CN108253988A

CN108253988A - 基于电动汽车的循环取货路径规划方法

Info

Publication number: CN108253988A
Application number: CN201711482237.8A
Authority: CN
Inventors: 李华民; 沈续昌
Original assignee: Chongqing University
Current assignee: Chongqing University
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-07-06

Abstract

本发明公开了一种基于电动汽车的循环取货路径规划方法，首先获取循环取货网络数据，并建立传统循环取货路径优化模型；然后建立能源限制约束条件，并将能源限制条件插入到传统循环取货路径优化模型中，建立有能源限制的电动汽车循环取货路径规划模型，最后采用遗传算法求解电动汽车循环取货路径规划模型，获得电动汽车循环取货的最优路径方案。本发明提供的电动汽车的循环取货路径规划方法，针对电动汽车的特点，解决了现有的循环取货车辆路径优化模型不适应于电动汽车的问题，并针对电动汽车有“能源耗尽”的风险，构建了适用于电动汽车的循环取货路径优化模型，实现对电动汽车在循环取货过程中的路径优化提供参考。

Description

基于电动汽车的循环取货路径规划方法

技术领域

本发明涉及电动汽车路径规划技术领域，特别是一种基于电动汽车的循环取货路径规划方法。

背景技术

循环取货最初是针对牛奶运输问题而发明的一种运输方式，卡车按照预先规划好的路线到不同的供应商处收购牛奶，同时卸下回收的空奶瓶，送牛奶时在用户处留下牛奶并把空瓶带走。后来被制造业所采用，逐渐发展成为制造商用同一货运车辆从多个供应商处收取零配件的运作模式，即车辆离开配送中心，依次到各供应商处取货，最终回到配送中心。这种模式能够确保物料以少批量、多频次的形式发往配送中心或装配厂，有利于实现零库存，同时避免了运输车辆返程空驶，提高了运输车辆的装载率。在进行循环取货时，车辆路径的设计是运输效率的决定性因素，因此，对取货车辆的路径进行优化至关重要，属于车辆路径问题(Vehicle Routing Problems,VRP)。

经典车辆路径规划问题只考虑单车场、单车型，只有载重限制，以运输成本最小为优化目标,是所有车辆路径问题的基础。此后在经典的车辆路径优化问题的基础上出现了大量的研究。目前的研究在VRP模型及其求解算法方面取得了丰硕的成果，但是针对该问题大多数研究都是基于传统燃油车辆的基础上进行的，而基于电动汽车的VRP的研究成果比较少。电动汽车和传统燃油汽车相比，续驶里程较短，取货过程中可能出现能源耗尽的情况，传统的循环取货车辆路径优化模型并不适用于电动汽车。

发明内容

本发明的目的是提出一种基于电动汽车的循环取货路径规划方法；本方法针对电动汽车的特点，构建了适用于电动汽车的循环取货路径优化模型，实现对电动汽车在循环取货过程中的路径进行优化。

本发明的目的是通过以下技术方案来实现的：基于电动汽车的循环取货路径规划方法，其包括以下步骤：

步骤一：获取循环取货网络数据，并建立传统循环取货路径优化模型；

步骤二：按照以下公式建立能源限制约束条件：

式中，d_ij为顶点i与顶点j间的距离；表示为二元决策变量；p₀表示电动汽车空载时行驶单位距离所耗电能；p_f表示电动汽车装有单位重量的货物行驶单位距离所消耗的电能；为车辆k离开供应商i时，车上所载有的从所有已访问的供应商处取得的货物重量总和，当车辆k访问顶点i后接着去往顶点j时，否则P为车辆充满电时的电量，K为车辆集合；

步骤三：将能源限制条件插入到传统循环取货路径优化模型中，建立有能源限制的电动汽车循环取货路径规划模型，按照以下公式建立目标函数：其中，z为所有路径能源消耗之和；

步骤四：采用遗传算法求解电动汽车循环取货路径规划模型，获得电动汽车循环取货的最优路径方案。

优选地，所述传统循环取货路径模型为：

为决策变量，其含义为：供应商i被车辆k访问时，否则

表示表示从配送中心出发的车辆数；表示表示返回到配送中心的车辆数；

其中，W为车辆能装载的最大货物重量；

其中，当车辆k访问顶点i后接着去往顶点j时，否则式(1)为求所有路径能源消耗之和最小；式(2)表示每个供应商都要被访问且只被访问一次；式(3)要求车辆从配送中心出发并最终回到配送中心；式(4)为电动物流车装载能力约束。

