系统包括能够无线交互的服务器和客户端，服务器包括存储物资参数信息的数据库及生成调度方案的计算机。本发明在物资调度参数信息差异较大时，不影响求解精度。
Description
技术领域
本发明属于物资调度领域，涉及一种基于可变长基因遗传算法的物资调度方法及系统。
背景技术
物资调度问题的相关理论及应用研究是现代物流业中的一项重要内容。物资调度问题的求解需要借助各种求解算法，规划出运输工具的运输路径和物资的分配方式。遗传算法作为一种模拟自然生物进化的搜索算法，具有编码方式简单、收敛速度快以及求解精度较高等优点，广泛应用于物资调度问题的求解。
一般采用基于遗传算法的物资调度方法在进行物资调度时，遗传操作中的基因长度往往设定为固定长度或者是等长长度，这种设定基因长度的方式通常会造成基因中存在冗余的基因片段，降低求解精度，而且需要根据实际需求和供给对基因做一定的人为改造，干涉了算法自然选择的特性。因此，这种物资调度方法通常比较适用于求解下面一类物资调度问题：各个供应点与各个需求点之间的路径长度比较接近，每种运输工具的载货量、速度差异比较小，同时各个需求点的物资需求量、各个供应点的物资存储量也比较接近。
然而，在现实的物资调度问题中，各个供应点与各个需求点之间路径长度的差异往往比较大，每种运输工具的载货量、速度差异可能也比较大，同时各个需求点的物资需求量差异、各个供应点的物资存储量差异通常也比较大。因此，可能会出现有些运输工具往返于供应点和需求点的次数是另一些运输工具的数倍、甚至数十倍的情况。比如，可能存在某些需求点，其物资需求量比较大，同时其距离某个供应点的距离很近，该供应点的物资存储量也满足该需求点的物资需求量，因此在物资调度的过程中，就会出现某些运输工具频繁往返于该需求点与该供应点的情况。同时，也可能出现有些运输工具往返于供应点和需求点的次数远远少于另一些运输工具的情况。比如，可能存在某些需求点，其物资需求量很小，同时其距离所有供应点的距离都很远，因此在物资调度的过程中，就会出现某些运输工具只去往该需求点寥寥几次就完成调度的情况。
针对这类物资调度问题，如果采用基因长度设定为固定长度或者是等长长度的遗传算法进行求解，则必须对基因做大量的人为改造工作，以满足实际需求和供给，干涉了算法自然选择的特性，增加了计算量，而且使得计算结果容易出现局部最优的缺点。
发明内容
本发明的目的在于针对上述现有技术中的缺陷，提供一种基于可变长基因遗传算法的物资调度方法及系统，通过在遗传算法中引入可变长基因，能够在求得相同精度解的情况下减少计算量，缩短计算时间。
为了实现上述目的，本发明基于可变长基因遗传算法的物资调度方法包括：
(a)根据物资调度参数信息建立数据模块，参数信息包括供应点信息、需求点信息、路径信息、运输工具信息、物资信息、供应点物资信息、需求点物资信息以及调度目标信息，对数据模块中的参数信息进行编码，形如：
供应点信息：S＝{s1,s2,s3,...sM}，M为正整数；
需求点信息：D＝{d1,d2,d3,...dN}，N为正整数；
路径信息：R＝{{s1,d1},{s1,d2},{s1,d3},...{s1,dN},
……
{sM,d1},{sM,d2},{sM,d3},...{sM,dN}}，
其中，{si,dj}为供应点si和需求点dj之间的路径信息，i＝1,2,...,M，j＝1,2,...,N，i、j为正整数；
运输工具信息：V＝{v1,v2,v3,...vA}，A为正整数；
物资信息：M＝{m1,m2,m3,...mB}，B为正整数；
供应点si对应的供应点物资信息：
msi＝{{m1,xi1},{m2,xi2},{m3,xi3},...{mB,xiB}}，其中x为物资数量，i＝1,2,...,M，i为正整数；
需求点dj对应的需求点物资信息：
mdj＝{{m1,yj1},{m2,yj2},{m3,yj3},...{mB,yjB}}，其中y为物资数量，j＝1,2,...,N，j为正整数；
(b)生成初始种群，该种群包含N条染色体，每条染色体按照如下方法生成：按照任意长度逐一对每个运输工具生成其运输工具调度序列，该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即是一个运输工具调度方案；
(c)开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，交叉操作中相互交换的两个基因片段长度及所在位置均任意，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度；
(iii)生成下一代种群；
