CN105787596A - 一种基于改进蚁群算法的应急物流路径优化方法 - Google Patents

Abstract

本发明公开了一种基于改进蚁群算法的应急物流路径优化方法，以配送时间最小化和配送成本最小化为目标，构建多目标静态路径优化模型，确定该优化模型的临时中转站的应急物资流量、公平性和车载能力等约束条件；利用蚁群算法，搜索所有路径，当所有蚂蚁完成一次搜索后，按照所搜索到的路径长度进行排序，根据路径长度对寻找到各个路径的蚂蚁赋予相应的信息素增加量；设置信息素的上下限，对每条路径的信息素进行更新，完成所有受灾点的遍历，确定每条线路的总目标函数值，确定最优路径和最优目标函数值。本发明在信息素更新、信息素限制等方面对蚁群算法进行了改进，提高了算法的收敛速度和求解质量，为应急路线的优化提供了理论依据。

Description

一种基于改进蚁群算法的应急物流路径优化方法

技术领域

本发明涉及一种基于改进蚁群算法的应急物流路径优化方法。

背景技术

近年来，随着科技水平的不断提高，许多自然灾害逐步可以预防和控制，但一些灾害仍然不可避免且发生的频率较高，比如说地震灾害。我国是地震灾害的多发国家，近几年发生的几起地震灾害给灾区人民群众的人身安全与生活设施等造成了重大的损失，也增加了社会的不安定因素。在多次突发灾害中，国家和政府都给与了大量的财政补贴，并出动了大批专业救援队伍进行了第一时间的积极营救工作。但是，地震灾害所造成的损失是巨大而不可估量的。每一次地震灾害的发生都亟需应急物资的支持，应急物流在其中就承载着至关重要的作用，救援的人力、物力、财力都要通过应急物流通道才能运往灾区，从而第一时间保障灾区的生命和财产安全。

灾害发生后，为了提高应急救援的效率，需要在最短的时间内做出救援决策，制定应急物资配送方案，这就需要针对应急物资的配送路线进行合理优化，以缩短灾区的等待时间、降低不必要的运输成本、尽可能公平的完成配送计划。

现有的路径优化问题的求解多是采用针对现实条件建立解决问题的多目标数学模型，并将混合模糊方法、模糊聚类方法、Robust优化方法应用到优化设计中，但是在多个约束目标的组合方面仍然存在着不能切合实际需求、假设性因素较多的问题，在更改假设条件和增加约束条件方面的研究还不够完善，需要深化多目标路径优化问题的探讨；在求解方法的选取方面，虽然采用了多种智能算法综合的策略，但是针对特定问题的算法改进还不够成熟，不能有效融合各种算法的优势。

发明内容

本发明为了解决上述问题，提出了一种基于改进蚁群算法的应急物流路径优化方法，本发明提出了多供应点多需求点多物资需求的带软时间窗非满载类应急物流路径优化问题，针对需求信息已知且后期不会发生变化的静态情况进行分析，构建了路径优化模型，并通过引入精英策略、改进信息素更新策略等方法，针对模型的特点设计了改进的蚁群算法用于求解模型。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进蚁群算法的应急物流路径优化方法，包括以下步骤：

(1)以配送时间最小化和配送成本最小化为目标，构建多目标静态路径优化模型，确定该优化模型的临时中转站的应急物资流量、公平性和车载能力等约束条件；

(2)利用蚁群算法，搜索所有路径，当所有蚂蚁完成一次搜索后，按照所搜索到的路径长度进行排序，根据路径长度对寻找到各个路径的蚂蚁赋予相应的信息素增加量；

(3)设置信息素的上下限，对每条路径的信息素进行更新，完成所有受灾点的遍历，确定每条线路的总目标函数值，确定最优路径和最优目标函数值。

所述步骤(1)中，配送时间最小化的目标函数为：

$f_1=\min \underset{i=1}{\overset{N}{\Σ}}\underset{h=1}{\overset{a}{\Σ}}{t}_{hi}+\min \mathrm{\α}\underset{s=1}{\overset{p}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}{p}_{js}\[\max (t_j-{\mathrm{LT}}_{jls},0)\]$

