CN107437126A - 一种物流运输调度方法与装置 - Google Patents

一种物流运输调度方法与装置 Download PDF

Info

Publication number
CN107437126A
CN107437126A CN201710655727.7A CN201710655727A CN107437126A CN 107437126 A CN107437126 A CN 107437126A CN 201710655727 A CN201710655727 A CN 201710655727A CN 107437126 A CN107437126 A CN 107437126A
Authority
CN
China
Prior art keywords
mrow
fitness
position information
munderover
msub
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
Application number
CN201710655727.7A
Other languages
English (en)
Other versions
CN107437126B (zh
Inventor
蔡延光
戚远航
蔡颢
黄何列
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710655727.7A priority Critical patent/CN107437126B/zh
Publication of CN107437126A publication Critical patent/CN107437126A/zh
Application granted granted Critical
Publication of CN107437126B publication Critical patent/CN107437126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种物流运输调度方法与装置，初始化目标参数；利用基于泰森多边形的初始化策略得到蝙蝠位置信息；利用寻优规则，得到目标蝙蝠位置信息和目标适应度；依据向量比较机制，得到全局最优蝙蝠位置信息和最优适应度；依据更新规则和寻优规则，更新全局最优蝙蝠位置信息和最优适应度；当迭代次数达到预设的最大迭代次数时，输出物流运输调度的结果。以离散蝙蝠算法为核心，通过融入基于泰森多边形的初始化策略加快算法的前期收敛速度，利用预先设置的寻优规则来提高算法的寻优能力，采用向量比较机制来控制算法收敛的方向，在实现物流运输调度上具有更好的寻优能力，更强的稳定性，可以有效解决多车型多车场物流运输调度问题。

Description

一种物流运输调度方法与装置
技术领域
本发明涉及物流运输技术领域，特别是涉及一种物流运输调度方法与装置。
背景技术
目前我国的物流运输资源分配不均，运输路径安排不合理，造成了资源的严重浪费。在物流已经成为了现代社会的第三利润源泉的今天而言，对物流运输调度进行合理的优化是迫切需要解决的重要问题之一。目前对单车场、单车型等物流运输调度问题研究较多，而对多车型多车场物流运输调度问题研究较少。因此，对于多车型多车场物流运输调度问题的研究具有很强的实用性和应用背景。
多车型多车场物流运输调度问题描述为：有M个车场，N个客户，M个车场各自拥有容量为um、最大配送距离为lm的车辆Km辆(m＝1,2,…,M)，负责对N个客户进行货物分送工作，客户i的货物需求为gi(i＝1,2,…,N)，客户(车场)i到客户(车场)j之间的距离为dij(i,j＝1,2,…,N+M)且每个客户可以由任意一个车场的车辆服务，但只能由一辆车服务一次，每辆车完成运送任务后必须返回原车场，如果能够计算出一种合适的车辆调度方案，使各车场的车辆既能满足所有客户的需求，又使车辆总的配送距离最短，将有效的解决多车型多车场物流运输调度问题。
可见，如何解决多车型多车场物流运输调度问题，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种物流运输调度方法与装置，可以有效的解决多车型多车场物流运输调度问题。
为解决上述技术问题，本发明实施例提供一种物流运输调度方法，包括：
S10：初始化目标参数；
S11：利用基于泰森多边形的初始化策略得到蝙蝠位置信息；
S12：利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；其中，所述第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息；
S13：依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度；
S14：按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；
S15：利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；
S16：依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；
S17：判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述S14。
可选的，在所述S11中包括：
根据公式确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
合并所有所述车场对应的得到序列
交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
可选的，在所述S12中包括：
对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径；
利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径；
对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
可选的，所述第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径包括：
依据第一蝙蝠位置信息的定义xi＝(xi1,xi2,…,xiw)，在蝙蝠位置xi的分量xi1前插入一个值为“w+1”的分量，在蝙蝠位置xi的分量xiw后插入一个值为“w+2”的分量，得到序列yi＝(yi1,yi2,…,yi(w+2))；其中，蝙蝠种群的维度w∈N+，w＝N+W-1,i＝1,2,…,Q，Q表示蝙蝠种群的规模；
从左往右搜索yi的每个分量，车辆yip到车辆yiq之间经过的客户点构成车辆yip的配送路径；其中，yip＞N，yiq＞N，1≤p≤w+2，1≤q≤w+2。
可选的，所述对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度包括：
