CN106503836A - 一种多目标优化的纯电动汽车物流配送优化调度方法 - Google Patents

Abstract

本发明公开了一种多目标优化的纯电动汽车物流配送优化调度方法。本发明确立时间依赖的纯电动汽车物流配送车辆的调度模型，并利用基于分组遗传算法的在满足调度模型的约束条件下，对其目标函数进行最小值求解从而得到最优调度方案，即以单个车辆从始发节点经配送节点/配送节点和访问充电站到达返回节点的配送路径作为遗传算法的基因、不同车辆的配送路径组合作为遗传算法的个体，且每个个体的配送节点集合包括所有待分配的配送节点。本发明用于纯电动汽车的物流配送调度，其调度适用性比现有的静态车辆调度方案更强。且基于改进的分组遗传算法中，个体的元素不再是配送节点，而是多个车辆的配送路径的组合，其优化计算复杂度低。

Description

一种多目标优化的纯电动汽车物流配送优化调度方法

技术领域

本发明涉及的是一种纯电动汽车物流配送车辆调度方法，属于智能优化调度中的车辆路径技术领域。

背景技术

目前，纯电动汽车物流配送车辆调度方案主要集中在静态车辆调度领域，即在调度开始之前，所有与调度相关的信息已经确定，并且不会随着时间的变化而变化。在实际物流配送过程中，车辆的行驶速度并不是一成不变的，而是随着出发时间的不同而变化。因此，有必要对现有的调度模型进行改进，综合考虑行驶速度随出发时间的依赖特性、纯电动汽车的充电需求以及载重约束，对时间依赖的纯电动汽车车辆调度问题进行模型构建、求解，获取优选的调度方案。

发明内容

本发明的发明目的在于：针对上述存在的问题，构建了时间依赖的纯电动汽车物流配送车辆调度问题模型，提出了基于遗传算法的改进车辆调度方法。

本发明的一种多目标优化的纯电动汽车物流配送优化调度方法，包括下列步骤：

步骤1：构建调度模型：

对真实充电站进行复制得到访问充电站集合S′，同一车辆对集合S′中的每个访问充电站只能访问一次；

用v₀表示车辆始发节点，v_n+1表示车辆返回节点，且节点v₀、v_n+1对应同一配送中心，用于区分出发和返回状态；

由配送节点集合C、访问充电站集合S′和节点v₀的并集得到第一节点集合V₀，由配送节点集合C、访问充电站集合S′和节点v_n+1的并集得到第二节点集合V_n+1，由配送节点集合C和访问充电站集合S′的并集得到第三节点集合V；

构建调度模型的目标函数：其中表示车辆使用成本，表示所有车辆的总配送时间成本，f₁、f₂为预设权重，K表示配送中心的车辆集，第一访问状态变量的取值为：若存在车辆k从节点v₀到达节点j，则否则第二访问状态变量x_ijk的取值为：若存在车辆k从节点i到达节点j，则x_ijk＝1；否则x_ijk＝0；T_ij(·)表示依赖出发时刻的行驶时间函数，函数的输入参数为从节点i的出发时刻，基于预设的旅行速度与出发时刻的映射关系得到当前出发时刻的行驶速度，根据节点i与节点j间的路程得到任意车辆从节点i出发到达节点j的行驶时间t_ij，其中u_ik表示车辆k到达节点i的到达时刻，s_ik表示车辆k在节点i的停留时间，若节点i∈C₀，则停留时间s_ik等于节点i的服务时间，其中集合C₀＝C∪{v₀}；若节点i∈S′，则s_ik＝r_k(Q_k-q_ik)，其中r_k表示车辆k的充电时间参数、Q_k表示车辆k的电量最大值，q_ik表示车辆k到达节点i的电量；

