CN105825303B - 一种甩挂运输的任务分配方法 - Google Patents
一种甩挂运输的任务分配方法 Download PDFInfo
- Publication number
- CN105825303B CN105825303B CN201610157900.6A CN201610157900A CN105825303B CN 105825303 B CN105825303 B CN 105825303B CN 201610157900 A CN201610157900 A CN 201610157900A CN 105825303 B CN105825303 B CN 105825303B
- Authority
- CN
- China
- Prior art keywords
- mrow
- munder
- msub
- sigma
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 43
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 101150084750 1 gene Proteins 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Saccharide Compounds (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种甩挂运输的任务分配方法,其特征是包括:1.针对甩挂运输任务分配问题建立模型2、利用建立的甩挂运输任务分配模型计算甩挂车辆完成任务获得的收益3、对甩挂运输任务分配问题模型的进行编码,并利用贪婪算法生成初始种群4、利用遗传算法对初始种群优化,获得最优解5、以上述最优解的方案对应的方案作为甩挂运输任务分配问题的最优方案。本发明从计算任务收益的角度给出甩挂运输中任务分配的具体方案,能够对甩挂运输中的任务分配问题给出合理化的决策,快速给出甩挂运输中任务分配的方案,提高制定任务分配方案的效率,使方案更加合理和准确。
Description
技术领域
本发明涉及一种甩挂运输任务分配方法,属于组合优化领域。
背景技术
甩挂运输是指利用牵引车拖带一个或多个集装箱挂车或半挂车,并允许在指定甩挂地点进行卸挂、拖带等操作的一种物流配送运输组织形式。其中牵引车自身具有动力和负载,可以独立完成物流配送任务,而挂车或半挂车自身没有动力,仅仅具备负载的能力,只能依靠牵引车的拖带完成物流配送任务。与传统的物流配送方式相比,甩挂运输利用其牵引车和挂车可以任意地进行拖带和分离的特点,使物流运输过程中的装卸和运输过程可以同时进行,实现了并行化。因此,甩挂运输这一新型的配送方式,具有运输效率高,单位成本低、周转速度快等特点。
目前,国内外对于集装箱定挂运输问题的相关研究较多,但专门研究甩挂运输调度问题相对较少;同时对于甩挂运输调度问题的研究主要仍是以确定性、静态环境下的路径规划及运输模式的设计为主,对于动态和不确定性环境下的相关研究则相对较少。而动态调度的核心任务之一就是要能够实现对各类调度需求的快速、实时响应,形成可操作的调度任务并根据调度系统中可利用的调度资源,对调度任务进行自动选择、自动排序和动态分配。
发明内容
本发明是为了克服现有技术存在的不足之处,提供一种甩挂运输的任务分配方法,以期能从给出最大的收益的角度将运输任务合理分配,进而对甩挂运输中的任务分配问题给出合理化的决策,并快速给出甩挂运输中任务分配的方案,从而提高制定任务分配方案的效率,使方案更加合理和准确。
本发明为解决技术问题采用了如下技术方案:
本发明一种甩挂运输的任务分配方法的特点是应用于由牵引车、挂车、车场站点、甩挂点和任务节点组成的配送网络中;将所述配送网络记为有向图V(S,R,E);S表示由所述车场站点和甩挂点组成的点集;R表示任务节点集合;E={<i,j>|i,j∈S∪R}表示点集S和任务节点集合R中任意第i个节点和第j个节点之间的运输路径集合;
将所述牵引车记为K={K1,K2,…,Kk,…,kn};1≤k≤n;Kk表示第k个牵引车;
将所述挂车记为G={G1,G2,…,Gg,…,Gm};1≤g≤G;Gg表示第g个挂车;
所述甩挂运输的任务分配方法是按如下步骤进行:
步骤1、建立甩挂运输任务分配模型;
步骤2、对所述甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群;
步骤3、利用遗传算法对所述甩挂运输任务分配模型进行优化,从而获得最优解;
步骤4、以所述最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。
本发明所述的甩挂运输任务分配方法的特点也在于,
所述步骤1中的甩挂运输任务分配模型为:
目标函数:
约束条件:
ej≤atj≤lj (10)
tij+ati+wti+sti-(1-xijk)T≤atj (11)
xijk,yijg,hkg,zj∈{0,1} (14)