删除各个车辆的配送路径中的最后一个分量，得到序列其中，i＝1,2,…,W；其中，每个车辆的配送路径有其对应的适应度；
按照车场顺序合并各个车辆对应的得到序列Xtemp；
交换Xtemp中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到目标蝙蝠位置信息以及对应的目标适应度。
可选的，在所述S13中包括：
参照预先设置的向量比较机制的适应度公式，
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G1a为所述适应度G1中包含的容量适应度；G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度，G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
本发明实施例还提供了一种物流运输调度装置，包括初始化单元、得到单元、优化单元、比较单元、更新单元和判断单元，
所述初始化单元，用于初始化目标参数；
所述得到单元，用于利用基于泰森多边形的初始化策略得到蝙蝠位置信息；
所述优化单元，用于利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；其中，所述第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息；
所述比较单元，用于依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度；
所述更新单元，用于按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；
所述优化单元还用于利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；
所述更新单元还用于依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；
所述判断单元，用于判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述更新单元。
可选的，所述得到单元包括确定子单元、置换子单元、生成子单元、合并子单元和删除子单元，
所述确定子单元，用于根据公式
确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
所述确定子单元还用于以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
所述确定子单元还用于依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
所述置换子单元，用于对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
所述确定子单元还用于根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
所述生成子单元，用于依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
所述合并子单元，用于合并所有所述车场对应的得到序列
所述删除子单元，用于交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
可选的，所述优化单元包括解码子单元、优化子单元和编码子单元，
所述解码子单元，用于对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径；
所述优化子单元，用于利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径；
所述编码子单元，用于对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
可选的，所述解码子单元具体用于依据第一蝙蝠位置信息的定义xi＝(xi1,xi2,…,xiw)，在蝙蝠位置xi的分量xi1前插入一个值为“w+1”的分量，在蝙蝠位置xi的分量xiw后插入一个值为“w+2”的分量，得到序列yi＝(yi1,yi2,…,yi(w+2))；其中，蝙蝠种群的维度w∈N+，w＝N+W-1,i＝1,2,…,Q，Q表示蝙蝠种群的规模；并从左往右搜索yi的每个分量，车辆yip到车辆yiq之间经过的客户点构成车辆yip的配送路径；其中，yip＞N，yiq＞N，1≤p≤w+2，1≤q≤w+2。
可选的，所述编码子单元具体用于删除各个车辆的配送路径中的最后一个分量，得到序列其中，i＝1,2,…,W；其中，每个车辆的配送路径有其对应的适应度；按照车场顺序合并各个车辆对应的得到序列Xtemp；交换Xtemp中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到目标蝙蝠位置信息以及对应的目标适应度。
可选的，所述比较单元具体用于参照预先设置的向量比较机制的适应度公式，
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G1a为所述适应度G1中包含的容量适应度；G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度，G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
由上述技术方案可以看出，初始化目标参数；利用基于泰森多边形的初始化策略得到蝙蝠位置信息；利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；然后依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，可以得到全局最优蝙蝠位置信息以及对应的最优适应度；按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；当迭代次数达到预设的最大迭代次数时，则输出物流运输调度的结果。该技术方案以离散蝙蝠算法为核心，通过融入基于泰森多边形的初始化策略加快算法的前期收敛速度，利用预先设置的寻优规则来提高算法的寻优能力，采用基于向量比较机制的适应度函数来控制算法收敛的方向，在实现物流运输调度上具有更好的寻优能力，更强的稳定性，可以有效解决多车型多车场物流运输调度问题。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种物流运输调度方法的流程图；
图2为本发明实施例提供的一种对第一蝙蝠位置信息进行优化处理的方法的流程图；
图3为本发明实施例提供的一种全局最优蝙蝠位置信息的示意图；
图4为本发明实施例提供的一种物流运输调度装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种物流运输调度方法。图1为本发明实施例提供的一种物流运输调度方法的流程图，该方法包括：