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的运输工具调度方案，结束；如否，则返回步骤(i)。
迭代终止条件为迭代次数到达设定上限或经过若干次迭代后适应度最高染色体的适应度不变。
本发明基于可变长基因遗传算法的物资调度系统采用的技术方案为：
包括设置在远程控制中心的服务器以及设置在各个运输工具、供应点和需求点上的客户端，服务器与客户端上均设置有用于信号联网交互的无线收发模块；所述的服务器还包括用于存储物资参数信息的数据库以及用于生成调度方案的计算机。
所述的客户端采用手机、笔记本电脑或者平板电脑。
与现有技术相比，本发明基于可变长基因遗传算法的物资调度方法通过在遗传算法中引入可变长基因，可变长基因的含义既包括生成初始种群时运输工具调度序列长度的随机，也包括交叉操作中相互交换的两个基因片段长度及所在位置均任意，有效解决了物资调度过程中，由于各个供应点与各个需求点之间的路径长度差异较大，每种运输工具的载货量和速度差异较大，各个需求点的物资需求量的差异较大，以及各供应点的物资存储量的差异较大造成的最优方案计算量大的问题，采用本发明可变长基因遗传算法的物资调度方法，无需对基因做大量的人为改造工作，保证了算法的自然选择特性，同时不影响求解精度，提高了效率。
与现有技术相比，本发明基于可变长基因遗传算法的物资调度系统通过服务器与客户端实现信息的无线联网交互，从而能够实时动态地将运输工具调度方案发送至各个运输工具，提高了物资调度的效率，该系统通过在已有运输工具上配制客户端即能够实现，操作简单。
附图说明
图1本发明物资调度方法的算例示意图；
图2本发明物资调度系统的信息交互示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明基于可变长基因遗传算法的物资调度方法，具体实现步骤如下：
(a)根据物资调度参数信息建立数据模块，参数信息包括供应点信息、需求点信息、路径信息、运输工具信息、物资信息、供应点物资信息、需求点物资信息以及调度目标信息，对数据模块中的参数信息进行编码，形如：
供应点信息：S＝{s1,s2,s3,...sM}，M为正整数；
需求点信息：D＝{d1,d2,d3,...dN}，N为正整数；
路径信息：R＝{{s1,d1},{s1,d2},{s1,d3},...{s1,dN},
……
{sM,d1},{sM,d2},{sM,d3},...{sM,dN}}，
其中，{si,dj}为供应点si和需求点dj之间的路径信息，i＝1,2,...,M，j＝1,2,...,N，i、j为正整数；
运输工具信息：V＝{v1,v2,v3,...vA}，A为正整数；
物资信息：M＝{m1,m2,m3,...mB}，B为正整数；
供应点si对应的供应点物资信息：
msi＝{{m1,xi1},{m2,xi2},{m3,xi3},...{mB,xiB}}，其中x为物资数量，i＝1,2,...,M，i为正整数；
需求点dj对应的需求点物资信息：
mdj＝{{m1,yj1},{m2,yj2},{m3,yj3},...{mB,yjB}}，其中y为物资数量，j＝1,2,...,N，j为正整数；
(b)生成初始种群，该种群包含N条染色体，每条染色体按照如下方法生成：按照任意长度逐一对每个运输工具生成其运输工具调度序列，该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即是一个运输工具调度方案。在该步骤中，运输工具调度序列形如：(s2m1d3)(s1m2d2)(s3m3d1)...，该运输工具调度序列表示该运输工具从供应点s2出发，装载物资m1，运送到需求点d3，再返回供应点s1，装载物资m2，运送到需求点d2，再返回供应点s3，装载物资m3，运送到需求点d1，然后返回下一个供应点继续进行物资调度。
(c)开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群。其中，在基因长度设定为固定长度或者是等长长度的遗传算法中，从一个基因中选择某一长度的基因片段，与另一个基因的相同位置的该长度的基因片段进行交换，交叉操作的示意如下：
①交叉操作前的基因：
Gene1:(s2m2d2)(s1m1d1)(s1m3d1)(s3m2d3)(s2m2d4)(s3m3d3)；
Gene2:(s1m1d3)(s2m3d4)(s3m2d2)(s2m1d1)(s1m2d2)(s3m2d3)；
②选择进行交叉操作的基因片段(两个“/”内为进行交叉操作的基因片段)：