式(1)表示完成任务所获得的最大收益;当zj=1时,表示完成第j个节点的配送任务,当zj=0时,表示没有完成第j个节点的配送任务;wj表示完成第j个节点配送任务所获得的报酬;pj表示主动取消第j个节点配送任务时所需支付的惩罚成本;bijk表示第k个牵引车Kk在运输路径<i,j>上的配送成本;当xijk=1时,表示第k个牵引车Kk经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当xijk=0,第k个牵引车Kk不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;当yijg=1时,表示第g个挂车Gg经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当yijg=0时,表示第g个挂车Gg不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;cijg第g个挂车Gg在运输路径<i,j>上的配送成本;当hkg=1时,表示第k个牵引车Kk拖挂第g个挂车Gg,当hkg=0时,表示第k个牵引车Kk没有拖挂第g个挂车Gg;
式(2)表示第k个牵引车Kk的站点约束,u表示在运输路径<i,j>上所需牵引车的车辆总数;
式(3)表示第g个挂车Gg的站点约束,v表示在运输路径<i,j>上所需挂车的车辆总数;
式(4)和式(5)表示第k个牵引车Kk的访问唯一性约束;
式(6)和式(7)表示第g个挂车Gg的访问唯一性约束;
式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束;表示第k个牵引车Kk进入第j个节点前在运输路径<i,j>上所需的容载量;Qk表示所述第k个牵引车Kk的容载量;Qg表示第g个挂车Gg的容载量;
式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束;表示第k个牵引车Kk离开第j个节点后在运输路径<i,j>上所需的容载量;
式(10)表示第j个节点的时间约束;ej表示第j个节点的配送任务最早能进行配送的时间;atj表示第k个牵引车Kk拖挂第g个挂车Gg到达第j个节点的配送时间;lj表示第j个节点的配送任务最晚能进行配送的时间;
式(11)表示第i个节点和第j个节点的时间约束,tij表示第k个牵引车Kk拖挂第g个挂车Gg在运输路径<i,j>上的行驶时间;ati表示表示第k个牵引车Kk拖挂第g个挂车Gg到达第i个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时间;sti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间;T表示为一个足够大的整数;
式(12)表示第k个牵引车Kk在配送网络V中的次回路约束;P表示第k个牵引车Kk在配送网络V中访问过的节点;|P|≥2;
式(13)表示第g个挂车Gg在配送网络V中的次回路约束;
式(14)表示决策变量的取值范围。
所述步骤2按如下步骤进行:
步骤2.1、对所述配送网络V中的所有节点进行编号,记为1,2,3,…,N;
步骤2.2、定义染色体的个数为ε,并初始化ε=1;
步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第σ个节点作为起始点;
初始化σ=1,并形成第ε个染色体的第σ个基因;
步骤2.4从第σ个节点分别到剩下的N-σ个节点中选择目标函数值最大的节点作为第σ+1个节点,并形成第ε个染色体的第σ+1个基因;
步骤2.5、将σ+1赋值给σ,并重复步骤2.4,直至N=σ为止,从而得到第ε个染色体的N个基因;
步骤2.6、将ε+1赋值给ε,并重复步骤2.3至步骤2.5,直至形成有E个染色体组成的初始种群为止。
所述步骤3中是按如下步骤进行:
步骤3.1、将所述初始种群记为POP(t),并初始化t=1;
步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数,并将E个目标函数中的最小值记为
步骤3.3、定义变量ε,并初始化ε=1;
步骤3.4、利用式(15)获得第t代种群POP(t)中第ε个染色体popε(t)的适应函数
式(15)中,F表示目标函数;
步骤3.5、利用式(16)获得第t代种群POP(t)中第ε个染色体popε(t)的概率
步骤3.6、利用式(17)计算出第t代种群POP(t)中第ε个染色体popε(t)的累积概率
步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出E个染色体,从而产生第t+1代种群POP(t+1);
步骤3.8、对第t+1代种群CrossPOP(t+1)中的染色体进行两两单点交叉操作;从而形成第t+1代交叉种群CrossPOP(t+1);
步骤3.9、对第t+1代交叉种群CrossPOP(t+1)中的染色体进行随机两个位置的变异操作;从而形成第t+1代变异种群MutPOP(t+1);
步骤3.10、以第t+1代变异种群MutPOP(t+1)作为第t代种群POP(t),并返回步骤3.2顺序执行,直到所获得染色体不再改变为止,从而获得不变的染色体作为最优解输出。
与已有技术相比,本发明的有益效果体现在:
1、本发明通过建立的任务分配模型计算甩挂车辆完成任务后所获得的收益,从收益最大化的角度制定具体的任务分配方案,使得求解甩挂运输过程中的任务分配问题和案更加简便和易于操作,从而快速制定甩挂运输中的任务分配方案;
2、本发明从市场追求收益最大化的特征出发,建立了计算甩挂车辆完成任务获得的收益的模型,从而帮助人们去选择能够获得最大收益的任务,自主的完成任务分配这一过程,使问题的结果更加明确、易于理解同时紧密结合实际。
3、本发明采用的是基于实数编码的方法,根据任务节点和甩挂站点被访问的先后的次序进行编码并初始化,使生成解更直观且便于理解;并利用贪婪算法生成使初始解,缩短了生成初始解得时间;同时适用于遗传算法对问题进行求解。