S10：初始化目标参数。
在本发明实施例中目标参数可以包括迭代次数(ND)、蝙蝠种群规模(Q)、搜索次数(LEN)、近邻范围(L)、脉冲频率(fi)的取值范围、脉冲发射频度(Ri)的取值范围、脉冲响度(Ai)的取值范围、频率影响因子(θ)、脉冲响度影响因子(α)、发射频度影响因子(γ)等。
在具体实现中，用户可以通过系统提供的相关界面上，输入目标参数的具体取值，例如，目标参数设置为：ND＝100；Q＝30；LEN＝2000；L＝10；f∈[0,1]；A∈[0,1]；R∈[0,1]；θ＝2*w；α＝0.999；γ＝0.001。
初始化目标参数并随机生成蝙蝠的速度vi、脉冲频率fi、脉冲响度Ai，脉冲发射频度Ri的具体取值。
以M个车场，N个客户为例，客户编号为1,2,…,N，车场编号为N+1,N+2,…,N+M。M个车场各自拥有容量为um、最大行驶距离为lm的车辆Km辆(m＝N+1,N+2,…,N+M)，负责对N个客户进行货物分送工作，客户i的货物需求为gi(i＝1,2,…,N)，客户(车场)i到客户(车场)j之间的距离为dij(i,j＝1,2,…,N+M)，在本发明实施例中，寻求各车场的车辆既能满足所有客户的需求，又使车辆总的配送距离最短的车辆调度方案，对此建立的目标函数如下所示，
S11：利用基于泰森多边形的初始化策略得到蝙蝠位置信息。
设置的蝙蝠种群规模为多大，相应的可以获取对应个数的蝙蝠位置信息，在每个蝙蝠位置信息中包含有所有车辆的配送路径，一个蝙蝠位置信息即为一条路径信息。
为了加快蝙蝠算法的前期收敛速度，在本发明实施例中可以采用基于泰森多边形的初始化策略来获取蝙蝠位置信息，下面将对其具体过程展开介绍。
在实际应用中，可以设P＝{P1,P2,…,Pi,…,Pn}是二维欧氏平面的离散点集合。这些离散点称为站点。泰森多边形围绕着每个站点将空间分解为其对应的区域，这个对应区域称为Voronoi区域。其中，Pi的Voronoi区域内的所有点到Pi的距离比这些点到集合P内其他站点的距离都要短。每个Pi的Voronoi区域V(pi)如下公式式所示。
根据公式确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
合并所有所述车场对应的得到序列
交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
例如：车场数为M＝2，客户数为N＝9，车辆数为K10＝2、K11＝2，总车辆数为W＝4，客户编号分别为“1,2,…,9”，车场编号为“10,11”，车辆编号分别为“10,11,12,13”。设P(m＝10)＝{1,3,5,7,9}，P(m＝11)＝{2,4,6,8}，Brand＝(10,13,11,12)，因为K10＝2、K11＝2，得到D(m＝10)＝{10,13}，D(m＝11)＝{11,12}，进而得到C(m＝10)＝{1,3,5,7,9,10,13}，C(m＝11)＝{2,4,6,8,11,12}。随机生成C(m＝10)对应的C(m＝11)对应的合并得到CALL＝(10,3,1,9,5,13,7,12,6,8,11,2,4)，交换CALL中第1个分量与值为“13”的分量的位置，然后删除第1个分量，得到一个蝙蝠位置信息X＝(3,1,9,5,10,7,12,6,8,11,2,4)。
S12：利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度。
其中，第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息。
在本发明实施例中，寻优规则可以包括2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，利用这些算法可以提高算法的寻优能力，对其具体操作过程将在后续图2中介绍，在此不再赘述。
S13：依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度。
基于向量比较机制的适应度公式如下，
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
在本发明实施例中，可以参照预先设置的向量比较机制的适应度公式，进行如下判断过程。
以两个目标蝙蝠位置信息(两条路径)为例，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度。
首先进行容量适应度的比较，判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1a为所述适应度G1中包含的容量适应度；G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
如果容量适应度相等，则进一步判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
如果容量适应度和配送路径适应度均相等，则进一步判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
S14：按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息。
在对目标蝙蝠位置信息进行更新处理包括对蝙蝠速度、位置和频率的更新，其具体过程如下：
S2-1：蝙蝠位置的减法操作为
其中，i＝1,2,…,Q，j＝1,2,…,w。
S2-2：蝙蝠速度的数乘操作为
其中，i＝1,2,…,Q，j＝1,2,…,w，fr随机生成且fmin＜fr＜fmax，频率影响因子θ＞1，fi new表示更新后的脉冲频率。
S2-3：蝙蝠速度加法操作为
其中，表示更新后的蝙蝠速度。
S2-4：蝙蝠位置与速度加法操作为
令当交换中的第xij位置的分量和第位置的分量，i＝1,2,…,Q，j＝1,2,…,w。
如果rand()＞Ri，应用蝙蝠变异更新操作更新得到第二蝙蝠位置信息
例如，蝙蝠变异更新操作为：设第i个蝙蝠位置信息为xi＝{xi1,xi2,…,xiw}，j、k是随机产生的不相等的两个整数，1≤j≤w，1≤k≤w。
具体步骤：将xi中第j个分量抽出来，再插入到第k个分量的位置，xi的其他分量做相应的移动。
S15：利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度。
关于S15的操作步骤与上述S12中操作步骤类似，在此不再赘述。
S16：依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度。
在本发明实施例中，可以用符号x*表示全局最优蝙蝠位置信息，G*表示最优适应度，表示第二蝙蝠位置信息，表示第二适应度，Gi表示目标适应度。
如果且rand()＜Ai，则应用蝙蝠脉冲响度和发射频度更新操作更新Ai和Ri。