N表示在中转站选址过程中已确定的临时中转站的个数，h为运载过程中调配车辆的集合，h＝(1,2……a)，t_hi表示车辆h从中转站i出发遍历一圈后回到原中转站所花费的时间，其大小由路径的长短决定；α是时间窗限制的惩罚系数，其值为给定数值；p_js表示受灾点j发生s级灾情的概率，静态路径优化模型将发生各级灾情的概率之和作为时间窗惩罚的权重；t_j为应急物资运达受灾点j的时间；LT_jls为需求点j在灾害等级为s时对第l种物资的等待时间窗下限。

所述步骤(1)中，配送成本最小化目标函数为：

c₁表示启动单辆车辆的固定成本，c₂为车辆的运行成本，模型将车辆运行成本与车辆运载总时间的乘积记为车辆变动成本，设车辆行驶速度为固定值。

所述步骤(1)中，配送时间最小化包括考虑运载过程中的物资运输时间总和最小与未满足时间窗限制的惩罚最小。

所述步骤(1)中，配送成本最小化包括车辆的固定成本与随着车辆配送路程长短而变化的车辆变动成本最小。

所述步骤(1)中，多目标静态路径优化模型的约束条件包括：

(1)各临时中转站的应急物资流量守恒，即运送往各受灾点的物资总量不能超过中转站收集的物资量之和；

(2)每个受灾点接收到的资源不能超过其提出的需求；

(3)车辆遍历路线上的所有受灾点提出的物资总需求不能超过车辆的载重；

(4)各个受灾点的需求都由同一辆车满足。

所述步骤(1)中，根据多目标静态路径优化模型的特点，以应急物资运载时间最小化为主要目标，在满足该目标的前提下最小化物资运输成本，采用目标权重法求解，具体的权重将由专家评估方法确定。

所述步骤(2)中，根据所有蚂蚁搜索到的路径的质量为依据更新信息素，搜索到的路径越短，信息素的更新系数越大。在所有蚂蚁完成一次搜索后，将其按照所搜索到的路径长度进行排序，信息素的增加量随着路径长度的增加而递减，其大小通过给出的权值系数计算，在这一过程中会为找到最短路径的精英蚂蚁赋予额外的信息素增加量。

所述步骤(3)中，对信息素更新的规则为：若当前信息素超过上或下限阈值时，则将当前信息素更新为上或下限阈值。

所述步骤(3)中，确定最优路径和最优目标函数值的具体步骤包括：

(3-1)对蚂蚁数量、循环次数、信息素的蒸发速率、受灾点坐标、临时中转站集合、时间窗下限、车辆固定成本和运行成本进行初始化；

(3-2)初始化一只蚂蚁；

(3-3)根据转移概率，计算将要配送的受灾点，若所有受灾点已遍历完毕则转入步骤(3-5)；根据各个受灾点的需求期望和当前车辆的载重计算车载物资是否满足该受灾点的需求，若满足则执行步骤(3-4)；否则车辆返回中转站补充货物，并将中转站加入路径，将返回中转站的车辆距离记入车辆变动成本，转入步骤(3-4)；

(3-4)将受灾点加入当前路径，车辆当前载重减去该受灾点需求期望，将该受灾点放入到禁忌表中，更新禁忌表；判断所有受灾点是否遍历，若是则执行步骤(3-5)，否则执行步骤(3-3)；

(3-5)计算本条路线的总目标函数值，将目标函数值与当前最优值的大小进行比较，判定前者是否小于后者，若是则将其替换最优解；判断所有蚂蚁是否完成遍历，若完成则执行步骤(3-6)，否则返回步骤(3-2)；