调度模型的约束条件为：

(1)每个配送节点只能由一辆车进行服务：

(2)同一车辆k对访问充电站集合S′中的访问充电站最多能被访问一次：

(3)对于任意节点，访问该节点的车辆数等于离开该节点的车辆数：

(4)车辆k到达任意节点的载重不大于车辆k离开上一个节点的载重：

其中g_jk、g_ik分别表示车辆k到达节点i、j的载重，m_i表示节点i的需求量，G_k表示车辆k的额定载重；

(5)车辆从配送中心出发时的载重不大于车辆额定载重且大于等于0：

(6)车辆k从节点i到达节点j的到达时刻u_jk应满足：

其中T_max表示预设配送截止时间，即配送中心运行的最大配送时间；

(7)若车辆k访问的上一节点i∈C，则从节点i到达节点j的电量q_jk应满足：

若车辆k访问的上一节点i∈S′，则从节点i到达节点j的电量q_jk应满足：

电量消耗函数

其中电量消耗估计值m_k表示车辆k的质量，v_ijk(t)表示车辆k在时刻t的速度，ρ_a表示空气密度，A_fk表示车辆k的横截面面积，C_d为风阻系数，f_r表示摩擦系数，g表示重力加速度；φ^c、φ^r分别表示电功率与机械功率转换的消耗系数、回收系数，分别表示电池功率与电功率转换的消耗系数、回收系数；

(8)表示车辆k从配送中心出发时的电池状态为充满状态，即

步骤2：以单个车辆从始发节点经配送节点/配送节点和访问充电站到达返回节点的配送路径作为遗传算法的基因、不同车辆的配送路径组合作为遗传算法的个体，且每个个体的配送节点集合等于C；

采用遗传算法，在满足调度模型的约束条件下，求解使得调度模型的目标函数取得最小值的个体，得到调度方案。

本发明为一种多目标优化的纯电动汽车物流配送优化调度方法，根据纯电动汽车和路网的特点构建了时间依赖的纯电动汽车物流配送调度模型，在满足调度模型的约束条件下，求解使得目标函数最优的车辆配送路径组合，得到关于所有待分配的配送节点的调度方案。其调度适用性比现有的静态车辆调度方案更强。

进一步的，步骤2中，采用遗传算法求解的具体过程为：

步骤201：结合随机生成算法和贪婪生成算法，生成关于调度模型的初始解，即初始可行解，得到遗传算法的初始种群，贪婪生成算法能够生成可行解，但是会造成求解结果陷入局部最优；随机生成算法能够提高求解速度，但是由于求解结果不一定是可行解，增加了后续算法的求解难度。将贪婪算法与随机算法相结合，能够在保证可行解的同时，增加了可行解的多样性，提高搜索空间。

具体的，生成初始解的可具体包括下列步骤：

步骤101：设置当前节点为节点v₀；

步骤102：获取当前节点标识符；

步骤103：判断当前节点是否为配送中心，若是，则从当前待分配的配送节点中随机选择配送节点进行分配处理；否则，从当前待分配的配送节点中选择与当前节点最近的待分配的配送节点进行分配处理；

步骤104：判断是否完成初始解的构建(即集合C中的所有配送节点均被分配且满足分配约束条件(调度模型的约束条件))，若是，则转到步骤102继续执行；否则输出初始解。

步骤202：从当代种群中随机选择个体对，并在所选个体对中随机选择需要交叉的基因对，对个体对进行交叉操作，并对交叉后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤203：从当代种群中选择前T1个适配度最大的个体作为变异对象，在变异对象中随机选择变异的基因，对个体进行变异操作，并对变异后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤204：对当代种群、交叉后的个体、变异后的个体进行适应度排序，取前T2个最小适应度的个体进化到下一代，得到下一代种群；

步骤205：若当前迭代次数达到迭代阈值，则将最新代的种群(步骤204得到的下一代种群)中适应度最小的个体作为最优调度结果并输出；否则更新迭代次数，继续执行步骤202。

步骤2、3中所述的重组可具体为：

从当前待分配的配送节点集合中随机选取待分配的配送节点；

查找最小成本的可插入配送路径：对当前个体的配送路径集合进行遍历，通过计算当前节点行驶到选取的待分配的配送节点的时间消耗查找最小成本的可插入配送路径；

若存在最小成本的可插入配送路径，则将待分配的配送节点添加到所述可插入配送路径，并更新当前车辆到达各节点的电量、到达时刻以及载重；否则，从配送中心的车辆集中随机选择未配送的车辆，采用生成初始解相同的方式，生成当前车辆的配送路径并添加到当前个体的配送路径集合中。