例如，蝙蝠脉冲响度和发射频度更新操作更新为：设第i个蝙蝠的初始发射频度为在t代其脉冲响度为则在t+1代蝙蝠的脉冲响度和发射频度为：
其中，i＝1,2,…,Q。
如果则更新全局最优蝙蝠x*和G*。
S17：判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述S14。
执行依次上述步骤S14-S16即为进行了一次迭代，在S10中目标参数中设置了最大迭代次数，当重复执行步骤S14-S16的次数达到最大迭代次数时，则可以结束上述操作，输出最终的物流运输调度的结果。
在该物流运输调度的结果包含有全局最优蝙蝠位置信息以及对应的最优适应度。
以2个车场，16个客户为例，其中，每个车场包括2台车，其中不同车场的车型不同，客户的相关信息如表1所示，车场的相关信息如表2所示，
表1为客户的相关信息，
编号 x坐标 y坐标 货物需求 编号 x坐标 y坐标 货物需求
1 -99 -97 6 9 -64 70 53
2 -59 50 72 10 -12 85 63
3 0 14 93 11 -18 64 25
4 -17 -66 28 12 -77 -16 50
5 -69 -19 5 13 -53 88 57
6 31 12 43 14 83 -24 1
7 5 -41 1 15 24 41 66
8 -12 10 36 16 17 21 37
表1
表2为车场的相关信息，
编号 x坐标 y坐标 车辆数 车辆最大配送距离 车辆容量
17 -33 33 2 250 200
18 33 -33 2 310 300
表2
如图3所示，为依据上述表1和表2所示的多车场多车型的具体情况，参照上述操作步骤，得出的全局最优蝙蝠位置信息的示意图，图中，每个节点上有其对应的一个数值，以13(57)为例，13表示客户编号，57表示货物需求。编号1-16表示客户编号，编号17和编号18表示两个车场对应的车场编号。
在步骤S12中利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，接下来将对第一蝙蝠位置信息进行优化处理的具体操作步骤展开介绍，如图2所示该步骤包括：
S201：对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径。
第一蝙蝠位置信息的定义如下：
xi＝(xi1,xi2,…,xiw)依据第一蝙蝠位置信息的定义xi＝(xi1,xi2,…,xiw)，在蝙蝠位置xi的分量xi1前插入一个值为“w+1”的分量，在蝙蝠位置xi的分量xiw后插入一个值为“w+2”的分量，得到序列yi＝(yi1,yi2,…,yi(w+2))；其中，蝙蝠种群的维度w∈N+，w＝N+W-1,i＝1,2,…,Q，Q表示蝙蝠种群的规模；
从左往右搜索yi的每个分量，车辆yip到车辆yiq之间经过的客户点构成车辆yip的配送路径；其中，yip＞N，yiq＞N，1≤p≤w+2，1≤q≤w+2。
在W个车辆的配送路径中，从左往右排序，顺序为的车辆是车场m对应的车辆。
例如，车场数为M＝2，客户数为N＝9，车辆数为K10＝2、K11＝2，总车辆数为W＝4，则w＝12。设某个蝙蝠位置为xi＝(5,11,4,6,1,12,2,3,8,10,7,9)，在xi前后插入分量后得到yi＝(13,5,11,4,6,1,12,2,3,8,10,7,9,14)。由此可见，车辆13的配送路径为(13,5,13)，车辆11的配送路径为(11,4,6,1,11)，车辆12的配送路径为(12,2,3,8,12)，车辆10的配送路径为(10,7,9,10)，其中，车辆13、11是车场10的车辆，车辆12、10是车场11的车辆。
S202：利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径。
设L(i,m)为近邻标识：如果客户i是车场m的最近的L个客户之一(L是近邻范围，L<N)，则i是车场m的近邻，L(i,m)＝TRUE，否则L(i,m)＝FALSE。
S3-3-1：初始更新标识FLAG为FALSE，搜索次数为LEN>0。
S3-3-2：随机选取两台不同的车辆h1、h2的配送路径，其中，h1、h2不能是空车，h1是车场m1的车辆，h2是车场m2的车辆。再随机选取h1的一个客户n1。把h1的一个客户n1插入到h2后，得到两个临时车变量
S3-3-3：如果执行S3-3-4，否则，执行S3-3-8。
S3-3-4：对分别做2-opt搜索得到更新h1、h2适应度。
S3-3-5：如果满足配送距离约束，执行Step 3-3-6，否则，执行S3-3-8。
S3-3-6：如果与的总配送距离比h1和h2的小，令 更新h1、h2适应度，FLAG＝TRUE，执行S3-3-8。
S3-3-7：如果(满足容量约束)&&(h1不满足容量约束)，令更新h1、h2适应度，FLAG＝TRUE，执行S3-3-8。
S3-3-8：如果FLAG＝＝TRUE，执行S3-3-1。
每执行一次上述S3-3-1至S3-3-8，相应的搜索次数会减少一次即LEN＝LEN-1，直至搜索次数不满足LEN>0，则输出车辆h1、h2及其适应度。
在上述步骤的基础上，利用基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径，具体操作过程如下，
设T(i,m)为优先配送标识：如果客户i是车场m优先配送客户，即i∈P(m)，则T(i,m)＝TRUE，否则T(i,m)＝FALSE。
S3-4-1：初始更新标识FLAG为FALSE，搜索次数为LEN>0。
S3-4-2：随机选取两台不同的车辆h1、h2的配送路径，其中，h1、h2不能是空车，h1是车场m1的车辆，h2是车场m2的车辆。再随机选取h1的一个客户n1，h2的一个客户n2。把n1、n2交换车辆后，得到两个临时车变量
S3-4-3：如果执行S3-4-4，否则，执行S3-4-8。
S3-4-4：对分别做2-opt搜索得到更新 适应度。
S3-4-5：如果(均满足配送距离约束)，执行S3-4-6，否则，执行S3-4-11。
S3-4-6：如果与的总配送距离比h1和h2的小，令 更新h1、h2适应度，FLAG＝TRUE，执行S3-4-11。
S3-4-7：如果(满足容量约束)&&(h1不满足容量约束)，令 并更新h1、h2适应度，FLAG＝TRUE，执行S3-4-11。
S3-4-8：如果(满足容量约束)&&(h2不满足容量约束)，令 更新h1、h2适应度，FLAG＝TRUE，执行S3-4-11。
S3-4-9：如果(满足配送距离约束)&&(h1不满足配送距离约束)，令并更新h1、h2适应度，FLAG＝TRUE，执行S3-4-11。
S3-4-10：如果(满足配送距离约束)&&(h2不满足配送距离约束)，令更新h1、h2适应度，FLAG＝TRUE，执行S3-4-11。
S3-4-11：如果FLAG＝＝TRUE，执行S3-4-1。
每执行一次上述S3-4-1至S3-4-11，相应的搜索次数会减少一次即LEN＝LEN-1，直至搜索次数不满足LEN>0，则输出车辆h1、h2及其适应度。
