CN105976298A - 一种基于离散蝙蝠算法的物流运输调度方法 - Google Patents

Abstract

本发明公开了一种基于离散蝙蝠算法的物流运输调度方法，针对物流运输调度问题，定义了蝙蝠算法中蝙蝠位置、速度等参数，重新设计了蝙蝠速度更新操作、蝙蝠频率更新操作、蝙蝠位置更新操作、蝙蝠发射频度更新操作，同时引入分段逆序操作增强全局搜索能力，使用基于固定半径最近邻居搜索策略和不检测标识策略的3‑Opt优化算法来增强蝙蝠算法的局部搜索能力并加快算法的收敛速度。本发明所提出的基于离散蝙蝠算法的物流运输调度方法具有较强的收敛能力、较强的全局寻优能力、较快的运行速度，在求解物流运输调度时表现出较好的稳定性和有效性。

Description

一种基于离散蝙蝠算法的物流运输调度方法

技术领域

本发明涉及一种物流运输调度方法，尤其是一种基于离散蝙蝠算法的物流运输调度方法，属于人工智能技术领域。

背景技术

物流作为第三利润源泉对现代社会的影响明显，它关联了国民经济的原材料供应、生产过程、商品流通等重要领域，是支柱性产业。物流运输调度是物流的核心活动之一，它就是经济合理地设计车辆运输路径，按照客户的需求将货物从供应地点转移到需求地点。

在物流运输调度中，最基本的一种物流运输调度模型可描述为：一个配送中心有一台车辆要去为若干个客户点送货，该车辆从配送中心出发，需要经过所有客户后，回到配送中心，应如何选择行进路线，以使总的行程最短。其中，该车辆的车载量大于或等于所有客户点的总货物需求量；所有客户只能经过一次。其数学模型为：对于n个城市，遍历所有客户和配送中心，且只能被访问一次的路径为C＝(c₁,c₂,…,c_n)，使其中，d(c_i,c_i+1)为客户或配送中心c_i、c_i+1之间的距离，i＝1,2,…,n-1，d(c_n,c₁)为客户或配送中心c_n、c₁之间的距离。

蝙蝠算法是由Xin-she Yang在2010年提出的一种元启发式算法。蝙蝠算法是以微型蝙蝠的回声定位行为为基础，采用不同的脉冲发射频度和响度对复杂优化的问题进行求解。

发明内容

本发明的目的是为了解决上述现有技术的缺陷，提供了一种运行速度快、收敛能力强、寻优效率高的一种基于离散蝙蝠算法的物流运输调度方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于离散蝙蝠算法的物流运输调度方法，所述方法包括以下步骤：

S1、初始化

S1-1、控制参数设置：最大迭代次数为N_max，迭代计数器N，蝙蝠的种群规模为Q，固定半径最近邻居搜索参数frns<Q、0≤f_min＜f_max≤1、0≤R_min＜R_max≤1、0≤A_min＜A_max≤1是预先给定的常数；其中，N的初始值为0；

S1-2、初始化种群：对每个i，随机产生第i只蝙蝠的位置为x_i、速度为v_i、脉冲发射频度为R_i、脉冲响度为A_i、脉冲频率f_i；其中，i＝1,2,…,Q，R_i∈[R_min,R_max]，A_i∈[A_min,A_max]，f_i∈[f_min,f_max]；