Gene1:(s2m2d2)(s1m1d1)/(s1m3d1)(s3m2d3)/(s2m2d4)(s3m3d3)；
Gene2:(s1m1d3)(s2m3d4)/(s3m2d2)(s2m1d1)/(s1m2d2)(s3m2d3)；
③进行交叉操作，形成交叉后的新的基因：
Gene1*:(s2m2d2)(s1m1d1)(s3m2d2)(s2m1d1)(s2m2d4)(s3m3d3)；
Gene2*:(s1m1d3)(s2m3d4)(s1m3d1)(s3m2d3)(s1m2d2)(s3m2d3)；
而在基于可变长基因遗传算法的物资调度方法中，从一个基因中随机选择某一长度的基因片段，与另一个基因的另一长度的基因片段进行交换。在该步骤中，进行交叉操作的两个基因均根据交叉概率从染色体中选出，所述某一长度的基因片段和另一长度的基因片段的含义是：基因片段的长度是任意的，同时基因片段在基因中所处的位置也是任意的。
交叉操作的示意如下：
①交叉操作前的基因：
Gene1:(s1m1d2)(s2m2d3)(s1m3d1)(s3m3d1)(s1m2d4)(s3m3d3)(s2m2d2)(s3m1d4)；
Gene2:(s2m2d3)(s1m3d4)(s3m1d1)(s2m1d2)(s1m2d3)(s3m2d2)；
②选择进行交叉操作的基因片段(两个“/”内为进行交叉操作的基因片段)：
Gene1:(s1m1d2)(s2m2d3)(s1m3d1)/(s3m3d1)(s1m2d4)(s3m3d3)(s2m2d2)/(s3m1d4)；
Gene2:(s2m2d3)(s1m3d4)(s3m1d1)(s2m1d2)/(s1m2d3)(s3m2d2)/；
③进行交叉操作，形成交叉操作后的新的基因：
Gene1*:(s1m1d2)(s2m2d3)(s1m3d1)(s1m2d3)(s3m2d2)(s3m1d4)；
Gene2*:(s2m2d3)(s1m3d4)(s3m1d1)(s2m1d2)(s3m3d1)(s1m2d4)(s3m3d3)(s2m2d2)；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度。在该步骤中，适应度作为评价染色体优劣的指标，可以通过多种计算方法获得。
(iii)生成下一代种群。在该步骤中，下一代种群中的染色体可以是从待评价种群中选择产生，也可以有一部分染色体是从待评价种群中选择产生，另一部分染色体是新生成的染色体。
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的运输工具调度方案，结束；如否，则返回步骤(i)。在该步骤中，迭代终止条件的设定可以有多种方式，如设定迭代次数的上限作为迭代终止条件，设定经过若干次迭代后适应度最高的染色体的适应度不再变化作为终止条件等。
一个物资调度问题的算例，分别采用基于可变长基因遗传算法的物资调度方法和基因长度设定为固定长度的遗传算法进行求解，具体步骤如下：
(1)如图1所示，对数据模块中的参数信息进行编码，其中：
供应点信息S＝{s1,s2,s3}；
需求点信息D＝{d1,d2,d3}；
路径信息R＝{r11,r12,r13,r21,r22,r23,r31,r32,r33}；其中路径信息包含多种信息，如路径的长度、成本等。在该算例中，使用路径的长度作为路径信息(单位：km)，则R＝{113,185,120,49,182,108,125,179,114}；
运输工具信息V＝{v1,v2,v3,v4,v5,v6,v7,v8}；其中运输工具信息可以包含多种信息，如运输工具的装载量、运输速度、装卸货耗时、初始停靠点等。在该算例中，运输工具的装载量为8t，运输速度为65km/h，装卸货耗时为2h，v1、v4、v7的初始停靠点为s1，v2、v3、v5的初始停靠点为s2，v6、v8的初始停靠点为s3。
物资信息M＝{m1,m2}；其中m1表示食品，m2表示饮用水；
供应点s1对应的供应点物资信息(单位：t，下同)ms1＝{{m1,294},{m2,235}}；
供应点s2对应的供应点物资信息ms2＝{{m1,332},{m2,305}}；
供应点s3对应的供应点物资信息ms3＝{{m1,289},{m2,313}}；
需求点d1对应的需求点物资信息md1＝{{m1,104},{m2,96}}；
需求点d2对应的需求点物资信息md2＝{{m1,72},{m2,56}}；
需求点d3对应的需求点物资信息md3＝{{m1,81},{m2,92}}；
(2)生成初始种群，该种群包含30条染色体，即种群规模为30，每条染色体按照如下方法生成：