4、本发明利用具有内在的隐并行性和良好的全局寻优能力的遗传算法,直接对结构对象进行操作,不存在求导和函数连续性的限定;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则;通过算法中选择、交配、变异和更新操作对初始解进行多次迭代从而产生最优解。
附图说明
图1为本发明甩挂运输的任务分配方法的流程图。
具体实施方式
本实施例中,一种甩挂运输的任务分配方法,是应用于由牵引车、挂车、车场站点、甩挂点和任务节点组成的配送网络中;将配送网络记为有向图V(S,R,E);S表示由车场站点和甩挂点组成的点集;R表示任务节点集合;E={<i,j>|i,j∈S∪R}表示点集S和任务节点集合R中任意第i个节点和第j个节点之间的运输路径集合;
将牵引车记为K={K1,K2,…,Kk,…,kn};1≤k≤n;Kk表示第k个牵引车;
将挂车记为G={G1,G2,…,Gg,…,Gm};1≤g≤G;Gg表示第g个挂车;
如图1所示,一个集中式的物流中心平台用于接收运输任务;集中式的物流中心平台收集所能调度车辆(包括牵引车和挂车)的状态信息,所收集的状态信息包括空闲的牵引车数量及容载量、在途牵引车数量及容载量,空闲挂车数量及容载量、在途挂车数量及容载量;根据所收集的状态信息选择性的来接收目前可能完成的任务并将这些任务放入任务池,等待分配;建立一个计算任务收益的数学模型来计算完成任务池中不同运输任务可获得的收益;物流中心根据收集的信息对接收的任务进行判断分析并发布给车辆所有者;车辆所有者根据模型计算出的收益自主的进行竞争选择并接受任务;完成任务后将信息反馈给物流中心平台,以便于物流中心平台的资源调度和制定下一次分配方案。
具体的说,甩挂运输的任务分配方法是按如下步骤进行:
步骤1、建立甩挂运输任务分配模型;
根据甩挂运输任务分配方法利用式(1)建立的甩挂运输任务分配模型为:
目标函数:
约束条件:
ej≤atj≤lj (10)
tij+ati+wti+sti-(1-xijk)T≤atj (11)
xijk,yijg,hkg,zj∈{0,1} (14)
式(1)表示完成任务所获得的最大收益;当zj=1时,表示完成第j个节点的配送任务,当zj=0时,表示没有完成第j个节点的配送任务;wj表示完成第j个节点配送任务所获得的报酬;pj表示主动取消第j个节点配送任务时所需支付的惩罚成本;bijk表示第k个牵引车Kk在运输路径<i,j>上的配送成本;当xijk=1时,表示第k个牵引车Kk经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当xijk=0,第k个牵引车Kk不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;当yijg=1时,表示第g个挂车Gg经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当yijg=0时,表示第g个挂车Gg不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;cijg第g个挂车Gg在运输路径<i,j>上的配送成本;当hkg=1时,表示第k个牵引车Kk拖挂第g个挂车Gg,当hkg=0时,表示第k个牵引车Kk没有拖挂第g个挂车Gg;
式(2)表示第k个牵引车Kk的站点约束,u表示在运输路径<i,j>上所需牵引车的车辆总数;即牵引车必须从站点或者甩挂点出发,完成相应的配送任务后在回到相应的站点或者甩挂点,同时需要满足从站点或者甩挂点出发的牵引车数等于返回站点或者甩挂点的牵引车且小于等于所需牵引车数。
式(3)表示第g个挂车Gg的站点约束,v表示在运输路径<i,j>上所需挂车的车辆总数;即由牵引车拖挂着的挂车必须从站点或者甩挂点出发,完成相应的配送任务后在回到相应的站点或者甩挂点,同时需要满足从站点或者甩挂点出发的挂车数等于返回站点或者甩挂点的牵引车且小于等于所需挂车数。
式(4)和式(5)表示第k个牵引车Kk的访问唯一性约束;即每个任务节点只能被同一辆的牵引车有且仅且服务一次。
式(6)和式(7)表示第g个挂车Gg的访问唯一性约束;即每个任务节点只能被同一辆的挂车有且仅且服务一次。
式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束;即在路径<i,j>上所需容积之和是不得超过配送牵引车所拖挂着挂车的最大容积之和;表示第k个牵引车Kk进入第j个节点前在运输路径<i,j>上所需的容载量;Qk表示所述第k个牵引车Kk的容载量;Qg表示第g个挂车Gg的容载量;
式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束;即此时在路径<i,j>上的所需的容积之和是不小于配送牵引车所拖挂着挂车的最大容积之和;表示第k个牵引车Kk离开第j个节点后在运输路径<i,j>上所需的容载量;
式(10)表示第j个节点的时间约束;即进行配送任务牵引车和所拖挂着挂车到达任务节点j的时间不得早于任务j最早可以被服务的时间不得晚于任务j最迟可以被服务的时间;ej表示第j个节点的配送任务最早能进行配送的时间;atj表示第k个牵引车Kk拖挂第g个挂车Gg到达第j个节点的配送时间;lj表示第j个节点的配送任务最晚能进行配送的时间;