(3-6)根据信息素的蒸发速率和设置的信息素上下限进行信息素蒸发；

(3-7)判断是否满足循环次数，如果满足则输出最优路径与最优目标函数值，否则返回步骤(3-2)。

所述步骤(3-6)中，为蚂蚁遍历的路径更新当前信息素值，更新值为距离的倒数，若某两点间信息素浓度大于给定的上限值或小于给定的下限值，则将该两点间信息素浓度设置为该限值，为得到最优解的路径加上假定的信息素值。

本发明的有益效果为：

(1)本发明提出了带软时间窗的多供应点多需求点多物资需求的应急物流路径优化问题，可以为多目标问题在此领域的研究提供相关理论依据；

(2)本发明应用运筹学理论构建了适应于相应问题的数学模型，可以作为突发灾害中拟定路径优化方案的工具，为第一时间抢救生命财产提供了强有力的帮助；

(3)本发明将基本蚁群算法与多种智能算法思想相结合，在结合精英策略的基础上对信息素更新规则和信息素上下限设置等方面做出改进，并对适用于相应模型的改进蚁群算法进行设计，对于蚁群算法在应急物流路径优化领域的运用具有一定的借鉴作用。

附图说明

图1为本发明的流程示意图；

图2为本发明的改进的蚁群算法流程示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

地震灾害发生后，多个受灾地区同时提出不同的物资需求，这就要求应急救援部门第一时间做出最优判断，从而制定合理的救援路线。本发明所涉及的路径优化指的是灾区内路径优化问题，即按照灾情和地理位置等因素将受灾地区分为几个区域，各个区域的需求统一供应，每辆到达的车辆可以在同一区域中顺次配货，其路线需要进行配送路径的优化选择。

如图1所示，本发明主要研究了带软时间窗的多供应点多需求点多物资需求的应急物流路径优化问题。首先，引入配送时间与配送成本最小化思想构建了应急物流路径优化模型；其次，针对构建的多目标规划模型，结合多种智能算法思想，在信息素更新、信息素限制等方面对蚁群算法进行了改进，提高了算法的收敛速度和求解质量，并对适用于相应模型的改进蚁群算法进行了设计。

(一)路径优化模型假设

为了更好的描述和理解灾后路径优化模型，模型的构建应满足如下假设：

(1)所有的受灾点对于不同物资的需求量是已知的。

(2)同一中转站的不同应急物资可由同一辆车运载，每个受灾点的物资需求都只由同一辆车供应，且需求点的需求量小于车辆的载重。

(3)整体的救援方案以所有受灾点的需求量都得到满足时为止。

(4)运载的途中，各辆车都为单方向配送，即需求点只允许运送货物，不允许装载货物并带走。

(5)运载车辆的平均速度是已知的。

(6)各个中转站派出的车辆只能返回原中转站。

(二)路径优化模型建立

本发明考虑的车辆路径优化模型是一个多目标静态优化模型，涉及的目标主要包括时间和成本两个目标。

1.配送时间最小化目标

其目标函数为：

$Obj1f=min\underset{i=1}{\overset{N}{\Σ}}\underset{h=1}{\overset{a}{\Σ}}{t}_{hi}+min\mathrm{\α}\underset{s=1}{\overset{p}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}{p}_{js}\[max(t_j-{\mathrm{LT}}_{jls},0)\]---\left(4.1\right)$

上式中，N表示在中转站选址过程中已确定的临时中转站的个数，h为运载过程中调配车辆的集合，h＝(1,2……a)，其中a的值由公式(4.2)可以得出；t_hi表示车辆h从中转站i出发遍历一圈后回到原中转站所花费的时间，其大小由路径的长短决定；α是时间窗限制的惩罚系数，其值为给定数值；p_js表示受灾点j发生s级灾情的概率，本发明的静态路径优化模型将发生各级灾情的概率之和作为时间窗惩罚的权重；t_j为应急物资运达受灾点j的时间；LT_jls为需求点j在灾害等级为s时对第l种物资的等待时间窗下限。