逐一对每个运输工具生成其运输工具调度序列，形如：(s2m1d3)(s1m2d2)(s3m3d1)...，该运输工具调度序列表示该运输工具从供应点s2出发，装载物资m1，运送到需求点d3，再返回供应点s1，装载物资m2，运送到需求点d2，再返回供应点s3，装载物资m3，运送到需求点d1，然后返回下一个供应点继续进行物资调度。其中，在采用基因长度设定为固定长度的遗传算法进行求解时，每个运输工具的运输工具调度序列长度均为固定长度；而在采用基于可变长基因遗传算法的物资调度方法进行求解时，每个运输工具的运输工具调度序列长度是任意的。该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即是一个运输工具调度方案；
(3)开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群。在该算例中，交叉概率设为1，变异概率设为0.01。
其中，在基因长度设定为固定长度的遗传算法中，从一个基因中选择某一长度的基因片段，与另一个基因的相同位置的该长度的基因片段进行交换，交叉操作的示意如下：
①交叉操作前的基因：
Gene1:(s2m2d2)(s1m1d1)(s1m1d1)(s3m2d3)(s2m2d4)(s3m1d3)；
Gene2:(s1m1d3)(s2m1d4)(s3m2d2)(s2m1d1)(s1m2d2)(s3m2d3)；
②选择进行交叉操作的基因片段(两个“/”内为进行交叉操作的基因片段)：
Gene1:(s2m2d2)(s1m1d1)/(s1m1d1)(s3m2d3)/(s2m2d4)(s3m1d3)；
Gene2:(s1m1d3)(s2m1d4)/(s3m2d2)(s2m1d1)/(s1m2d2)(s3m2d3)；
③进行交叉操作，形成交叉后的新的基因：
Gene1*:(s2m2d2)(s1m1d1)(s3m2d2)(s2m1d1)(s2m2d4)(s3m1d3)；
Gene2*:(s1m1d3)(s2m1d4)(s1m1d1)(s3m2d3)(s1m2d2)(s3m2d3)；
而在基于可变长基因遗传算法的物资调度方法中，从一个基因中选择某一长度的基因片段，与另一个基因的另一长度的基因片段进行交换。在该步骤中，因为交叉概率为1，所以种群中的每一条染色体的每一个基因均要进行交叉操作。交叉操作的示意如下：
①交叉操作前的基因：
Gene1:(s1m1d2)(s2m2d3)(s1m1d1)(s3m2d1)(s1m2d4)(s3m2d3)(s2m1d2)(s3m1d4)；
Gene2:(s2m2d3)(s1m1d4)(s3m1d1)(s2m2d2)(s1m2d3)(s3m2d2)；
②选择进行交叉操作的基因片段(两个“/”内为进行交叉操作的基因片段)：
Gene1:(s1m1d2)(s2m2d3)(s1m1d1)/(s3m2d1)(s1m2d4)(s3m2d3)(s2m1d2)/(s3m1d4)；
Gene2:(s2m2d3)(s1m1d4)(s3m1d1)(s2m2d2)/(s1m2d3)(s3m2d2)/；
③进行交叉操作，形成交叉操作后的新的基因：
Gene1*:(s1m1d2)(s2m2d3)(s1m1d1)(s1m2d3)(s3m2d2)(s3m1d4)；
Gene2*:(s2m2d3)(s1m1d4)(s3m1d1)(s2m2d2)(s3m2d1)(s1m2d4)(s3m2d3)(s2m1d2)；
变异操作时，对一个基因中的每一个基因位的值依变异概率判断其是否发生变异，若是，则将其变为另一个可选的值，变异操作的示意如下：
①变异操作前的基因：
Gene：(s2m2d1)(s1m1d3)(s2m1d1)(s2m2d2)(s2m1d2)(s1m2d3)(s2m2d2)
②变异操作的位置(变异发生的位置用下划线标出)：
Gene：(s2m2d1)(s1m1d3)(s 2m1d1)(s2m2d2)(s2 m 1d2)(s1m2d3)(s2m2 d 2)
③变异操作后的基因(变异发生的位置用下划线标出)：
Gene#：(s2m2d1)(s1m1d3)(s 1m1d1)(s2m2d2)(s2 m 2d2)(s1m2d3)(s2m2 d 3)
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度。在该算例中，调度目标信息为运输工具调度方案完成时间最短，染色体的适应度设为该染色体对应的运输工具调度方案完成时间的倒数。
(iii)生成下一代种群。在该算例中，下一代种群中的染色体是从待评价种群中选择出的适应度最高的30条染色体。