S2、根据初始蝙蝠种群中每个蝙蝠的位置x_i，计算蝙蝠的适应度fitness_i，初始化全局最优蝙蝠的位置x_*及其适应度fitness_*；

S3、更新每个蝙蝠的速度蝙蝠频率和当前蝙蝠的待定位置

S4、如果rand>R_i，则采用分段逆序策略生成新的蝙蝠位置否则，进入步骤S5；

S5、通过基于固定半径最近邻居搜索策略和不检测标识策略的3-Opt优化算法找出蝙蝠位置邻域中最好的蝙蝠位置及其适应度

S6、如果rand＜A_i，且则并更新脉冲响度A_i和脉冲发射频度R_i；否则，进入步骤S7；

S7、如果更新全局最优解x_*和fitness_*；否则，进入步骤S8；

S8、如果N＜N_max，则N_now＝N_now+1，返回步骤S3；否则，进入步骤S9；

S9、输出全局最优蝙蝠的位置x_*及其适应度fitness_*。

进一步的，步骤S1-2中，所述蝙蝠的位置和速度的定义如下：

1)蝙蝠的位置：设Q∈N⁺为蝙蝠种群规模，定义第i个蝙蝠的位置为x_i＝(x_i1,x_i2,…,x_in)，i＝1,2,…,Q，其中，n为一个配送中心和多个客户点的总个数，(x_i1,x_i2,…,x_in)是(1,2,…,n)的一个置换；x_i代表客户和配送中心遍历的路径为x_i1→x_i2→…→x_in→x_i1；

2)蝙蝠的速度：定义第i个蝙蝠的速度为v_i＝(v_i1,v_i2,…,v_in)；其中，0≤v_ij≤n，i＝1,2,…,Q，j＝1,2,…,n。

进一步的，步骤S2中，所述蝙蝠的适应度fitness_i，由下式计算得出：

${\mathrm{fitness}}_i=\underset{j=1}{\overset{n-1}{\&Sigma;}}d(x_{ij},x_{i(j+1)})+d(x_{in},x_{i1})---\left(1\right)$

其中，d(x_ij,x_i(j+1))为客户或配送中心x_ij、x_i(j+1)之间的距离，j＝1,2,…,n-1，d(x_in,x₁)为客户或配送中x_ij、x_i(j+1)之间的距离。

进一步的，步骤S3中，所述更新每个蝙蝠的速度蝙蝠频率和当前蝙蝠的待定位置具体包括：

设第i个蝙蝠的位置为x_i＝(x_i1,x_i2,…,x_in)，其速度为v_i＝(v_i1,v_i2,…,v_in)，其频率为f_i；当前全局最优蝙蝠的位置为x_*＝(x_*1,x_*2,…,x_*n)，其速度为v_*＝(v_*1,v_*2,…,v_*n)；

S3-1、通过蝙蝠位置的减法操作、蝙蝠速度的数乘操作和蝙蝠速度加法操作来更新蝙蝠速度；

1)蝙蝠位置的减法操作

对第i个蝙蝠，定义蝙蝠位置的减法操作：则：

$v_{ij}^{sub}=\left\{\begin{array}{c}{v}_{*j},x_{ij}=x_{*j}\\ x_{*j},x_{ij}\&NotEqual;x_{*j}\end{array}\right.---\left(2\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

2)蝙蝠速度的数乘操作

对第i个蝙蝠，定义蝙蝠速度的数乘操作：令f_rand＝rand()，则：

$v_{ij}^{diff}=\left\{\begin{array}{c}0,|f_{rand}-f_i|\&le;0.3\\ v_{ij}^{sub},|f_{rand}-f_i|>0.3\end{array}\right.---\left(3\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

3)蝙蝠速度加法操作

对第i个蝙蝠，定义蝙蝠速度加法操作：则：

$v_{ij}^{new}=\left\{\begin{array}{c}{v}_{ij},rand\left(\right)<0.7\\ v_{ij}^{diff},rand\left(\right)\&GreaterEqual;0.7\end{array}\right.---\left(4\right)$

其中，以作为第i个蝙蝠的新速度，i＝1,2,…,Q；

S3-2、更新蝙蝠频率

在进行蝙蝠速度的数乘操作的同时，进行蝙蝠频率更新操作：对第i个蝙蝠，定义蝙蝠频率的更新操作：

$f_i^{new}=\left\{\begin{array}{c}{f}_i,|f_{rand}-f_i|<0.3\\ f_i+(f_{max}-f_i)/\mathrm{\&theta;},|f_{rand}-f_i|<0.3\end{array}\right.---\left(5\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