目标函数(4.1)为模型第一目标，即保证运载过程中的物资运输时间总和与未满足时间窗限制的惩罚最小。对于突发地震灾害来说，各灾区对于救援物资响应时间的要求是较高的，随着时间的推移，需求的重点转化为对物资数量的要求。

2.配送成本最小化目标

其目标函数为：

$\begin{array}{cc}Obj2& f_2={\mathrm{minc}}_{1}a+{\mathrm{minc}}_2\underset{i=1}{\overset{N}{\Σ}}\underset{h=1}{\overset{a}{\Σ}}{t}_{hi}\end{array}---\left(4.2\right)$

上式中，c₁表示启动单辆车辆的固定成本，如人力成本等；c₂为车辆的运行成本，与油耗、车辆损耗等有关。模型将车辆运行成本与车辆运载总时间的乘积记为车辆变动成本。本发明假设车辆行驶速度为固定值，即将路程转化为时间。

目标函数(4.2)是运载过程的总成本最小化目标。

本发明构建的路径优化模型应满足的约束条件如下所示：

(1)各临时中转站的应急物资流量守恒，即运送往各受灾点的物资总量不能超过中转站收集的物资量之和。

$\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}{y}_{ijl}\≤a_{il}---\left(4.3\right)$

上式中，y_ijl表示从中转站i运往受灾点j的l类物资的量；a_il表示临时中转站i所收集的所有l类物资的总量。

(2)为保障有限物资的最大化分配，同时兼顾各受灾的公平性，使资源不被浪费，每个受灾点接收到的l类资源不能超过其提出的需求。

$\begin{array}{cc}\underset{i=1}{\overset{N}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}{y}_{ijl}\≤x_{jl}& j=1,\mathrm{2...}m\end{array}---\left(4.4\right)$

上式中，y_ijl表示从中转站i运往受灾点j的l类物资的量；x_jl表示需求点j对第l类资源的需求总量。

(3)车辆的运载能力是有限制的，车辆h遍历路线上的所有受灾点提出的物资总需求不能超过车辆的载重。

$\begin{array}{cc}\underset{j=1}{\overset{m}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}{Y}_{hj}{x}_{jl}\≤q& h=1,\mathrm{2...}a\end{array}---\left(4.5\right)$

上式中，Y_hj为决策变量，当Y_hj＝1时表示第h辆车经过受灾点j，Y_hj＝0时表示第h辆车没有经过受灾点j；q表示车辆的载重负荷。

(4)各个受灾点的需求都由同一辆车满足。

$\begin{array}{cc}\underset{h=1}{\overset{a}{\Σ}}{Y}_{hj}=1& j=1,\mathrm{2...}m\end{array}---\left(4.6\right)$

上式中，Y_hj为决策变量，当Y_hj＝1时表示第h辆车经过受灾点j，Y_hj＝0时表示第h辆车没有经过受灾点j。

本发明构建的模型属于多目标数学规划模型，根据模型的特点，以应急物资运载时间最小化为主要目标，在满足该目标的前提下最小化物资运输成本，采用目标权重法求解，具体的权重将由专家评估给出。

本发明将运用改进的蚁群算法解决提出的路径优化问题。

1.蚁群算法改进

针对基本蚁群算法解决路径优化问题时所出现的求解速度过慢且易早熟停滞的特点，即搜索到达某一阶段时，由于信息素的过度积累致使蚂蚁全部汇聚到同一线路，因而不能得到全局最优解。国内外学者在这一方面进行了大量研究，提出了多种改进方法。本发明结合精英策略针对基本蚁群算法做出了两项改进：一是信息素更新规则的改进；二是信息素上下限的设置。

(1)信息素的更新

精英策略的基本思想是：当所有蚂蚁都遍历完一条路径后，对得到最优解的蚂蚁(即精英蚂蚁)给予额外的信息素增加量，使之在下一次的搜索中能够具有优势。确定信息素的更新规则：

${\mathrm{\τ}}_{ij}(t+1)={\mathrm{\ρ\τ}}_{ij}\left(t\right)+{\mathrm{\Δ\τ}}_{ij}+{\mathrm{\Δ\τ}}_{ij}^{*}---\left(4.7\right)$