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的运输工具调度方案，结束；如否，则返回步骤(i)。
在该算例中，设定迭代5000次作为迭代终止条件。
(4)采用基因长度设定为固定长度的遗传算法进行求解，分别求解五次，得出的运输工具调度方案完成时间分别为44.85h，44.22h，46.97h，45.42h，44.62h，平均运输工具调度方案完成时间为45.22h，计算时间分别为2641s，2648s，2637s，2632s，2644s，平均计算时间为2640.4s。其中运输工具调度方案完成时间为45.42h时对应的运输工具调度方案如下：
v1:(s1m1d1)(s2m1d3)(s3m2d1)(s1m1d2)(s3m2d1)(s1m1d1)(s2m1d1)(s3m1d2)；
v2:(s2m1d1)(s3m1d3)(s3m1d3)(s2m1d3)(s2m1d3)(s3m2d1)(s2m1d1)(s3m1d2)；
v3:(s2m2d1)(s2m1d3)(s2m1d3)(s2m1d1)(s2m2d2)(s2m1d1)(s2m1d1)(s3m1d1)(s3m1d2)；
v4:(s1m2d2)(s3m1d3)(s2m2d2)(s3m2d1)(s2m2d1)(s3m2d1)(s2m2d1)(s3m1d2)；
v5:(s2m1d1)(s2m2d3)(s3m2d3)(s3m1d3)(s3m2d3)(s1m2d3)(s2m2d3)(s2m1d3)；
v6:(s3m1d1)(s2m2d3)(s2m2d3)(s2m2d2)(s2m2d2)(s3m2d1)(s2m2d1)(s3m1d2)；
v7:(s1m1d1)(s2m1d3)(s1m2d3)(s1m2d3)(s1m2d3)(s1m2d2)(s2m2d1)(s3m1d2)；
v8:(s3m2d3)(s2m1d3)(s2m2d3)(s2m2d2)(s1m1d2)(s3m1d1)(s2m2d1)(s3m1d2)；
物资调度开始的时刻为t＝0h，该运输工具调度方案完成时间为45.42h，即当t＝45.42h时，物资调度结束。
采用基于可变长基因遗传算法的物资调度方法进行求解，分别求解五次，得出的运输工具调度方案完成时间分别为43.29h，44.12h，47.05h，45.02h，46.02h，平均运输工具调度方案完成时间为45.1h，计算时间分别为2480s，2478s，2467s，2472s，2475s，平均计算时间为2474.4s。其中运输工具调度方案完成时间为43.29h时对应的运输工具调度方案如下：
v1:(s1m1d2)(s1m2d3)(s1m1d3)(s2m2d3)(s2m1d3)(s1m1d3)(s3m1d2)；
v2:(s2m2d3)(s2m2d3)(s3m2d3)(s1m2d3)(s2m1d2)(s3m1d2)(s2m2d2)；
v3:(s2m1d3)(s2m1d3)(s3m2d3)(s2m1d1)(s2m1d1)(s2m2d1)(s2m2d1)(s2m2d1)(s2m1d1)(s2m2d2)；
v4:(s1m2d2)(s2m1d3)(s3m1d3)(s3m1d2)(s2m1d2)(s3m1d2)；
v5:(s2m2d1)(s2m2d3)(s2m1d3)(s2m2d1)(s2m1d1)(s2m2d1)(s3m1d2)(s1m1d1)(s2m2d2)；
v6:(s3m2d1)(s2m2d3)(s2m2d3)(s2m1d1)(s2m2d1)(s3m1d2)(s1m1d1)(s2m2d2)；
v7:(s1m1d1)(s1m2d3)(s3m1d3)(s3m2d2)(s3m1d3)(s2m2d1)(s1m1d1)(s2m2d2)；
v8:(s3m1d1)(s3m2d3)(s1m1d3)(s2m1d1)(s1m2d1)(s2m2d1)(s2m1d1)(s2m2d1)(s1m1d1)；
物资调度开始的时刻为t＝0h，该运输工具调度方案完成时间为43.29h，即当t＝43.29h时，物资调度结束。
由此可见，在求解物资调度问题时，相比采用基因长度设定为固定长度或者是等长长度的遗传算法，通过采用本发明中一种基于可变长基因遗传算法的物资调度方法，可以在求得相同精度的解的情况下减少计算量，缩短计算时间。
参见图2，本发明基于可变长基因遗传算法的物资调度系统，包括设置在远程控制中心的服务器以及设置在各个运输工具、供应点和需求点上的客户端，服务器与客户端上均设置有用于信号联网交互的无线收发模块；服务器还包括用于存储物资参数信息的数据库以及用于生成调度方案的计算机。客户端采用手机、笔记本电脑或者平板电脑等，可以通过一个应用程序来实现，也可与互联网相连接。客户端用于接收服务器生成的运输工具调度方案。客户端可以位于运输工具、供应点、需求点。客户端可以通过网络向服务器发送参数信息。