S3-2、通过蝙蝠位置加法操作更新蝙蝠位置

对第i个蝙蝠，定义蝙蝠位置与速度加法操作： 中的分量按如下方法从x_i得到：对每个j，如果则交换x_i中的x_ij和其中，j＝1,2,…,n；

以作为第i个蝙蝠的新位置，i＝1,2,…,Q。

进一步的，步骤S4中，所述分段逆序策略，具体包括：

设x_i＝(x_i1,x_i2,…,x_in)为第i个蝙蝠位置，s、t是随机产生的整数；其中，1≤s＜n/2，n/2≤t≤n，f_rand2＝rand()；

1)如果f_rand2>0.33且s≠1，将x_i中1到s之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_is,x_i(s-1),…,x_i2,x_i1,x_i(s+1)…,x_in)；

2)如果f_rand2≥0.66且t≠n，将x_i中t到n之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_i1,x_i2,…,x_i(t-1),x_in,x_i(n-1),…,x_i(t+1),x_it)；

3)如果0.66>f_rand2≥0.33或者s＝1或者t＝n，将x_i中从s到t之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_i1,…,x_it,x_i(t-1),…,x_i(s+1),x_is,…,x_in)。

进一步的，步骤S5中，所述固定半径最近邻居搜索策略和不检测标识策略，具体为：

1)固定半径最近邻居搜索策略

定义固定邻域搜索半径为常数frns，对客户或配送中心i进行3-Opt邻域搜索的时候，只进行最靠近客户或配送中心i的前frns个客户的交换搜索；其中，frns为正整数且0＜frns≤n，i＝1,2,…,n；

2)不检测标识策略

在进行固定半径最近邻居搜索时，为客户或配送中心i设置不检测标识flag_i，并令flag_i为FALSE，如果客户或配送中心i已经搜索过无法交换出更好结果，则令flag_i为TRUE，后续客户或配送中心的搜索中便不需要搜索客户或配送中心i，其中i＝1,2,…,n。

进一步的，步骤S6中，所述更新脉冲响度A_i，具体为：

在第N代，第i个蝙蝠的脉冲响度为则在第N+1代时蝙蝠的脉冲响度由下式计算得出：

$A_i^{N+1}={\mathrm{\&alpha;A}}_i^N---\left(6\right)$

其中，α为响度影响因子，0＜α＜1且α为常量。

进一步的，步骤S6中，所述更新脉冲发射频度R_i，具体为：

在第N代，第i个蝙蝠的发射频度为则在第N+1代时蝙蝠的发射频度由下式计算得出：

$R_i^{N+1}=R_i^N+(R_{max}-R_i^N)\&times;\mathrm{\&gamma;}---\left(7\right)$

其中，γ为发射频度影响因子，γ>0且γ为常量。

本发明相对于现有技术具有如下的有益效果：

1、本发明对蝙蝠算法基本原理进行深入研究，通过分析蝙蝠算法的优化机制并针对所描述的物流运输调度问题，定义了蝙蝠算法中蝙蝠位置、速度等参数，设计了蝙蝠速度更新操作、蝙蝠频率更新操作、蝙蝠位置更新操作、蝙蝠发射频度更新操作，同时引入分段逆序操作增强全局搜索能力，使用基于固定半径最近邻居搜索策略和不检测标识策略的3-Opt优化算法来增强蝙蝠算法的局部搜索能力并加快算法的收敛速度。

2、本发明所提出的物流运输调度方法具有较强的收敛能力、较强的全局寻优能力、较快的运行速度，在求解物流运输调度时表现出较好的稳定性和有效性。

附图说明

图1为本发明的基于离散蝙蝠算法的物流运输调度方法的流程图。

图2a～图2c为本发明的基于离散蝙蝠算法的物流运输调度方法的3-Opt示意图。

图3a～图3d分别为本发明的基于离散蝙蝠算法的物流运输调度方法的解决76、101、150、200个点(包括一个配送中心和多个客户点)的物流运输调度的最短路径图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1：

如图1所示，本实施例的基于离散蝙蝠算法的物流运输调度方法，包括以下步骤：

第一步：初始化

1)控制参数设置：最大迭代次数为N_max，迭代计数器N，蝙蝠的种群规模为Q，固定半径最近邻居搜索参数frns<Q、f_min＝0、f_max＝1、R_min＝0、R_max＝1、A_min＝0、A_max＝1，响度影响因子α＝0.9，发射频度影响因子γ＝0.1，频率影响因子θ＝2×n是预先给定的常数；其中，N的初始值为0；