S203：对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
在步骤S201中对蝙蝠位置信息进行了解码处理，解码后获取到各个车辆各自对应的配送路径的信息，在对每个车辆对应的配送路径进行上述S202中的优化处理后，可以对获取的目标配送路径进行编码处理，从而得到目标蝙蝠位置信息以及对应的适应度，其具体过程如下，
删除各个车辆的配送路径中的最后一个分量，得到序列其中，i＝1,2,…,W；其中，每个车辆的配送路径有其对应的适应度；
按照车场顺序合并各个车辆对应的得到序列Xtemp；
交换Xtemp中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到目标蝙蝠位置信息以及对应的目标适应度。
例如，设车场数为M＝2，客户数为N＝9，车辆数为K10＝2、K11＝2，总车辆数为W＝4，则w＝12。车辆10的配送路径为(10,5,10)，车辆11的配送路径为(11,4,6,1,11)，车辆12的配送路径为(12,2,3,8,12)，车辆13的配送路径为(13,7,9,13)，车辆10、11是车场10的车辆，车辆12、13是车场11的车辆。由此可得， Xtemp＝(10,5,11,4,6,1,12,2,3,8,13,7,9)，则目标蝙蝠位置信息X＝(5,11,4,6,1,12,2,3,8,10,7,9)。
由上述技术方案可以看出，初始化目标参数；利用基于泰森多边形的初始化策略得到蝙蝠位置信息；利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；然后依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，可以得到全局最优蝙蝠位置信息以及对应的最优适应度；按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；当迭代次数达到预设的最大迭代次数时，则输出物流运输调度的结果。该技术方案以离散蝙蝠算法为核心，通过融入基于泰森多边形的初始化策略加快算法的前期收敛速度，利用预先设置的寻优规则来提高算法的寻优能力，采用基于向量比较机制的适应度函数来控制算法收敛的方向，在实现物流运输调度上具有更好的寻优能力，更强的稳定性，可以有效解决多车型多车场物流运输调度问题。
图4为本发明实施例提供的一种物流运输调度装置的结构示意图，包括初始化单元41、得到单元42、优化单元43、比较单元44、更新单元45和判断单元46，
所述初始化单元41，用于初始化目标参数。
所述得到单元42，用于利用基于泰森多边形的初始化策略得到蝙蝠位置信息。
所述优化单元43，用于利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；其中，所述第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息。
所述比较单元44，用于依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度。
所述更新单元45，用于按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息。
所述优化单元43还用于利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度。
所述更新单元45还用于依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度。
所述判断单元46，用于判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述更新单元。
可选的，所述得到单元包括确定子单元、置换子单元、生成子单元、合并子单元和删除子单元，
所述确定子单元，用于根据公式
确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
所述确定子单元还用于以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
所述确定子单元还用于依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
所述置换子单元，用于对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
所述确定子单元还用于根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
所述生成子单元，用于依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
所述合并子单元，用于合并所有所述车场对应的得到序列
所述删除子单元，用于交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
可选的，所述优化单元包括解码子单元、优化子单元和编码子单元，
所述解码子单元，用于对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径；
所述优化子单元，用于利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径；
所述编码子单元，用于对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
可选的，所述解码子单元具体用于依据第一蝙蝠位置信息的定义xi＝(xi1,xi2,…,xiw)，在蝙蝠位置xi的分量xi1前插入一个值为“w+1”的分量，在蝙蝠位置xi的分量xiw后插入一个值为“w+2”的分量，得到序列yi＝(yi1,yi2,…,yi(w+2))；其中，蝙蝠种群的维度w∈N+，w＝N+W-1,i＝1,2,…,Q，Q表示蝙蝠种群的规模；并从左往右搜索yi的每个分量，车辆yip到车辆yiq之间经过的客户点构成车辆yip的配送路径；其中，yip＞N，yiq＞N，1≤p≤w+2，1≤q≤w+2。
可选的，所述编码子单元具体用于删除各个车辆的配送路径中的最后一个分量，得到序列其中，i＝1,2,…,W；其中，每个车辆的配送路径有其对应的适应度；按照车场顺序合并各个车辆对应的得到序列Xtemp；交换Xtemp中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到目标蝙蝠位置信息以及对应的目标适应度。
可选的，所述比较单元具体用于参照预先设置的向量比较机制的适应度公式，
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G1a为所述适应度G1中包含的容量适应度；G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度，G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