上式中，τ_ij(t)表示t时刻蚂蚁在路径(i，j)所存留的信息素的浓度。Δτ_ij表示循环一次后边(i，j)的信息素增加值，表示路径搜索过程中精英蚂蚁所经过路径的信息素增加值。

式(4.8)中，Q为初始信息素浓度，其大小是已知的常数，L表示已经遍历过的路径长度。

式(4.9)中，σ表示的是精英蚂蚁的数量，L^*表示当前搜索到的最短路径的长度。

本发明中所提出的信息素更新策略虽然有效的提高了算法的效率，但是其思想是认为所有经过边(i，j)的蚂蚁对于信息素更新的作用都是一样的，这样解元素之间的差异就变得很小，搜索的范围可能只集中在当前最优的路径附近，这不利于全局最优解的获取。

为了维持蚂蚁的选择压力，本部分在引入精英策略的基础上进行了信息素更新的另一个改进，即根据所有蚂蚁搜索到的路径的质量为依据更新信息素，搜索到的路径越短，信息素的更新系数越大。

在所有蚂蚁完成一次搜索后，将其按照所搜索到的路径长度进行排序，信息素的增加量随着路径长度的增加而递减，其大小通过给出的权值系数计算。在这一过程中会为找到最短路径的精英蚂蚁赋予更多的信息素增加量，这也可以看作是对于精英策略进行的优化改进。

经验证采用改进的精英策略可以有效的提高算法的求解速度，扩展解元素之间的差异性，使蚁群在获取更优解的过程中迭代次数较少，且缓解了蚁群算法在搜索过程中过早收敛的特性。

(2)信息素限制

在上述信息素更新的改进中精英策略起到了主导作用，这一改进有效的提升了蚁群算法在求解相应问题时的速度。然而基于蚁群算法本身信息素更新的特性及精英策略的局限性，整体的搜索逐渐会集中到当前最优的路线附近，得到的结果有可能只是局部最优解而非全局最优。为了平衡最优解的搜索，本发明提出了第二项改进，即设置信息素的上下限。

这一改进引入了MMAS的思想。在MMAS中任何一条边所能容纳的信息素的数量都是有限制的，即[τ_min，τ_max]，这一限定可以避免停滞现象的出现。从概率的角度来看，这一限定还可以把位于结点i的蚂蚁选择结点j作为将要访问结点的概率p_ij限制在区间[p_min,p_max]内，其中有0＜p_min＜p_ij＜p_max≤1。当且仅当蚂蚁k只有一个可选择的结点时，p_min＝p_max＝1。

MMAS使用了对的值来定义τ_max，信息素未被更新前，τ_min与τ_max由下式决定：

${\mathrm{\τ}}_{\max }\left(t\right)=\frac{1}{2(I-\mathrm{\ρ})*L^{besi}}+\frac{\mathrm{\σ}}{L^{besi}},{\mathrm{\τ}}_{min}\left(t\right)=\frac{{\mathrm{\τ}}_{max}\left(t\right)}{20}---\left(4.10\right)$

本发明在更新信息素时依照如下规则：若τ_ij(t)>τ_max(t)，则设置τ_ij(t)＝τ_max(t)；若τ_ij(t)<τ_min(t)，则设置τ_ij(t)＝τ_min(t)。通过这一改进可以有效的避免某条路径所拥有的信息素浓度超出一般水平，从而扩大了搜索的空间，使最优解趋向于全局最优而非局部最优。

2.路径优化改进算法设计

本发明所提出的应急物流路径优化模型的目标有两个，一是时间的最小化，包括考虑运载过程中的物资运输时间总和与未满足时间窗限制的惩罚最小两部分；二是追求运载过程的总成本最小，包括车辆的固定成本与随着车辆配送路程长短而变化的车辆变动成本两部分。这两个目标中时间最小化为主目标，在运算过程中将运用专家评估等方法确定两个目标的权重。