Claims (4)
1.一种基于可变长基因遗传算法的物资调度方法，其特征在于：
(a)根据物资调度参数信息建立数据模块，参数信息包括供应点信息、需求点信息、路径信息、运输工具信息、物资信息、供应点物资信息、需求点物资信息以及调度目标信息，对数据模块中的参数信息进行编码，形如：
供应点信息：S＝{s1,s2,s3,...sM}，M为正整数；
需求点信息：D＝{d1,d2,d3,...dN}，N为正整数；
路径信息：R＝{{s1,d1},{s1,d2},{s1,d3},...{s1,dN},
……
{sM,d1},{sM,d2},{sM,d3},...{sM,dN}}，
其中，{si,dj}为供应点si和需求点dj之间的路径信息，i＝1,2,...,M，j＝1,2,...,N，i、j为正整数；
运输工具信息：V＝{v1,v2,v3,...vA}，A为正整数；
物资信息：M＝{m1,m2,m3,...mB}，B为正整数；
供应点si对应的供应点物资信息：
msi＝{{m1,xi1},{m2,xi2},{m3,xi3},...{mB,xiB}}，其中x为物资数量，i＝1,2,...,M，i为正整数；
需求点dj对应的需求点物资信息：
mdj＝{{m1,yj1},{m2,yj2},{m3,yj3},...{mB,yjB}}，其中y为物资数量，j＝1,2,...,N，j为正整数；
(b)生成初始种群，该种群包含N条染色体，每条染色体按照如下方法生成：按照任意长度逐一对每个运输工具生成其运输工具调度序列，该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即是一个运输工具调度方案；
(c)开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，交叉操作中相互交换的两个基因片段长度及所在位置均任意，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度；
(iii)生成下一代种群；
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的运输工具调度方案，结束；如否，则返回步骤(i)。
2.根据权利要求1所述的基于可变长基因遗传算法的物资调度方法，其特征在于：迭代终止条件为迭代次数到达设定上限或经过若干次迭代后适应度最高染色体的适应度不变。
3.一种实现权利要求1所述的基于可变长基因遗传算法的物资调度方法的物资调度系统，其特征在于：包括设置在远程控制中心的服务器以及设置在各个运输工具、供应点和需求点上的客户端，服务器与客户端上均设置有用于信号联网交互的无线收发模块；所述的服务器还包括用于存储物资参数信息的数据库以及用于生成调度方案的计算机。
4.根据权利要求3所述的物资调度系统，其特征在于：所述的客户端采用手机、笔记本电脑或者平板电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510416305.5A CN105069518B (zh) | 2015-07-15 | 2015-07-15 | 一种基于可变长基因遗传算法的物资调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510416305.5A CN105069518B (zh) | 2015-07-15 | 2015-07-15 | 一种基于可变长基因遗传算法的物资调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069518A true CN105069518A (zh) | 2015-11-18 |
| CN105069518B CN105069518B (zh) | 2018-10-30 |
Family
ID=54498878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510416305.5A Active CN105069518B (zh) | 2015-07-15 | 2015-07-15 | 一种基于可变长基因遗传算法的物资调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069518B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942271A (zh) * | 2019-12-11 | 2020-03-31 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络遗传算法的智能运输调度管理方法 |