式(11)表示第i个节点和第j个节点的时间约束,tij表示第k个牵引车Kk拖挂第g个挂车Gg在运输路径<i,j>上的行驶时间;ati表示表示第k个牵引车Kk拖挂第g个挂车Gg到达第i个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时间;sti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间;T表示为一个足够大的整数;
式(12)表示第k个牵引车Kk在配送网络V中的次回路约束;即消除配送路径中的可能出现的次回路;P表示第k个牵引车Kk在配送网络V中访问过的节点;|P|≥2;
式(13)表示第g个挂车Gg在配送网络V中的次回路约束;
式(14)表示决策变量的取值范围。
步骤2、对甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群;
步骤2.1、根据编码规则,对所述配送网络V中的所有节点进行编号,记为1,2,3,…,N;
步骤2.2、定义染色体的个数为ε,并初始化ε=1;染色体即为解的编码,在本实例中是由节点编号组成的序列;
步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第σ个节点作为起始点;
初始化σ=1,并形成第ε个染色体的第σ个基因;基因为解中每一分量的特征,在本实例是指每条染色序列中每个节点的编号;
步骤2.4从第σ个节点分别到剩下的N-σ个节点中选择目标函数值最大的节点作为第σ+1个节点,并形成第ε个染色体的第σ+1个基因;
步骤2.5、将σ+1赋值给σ,并重复步骤2.4,直至N=σ为止,从而得到第ε个染色体的N个基因;
步骤2.6、将ε+1赋值给ε,并重复步骤2.3至步骤2.5,直至形成有E个染色体组成的初始种群为止。
步骤3、利用遗传算法对甩挂运输任务分配模型进行优化,从而获得最优解;
步骤3.1、将在步骤2中产生初始种群记为POP(t),并初始化t=1;
步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数,并将E个目标函数中的最小值记为
步骤3.3、定义变量ε,并初始化ε=1;
步骤3.4、利用式(15)获得第t代种群POP(t)中第ε个染色体popε(t)的适应函数
式(15)中,F表示目标函数;
步骤3.5、利用式(16)获得第t代种群POP(t)中第ε个染色体popε(t)的概率
步骤3.6、利用式(17)计算出第t代种群POP(t)中第ε个染色体popε(t)的累积概率
步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出E个染色体,从而产生第t+1代种群POP(t+1);轮盘赌是一常用的随机选择方法,个体适应度按比例转换为选择的概率,按个体所占的比值在一圆盘上进行比例划分,每次转动圆盘后待圆盘停止后指针停靠扇区对应的个体为选中的个体,在本发明中具体操作为利用随机函数产生一个在[0,1]之间的随机数r,判断累积概率与r,若则第ε个染色体popε(t)被选中。
步骤3.8、对第t+1代种群CrossPOP(t+1)中的染色体进行两两单点交叉操作;即对要交叉的两条染色体上选择同一个位置作为交叉点,交换两条染色体交叉点后面的所有的基因,从而形成第t+1代交叉种群CrossPOP(t+1);
步骤3.9、对第t+1代交叉种群CrossPOP(t+1)中的染色体进行随机两个位置的变异操作;即按照变异概率Pm(0<Pm<1)随机选择染色体上的两个位置,将其基因进行交换;从而形成第t+1代变异种群MutPOP(t+1);
步骤3.10、以第t+1代变异种群MutPOP(t+1)作为第t代种群POP(t),并返回步骤3.2顺序执行,直到所获得染色体不再改变为止,从而获得不变的染色体作为最优解输出。
步骤4、以最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。
Claims (3)
1.一种甩挂运输的任务分配方法,其特征是应用于由牵引车、挂车、车场站点、甩挂点和任务节点组成的配送网络中;将所述配送网络记为有向图V(S,R,E);S表示由所述车场站点和甩挂点组成的点集;R表示任务节点集合;E={<i,j>|i,j∈S∪R}表示点集S和任务节点集合R中任意第i个节点和第j个节点之间的运输路径集合;
将所述牵引车记为K={K1,K2,…,Kk,…,kn};1≤k≤n;Kk表示第k个牵引车;
将所述挂车记为G={G1,G2,…,Gg,…,Gm};1≤g≤G;Gg表示第g个挂车;
所述甩挂运输的任务分配方法是按如下步骤进行:
步骤1、建立甩挂运输任务分配模型;
目标函数:
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>F</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>h</mi>
<mrow>
<mi>k</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
约束条件:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>u</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>v</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mo>+</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>h</mi>