在已有的关于路径优化研究中国内外学者大多采用智能算法解决问题，本部分基于对优化组合问题的考虑，决定采用改进的蚁群算法结合精英策略来解决问题。本发明关于路径优化模型求解算法的改进具体体现在两个方面：信息素更新的改进、信息素的更新范围设定限度。近几年，国外学者在路径优化方面进行了大量研究，借鉴其研究成果，在临时中转站选址完成的基础上，如图2所示，本发明结合模型的特点，步骤如下：

(1)初始化数据，m(蚂蚁数量)，NC(循环次数)，ρ(信息素的蒸发速率)，J(受灾点坐标)，N(临时中转站集合)，c₁(车辆固定成本)，c₂(车辆运行成本)，LT(时间窗下限)。

(2)初始化一只蚂蚁。

(3)根据转移概率 $p_{ij}^k=\left\{\begin{array}{cc}\frac{{\mathrm{\&tau;}}_{ij}^{\mathrm{\&alpha;}}\left(t\right)n_{ij}^{\mathrm{\&beta;}}\left(t\right)}{\underset{s\&Element;{\mathrm{allowed}}_k}{\&Sigma;}{\mathrm{\&tau;}}_{is}^{\mathrm{\&alpha;}}\left(t\right)n_{ij}^{\mathrm{\&beta;}}\left(t\right)},& i\&Element;{\mathrm{allowed}}_k\\ 0,& otherwise\end{array}\right.$ 计算将要配送的救灾点j，若所有受灾点已遍历完毕则执行步骤(7)。

(4)根据受灾点j的需求期望和当前车辆的载重计算车载物资是否满足该受灾点的需求，若满足则执行步骤(5)。否则车辆返回中转站补充货物，并将中转站加入路径，将返回中转站的车辆距离记入车辆变动成本。执行步骤(5)。

(5)将j点加入当前路径，车辆当前载重减去该受灾点需求期望。将受灾点j放入到禁忌表中，更新禁忌表。

(6)判断所有受灾点是否遍历，若是则执行步骤(7)，否则执行步骤(3)。

(7)算出本条路线的总目标函数值。将目标函数值与当前最优值的大小进行比较，判定前者是否小于后者，若是则将其替换最优解。

(8)判断所有蚂蚁是否完成遍历，若完成则执行步骤(9)，否则执行步骤(2)

(9)信息素蒸发。为蚂蚁遍历的路径更新当前信息素值，更新值为距离的倒数。若某两点间信息素浓度大于给定的上限值或小于给定的下限值，则将该两点间信息素浓度设置为该限值。为得到最优解的路径加上假定的信息素值。

(10)若完成NC次循环，输出最优路径与最优目标函数值。否则执行步骤(2)。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于改进蚁群算法的应急物流路径优化方法，其特征是：包括以下步骤：

(1)以配送时间最小化和配送成本最小化为目标，构建多目标静态路径优化模型，确定该优化模型的临时中转站的应急物资流量、公平性和车载能力的约束条件；

(2)利用蚁群算法，搜索所有路径，当所有蚂蚁完成一次搜索后，按照所搜索到的路径长度进行排序，根据路径长度对寻找到各个路径的蚂蚁赋予相应的信息素增加量；

(3)设置信息素的上下限，对每条路径的信息素进行更新，完成所有受灾点的遍历，确定每条线路的总目标函数值，确定最优路径和最优目标函数值。

2.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(1)中，配送时间最小化包括考虑运载过程中的物资运输时间总和最小与未满足时间窗限制的惩罚最小；

所述步骤(1)中，配送成本最小化包括车辆的固定成本与随着车辆配送路程长短而变化的车辆变动成本最小。

3.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(1)中，配送时间最小化的目标函数为：

$f_1=min\underset{i=1}{\overset{N}{\&Sigma;}}\underset{h=1}{\overset{a}{\&Sigma;}}{t}_{hi}+min\mathrm{\&alpha;}\underset{s=1}{\overset{p}{\&Sigma;}}\underset{j=1}{\overset{m}{\&Sigma;}}\underset{l=1}{\overset{k}{\&Sigma;}}{p}_{js}\&lsqb;max\left(t_j-{\mathrm{LT}}_{jls},0\right)\&rsqb;$