综上所述，由于采用了上述技术方案，本发明的有益效果是：公开了一种根据纯电动汽车和路网的特点构建了时间依赖的纯电动汽车物流配送调度模型，在满足调度模型的约束条件下，求解使得目标函数最优的车辆配送路径组合，得到关于所有待分配的配送节点的调度方案。其调度适用性比现有的静态车辆调度方案更强。且基于改进的分组遗传算法中，个体的元素不再是配送节点，而是多个车辆的配送路径的组合，其能更进一步优化对调度模型的最优解求解过程，降低优化计算复杂度。

附图说明

图1是本发明具体实施方式的流程图。

图2是具体实施方式中，本发明进行交叉处理的过程示意图。

图3是具体实施方式中，本发明进行变异操作的过程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

参见图1，采用遗传算法对本发明构建的调度模型进行求解，求解使得目标函数取得最小值的调度方案。

首先要确定遗传算法的基因的编码方式。本发明采用分组策略对个体进行编码，即个体中的元素不再是配送节点(本具体实施方式中，配送节点为顾客点)序列，而是车辆配送路径的组合，其中车辆配送路径包括分配给车辆的顾客点与充电站的组合。个体对象主要包括车辆总路径和目标成本，目标成本是车辆使用成本和配送时间成本的和，车辆总路径是配送路径信息的组合，主要包括单车路径、车辆编号、剩余电量(到达非配送中心的节点的电量)、剩余载重(到达任意顾客点的载重)以及车辆的行驶时间，其中单车路径为访问点的编号序列。

基于本发明的调度模型，采用贪婪随机生成法生成遗传算法的初始解，由多个初始解构成初始种群；综合考虑调度模型中的纯电动汽车的充电需求、传统车辆调度问题的载重约束以及路网的时间依赖特性，生成初始解，即初始可行解。同时初始化迭代次数的值为0。

对初始种群进行适应度(本发明的调度模型的目标函数值)排序，用于变异操作的变异对象选择；

交叉操作属于遗传算法中的关键步骤，对于遗传算法的计算速度和最优解的生成具有较大影响，本发明中，基于传统遗传算法的交叉操作对个体进行交叉处理。参见图2，以顾客点为编号1-6，访问充电站编号为7-8，编号0表示配送中心，其种群交叉操作的步骤如下：

步骤1：在每次迭代过程中，从当代个体中随机选择两个个体，并随机确定所选个体之间需要交叉的单车路径，如图2-a所示，其中交叉对象选定为个体1中的纯电动车辆3、个体2中的纯电动车辆1；

步骤2：分别将所选的两个个体中需要交叉的单车路径原封不动地添加到对方的个体中去，如图2-b所示。

步骤3：如果交叉后的个体存在顾客点或者车辆重复的情况，则对除交叉对象以外的其他单车路径中的重复顾客点以及重复车辆进行消除，并保存去除车辆以后没有安排的顾客点，所得结果如图2-c所示。

步骤4：对个体中有变动的单车路径进行重新插入，并对不符合要求的顾客点设置为未分配状态，如图2-d所示。步骤5：仿照初始解生成法对没有安排的顾客点进行插入安排，并为了保证单车路径为可行解，可以增加配送车辆引入新的配送路径，如图2-e所示。

其中初始解生成法的具体包括下列步骤：

(1)设置当前节点为配送中心。

(2)获取当前节点的编号；

(3)判断当前节点是否为配送中心，若是，则从当前未分配的顾客点中随机选择顾客点进行分配处理；否则选择与当前节点最近的未分配顾客点进行分配处理；

(4)判断是否完成初始解的构建，即判断是否存在未分配的顾客点时，若是，则转到步骤(2)继续执行；否则，初始解生成法结束。

变异操作主要是对种群中适应度较差的个体进行变异优化，从而尽可能确保种群的优良性。本发明将前T1(经验预设值)个适应度最大的个体作为变异个体，以图3-a中的个体1中为例，种群变异操作的具体步骤如下，其中编号1-6表示顾客点，编号7-8表示访问充电站，编号0表示配送中心：