图4所对应实施例中特征的说明可以参见图1和图2所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，初始化目标参数；利用基于泰森多边形的初始化策略得到蝙蝠位置信息；利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；然后依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，可以得到全局最优蝙蝠位置信息以及对应的最优适应度；按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；当迭代次数达到预设的最大迭代次数时，则输出物流运输调度的结果。该技术方案以离散蝙蝠算法为核心，通过融入基于泰森多边形的初始化策略加快算法的前期收敛速度，利用预先设置的寻优规则来提高算法的寻优能力，采用基于向量比较机制的适应度函数来控制算法收敛的方向，在实现物流运输调度上具有更好的寻优能力，更强的稳定性，可以有效解决多车型多车场物流运输调度问题。
以上对本发明实施例所提供的一种物流运输调度方法与装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (10)

1.一种物流运输调度方法，其特征在于，包括：
S10：初始化目标参数；
S11：利用基于泰森多边形的初始化策略得到蝙蝠位置信息；
S12：利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；其中，所述第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息；
S13：依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度；
S14：按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；
S15：利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；
S16：依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；
S17：判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述S14。
2.根据权利要求1所述的方法，其特征在于，在所述S11中包括：
根据公式确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
合并所有所述车场对应的得到序列
交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
3.根据权利要求2所述的方法，其特征在于，在所述S12中包括：
对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径；
利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径；
对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
4.根据权利要求3所述的方法，其特征在于，所述第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径包括：
依据第一蝙蝠位置信息的定义xi＝(xi1,xi2,…,xiw)，在蝙蝠位置xi的分量xi1前插入一个值为“w+1”的分量，在蝙蝠位置xi的分量xiw后插入一个值为“w+2”的分量，得到序列yi＝(yi1,yi2,…,yi(w+2))；其中，蝙蝠种群的维度w∈N+，w＝N+W-1,i＝1,2,…,Q，Q表示蝙蝠种群的规模；
从左往右搜索yi的每个分量，车辆yip到车辆yiq之间经过的客户点构成车辆yip的配送路径；其中，yip＞N，yiq＞N，1≤p≤w+2，1≤q≤w+2。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度包括：
删除各个车辆的配送路径中的最后一个分量，得到序列其中，i＝1,2,…,W；其中，每个车辆的配送路径有其对应的适应度；
按照车场顺序合并各个车辆对应的得到序列Xtemp；
交换Xtemp中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到目标蝙蝠位置信息以及对应的目标适应度。
6.根据权利要求5所述的方法，其特征在于，在所述S13中包括：
参照预先设置的向量比较机制的适应度公式，
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>G</mi> <mo>=</mo> <mo>{</mo> <msub> <mi>G</mi> <mi>a</mi> </msub> <mo>,</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mo>,</mo> <msub> <mi>G</mi> <mi>c</mi> </msub> <mo>}</mo> <mo>=</mo> <mo>{</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G1a为所述适应度G1中包含的容量适应度；G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度，G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
7.一种物流运输调度装置，其特征在于，包括初始化单元、得到单元、优化单元、比较单元、更新单元和判断单元，
所述初始化单元，用于初始化目标参数；
所述得到单元，用于利用基于泰森多边形的初始化策略得到蝙蝠位置信息；
所述优化单元，用于利用预先设置的寻优规则，对第一蝙蝠位置信息进行优化处理，得到目标蝙蝠位置信息以及对应的目标适应度；其中，所述第一蝙蝠位置信息为所有所述蝙蝠位置信息中的任意一个蝙蝠位置信息；
所述比较单元，用于依据预先设置的向量比较机制，对各个所述目标蝙蝠位置信息对应的适应度进行比较，得到全局最优蝙蝠位置信息以及对应的最优适应度；
所述更新单元，用于按照预先设置的更新规则，对所述目标蝙蝠位置信息进行更新处理，得到更新后的第二蝙蝠位置信息；
所述优化单元还用于利用预先设置的所述寻优规则，对所述第二蝙蝠位置信息进行优化处理，得到第二目标蝙蝠位置信息以及对应的第二适应度；
所述更新单元还用于依据所述第二适应度、所述目标适应度和所述最优适应度，更新全局最优蝙蝠位置信息以及对应的最优适应度；
所述判断单元，用于判断迭代次数是否达到预设的最大迭代次数，若是，则输出物流运输调度的结果；若否则返回所述更新单元。