N表示在中转站选址过程中已确定的临时中转站的个数，h为运载过程中调配车辆的集合，h＝(1,2……a)，t_hi表示车辆h从中转站i出发遍历一圈后回到原中转站所花费的时间，其大小由路径的长短决定；α是时间窗限制的惩罚系数，其值为给定数值；p_js表示受灾点j发生s级灾情的概率，静态路径优化模型将发生各级灾情的概率之和作为时间窗惩罚的权重；t_j为应急物资运达受灾点j的时间；LT_jls为需求点j在灾害等级为s时对第l种物资的等待时间窗下限。

4.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(1)中，配送成本最小化目标函数为：

c₁表示启动单辆车辆的固定成本，c₂为车辆的运行成本，模型将车辆运行成本与车辆运载总时间的乘积记为车辆变动成本，设车辆行驶速度为固定值。

5.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(1)中，多目标静态路径优化模型的约束条件包括：

(1)各临时中转站的应急物资流量守恒，即运送往各受灾点的物资总量不能超过中转站收集的物资量之和；

(2)每个受灾点接收到的资源不能超过其提出的需求；

(3)车辆遍历路线上的所有受灾点提出的物资总需求不能超过车辆的载重；

(4)各个受灾点的需求都由同一辆车满足。

6.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(1)中，根据多目标静态路径优化模型的特点，以应急物资运载时间最小化为主要目标，在满足该目标的前提下最小化物资运输成本，采用目标权重法求解，具体的权重将由专家评估方法确定。

7.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(2)中，根据所有蚂蚁搜索到的路径的质量为依据更新信息素，搜索到的路径越短，信息素的更新系数越大。

8.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(3)中，对信息素更新的规则为：若当前信息素超过上或下限阈值时，则将当前信息素更新为上或下限阈值。

9.如权利要求1所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(3)中，确定最优路径和最优目标函数值的具体步骤包括：

(3-1)对蚂蚁数量、循环次数、信息素的蒸发速率、受灾点坐标、临时中转站集合、时间窗下限、车辆固定成本和运行成本进行初始化；

(3-2)初始化一只蚂蚁；

(3-3)根据转移概率，计算将要配送的受灾点，若所有受灾点已遍历完毕则转入步骤(3-5)；根据各个受灾点的需求期望和当前车辆的载重计算车载物资是否满足该受灾点的需求，若满足则执行步骤(3-4)；否则车辆返回中转站补充货物，并将中转站加入路径，将返回中转站的车辆距离记入车辆变动成本，转入步骤(3-4)；

(3-4)将受灾点加入当前路径，车辆当前载重减去该受灾点需求期望，将该受灾点放入到禁忌表中，更新禁忌表；判断所有受灾点是否遍历，若是则执行步骤(3-5)，否则执行步骤(3-3)；

(3-5)计算本条路线的总目标函数值，将目标函数值与当前最优值的大小进行比较，判定前者是否小于后者，若是则将其替换最优解；判断所有蚂蚁是否完成遍历，若完成则执行步骤(3-6)，否则返回步骤(3-2)；

(3-6)根据信息素的蒸发速率和设置的信息素上下限进行信息素蒸发；

(3-7)判断是否满足循环次数，如果满足则输出最优路径与最优目标函数值，否则返回步骤(3-2)。

10.如权利要求9所述的一种基于改进蚁群算法的应急物流路径优化方法，其特征是：所述步骤(3-6)中，为蚂蚁遍历的路径更新当前信息素值，更新值为距离的倒数，若某两点间信息素浓度大于给定的上限值或小于给定的下限值，则将该两点间信息素浓度设置为该限值，为得到最优解的路径加上假定的信息素值。