步骤1：在每次迭代过程中，从当代种群的前T1个适应度最大的的个体中随机选择父代个体，并随机选择需要变异的基因片段p，如图3-a中的个体1中的纯电动车辆3。

步骤2：去除基因片段p，并将p中的顾客点设为未分配状态，如图3-b所示。

步骤3：仿照初始解生成法重新插入个体，并可适当安排新车辆保证可行性，如图3-c所示。

对当代种群、交叉后的个体、变异后的个体进行适应度排序，取前T2个最小适应度的个体进化到下一代，即由前T2个最小适应度的个体得到下一代种群；

判断迭代是否完成，即通过迭代次数达到迭代阈值来进行判断，若是，则将最新代的种群中适应度最小的个体作为最优调度结果并输出；否则更新迭代次数，基于最新待的种群继续执行种群交叉、种群变异及进化到下一代的迭代处理。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种多目标优化的纯电动汽车物流配送优化调度方法，其特征在于，包括下列步骤：

步骤1：构建调度模型：

对真实充电站进行复制得到访问充电站集合S′，同一车辆对集合S′中的每个访问充电站只能访问一次；

用v₀表示车辆始发节点，v_n+1表示车辆返回节点，且节点v₀、v_n+1对应同一配送中心，用于区分出发和返回状态；

由S′配送节点集合C、访问充电站集合S′和节点v₀的并集得到第一节点集合V₀，由配送节点集合C、访问充电站集合S′和节点v_n+1的并集得到第二节点集合V_n+1，由配送节点集合C和访问充电站集合S′的并集得到第三节点集合V；

构建调度模型的目标函数：其中f₁、f₂表示预设权重，K表示配送中心的车辆集，第一访问状态变量的取值为：若存在车辆k从节点v₀到达节点j，则否则第二访问状态变量x_ijk的取值为：若存在车辆k从节点i到达节点j，则x_ijk＝1；否则x_ijk＝0；T_ij(·)表示依赖出发时刻的行驶时间函数，函数的输入参数为从节点i的出发时刻，基于预设的旅行速度与出发时刻的映射关系得到当前出发时刻的行驶速度，根据节点i与节点j间的路程得到任意车辆从节点i出发到达节点j的行驶时间t_ij，其中u_ik表示车辆k到达节点i的到达时刻，s_ik表示车辆k在节点i的停留时间，若节点i∈C₀，则停留时间s_ik等于节点i的服务时间，其中集合C₀＝C∪{v₀}；若节点i∈S′，则s_ik＝r_k(Q_k-q_ik)，其中r_k表示车辆k的充电时间参数、Q_k表示车辆k的电量最大值，q_ik表示车辆k到达节点i的电量；

调度模型的约束条件为：

(1)每个配送节点只能由一辆车进行服务：

(2)同一车辆k对访问充电站集合S′中的访问充电站最多能被访问一次：

$\underset{k\∈K}{\Σ}\underset{j\∈V_{n+1}}{\Σ}{x}_{ijk}\≤1,\∀i\∈S^{\′};i\≠j;$

(3)对于任意节点，访问该节点的车辆数等于离开该节点的车辆数：

$\underset{i\∈V_{n+1}}{\Σ}{x}_{jik}-\underset{i\∈V_0}{\Σ}{x}_{ijk}=0,\∀j\∈V;i\≠j;\∀k\∈K;$