8.根据权利要求7所述的装置，其特征在于，所述得到单元包括确定子单元、置换子单元、生成子单元、合并子单元和删除子单元，
所述确定子单元，用于根据公式
<mrow> <mi>V</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>{</mo> <mi>x</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>x</mi> <mo>|</mo> <mo>&amp;le;</mo> <mo>|</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>x</mi> <mo>|</mo> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>n</mi> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>n</mi> <mo>}</mo> <mo>;</mo> </mrow>
确定出每个车场对应的泰森多边形区域V(pi)；其中，Pi表示二维欧式平面的离散点集合中的一个离散点；
所述确定子单元还用于以车场作为离散点，根据公式P(m)＝{x|x∈V(m)}，确定出车场m的优先配送客户集合P(m)；其中，x∈{1,2,…,N}，m∈{N+1,N+2,…,N+M}，M表示车场的个数，车场编号为N+1,N+2,…,N+M，N表示客户的个数，客户编号为1,2,…,N；
所述确定子单元还用于依据公式确定出车辆的总数目W；其中，Km(m＝N+1,N+2,…,N+M)表示各个车场对应的车辆数目；车辆编号为N+1,N+2,…,N+W；
所述置换子单元，用于对(N+1,N+2,…,N+W)进行随机置换，得到Brand，从左往右搜索Brand的分量，顺序为的分量是属于车场m的车辆编号，得到车场m的车辆编号集合D(m)；
所述确定子单元还用于根据公式C(m)＝P(m)∪D(m)，确定出每个车场对应的C(m)；
所述生成子单元，用于依据所述C(m)，随机生成一组包含C(m)所有元素且不重复的序列其中，所述中第一个分量为车辆编号；
所述合并子单元，用于合并所有所述车场对应的得到序列
所述删除子单元，用于交换所述CALL中第一个分量与值为“N+W”的分量的位置，删除第一个分量，得到蝙蝠位置信息。
9.根据权利要求8所述的装置，其特征在于，所述优化单元包括解码子单元、优化子单元和编码子单元，
所述解码子单元，用于对第一蝙蝠位置信息进行解码处理，获取到各个车辆的配送路径；
所述优化子单元，用于利用2-Opt搜索算法、基于近邻策略的0-1搜索算法和基于优先配送策略的1-1搜索算法，对各个所述车辆的配送路径进行优化处理，得到各个所述车辆各自对应的目标配送路径；
所述编码子单元，用于对所述目标配送路径进行编码处理，得到目标蝙蝠位置信息以及对应的适应度。
10.根据权利要求9所述的装置，其特征在于，所述比较单元具体用于参照预先设置的向量比较机制的适应度公式，
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>G</mi> <mo>=</mo> <mo>{</mo> <msub> <mi>G</mi> <mi>a</mi> </msub> <mo>,</mo> <msub> <mi>G</mi> <mi>b</mi> </msub> <mo>,</mo> <msub> <mi>G</mi> <mi>c</mi> </msub> <mo>}</mo> <mo>=</mo> <mo>{</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <msub> <mi>g</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>+</mo> <mi>M</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>K</mi> <mi>m</mi> </msub> </munderover> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>m</mi> <mi>k</mi> </mrow> </msubsup> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，m∈{N+1,N+2,…,N+M}，k∈{1,2,…,Km}，Ga、Gb和Gc分别为适应度的三个等级，Ga表示容量适应度，Gb表示配送路径适应度，Gc表示所有车辆的总路径适应度；
判断是否满足G1a＜G2a；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1＝{G1a,G1b,G1c}表示第一目标蝙蝠位置信息对应的适应度，G1a为所述适应度G1中包含的容量适应度；G2＝{G2a,G2b,G2c}表示第二目标蝙蝠位置信息对应的适应度，G2a为所述适应度G2中包含的容量适应度，Gbest表示最优适应度；
判断是否满足G1a＝＝G2a&&G1b＜G2b；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1b为所述适应度G1中包含的配送路径适应度，G2b为所述适应度G2中包含的配送路径适应度；
判断是否满足G1a＝＝G2a&&G1b＝＝G2b&&G1c＜G2c；若是，则令Gbest＝G1；若否，则令Gbest＝G2；其中，G1c为所述适应度G1中包含的总路径适应度，G2c为所述适应度G2中包含的总路径适应度。
CN201710655727.7A 2017-08-03 2017-08-03 一种物流运输调度方法与装置 Active CN107437126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710655727.7A CN107437126B (zh) 2017-08-03 2017-08-03 一种物流运输调度方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710655727.7A CN107437126B (zh) 2017-08-03 2017-08-03 一种物流运输调度方法与装置

Publications (2)

Publication Number Publication Date
CN107437126A true CN107437126A (zh) 2017-12-05
CN107437126B CN107437126B (zh) 2020-08-11

Family

ID=60460981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710655727.7A Active CN107437126B (zh) 2017-08-03 2017-08-03 一种物流运输调度方法与装置