优选地，所述的电动汽车循环取货路径规划模型为：

式(5)是电动物流车所有路径电能消耗之和最小的目标函数，式(9)表示电动物流车整条路径行驶下来所耗电量不能超过车辆满电时的最大电量。

优选地，采用遗传算法求解电动汽车循环取货路径规划模型，获得电动汽车循环取货的最优路径方案具体包括如下步骤：

步骤①：输入已知的模型参数；电动物流车充满电时的电量P，电动物流车空载时行驶单位距离所耗电能P₀，电动物流车装有单位重量的货物行驶单位距离所消耗的电能P_f，车辆最大装载能力W及供应商的数量，各供应商的具体位置和供货量；

步骤②：种群初始化，确定遗传算法的交叉概率P_C，变异概率P_m，种群数目M，最大进化代数G，对各可行的行驶路径进行实数编码,随机地产生符合各约束条件的初始路径种群；步骤③：确定适应度函数，把函数值的倒数作为个体的适应度值，

步骤④：选择，步骤③得到的适应度值，选择排名靠前的若干个个体作为选择结果，放入后代中继续后续操作；

步骤⑤：交叉和变异；

步骤⑥：根据模型的目标函数式，输出满足各个约束条件的最优路径；

不断重复步骤③到⑤，当进化代数达到最大时,循环终止，并遍历所有路径，找出满足各约束条件的最优路径，输出结果。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提供的电动汽车的循环取货路径规划方法，针对电动汽车的特点，构建了适用于电动汽车的循环取货路径优化模型，并通过遗传算法来实现对电动汽车在循环取货过程中的路径进行规划。解决了现有的循环取货车辆路径优化模型不适应于电动汽车的问题，并针对电动汽车有“能源耗尽”的风险，构建了适用于电动汽车的循环取货路径优化模型，实现对电动汽车在循环取货过程中的路径优化提供参考。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的流程示意图。

图2是为实例构建的图；

图3为应商及S配送中心坐标图；

图4为本发明所采用的遗传算法流程图；

图5为本发明方法的效果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

S配送中心有15个供应商，装载能力40个单位的电动物流车若干辆，供应商对取货时间没有要求，供应商及S配送中心坐标已知，如图3所示。

各供应商供货量如下表：

供应商编号	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
																供货量	10	15	20	17	13	20	15	10	6	9	10	8	6	10	17

如图1所示，本实施例提供的基于电动物流车的循环取货路径规划方法，不同于传统燃油车取货车辆动力充足，且单次循环取货过程中不存在燃油耗尽的情况，本实施例提供的主要针对电动物流车续驶里程短，存在能源耗尽的情况提出的循环取货路径规划方法，在传统循环取货路径优化模型中增加了避免能源耗尽的约束条件，从而建立了适用于电动物流车的循环取货路径优化模型，具体步骤如下：

步骤一：设G＝(V,A)为该取货网络，其中，顶点集V包括顶点V₀和V_C；顶点V₀表示S配送中心，集合V_C＝{V₁，V₂，…V₁₅}表示15个供应商集合，i和j属于(0，1，2，…，n)，弧集A＝{(V_i,V_j)|V_i,V_j∈V，i≠j}为任意两顶点间的弧，d_ij为弧(V_i,V_j)的长度，表示供应商i到供应商j之间的距离，任意三点间的距离均满足三角不等式,如图2。

步骤二：建立传统循环取货路径规划模型，具体的方法如下：

目标是车辆离开S配送中心V₀，依次访问各供应商后返回V₀的总行驶里程最短。

1.确定目标函数，可得传统循环取货路径优化模型目标函数如下：

2.确定约束条件，约束条件如下：

每个供应商都要被访问且只被访问一次：

为决策变量，其含义为：供应商i被车辆k访问时，否则

车辆从配送中心出发并最终回到配送中心满足以下公式：

其中，W为车辆能装载的最大货物重量；

步骤三：建立避免能源耗尽的约束条件，如式(9)：

式中，d_ij为顶点i与顶点j间的距离；表示为二元决策变量；p₀表示电动汽车空载时行驶单位距离所耗电能；p_f表示电动汽车装有单位重量的货物行驶单位距离所消耗的电能；为车辆k离开供应商i时，车上所载有的从所有已访问的供应商处取得的货物重量总和，当车辆k访问顶点i后接着去往顶点j时，否则P为车辆充满电时的电量，K为车辆集合。

步骤四：在传统的循环取货路径优化模型中插入步骤二所述的约束条件，建立有能源限制的循环取货路径规划模型，以所有路径能源消耗之和最小为优化目标，重新建立如式(5)的新目标函数：