2)初始化种群：对每个i，随机产生第i只蝙蝠的位置为x_i、速度为v_i、脉冲发射频度为R_i、脉冲响度为A_i、脉冲频率f_i；其中，i＝1,2,…,Q，R_i∈[R_min,R_max]，A_i∈[A_min,A_max]，f_i∈[f_min,f_max]。

所述蝙蝠的位置和速度的定义如下：

1)蝙蝠的位置：设Q∈N⁺为蝙蝠种群规模，定义第i个蝙蝠的位置为x_i＝(x_i1,x_i2,…,x_in)，i＝1,2,…,Q，其中，n为一个配送中心和多个客户点的总个数，(x_i1,x_i2,…,x_in)是(1,2,…,n)的一个置换；x_i代表客户和配送中心遍历的路径为x_i1→x_i2→…→x_in→x_i1；

2)蝙蝠的速度：定义第i个蝙蝠的速度为v_i＝(v_i1,v_i2,…,v_in)；其中，0≤v_ij≤n，i＝1,2,…,Q，j＝1,2,…,n。

第二步：根据初始蝙蝠种群中每个蝙蝠的位置x_i，计算蝙蝠的适应度fitness_i，初始化全局最优蝙蝠的位置x_*及其适应度fitness_*；

所述蝙蝠的适应度fitness_i，由下式计算得出：

${\mathrm{fitness}}_i=\underset{j=1}{\overset{n-1}{\&Sigma;}}d(x_{ij},x_{i(j+1)})+d(x_{in},x_{i1})---\left(1\right)$

其中，d(x_ij,x_i(j+1))为客户或配送中心x_ij、x_i(j+1)之间的距离，j＝1,2,…,n-1，d(x_in,x₁)为客户或配送中x_ij、x_i(j+1)之间的距离。

本实施例中，假设为一个配送中心和多个客户点的总数为n＝5，第i个蝙蝠位置为x_i＝(1,2,3,4,5)，则根据式(1)，fitness_i为d(1,2)、d(2,3)、d(3,4)、d(4,5)、d(5,1)这5条路径之和。

第三步：更新每个蝙蝠的速度蝙蝠频率和当前蝙蝠的待定位置

1)通过蝙蝠位置的减法操作、蝙蝠速度的数乘操作和蝙蝠速度加法操作来更新蝙蝠速度；

本实施例中，设第i个蝙蝠的位置为x_i＝(1,2,3,4,5)，其速度为v_i＝(0,3,2,0,4)，其频率为f_i＝0.4；当前全局最优蝙蝠的位置为x_*＝(2,1,3,5,4)，v_*＝(2,0,1,5,0)。

对第i个蝙蝠，定义蝙蝠位置的减法操作：则：

$v_{ij}^{sub}=\left\{\begin{array}{c}{v}_{*j},x_{ij}=x_{*j}\\ x_{*j},x_{ij}\&NotEqual;x_{*j}\end{array}\right.---\left(2\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

本实施例中，第i个蝙蝠位置的减法操作为：根据式(2)，依次检查x_i、x_*、v_*的每个分量，比较x_i、x_*的每个对应分量之后得

对第i个蝙蝠，定义蝙蝠速度的数乘操作：令f_rand＝rand()，则：

$v_{ij}^{diff}=\left\{\begin{array}{c}0,|f_{rand}-f_i|\&le;0.3\\ v_{ij}^{sub},|f_{rand}-f_i|>0.3\end{array}\right.---\left(3\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

在进行蝙蝠速度的数乘操作的同时，进行蝙蝠频率更新操作：对第i个蝙蝠，定义蝙蝠频率的更新操作：

$f_i^{new}=\left\{\begin{array}{c}{f}_i,|f_{rand}-f_i|<0.3\\ f_i+(f_{max}-f_i)/\mathrm{\&theta;},|f_{rand}-f_i|<0.3\end{array}\right.---\left(5\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n。