| CN111199375A (zh) * | 2020-01-13 | 2020-05-26 | 江苏佳利达国际物流股份有限公司 | 一种智能化物流运输系统 |
| CN111368999A (zh) * | 2020-01-13 | 2020-07-03 | 江苏佳利达国际物流股份有限公司 | 一种物流调度系统 |
| CN112819161A (zh) * | 2021-02-02 | 2021-05-18 | 四川大学 | 基于变长基因遗传算法的神经网络构建系统、方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158799A (zh) * | 2011-01-24 | 2011-08-17 | 东软集团股份有限公司 | 一种确定推荐经由地顺序的方法及系统 |
| CN104331557A (zh) * | 2014-10-30 | 2015-02-04 | 桂林航天工业学院 | 采用模糊遗传算法优化两层埋入式电阻布局的方法 |
| CN104616067A (zh) * | 2014-12-09 | 2015-05-13 | 国家电网公司 | 考虑上网电价与遗传算法优化的风储发电控制方法及系统 |
| CN104915820A (zh) * | 2015-06-09 | 2015-09-16 | 西安交通大学 | 运输工具虚拟为供应点或需求点的物资调度方法及系统 |
-
2015
- 2015-07-15 CN CN201510416305.5A patent/CN105069518B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158799A (zh) * | 2011-01-24 | 2011-08-17 | 东软集团股份有限公司 | 一种确定推荐经由地顺序的方法及系统 |
| CN104331557A (zh) * | 2014-10-30 | 2015-02-04 | 桂林航天工业学院 | 采用模糊遗传算法优化两层埋入式电阻布局的方法 |
| CN104616067A (zh) * | 2014-12-09 | 2015-05-13 | 国家电网公司 | 考虑上网电价与遗传算法优化的风储发电控制方法及系统 |
| CN104915820A (zh) * | 2015-06-09 | 2015-09-16 | 西安交通大学 | 运输工具虚拟为供应点或需求点的物资调度方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴静 等: "基于遗传算法的无向网络路径优化", 《天津师范大学学报(自然科学版)》 * |
| 张红宇 等: "基于可变长工序编码的再制造生产调度优化方法", 《计算机应用研究》 * |
| 蔡菂迪: "改进遗传算法在车辆路径问题中的研究应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942271A (zh) * | 2019-12-11 | 2020-03-31 | 江苏佳利达国际物流股份有限公司 | 一种基于神经网络遗传算法的智能运输调度管理方法 |
| CN111199375A (zh) * | 2020-01-13 | 2020-05-26 | 江苏佳利达国际物流股份有限公司 | 一种智能化物流运输系统 |
| CN111368999A (zh) * | 2020-01-13 | 2020-07-03 | 江苏佳利达国际物流股份有限公司 | 一种物流调度系统 |
| CN111199375B (zh) * | 2020-01-13 | 2021-01-01 | 江苏佳利达国际物流股份有限公司 | 一种智能化物流运输系统 |
| CN112819161A (zh) * | 2021-02-02 | 2021-05-18 | 四川大学 | 基于变长基因遗传算法的神经网络构建系统、方法及存储介质 |