<mrow>
<mi>k</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mi>g</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mo>-</mo>
</msubsup>
<mo>&GreaterEqual;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mo>&cup;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>&Element;</mo>
<mi>G</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>h</mi>
<mrow>
<mi>k</mi>
<mi>g</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mi>g</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
ej≤atj≤lj (10)
tij+ati+wti+sti-(1-xijk)T≤atj (11)
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>P</mi>
<mo>|</mo>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>P</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>P</mi>
<mo>|</mo>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
xijk,yijg,hkg,zj∈{0,1} (14)
式(1)表示完成任务所获得的最大收益;当zj=1时,表示完成第j个节点的配送任务,当zj=0时,表示没有完成第j个节点的配送任务;wj表示完成第j个节点配送任务所获得的报酬;pj表示主动取消第j个节点配送任务时所需支付的惩罚成本;bijk表示第k个牵引车Kk在运输路径<i,j>上的配送成本;当xijk=1时,表示第k个牵引车Kk经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当xijk=0,第k个牵引车Kk不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;当yijg=1时,表示第g个挂车Gg经过所述第i个节点到所述第j个节点之间的运输路径<i,j>,当yijg=0时,表示第g个挂车Gg不经过所述第i个节点到所述第j个节点之间的运输路径<i,j>;cijg第g个挂车Gg在运输路径<i,j>上的配送成本;当hkg=1时,表示第k个牵引车Kk拖挂第g个挂车Gg,当hkg=0时,表示第k个牵引车Kk没有拖挂第g个挂车Gg;
式(2)表示第k个牵引车Kk的站点约束,u表示在运输路径<i,j>上所需牵引车的车辆总数;
式(3)表示第g个挂车Gg的站点约束,v表示在运输路径<i,j>上所需挂车的车辆总数;
式(4)和式(5)表示第k个牵引车Kk的访问唯一性约束;
式(6)和式(7)表示第g个挂车Gg的访问唯一性约束;
式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束;表示第k个牵引车Kk进入第j个节点前在运输路径<i,j>上所需的容载量;Qk表示所述第k个牵引车Kk的容载量;Qg表示第g个挂车Gg的容载量;
式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束;表示第k个牵引车Kk离开第j个节点后在运输路径<i,j>上所需的容载量;
式(10)表示第j个节点的时间约束;ej表示第j个节点的配送任务最早能进行配送的时间;atj表示第k个牵引车Kk拖挂第g个挂车Gg到达第j个节点的配送时间;lj表示第j个节点的配送任务最晚能进行配送的时间;
式(11)表示第i个节点和第j个节点的时间约束,tij表示第k个牵引车Kk拖挂第g个挂车Gg在运输路径<i,j>上的行驶时间;ati表示表示第k个牵引车Kk拖挂第g个挂车Gg到达第i个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时间;sti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间;T表示为一个足够大的整数;
式(12)表示第k个牵引车Kk在配送网络V中的次回路约束;P表示第k个牵引车Kk在配送网络V中访问过的节点;|P|≥2;
式(13)表示第g个挂车Gg在配送网络V中的次回路约束;
式(14)表示决策变量的取值范围;
步骤2、对所述甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群;
步骤3、利用遗传算法对所述甩挂运输任务分配模型进行优化,从而获得最优解;
步骤4、以所述最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。