本实施例中，第i个蝙蝠速度的数乘操作为：根据式(3)，依次对的每个分量进行操作，假设第一次rand()＝0.2，则|f_rand-f_i|＝|0.2-0.4|＜0.3，根据公式(5)，f_i＝0.4；第二次rand()＝0.8，则|f_rand-f_i|＝|0.8-0.4|>0.3，根据公式(5)，f_i＝0.4+(1-0.4)/(2×5)＝0.46；以此类推一共进行5次，假设得到和新的蝙蝠速度

对第i个蝙蝠，定义蝙蝠速度加法操作：则：

$v_{ij}^{new}=\left\{\begin{array}{c}{v}_{ij},rand\left(\right)<0.7\\ v_{ij}^{diff},rand\left(\right)\&GreaterEqual;0.7\end{array}\right.---\left(4\right)$

其中，以作为第i个蝙蝠的新速度，i＝1,2,…,Q；

本实施例中，根据式(4)，依次对v_i、的每个分量进行操作，假设进行5次随机rand()得到的数值分别为0.3、0.1、0.8、0.7、0.2，再分别与0.7比较后得到新速度

2)通过蝙蝠位置加法操作更新蝙蝠位置

第i个蝙蝠位置与速度的加法操作：依次检查x_i、每个分量，得到新的蝙蝠位置

第四步、如果rand>R_i，则采用分段逆序策略生成新的蝙蝠位置否则，进入第五步；

本实施例中的分段逆序策略，具体包括：

分段逆排序策略：假设第i个蝙蝠位置x_i＝(1,2,3,4,5)，随机生成s，t，f_rand2＝rand()：

1)如果f_rand2＜0.33且s≠1(假设s＝2)，则

2)如果f_rand2≥0.66且t≠n(假设t＝4)，则

3)如果0.66>f_rand2≥0.33或者s＝1或者t＝n(假设s＝2，t＝4)，则

第五步、通过基于固定半径最近邻居搜索策略和不检测标识策略的3-Opt(3边交换算法)优化算法找出蝙蝠位置邻域中最好的蝙蝠位置及其适应度

所述固定半径最近邻居搜索策略和不检测标识策略，具体为：

1)固定半径最近邻居搜索策略

定义固定邻域搜索半径为常数frns，对客户或配送中心i进行3-Opt邻域搜索的时候，只进行最靠近客户或配送中心i的前frns个客户的交换搜索；其中，frns为正整数且0＜frns≤n，i＝1,2,…,n；

2)不检测标识策略

在进行固定半径最近邻居搜索时，为客户或配送中心i设置不检测标识flag_i，并令flag_i为FALSE，如果客户或配送中心i已经搜索过无法交换出更好结果，则令flag_i为TRUE，后续客户或配送中心的搜索中便不需要搜索客户或配送中心i，其中i＝1,2,…,n。

第六步、如果rand＜A_i，且则并更新脉冲响度A_i和脉冲发射频度R_i；否则，进入第七步；

在第N代，第i个蝙蝠的脉冲响度为发射频度为则在第N+1代时蝙蝠的脉冲响度和发射频度由式(6)、(7)计算得出：

$A_i^{N+1}={\mathrm{\&alpha;A}}_i^N---\left(6\right)$

$R_i^{N+1}=R_i^N+(R_{max}-R_i^N)\&times;\mathrm{\&gamma;}---\left(7\right)$

假设第N代的第i个蝙蝠的脉冲响度为发射频度为则第N+1代时蝙蝠的脉冲响度为和发射频度

第七步、如果更新全局最优解x_*和fitness_*；否则，进入步骤第八步；

第八步、如果N＜N_max，则N_now＝N_now+1，返回第三步；否则，进入第九步；

第九步、输出全局最优蝙蝠的位置x_*及其适应度fitness_*。

应用本发明提出的方法分别解决76、101、150、200个点的物流运输调度问题(每个问题均包括一个配送中心、其余为客户点)，求解过程与结果如下表1、图2a～图2c和图3a～图3d所示，其中表1为本发明方法具体实施方案的参数设置，图2a～图2c为最优路径图，图3a～图3d为76、101、150、200个点的最短路径进化曲线图。

表1参数设置

综上所述，本发明所提出的基于离散蝙蝠算法的物流运输调度方法具有较强的收敛能力、较强的全局寻优能力、较快的运行速度，在求解物流运输调度时表现出较好的稳定性和有效性。