| CN112819161B (zh) * | 2021-02-02 | 2021-08-31 | 四川大学 | 变长基因遗传算法的神经网络构建系统、方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069518B (zh) | 2018-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
| CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
| CN107301504B (zh) | 基于混合蛙跳—路径重连的生产运输协同调度方法和系统 | |
| CN109447317A (zh) | 一种基于多人同时拣货的仓库最短路径优化方法 | |
| CN105069518A (zh) | 一种基于可变长基因遗传算法的物资调度方法及系统 | |
| CN103530702A (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
| Wilck IV et al. | A genetic algorithm for the split delivery vehicle routing problem | |
| CN107578119A (zh) | 一种智能调度系统的资源分配全局优化方法 | |
| CN105096006A (zh) | 一种智能电能表的配送车辆路径优化方法 | |
| CN104570997B (zh) | 一种用于金属结构件下料与加工排产集成优化方法 | |
| CN103927628B (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
| CN109583660B (zh) | 一种动态拣货策略的实现方法 | |
| CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
| CN107358322A (zh) | 一种无人机快递自动投送最短路径规划方法 | |
| CN113313285B (zh) | 多约束条件的车辆路径优化方法、系统、存储介质及设备 | |
| CN110046845A (zh) | 一种场区车辆装载方法和装载系统 | |
| CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
| CN102298737A (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
| Cheng et al. | Scheduling a single batch-processing machine with non-identical job sizes in fuzzy environment using an improved ant colony optimization | |
| CN110348126A (zh) | 钢厂原料堆位布局优化方法、系统、设备及存储介质 | |
| CN113627712A (zh) | 一种仓储系统穿梭车作业顺序优化方法 | |
| CN105205536B (zh) | 基于混合遗传算法的1553b总线消息传输优化方法 | |
| CN108596455A (zh) | 一种基于物料配送的汽车底盘下料车间调度方法 | |
| CN104915820A (zh) | 运输工具虚拟为供应点或需求点的物资调度方法及系统 | |
| Chenyang et al. | Improved simulated annealing algorithm for flexible job shop scheduling problems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210708 Address after: No. 506, 5th floor, unit 1, building 7, No. 399, Fucheng avenue west section, high tech Zone, Chengdu, Sichuan 610000 Patentee after: Sichuan digital economy industry development Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Patentee before: XI'AN JIAOTONG University |
|
| TR01 | Transfer of patent right |