(4)车辆k到达任意节点的载重不大于车辆k离开上一个节点的载重：

其中g_jk、g_ik分别表示车辆k到达节点i、j的载重，m_i表示节点i的需求量，G_k表示车辆k的额定载重；

(5)车辆从配送中心出发时的载重g_v0k不大于车辆额定载重且大于等于0：

$0\≤g_{v_{0}k}\≤G_k,\∀k\∈K;$

(6)车辆k从节点i到达节点j的到达时刻u_jk应满足：

其中T_max表示预设配送截止时间；

(7)若车辆k访问的上一节点i∈C，则从节点i到达节点j的电量q_jk应满足：

$0\≤q_{jk}\≤q_{lk}-b_{ij}\left(\right(u_{ik}+s_{ik}),t_{ij})x_{ijk}+Q_k(1-x_{ijk}),\∀i\∈C;\∀j\∈V_{n+1};i\≠j;\∀k\∈K;$

若车辆k访问的上一节点i∈S′，则从节点i到达节点j的电量q_jk应满足：

$0\≤q_{jk}\≤Q_k-b_{ij}\left(\right(u_{ik}+s_{ik}),t_{ij})x_{ijk},s_{ik}=r_k(Q_k-q_{ik});\∀i\∈S^{\′};\∀j\∈V_{n+1};i\≠j;\∀k\∈K;$

电量消耗函数

其中电量消耗估计值m_k表示车辆k的质量，v_ijk(t)表示车辆k在时刻t的速度，ρ_a表示空气密度，A_fk表示车辆k的横截面面积，C_d为风阻系数，f_r表示摩擦系数，g表示重力加速度；φ^c、φ^r分别表示电功率与机械功率转换的消耗系数、回收系数，分别表示电池功率与电功率转换的消耗系数、回收系数；

(8)表示车辆k从配送中心出发时的电池状态为充满状态，即

步骤2：以单个车辆从始发节点经配送节点/配送节点和访问充电站到达返回节点的配送路径作为遗传算法的基因、不同车辆的配送路径组合作为遗传算法的个体，且每个个体的配送节点集合等于C；

采用遗传算法，在满足调度模型的约束条件下，求解使得调度模型的目标函数取得最小值的个体，得到调度方案。

2.如权利要求1所述的方法，其特征在于，步骤2中，采用遗传算法求解的具体过程为：

步骤201：结合随机生成算法和贪婪生成算法，生成关于调度模型的初始解，得到遗传算法的初始种群；

步骤202：从当代种群中随机选择个体对，并在所选个体对中随机选择需要交叉的基因对，对个体对进行交叉操作，并对交叉后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤203：从当代种群中选择前T1个适配度最大的个体作为变异对象，在变异对象中随机选择变异的基因，对个体进行变异操作，并对变异后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤204：对当代种群、交叉后的个体、变异后的个体进行适应度排序，取前T2个最小适应度的个体作为下一代种群；

步骤205：若当前迭代次数达到迭代阈值，则将最新代的种群中适应度最小的个体作为最优调度结果并输出；否则更新迭代次数，继续执行步骤202。

3.如权利要求2所述的方法，其特征在于，步骤1中，生成初始解的具体步骤为：

步骤101：设置当前节点为节点v₀；

步骤102：获取当前节点标识符；

步骤103：判断当前节点是否为配送中心，若是，则从当前待分配的配送节点中随机选择配送节点进行分配处理；否则，从当前待分配的配送节点中选择与当前节点最近的待分配的配送节点进行分配处理；

步骤104：判断是否完成初始解的构建，若是，则转到步骤102继续执行；否则输出初始解。

4.如权利要求2或3所述的方法，其特征在于，步骤2、3中所述的重组具体为：

从当前待分配的配送节点集合中随机选取待分配的配送节点；

查找最小成本的可插入配送路径：对当前个体的配送路径集合进行遍历，通过计算当前节点行驶到选取的待分配的配送节点的时间消耗查找最小成本的可插入配送路径；

若存在最小成本的可插入配送路径，则将待分配的配送节点添加到所述可插入配送路径，并更新当前车辆到达各节点的电量、到达时刻以及载重；否则，从配送中心的车辆集中随机选择未配送的车辆，采用生成初始解相同的方式，生成当前车辆的配送路径并添加到当前个体的配送路径集合中。