约束条件：

其中，当车辆k访问顶点i后接着去往顶点j时，否则供应商i被车辆k访问时，否则

步骤四：基于已知的电动物流车充满电时的电量P，电动物流车空载时行驶单位距离所耗电能P₀，电动物流车装有单位重量的货物行驶单位距离所消耗的电能P_f，车辆最大装载能力W及步骤一给定的供应商的数量，各供应商的具体位置和供货量，求解步骤三所述电动物流车循环取货路径规划模型，获得电动物流车循环取货的最优路径方案。

在步骤四中，对所述电动物流车循环取货路径优化模型中的目标函数和约束条件的求解采用基于浮点法编码(实数编码)的遗传算法，通过matlab编程对算法进行实现，包括如下步骤:

步骤①：种群初始化，确定遗传算法的交叉概率P_C＝0.8，变异概率P_m＝0.1，种群数目M＝20，最大进化代数G＝100，对各可行解进行实数编码,随机地产生符合各约束条件的初始种群。具体编码规则如下：

首先将各供应商顶点数转换为相对应的随机浮点数，同时将配送中心(即循环取货过程的起点)作为第一个和最后一个浮点数，计算式为

A₀＝{a₀,a₁,a₂,…，a_n,a_n+1}

其中:a₀为配送中心所对应的浮点数，a₁至a_n为n个供应商所对应的浮点数。越小的浮点数对应有越高的优先级，起点a₀设置为0.01，终点a_n+1设置为0.99，起点及终点虽参与编程，但不参与到选择、交叉与变异。

步骤②：确定适应度函数。本发明是求函数的最小值，因此把函数值的倒数作为个体的适应度值。即令

则

步骤③：根据上一步骤得到的结果，根据适应度值来选择排名靠前的若干个个体作为选择结果，放入后代中继续后续操作。个体i被选中的概率为：

步骤④：交叉和变异。

步骤⑤：根据目标函数式，输出满足各个约束条件的最优个体：不断重复步骤②到步骤④，当进化代数达到最大时，循环终止，并遍历所有路径，找出满足各约束条件的最优路径，得到最优路径方案如下：

路径序号	行车路径	车载率	路径长度	消耗电能
					1	0-1-2-0	0.625	26.594	1102.070
2	0-4-3-0	0.925	16.202	1099.486
					3	0-7-5-0	0.7	22.987	1007.108
4	0-6-0	0.5	18.110	751.565
					5	0-10-9-8-0	0.625	40.411	1876.869
6	0-13-12-11-0	0.6	31.912	1317.168

综上所述，本发明提出了一种新的循环取货路径规划模型，与传统模型相比，该模型更符合电动物流车的特点。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims

1.基于电动汽车的循环取货路径规划方法，其特征在于：包括以下步骤：

步骤二：按照以下公式建立能源限制约束条件：

式中，d_ij为顶点i与顶点j间的距离，

表示为二元决策变量，

p₀表示电动汽车空载时行驶单位距离所耗电能，

p_f表示电动汽车装有单位重量的货物行驶单位距离所消耗的电能，

为车辆k离开供应商i时，车上所载有的从所有已访问的供应商处取得的货物重量总和，当车辆k访问顶点i后接着去往顶点j时，否则

P为车辆充满电时的电量，K为车辆集合；

步骤三：将能源限制条件插入到传统循环取货路径优化模型中，建立有能源限制的电动汽车循环取货路径规划模型，按照以下公式建立目标函数：

其中，z为所有路径能源消耗之和；

2.根据权利要求1所述的基于电动汽车的循环取货路径规划方法，其特征在于：所述传统循环取货路径模型为：

为决策变量，其含义为：供应商i被车辆k访问时，否则

其中，W为车辆能装载的最大货物重量；

3.根据权利要求2所述的基于电动汽车的循环取货路径规划方法，其特征在于：所述的电动汽车循环取货路径规划模型为：

4.根据权利要求3所述的基于电动汽车的循环取货路径规划方法，其特征在于：采用遗传算法求解电动汽车循环取货路径规划模型，获得电动汽车循环取货的最优路径方案具体包括如下步骤：

步骤②：种群初始化，确定遗传算法的交叉概率P_C，变异概率P_m，种群数目M，最大进化代数G，对各可行的行驶路径进行实数编码,随机地产生符合各约束条件的初始路径种群；

步骤③：确定适应度函数，把函数值的倒数作为个体的适应度值，

步骤⑤：交叉和变异；

不断重复步骤③到⑤，当进化代数达到最大时，循环终止，并遍历所有路径，找出满足各约束条件的最优路径，输出结果。