以上所述，仅为本发明专利优选的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (8)

1.一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：所述方法包括以下步骤：

S1、初始化

S1-1、控制参数设置：最大迭代次数为N_max，迭代计数器N，蝙蝠的种群规模为Q，固定半径最近邻居搜索参数frns<Q、0≤f_min<f_max≤1、0≤R_min<R_max≤1、0≤A_min<A_max≤1是预先给定的常数；其中，N的初始值为0；

S1-2、初始化种群：对每个i，随机产生第i只蝙蝠的位置为x_i、速度为v_i、脉冲发射频度为R_i、脉冲响度为A_i、脉冲频率f_i；其中，i＝1,2,…,Q，R_i∈[R_min,R_max]，A_i∈[A_min,A_max]，f_i∈[f_min,f_max]；

S2、根据初始蝙蝠种群中每个蝙蝠的位置x_i，计算蝙蝠的适应度fitness_i，初始化全局最优蝙蝠的位置x_*及其适应度fitness_*；

S3、更新每个蝙蝠的速度蝙蝠频率和当前蝙蝠的待定位置

S4、如果rand>R_i，则采用分段逆序策略生成新的蝙蝠位置否则，进入步骤S5；

S5、通过基于固定半径最近邻居搜索策略和不检测标识策略的3-Opt优化算法找出蝙蝠位置邻域中最好的蝙蝠位置及其适应度

S6、如果rand<A_i，且则并更新脉冲响度A_i和脉冲发射频度R_i；否则，进入步骤S7；

S7、如果更新全局最优解x_*和fitness_*；否则，进入步骤S8；

S8、如果N<N_max，则N_now＝N_now+1，返回步骤S3；否则，进入步骤S9；

S9、输出全局最优蝙蝠的位置x_*及其适应度fitness_*。

2.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S1-2中，所述蝙蝠的位置和速度的定义如下：

1)蝙蝠的位置：设Q∈N⁺为蝙蝠种群规模，定义第i个蝙蝠的位置为x_i＝(x_i1,x_i2,…,x_in)，i＝1,2,…,Q，其中，n为一个配送中心和多个客户点的总个数，(x_i1,x_i2,…,x_in)是(1,2,…,n)的一个置换；x_i代表客户和配送中心遍历的路径为x_i1→x_i2→…→x_in→x_i1；

2)蝙蝠的速度：定义第i个蝙蝠的速度为v_i＝(v_i1,v_i2,…,v_in)；其中，0≤v_ij≤n，i＝1,2,…,Q，j＝1,2,…,n。

3.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S2中，所述蝙蝠的适应度fitness_i，由下式计算得出：

${\mathrm{fitness}}_i=\underset{j=1}{\overset{n-1}{\&Sigma;}}d(x_{ij},x_{i(j+1)})+d(x_{in},x_{i1})---\left(1\right)$

其中，d(x_ij,x_i(j+1))为客户或配送中心x_ij、x_i(j+1)之间的距离，j＝1,2,…,n-1，d(x_in,x₁)为客户或配送中x_ij、x_i(j+1)之间的距离。

4.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S3中，所述更新每个蝙蝠的速度蝙蝠频率和当前蝙蝠的待定位置具体包括：

设第i个蝙蝠的位置为x_i＝(x_i1,x_i2,…,x_in)，其速度为v_i＝(v_i1,v_i2,…,v_in)，其频率为f_i；当前全局最优蝙蝠的位置为x_*＝(x_*1,x_*2,…,x_*n)，其速度为v_*＝(v_*1,v_*2,…,v_*n)；

S3-1、通过蝙蝠位置的减法操作、蝙蝠速度的数乘操作和蝙蝠速度加法操作来更新蝙蝠速度；

1)蝙蝠位置的减法操作

对第i个蝙蝠，定义蝙蝠位置的减法操作：则：

$v_{ij}^{sub}=\left\{\begin{array}{c}{v}_{*j},x_{ij}=x_{*j}\\ x_{*j},x_{ij}\&NotEqual;x_{*j}\end{array}\right.---\left(2\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