2.根据权利要求1所述的甩挂运输的任务分配方法,其特征是,所述步骤2按如下步骤进行:
步骤2.1、对所述配送网络V中的所有节点进行编号,记为1,2,3,…,N;
步骤2.2、定义染色体的个数为ε,并初始化ε=1;
步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第σ个节点作为起始点;
初始化σ=1,并形成第ε个染色体的第σ个基因;
步骤2.4从第σ个节点分别到剩下的N-σ个节点中选择目标函数值最大的节点作为第σ+1个节点,并形成第ε个染色体的第σ+1个基因;
步骤2.5、将σ+1赋值给σ,并重复步骤2.4,直至N=σ为止,从而得到第ε个染色体的N个基因;
步骤2.6、将ε+1赋值给ε,并重复步骤2.3至步骤2.5,直至形成有E个染色体组成的初始种群为止。
3.根据权利要求1所述的甩挂运输的任务分配方法,其特征是,所述步骤3中是按如下步骤进行:
步骤3.1、将所述初始种群记为POP(t),并初始化t=1;
步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数,并将E个目标函数中的最小值记为
步骤3.3、定义变量ε,并初始化ε=1;
步骤3.4、利用式(15)获得第t代种群POP(t)中第ε个染色体popε(t)的适应函数
式(15)中,F表示目标函数;
步骤3.5、利用式(16)获得第t代种群POP(t)中第ε个染色体popε(t)的概率
<mrow>
<msubsup>
<mi>p</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>f</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>E</mi>
</munderover>
<msubsup>
<mi>f</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.6、利用式(17)计算出第t代种群POP(t)中第ε个染色体popε(t)的累积概率
<mrow>
<msubsup>
<mi>q</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>E</mi>
</munderover>
<msubsup>
<mi>f</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出E个染色体,从而产生第t+1代种群POP(t+1);
步骤3.8、对第t+1代种群CrossPOP(t+1)中的染色体进行两两单点交叉操作;从而形成第t+1代交叉种群CrossPOP(t+1);
步骤3.9、对第t+1代交叉种群CrossPOP(t+1)中的染色体进行随机两个位置的变异操作;从而形成第t+1代变异种群MutPOP(t+1);
步骤3.10、以第t+1代变异种群MutPOP(t+1)作为第t代种群POP(t),并返回步骤3.2顺序执行,直到所获得染色体不再改变为止,从而获得不变的染色体作为最优解输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610157900.6A CN105825303B (zh) | 2016-03-17 | 2016-03-17 | 一种甩挂运输的任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610157900.6A CN105825303B (zh) | 2016-03-17 | 2016-03-17 | 一种甩挂运输的任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825303A CN105825303A (zh) | 2016-08-03 |
CN105825303B true CN105825303B (zh) | 2017-09-22 |
Family
ID=56523555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610157900.6A Active CN105825303B (zh) | 2016-03-17 | 2016-03-17 | 一种甩挂运输的任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825303B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749010B (zh) * | 2016-08-29 | 2021-08-27 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
CN106503832B (zh) * | 2016-09-29 | 2018-06-19 | 合肥工业大学 | 无人-有人协同信息分发传递优化方法和系统 |
CN110147971B (zh) * | 2019-04-08 | 2023-02-03 | 合肥工业大学 | 用于规划车辆路径的方法、系统及存储介质 |
CN111582804A (zh) * | 2020-05-28 | 2020-08-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人驾驶运输装置的任务分配方法 |
