CN107609816A - 基于混合量子算法的智慧车辆调度管理系统及其工作方法 - Google Patents

Abstract

本发明公开了一种基于混合量子算法的智慧车辆调度管理系统及其工作方法，本发明在使用了改进的量子算法和粒子群算法的基础上，根据优化变量的特征，将量子粒子群分成两个子相粒子群，提出了混合量子粒子群优化算法。本发明在深入研究禁忌搜索算法在求解此类问题优势和局限性的基础上，设计了结合精英量子均值和混沌扰动理论的量子进化算法。本发明在提出了将模拟退火算法与量子算法相结合的混合量子优化算法用于求解不确定需求车辆路径问题。给出了动态车辆路径问题模型的目标函数和约束条件。仿真分析结果表明本发明的方法提高了收敛速度和收敛可靠性，是一种解决不确定需求车辆路径问题的有效方法。

Description

基于混合量子算法的智慧车辆调度管理系统及其工作方法

技术领域

本发明涉及一种智慧车辆调度管理系统的平台和方法，尤其是一种基于混合量子算法技术的智慧车辆调度系统的平台及方法，属于智能计算技术与互联网应用管理技术领域。

背景技术

随着世界经济的飞速发展和科学技术的快速进步，物流业已经逐渐发展成为国民经济的重要基础产业。车辆路径问题(Vehicle Routing Problem,VRP)作为运输配送系统的关键环节已成为引人注意的焦点问题之一，并成为运筹学领域的经典优化组合问题，也引起了网络分析、应用数学以及图论等领域专家的研究兴趣。

虽然国内外学者已经从模型优化、搜索技术和求解方法等方面对VRP展开了众多探索性研究，并取得了丰硕的阶段性成果，但是VRP的求解仍存在一些问题：

(1)对带时间窗不确定VRP，研究的模型数量不少，但研究点比较单一，实际问题中约束条件往往具有不确定性，综合考虑车辆、客户需求、路况信息等多种不确定因素的问题需要更深的研究。

(2)对有同时集送货VRP，当问题规模较大时，已有方法的求解效率明显降低甚至停滞。主要原因是当问题规模增大时，解的状态空间也随之迅速膨胀。

(3)现有算法解决的问题大多局限于有明确信息的情况下，而客户点具体位置、客户重要程度、路况随时间段变化的通畅程度等客户方和交通环境等具体变化因素并未加以考虑。问题的求解过程应该对客户的动态需求和路况的动态变化进行细致的研究。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能够进行大规模求解、解决不确定车辆路径问题、能够对动态数据进行实时处理预测的基于混合量子算法的智慧车辆调度管理系统及其工作方法。

为了实现上述目的，本发明的技术方案如下：基于混合量子算法的智慧车辆调度管理系统，包括带时间窗不确定车辆调度模块、同时集送货车辆调度模块和动态车辆重调度模块；

所述的带时间窗不确定车辆调度模块包括用户时间窗设置模块和不确定需求变化设置模块，用户时间窗设置模块针对用户提出的收货时间区间以及用户的重要等级来设置配送的优先级和设置初始方案；不确定需求变化设置模块针对配送需求的模糊不确定问题设置不同的配送方案；

所述的同时集送货车辆调度模块包括送货需求调度模块和集货需求调度模块，送货需求调度模块对有同时集送货的配送情况设置合理的送货配送方案，集货需求调度模块对有同时集送货的配送情况设置合理的集货配送方案；

所述的动态车辆重调度模块包括动态变化设置模块和重调度操作模块，动态变化设置模块针对配送过程中可能出现的不同动态干扰因素进行分析以及设计相应的配送方案，调度操作模块主要对配送过程必须修改初始调度方案的情况进行实时重调度方案的生成和更新。

基于混合量子算法的智慧车辆管理系统的工作方法，包括以下步骤：

A：求解带时间窗不确定车辆调度问题

为了避免在搜寻过程中量子粒子群陷入局部最优解，在原有粒子群的基础上创建两个子相量子粒子群。两个子相量子粒子群开始时在相反的方向以不同的速度进行局部寻优，而主相量子粒子群粒子速度的更新借助于当前被所有子相搜索到的全局最优点。实现的具体步骤如下：

A1：对粒子群的规模、惯性权值、加速系数、压缩因子、所有粒子的初始位置和初始速度、允许的最大迭代次数、粒子群的子相数目以及每个子相的滚动优化结束指标和计数器进行初始化；所述的粒子群的规模为粒子群的粒子数目；

A2：根据目标函数对每个粒子的初始适应值进行评价、对每个粒子的初始个体历史最优位置以及个体最优适应值进行保存，同时对初始全局历史最优位置以及最优适应值进行保存；

A3：优化第i个子相粒子；

A4：判断i是否超过粒子群相数，如果超过，则令i＝0，并转到步骤A5；否则，令i＝i+1，然后转到步骤A3；

A5：如果适应值的误差已经达到设定的适应值误差限或者执行的迭代次数超过允许的最大迭代次数，则优化终止，同时对全局历史最优适应值和最优位置进行输出；否则，转到步骤A3，并继续优化。

B：求解有同时集送货需求的车辆调度问题

B1：生成初始解P(t)

基于混沌理论生成初始解，假设用Popu表示种群规模，用Sum表示客户数量，用K表示配送车辆数目，则量子个体的编码长度表示成n(Sum+K-1)，按如下步骤进行初始化：

B11：先生成Popu/10个初始解，然后根据二进制编码方法将其映射为量子个体，从而产生种子量子个体；

B12：用混沌方法对剩余种群个体进行初始化。即初始化第i个量子个体具体的方法为：

λ₀＝1/Popu

并根据下式：

λ_i＝μλ_i-1(1-λ_i-1),λ₀∈[0,1],μ≥4.

计算λ_i，设α_ji＝λ_i，从而生成全部量子位的概率幅，并生成量子个体；

B13：令i＝i+1后，转步骤B12，直至生成全部量子个体。

B2：由初始解P(t)生成二进制解R(t)

对初始解P(t)的每一个量子位的与[0，1]区间的随机数r_j进行比较，如果那么该位的值为0，否则为1。

B3：对R(t)进行解码和修正

解码和修正分为2个阶段：检查是否有重复编码或越界编码阶段以及对解码后的线路进行修正和改进的阶段。在前一阶段，如果发现有编码重复或越界的情况，就对这一整数对应的二进制串每位的值进行重新确定，直至没有重复或越界的编码。后一阶段针对解码后出现的不可行解或弱可行解进行改进。在此阶段，假设线路k上的集货量和送货量用P(k)和D(k)表示，待选择客户集合用Customlist表示，改进的步骤如下：

B31：对线路k上的D(k)和P(k)进行计算，并记录结果；

B32：弱可行检查线路k，如果线路k不可行，那么删除线路k上的若干个客户，使之满足弱可行的条件，并且在Customlist中保存删除的客户；如果P(k)＜＜Q且D(k)＜＜Q，就删除线路k，并保存线路上的所有客户到Customlist中；

B33：已有线路在确保弱可行前提下，用最临近法把Customlist中的客户插入到已有线路，如果已有线路中没有位置插入，就生成一条新的线路，直至Customlist中的客户为空；

B34：强可行检查弱可行线路，如果条件不满足，就找出不可行客户，并对客户的顺序进行交换，直至转换成可行解；否则，转至步骤B35；

B35：使用Relocate,Exchange线路间或线路内的交换算子，对强可行线路进行改进，从而减少线路的长度；(Relocate,Exchange是控制领域经典的线路点间交换方法)

B36：对量子染色体编码进行更新。

B4：进行量子更新

对量子个体的适应度进行计算，将计算结果与已存在的精英量子个体进行比较，选择并保存适应度最高的K个量子个体。两点间的距离按以下公式计算：

导数决定了初始点迭代后的状态是靠近或分离。对量子个体量子位的旋转角进行计算，生成新的初始解P(t+1)。同时判断计算的终止条件是否满足，若满足则终止，否则转至步骤B2，即由初始解P(t)生成二进制解R(t)。

式中：x₀表示初始点，x₀+δ₀表示x₀的邻点。

C、求解动态车辆重调度问题

在量子优化算法的基础上引入经典的模拟退火算法的方法解决动态车辆重调度问题，具体步骤如下：

C1：令t1＝0，随机生成具有N个客户的种群Q(t1)，退温速率为υ，仿真次数为t以及最大迭代次数为n；

C2：进行客户点编号操作，并按照如下步骤优化路径：

C21：初始化种群，并生成粒子个体空间中的位置和速度；

C22:计算种群内所有粒子的目标函数值，pbest是自身位置，gbest是目标

函数值最小的粒子位置；

C23：计算所有粒子位置矢量的全局平均最优值mbest，并更新粒子位置；

C24:计算所有粒子的目标函数如下，同时对pbest、gbest进行更新；

式中：表示所有客户惩罚成本之和，其中DTi车辆在客户点i的延误时间。

C25:判断是否满足终止条件，若满足，则转到步骤C26，否则转到步骤C23；

C26:输出gbest及与之相应的目标函数值，并终止计算。

C3：判断i是否超过最大迭代次数n，如果超过，则执行步骤C8，否则执行步骤C4；

C4：对种群的全部客户个体执行定步长抽样模拟退火计算；

C5：按下式进行退火操作：

T_t+1＝υ*T_t

式中，υ表示退火速率，T_t表示当前温度，t表示当前迭代次数；

C6：监测是否有动态需求信息提交调度中心，如果没有，就按照客户点编号对优化后结果进行解码，执行步骤C3；否则，执行步骤C7；

C7：对调度系统中未完成的客户信息进行统计，并插入动态客户需求信息，转步骤C2；

C8：输出本次优化结果，并判断是否得到当前最优解，如果是，则执行步骤C9，否则，转入步骤C10；

C9：进行旋转门更新量子比特种群，得到新的下一代种群Q(t1+1)，转入步骤C2；

C10：对多次优化结果进行统计，终止计算。

与现有技术相比，本发明具有以下有益效果：

1、本发明对带时间窗不确定车辆路径问题及其求解算法进行了研究。在使用了改进的量子算法和粒子群算法的基础上，根据优化变量的特征，将量子粒子群分成两个子相粒子群，提出了混合量子粒子群优化算法。仿真试验结果表明，该算法具有使用更少的参数，运算更简单，不但避免了易于陷入局部最优解和早熟收敛的缺点，而且提高了在高维搜索空间的收敛可靠性以及收敛速度，成为一种解决带时间窗不确定车辆路径问题的有效方法。

2、本发明研究了有同时集送货需求的车辆路径问题。在深入研究禁忌搜索算法在求解此类问题优势和局限性的基础上，设计了结合精英量子均值和混沌扰动理论的量子进化算法。该算法借助于混沌理论和精英量子均值对旋转门旋转角的改进，克服了普通查找方式中旋转角不连续、离散缺点。并引入Lyapunov指数、关联维数和功率谱等混沌运动判断标准验证了该算法在解决有同时集送货需求车辆路径问题的有效性。

3、本发明在讨论了静态需求车辆路径问题的基础上研究并建立动态需求车辆路径问题的数学规划模型,提出了将模拟退火算法与量子算法相结合的混合量子优化算法用于求解不确定需求车辆路径问题。给出了动态车辆路径问题模型的目标函数和约束条件。仿真分析结果表明本发明的方法提高了收敛速度和收敛可靠性，是一种解决不确定需求车辆路径问题的有效方法。

附图说明

图1为本发明求解不确定车辆调度流程图。

图2为本发明基于混沌理论解决有同时集送货车辆调度流程图。

图3为本发明量子模拟退火求解动态车辆调度流程图。

具体实施方式

下面结合附图对本发明进行进一步地描述。

本发明方法的流程如图1-3所示。本发明的方法还可以结合用嵌入式芯片、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。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (2)

1.基于混合量子算法的智慧车辆调度管理系统，其特征在于：包括带时间窗不确定车辆调度模块、同时集送货车辆调度模块和动态车辆重调度模块；

所述的带时间窗不确定车辆调度模块包括用户时间窗设置模块和不确定需求变化设置模块，用户时间窗设置模块针对用户提出的收货时间区间以及用户的重要等级来设置配送的优先级和设置初始方案；不确定需求变化设置模块针对配送需求的模糊不确定问题设置不同的配送方案；

所述的同时集送货车辆调度模块包括送货需求调度模块和集货需求调度模块，送货需求调度模块对有同时集送货的配送情况设置合理的送货配送方案，集货需求调度模块对有同时集送货的配送情况设置合理的集货配送方案；

所述的动态车辆重调度模块包括动态变化设置模块和重调度操作模块，动态变化设置模块针对配送过程中可能出现的不同动态干扰因素进行分析以及设计相应的配送方案，调度操作模块主要对配送过程必须修改初始调度方案的情况进行实时重调度方案的生成和更新。

2.基于混合量子算法的智慧车辆管理系统的工作方法，其特征在于：包括以下步骤：

A：求解带时间窗不确定车辆调度问题

为了避免在搜寻过程中量子粒子群陷入局部最优解，在原有粒子群的基础上创建两个子相量子粒子群；两个子相量子粒子群开始时在相反的方向以不同的速度进行局部寻优，而主相量子粒子群粒子速度的更新借助于当前被所有子相搜索到的全局最优点；实现的具体步骤如下：

A1：对粒子群的规模、惯性权值、加速系数、压缩因子、所有粒子的初始位置和初始速度、允许的最大迭代次数、粒子群的子相数目以及每个子相的滚动优化结束指标和计数器进行初始化；所述的粒子群的规模为粒子群的粒子数目；

A2：根据目标函数对每个粒子的初始适应值进行评价、对每个粒子的初始个体历史最优位置以及个体最优适应值进行保存，同时对初始全局历史最优位置以及最优适应值进行保存；

A3：优化第i个子相粒子；

A4：判断i是否超过粒子群相数，如果超过，则令i＝0，并转到步骤A5；否则，令i＝i+1，然后转到步骤A3；

A5：如果适应值的误差已经达到设定的适应值误差限或者执行的迭代次数超过允许的最大迭代次数，则优化终止，同时对全局历史最优适应值和最优位置进行输出；否则，转到步骤A3，并继续优化；

B：求解有同时集送货需求的车辆调度问题

B1：生成初始解P(t)

基于混沌理论生成初始解，假设用Popu表示种群规模，用Sum表示客户数量，用K表示配送车辆数目，则量子个体的编码长度表示成n(Sum+K-1)，按如下步骤进行初始化：

B11：先生成Popu/10个初始解，然后根据二进制编码方法将其映射为量子个体，从而产生种子量子个体；

B12：用混沌方法对剩余种群个体进行初始化；即初始化第i个量子个体具体的方法为：

λ₀＝1/Popu

并根据下式：

λ_i＝μλ_i-1(1-λ_i-1),λ₀∈[0,1],μ≥4.

计算λ_i，设α_ji＝λ_i，从而生成全部量子位的概率幅，并生成量子个体；

B13：令i＝i+1后，转步骤B12，直至生成全部量子个体；

B2：由初始解P(t)生成二进制解R(t)

对初始解P(t)的每一个量子位的与[0，1]区间的随机数r_j进行比较，如果那么该位的值为0，否则为1；

B3：对R(t)进行解码和修正

解码和修正分为2个阶段：检查是否有重复编码或越界编码阶段以及对解码后的线路进行修正和改进的阶段；在前一阶段，如果发现有编码重复或越界的情况，就对这一整数对应的二进制串每位的值进行重新确定，直至没有重复或越界的编码；后一阶段针对解码后出现的不可行解或弱可行解进行改进；在此阶段，假设线路k上的集货量和送货量用P(k)和D(k)表示，待选择客户集合用Customlist表示，改进的步骤如下：

B31：对线路k上的D(k)和P(k)进行计算，并记录结果；

B32：弱可行检查线路k，如果线路k不可行，那么删除线路k上的若干个客户，使之满足弱可行的条件，并且在Customlist中保存删除的客户；如果P(k)＜＜Q且D(k)＜＜Q，就删除线路k，并保存线路上的所有客户到Customlist中；

B33：已有线路在确保弱可行前提下，用最临近法把Customlist中的客户插入到已有线路，如果已有线路中没有位置插入，就生成一条新的线路，直至Customlist中的客户为空；

B34：强可行检查弱可行线路，如果条件不满足，就找出不可行客户，并对客户的顺序进行交换，直至转换成可行解；否则，转至步骤B35；

B35：使用Relocate,Exchange线路间或线路内的交换算子，对强可行线路进行改进，从而减少线路的长度；

B36：对量子染色体编码进行更新；

B4：进行量子更新

对量子个体的适应度进行计算，将计算结果与已存在的精英量子个体进行比较，选择并保存适应度最高的K个量子个体；两点间的距离按以下公式计算：

<mrow> <msub> <mi>&amp;delta;</mi> <mn>1</mn> </msub> <mo>=</mo> <mo>|</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>+</mo> <msub> <mi>&amp;delta;</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mfrac> <mrow> <mi>d</mi> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>x</mi> </mrow> </mfrac> <mo>&amp;CenterDot;</mo> <msub> <mi>&amp;delta;</mi> <mn>0</mn> </msub> </mrow>

导数决定了初始点迭代后的状态是靠近或分离；对量子个体量子位的旋转角进行计算，生成新的初始解P(t+1)；同时判断计算的终止条件是否满足，若满足则终止，否则转至步骤B2，即由初始解P(t)生成二进制解R(t)；

式中：x₀表示初始点，x₀+δ₀表示x₀的邻点；

C、求解动态车辆重调度问题

在量子优化算法的基础上引入经典的模拟退火算法的方法解决动态车辆重调度问题，具体步骤如下：

C1：令t1＝0，随机生成具有N个客户的种群Q(t1)，退温速率为υ，仿真次数为t以及最大迭代次数为n；

C2：进行客户点编号操作，并按照如下步骤优化路径：

C21：初始化种群，并生成粒子个体空间中的位置和速度；

C22:计算种群内所有粒子的目标函数值，pbest是自身位置，gbest是目标函数值最小的粒子位置；

C23：计算所有粒子位置矢量的全局平均最优值mbest，并更新粒子位置；

C24:计算所有粒子的目标函数如下，同时对pbest、gbest进行更新；

式中：表示所有客户惩罚成本之和，其中DTi车辆在客户点i的延误时间；

C25:判断是否满足终止条件，若满足，则转到步骤C26，否则转到步骤C23；

C26:输出gbest及与之相应的目标函数值，并终止计算；

C3：判断i是否超过最大迭代次数n，如果超过，则执行步骤C8，否则执行步骤C4；

C4：对种群的全部客户个体执行定步长抽样模拟退火计算；

C5：按下式进行退火操作：

T_t+1＝υ*T_t

式中，υ表示退火速率，T_t表示当前温度，t表示当前迭代次数；

C6：监测是否有动态需求信息提交调度中心，如果没有，就按照客户点编号对优化后结果进行解码，执行步骤C3；否则，执行步骤C7；

C7：对调度系统中未完成的客户信息进行统计，并插入动态客户需求信息，转步骤C2；

C8：输出本次优化结果，并判断是否得到当前最优解，如果是，则执行步骤C9，否则，转入步骤C10；

C9：进行旋转门更新量子比特种群，得到新的下一代种群Q(t1+1)，转入步骤C2；

C10：对多次优化结果进行统计，终止计算。