2)蝙蝠速度的数乘操作

对第i个蝙蝠，定义蝙蝠速度的数乘操作：令f_rand＝rand()，则：

$v_{ij}^{diff}=\left\{\begin{array}{c}0,|f_{rand}-f_i|\&le;0.3\\ v_{ij}^{sub},|f_{rand}-f_i|>0.3\end{array}\right.---\left(3\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

3)蝙蝠速度加法操作

对第i个蝙蝠，定义蝙蝠速度加法操作：则：

$v_{ij}^{new}=\left\{\begin{array}{c}{v}_{ij},rand\left(\right)<0.7\\ v_{ij}^{diff},rand\left(\right)\&GreaterEqual;0.7\end{array}\right.---\left(4\right)$

其中，以作为第i个蝙蝠的新速度，i＝1,2,…,Q；

S3-2、更新蝙蝠频率

在进行蝙蝠速度的数乘操作的同时，进行蝙蝠频率更新操作：对第i个蝙蝠，定义蝙蝠频率的更新操作：

$f_i^{new}=\left\{\begin{array}{c}{f}_i,|f_{rand}-f_i|<0.3\\ f_i+(f_{max}-f_i)/\mathrm{\&theta;},|f_{rand}-f_i|<0.3\end{array}\right.---\left(5\right)$

其中，i＝1,2,…,Q，j＝1,2,…,n；

S3-2、通过蝙蝠位置加法操作更新蝙蝠位置。

对第i个蝙蝠，定义蝙蝠位置与速度加法操作： 中的分量按如下方法从x_i得到：对每个j，如果则交换x_i中的x_ij和其中，j＝1,2,…,n；

以作为第i个蝙蝠的新位置，i＝1,2,…,Q。

5.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S4中，所述分段逆序策略，具体包括：

设x_i＝(x_i1,x_i2,…,x_in)为第i个蝙蝠位置，s、t是随机产生的整数；其中，1≤s<n/2，n/2≤t≤n，f_rand2＝rand()；

1)如果f_rand2>0.33且s≠1，将x_i中1到s之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_is,x_i(s-1),…,x_i2,x_i1,x_i(s+1)…,x_in)；

2)如果f_rand2≥0.66且t≠n，将x_i中t到n之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_i1,x_i2,…,x_i(t-1),x_in,x_i(n-1),…,x_i(t+1),x_it)；

3)如果0.66>f_rand2≥0.33或者s＝1或者t＝n，将x_i中从s到t之间的全部分量逆序排列、其他分量保持位置不变，即令x_i＝(x_i1,…,x_it,x_i(t-1),…,x_i(s+1),x_is,…,x_in)。

6.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S5中，所述固定半径最近邻居搜索策略和不检测标识策略，具体为：

1)固定半径最近邻居搜索策略

定义固定邻域搜索半径为常数frns，对客户或配送中心i进行3-Opt邻域搜索的时候，只进行最靠近客户或配送中心i的前frns个客户的交换搜索；其中，frns为正整数且0<frns≤n，i＝1,2,…,n；

2)不检测标识策略

在进行固定半径最近邻居搜索时，为客户或配送中心i设置不检测标识flag_i，并令flag_i为FALSE，如果客户或配送中心i已经搜索过无法交换出更好结果，则令flag_i为TRUE，后续客户或配送中心的搜索中便不需要搜索客户或配送中心i，其中i＝1,2,…,n。

7.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S6中，所述更新脉冲响度A_i，具体为：

在第N代，第i个蝙蝠的脉冲响度为则在第N+1代时蝙蝠的脉冲响度由下式计算得出：

$A_i^{N+1}={\mathrm{\&alpha;A}}_i^N---\left(6\right)$

其中，α为响度影响因子，0<α<1且α为常量。

8.根据权利要求1所述的一种基于离散蝙蝠算法的物流运输调度方法，其特征在于：步骤S6中，所述更新脉冲发射频度R_i，具体为：

在第N代，第i个蝙蝠的发射频度为则在第N+1代时蝙蝠的发射频度由下式计算得出：

$R_i^{N+1}=R_i^N+(R_{max}-R_i^N)\&times;\mathrm{\&gamma;}---\left(7\right)$

其中，γ为发射频度影响因子，γ>0且γ为常量。