CN111709570B (zh) * | 2020-06-11 | 2022-09-27 | 西南交通大学 | 一种网络甩挂运输调度的优化方法 |
CN111967643A (zh) * | 2020-07-13 | 2020-11-20 | 北京工业大学 | 一种基于贪婪自适应蚁群算法的任务调度方法 |
CN113469416B (zh) * | 2021-06-08 | 2022-09-20 | 哈尔滨工业大学 | 一种派件任务规划方法及设备 |
CN113570187A (zh) * | 2021-06-15 | 2021-10-29 | 北京知藏云道科技有限公司 | 车辆调度方法、装置、计算机设备和介质 |
CN113988424A (zh) * | 2021-10-29 | 2022-01-28 | 浙江百世技术有限公司 | 一种循环甩挂运输调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916999B (zh) * | 2010-07-14 | 2013-02-27 | 中国南方电网有限责任公司超高压输电公司南宁局 | 500kv区域控制中心控制域优化系统 |
CN102566431A (zh) * | 2012-01-16 | 2012-07-11 | 浙江工业大学 | 一种基于改进遗传算法的动态扰动下的模糊化参数作业车间调度控制方法 |
CN104598994A (zh) * | 2015-01-23 | 2015-05-06 | 广东易富网络科技有限公司 | 一种带时变时间窗的关联物流运输优化调度方法 |
-
2016
- 2016-03-17 CN CN201610157900.6A patent/CN105825303B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105825303A (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825303B (zh) | 一种甩挂运输的任务分配方法 | |
CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Shavarani et al. | A congested capacitated multi-level fuzzy facility location problem: An efficient drone delivery system | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN109117993B (zh) | 一种车辆路径优化的处理方法 | |
CN105976030A (zh) | 基于多智能体月台调度智能排序模型的构造 | |
CN113811915A (zh) | 用于在线共享出行平台的统一订单派发和车队管理 | |
CN109409773B (zh) | 一种基于合同网机制的对地观测资源动态规划方法 | |
CN105857350A (zh) | 一种基于区间断面客流的高铁列车开行方法 | |
CN108846623A (zh) | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN113139678A (zh) | 无人机-车辆联合配送路径优化方法及其模型构建方法 | |
CN105631530A (zh) | 时间可划分资源的多顺序规划和分配 | |
CN109345091A (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN107146068A (zh) | 一种基于均衡运用的列车运营日计划编配方法 | |
CN109214756A (zh) | 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端 | |
CN114358675A (zh) | 一种多无人机-多卡车协同物流配送路径规划方法 | |
CN111047087A (zh) | 无人机与车辆协同下路径的智能优化方法和装置 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN107578128A (zh) | 基于免疫粒子群算法的跨级配送网络规划方法 | |
Liu et al. | Scheduling optimisation of multi-type special vehicles in an airport | |
CN108229741A (zh) | 一种基于空地协同医疗救援的设施点预选址方法 | |
CN114970944B (zh) | 一种基于多智能体强化学习的订单匹配和车辆重定位方法 | |
CN114399095A (zh) | 基于云边端协同的动态车辆配送路径优化方法及装置 | |
CN113850550A (zh) | 面向高校园区的配餐订单智能派送方法、存储介质、计算机 | |
Kadri et al. | An integrated Petri net and GA-based approach for performance optimisation of bicycle sharing systems |
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 |