Country Status (1)

Country Link
CN (1) CN107437126B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086994A (zh) * 2018-07-31 2018-12-25 河北工业大学 面向连续生产的生产与运输联合调度方法
CN110264100A (zh) * 2019-06-27 2019-09-20 广东工业大学 一种多车场物流运输调度方法、装置及设备
CN111882158A (zh) * 2020-06-24 2020-11-03 东南大学 一种基于Voronoi图的混合公共自行车调度需求预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105976298A (zh) * 2016-06-02 2016-09-28 广东工业大学 一种基于离散蝙蝠算法的物流运输调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
CN105976298A (zh) * 2016-06-02 2016-09-28 广东工业大学 一种基于离散蝙蝠算法的物流运输调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马祥丽 等: "蝙蝠算法在物流配送车辆路径优化问题中的应用", 《数学的实践与认识》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086994A (zh) * 2018-07-31 2018-12-25 河北工业大学 面向连续生产的生产与运输联合调度方法
CN110264100A (zh) * 2019-06-27 2019-09-20 广东工业大学 一种多车场物流运输调度方法、装置及设备
CN110264100B (zh) * 2019-06-27 2022-03-25 广东工业大学 一种多车场物流运输调度方法、装置、设备及可读存储介质
CN111882158A (zh) * 2020-06-24 2020-11-03 东南大学 一种基于Voronoi图的混合公共自行车调度需求预测方法
CN111882158B (zh) * 2020-06-24 2021-03-09 东南大学 一种基于Voronoi图的混合公共自行车调度需求预测方法

Also Published As

Publication number Publication date
CN107437126B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN109299728B (zh) 基于构建梯度树模型的样本联合预测方法、系统及介质
CN107437126B (zh) 一种物流运输调度方法与装置
Shi et al. Optimal buffer allocation in production lines
Yamada et al. A genetic algorithm with multi-step crossover for job-shop scheduling problems
Guha et al. Distributed partial clustering
CN110851785A (zh) 纵向联邦学习优化方法、装置、设备及存储介质
Munari et al. Using the primal-dual interior point algorithm within the branch-price-and-cut method
CN105976298A (zh) 一种基于离散蝙蝠算法的物流运输调度方法
CN108876024A (zh) 路径规划、路径实时优化方法及装置、存储介质
Baldacci et al. The vehicle routing problem with transhipment facilities
CN111738360B (zh) 一种两方决策树训练方法和系统
Dolgui et al. Multi-product lot-sizing and sequencing on a single imperfect machine
CN112784315B (zh) Spdz系列协议中的乘法计算方法、装置及存储介质
Juan et al. A successive approximations method for the heterogeneous vehicle routing problem: analysing different fleet configurations
Sokkalingam et al. Lexicographic bottleneck combinatorial problems
Li Applying stochastic integer programming to optimization of resource scheduling in cloud computing
Dehghan et al. Privacy‐preserving collision detection of moving objects
CN110737984A (zh) 云制造环境下的机械产品服务优选方法
Yılmaz et al. Genetic algorithm based storage and retrieval system optimization considering operational constraints in a multidimensional warehouse
Kao et al. 3-D localized position-based routing with nearly certain delivery in mobile ad hoc networks
Mueen et al. Parametric nonlinear programming approach with fuzzy queues using hexagonal membership functions
CN115130568A (zh) 支持多参与方的纵向联邦Softmax回归方法及系统
Erlebach et al. Package delivery using drones with restricted movement areas
Häme et al. Routing by ranking: A link analysis method for the constrained dial-a-ride problem
CN113158087A (zh) 一种空间文本的查询方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant