CN107977751A - 一种基于遗传算法的地下物流节点间路径规划方法 - Google Patents

Abstract

本发明公开一种基于遗传算法的地下物流路径规划方法，其包括染色体编码、适应度计算以及遗传操作，解决了一般路径规划算法路径规划不合理，可扩展性不足的问题。

Description

一种基于遗传算法的地下物流节点间路径规划方法

技术领域

本发明涉及地下空间开发与应用及交通运输工程领域，尤其涉及一种基于遗传算法的地下物流节点间路径规划方法。

背景技术

路径规划技术在很多领域都具有广泛的应用。在高新科技领域的应用有:机器人的自主无碰行动；无人机的避障突防飞行；巡航导弹躲避雷达搜索、防反弹袭击、完成突防爆破任务等。在日常生活领域的应用有:GPS导航；基于GIS系统的道路规划；城市道路网规划导航等。在决策管理领域的应用有:物流管理中的车辆问题(VRP)及类似的资源管理资源配置问题。通信技术领域的路由问题等。凡是可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。

路径规划的核心就是算法的设计，路径规划算法目前已经得到了广泛的关注，从传统算法，到后来的结合仿生学发展起来的算法，智能算法已经取得了巨大的进展。不同的智能算法特点不同，适用范围和领域也就不同，因而从算法本身特点及其应用来研究路径规划智能算法，对路径规划技术的发展具有重要意义。

传统的路径规划算法有:模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法等；图形学的方法有：C空间法、栅格法、自由空间法、voronoi图法等；智能仿生学算法就是人们通过仿生学研究，发现的算法，常用到的有:蚁群算法、神经网络算法、粒子群算法、遗传算法等。

遗传算法(Genetic Algorithms，简称GA)是当代人工智能科学的一个重要研究分支，是一种模拟达尔文遗传选择和自然淘汰的生物进化过程中的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是按照基因遗传学原理而实现的一种迭代过程的搜索算法。最大的优点是易于与其他算法相结合，并充分发挥自身迭代的优势，缺点是运算效率不高，不如蚁群算法有先天优势，但其改进算法也是目前研究的热点。

不同于地上运输，地下物流系统建设过程中地下管道铺设造价较高、维修困难，所以在建设地下物流系统时既要考虑成本因素，又要使得地下物流系统具有一定的抗风险能力。同时地下物流系统的布局结构对整个物流系统的效率和稳定性至关重要，因此合理规划地下物流系统网络十分关键。

发明内容

本发明使用遗传算法优化地下物流系统中路径规划的问题，提供一种基于遗传算法的地下物流节点间路径规划方法。

本发明的目的是通过以下技术方案实现的：1.一种基于遗传算法的地下物流节点间路径规划方法，其特征在于，包括以下步骤：

(1)获取物流中心o₁和其他物流节点的位置坐标；

(2)按照物流节点与物流中心距离的大小，由近至远将物流节点进行排序，以此标记为o₂,o₃,o₄,...o_n；n为物流节点的个数；

(3)计算物流节点o_i与o_j之间的距离，记为w_ij；

(4)采用二进制编码方式，以1表示物流节点o_i与物流中心直接相连，服务于物流节点o_i的路径d_i＝w_1i；以0表示物流节点o_i不与物流中心直接相连，服务于物流节点o_i的路径d_i＝min(w_ij),其中j∈(2,3,...i-1)。

利用上述二进制的编码方式，进行种群初始化，获得l个个体，对l个个体进行适应度计算，个体适应度的大小分为两部分，分别为该个体生成路径总距离的大小以及该个体所具有的抗风险能力，即：

adaptation＝adaptation_distance+adaptation_risk

其中式中m为与物流中心直接相连的节点数量，α为权重系数。

(5)经过遗传操作，求得适应度最小的个体即为最优的路径规划。

本发明的有益效果在于：

(1)针对地下物流系统的特殊性(地下管道铺设造价较高、维修困难)，本发明在路径规划过程中既考虑整体造价最低，又引入抗风险能力权重比，使得地下物流系统建设过程中尽可能降低造价又保障地下物流系统具有一定的抗风险能力，提高了地下物流路径规划的合理性；

(2)本发明同时具有良好的可扩展性，如若需要引入其它因素，只需修改适应度adaptation的计算公式，方便灵活；

(3)计算简单，路径计算过程中无需考虑结果是如何计算出来的，只需要提供相应的初始条件，设置相应参数，即可得到最优解。

附图说明

图1为遗传算法的流程；

图2为物流节点与物流中心分布图；

图3为中心放射状网络结构图；

图4为混合型网络结构图。

具体实施方式

下面结合具体的实施方式对本发明的地下物流路径规划方法进行进一步的阐述。下面以杭州物流为例，对本发明作具体说明如下：

首先获得杭州市江干区物流节点集合为O＝{o₁,o₂,o₃,o₄,o₅,o₆,o₇,o₈,o₉,o₁₀}，其中o₁为物流中心，则物流节点位置坐标以及物流节点相互之间的距离分别如表1、表2所示，物流节点分布如图2所示。

表1：物流节点位置坐标

表2：物流节点相互之间距离

0	14.1421	44.7214	64.0312	19.8494	28.2843	19.6977	46.0977	36.0555	57.0088
										14.1421	0	31.6228	50	25.1794	42.4264	33.2866	40.3113	41.2311	60.4152
44.7214	31.6228	0	22.3607	55.4437	72.1110	61.2209	30.4138	53.8516	65.1920
										64.0312	50	22.3607	0	70.3847	92.1954	82.0244	50.2494	76.1577	86.3134
19.8494	25.1794	55.4437	70.3847	0	33.3766	31.7805	64.2573	55.4437	76.5768
										28.2843	42.4264	72.1110	92.1954	33.3766	0	12.1655	65.7647	41.2311	60.4152
19.6977	33.2866	61.2209	82.0244	31.7805	12.1655	0	53.6004	30.4631	50.7740
										46.0977	40.3113	30.4138	50.2494	64.2573	65.7647	53.6004	0	32.0156	36.4005
36.0555	41.2311	53.8516	76.1577	55.4437	41.2311	30.4631	32.0156	0	21.2132
										57.0088	60.4152	65.1920	86.3134	76.5768	60.4152	50.7740	36.4005	21.2132	0

遗传算法的流程图如图1所示，在确定节点数量以及位置之后，需要选择一种编码方式来表示解的形式。在这里，本方法将采用二进制编码的方式。

首先，按照与物流中心距离的大小，由近至远将2-9号物流节点进行排序，得到次序如下：

{o₂，o₇，o₅，o₆，o₉，o₃，o₈，o₁₀，o₄}

记物流节点间相互距离矩阵为W，本方法将采用二进制编码方式，以1表示物流节点o_i与物流中心直接相连，服务于物流节点o_i的路径d_i＝w_1i；以0表示物流节点o_i不与物流中心直接相连，服务于物流节点o_i的路径d_i＝min(w_ij)，其中j∈(2，3，...i-1)。即节点o_i到达备选节点o₂，o₇，...o_j-1中最短的路径长度。

然后进行种群的初始化工作，在初始化的过程中，本方法默认编码第一位为1，即第一个节点始终与物流中心相连接。

其次是适应度计算，个体适应度的大小分为两部分，分别为该个体生成路径总距离的大小以及该个体所具有的抗风险能力，即：

adaptation＝adaptation_distance+adaptation_risk

其中式中m为与物流中心直接相连的节点数量，α为权重系数，在计算个体抗风险能力adaptation_risk时，本方法选择的系数α为75，不同的系数会得到不同的结果，所以此系数可根据实际需求动态调整，如果希望最终生成的网络系统具有非常好的抗风险能力则可增大此系数，反之减小此系数。因此本方法具有良好的可扩展能力，可动态调整路径距离与抗风险性之间的权重关系，同时也可以添加其它限制条件。

最后经过一系列遗传操作，得到最优个体编码方式为(1，1，1，0，1，1，1，0，0)，则得到的地下物流路径规划如图4所示。与图3所示的中心放射状网络结构相比，地下物流路径总长度明显下降，同时也保证了网络系统具有一定的抗风险能力。

Claims (1)

1.一种基于遗传算法的地下物流节点间路径规划方法，其特征在于，包括以下步骤：

(1)获取物流中心o₁和其他物流节点的位置坐标；

(2)按照物流节点与物流中心距离的大小，由近至远将物流节点进行排序，以此标记为o₂,o₃,o₄,...o_n；n为物流节点的个数；

(3)计算物流节点o_i与o_j之间的距离，记为w_ij；

(4)采用二进制编码方式，以1表示物流节点o_i与物流中心直接相连，服务于物流节点o_i的路径d_i＝w_1i；以0表示物流节点o_i不与物流中心直接相连，服务于物流节点o_i的路径d_i＝min(w_ij),其中j∈(2,3,...i-1)。

利用上述二进制的编码方式，进行种群初始化，获得l个个体，对l个个体进行适应度计算，个体适应度的大小分为两部分，分别为该个体生成路径总距离的大小以及该个体所具有的抗风险能力，即：

adaptation＝adaptation_distance+adaptation_risk

其中式中m为与物流中心直接相连的节点数量，α为权重系数。

(5)经过遗传操作，求得适应度最小的个体即为最优的路径规划。