CN108288105A - 一种快递物流背包优化方法 - Google Patents

Abstract

一种快递物流背包优化方法，用于对配送点的待配送订单进行装载优化，使得车辆满载率达到最大的同时提高车辆所装载订单的总收益。算法通过二进制粒子群算法，每次迭代保留粒子的全局最优解，并结合粒子间的相互作用扩大粒子群的搜索范围。并引入模拟退火算法，利用模拟退火算法的Metropolis准则提高算法局部搜索的能力同时加快迭代后期算法的收敛速度。算法以配送车辆的平均载重率，平均容积率，以及所装载订单的总邮费为子目标函数，通过归一化处理得到总目标函数，以总目标函数的值来衡量优化的效果。实验结果表明，采用本发明方法，相比于其他算法可以得到更满意的优化效果。

Description

一种快递物流背包优化方法

技术领域

本发明涉及数据挖掘，背包优化等技术，特别是涉及一种快递物流背包优化方法。

背景技术

背包问题是运筹学中一个典型的NP完全问题，即多项式复杂程度的非确定性问题。目前，解决背包问题的常规算法包括穷举法、动态规划法和递归回溯法等，但只能解决小规模背包问题。启发式算法是模拟自然界和生物行为的新型算法，具有模型灵活，求解速度快，解的质量高等优点。在这些启发式算法中，遗传算法、蚁群算法、差分进化算法等优化算法收敛速度慢、全局收敛性差。粒子群算法简单易实现，参数设置较小，收敛速度较快，但是也具有收敛精度和收敛效率较低，收敛过程中易于停滞，易陷入局部最优的缺点。而模拟退火算法(Simulated Annealing Algorithm，简称SA)能改善陷入局部最优解的缺陷，使算法快速地收敛于全局最优解。因此，有必要把模拟退火的思想引入粒子群算法中，优化粒子群的进化过程，从而提高粒子群算法的收敛精度和收敛效率，帮助粒子群跳出局部极值。

发明内容

本发明提供了一种综合优化方法，以解决基础优化算法在解决物流背包问题时容易陷入局部最优及后期迭代速度慢的问题。本发明的实质是：把物流配送中心的车辆载重率，车辆容积率以及总邮费作为子目标函数，并经过归一化得到综合目标函数，利用模拟退火和粒子群相结合的算法对其进行寻优。

本发明采用的技术方案的步骤如下：

一种快递物流背包优化方法，用于对物流配送中心产生的订单进行装载优化，包括步骤：

A.采集配送点的详细订单情况，并运用初始解生成公式初始化粒子群，获得一系列随机的初始化种群pop(n)。

B.运用约束检验条件对生成的初始化种群是否符合约束条件，如果有不可行的粒子pop_i，则运用调整公式对不可行解pop_i进行约束调整。

C.计算粒子群中各粒子的适应度值fit(i)(目标函数值)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。

D.运用位置更新公式和速度更新公式，对粒子群中各粒子的位置和速度进行更新，得到粒子新的状态。

E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值)，同时对粒子群中的个体最优解pb_i和全局最优解gb进行更新。

F.运用模拟退火算法对粒子群的全局最优解更新操作。

G.运用权重和学习因子更新公式对算法的惯性权重ω，学习因子c1，c2进行更新。

H.若达到迭代终止条件，则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D，循环执行步骤D～H。

所述步骤A采集终端配送点的订单数据，每个订单的属性包括订单的起点，终点，质量，体积，邮费。根据配送点的订单数量以及种群规模生成初始化粒子群pop(n)。粒子的状态采用二进制编码的方式进行表示pop_i＝(x₁，x₂，...，x_n-1，x_n)。其中，x_j＝0表示第j个订单没有装入背包，m表示配送点的订单数。生成初始种群的计算公式如下所示：

所述步骤B运用约束条件对生成的初始化粒子群进行检测，是否符合背包的质量限制，体积限制等限制条件。如果粒子不符合约束条件，则对粒子进行约束性调整，使其最终符合背包的约束条件。具体的调整方式为：将被选中的物品进行价值率排序，然后将处在队列末尾的物品从背包中取出，一直到满足背包的约束条件为止。粒子价值率的计算公式如下所示：

其中，dat表示订单的日期，wei为订单的质量，vol为订单的体积，val为订单的邮费，gra为订单的邮费等级。

所述步骤C利用适应度函数公式来计算粒子群中各粒子的适应度值fit(i)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。本发明采用和目标函数作为粒子的适应度值。各子目标函数公式如下所示：

车辆载重率：

车辆容积率：

总邮费：

综合目标函数：

max f(x)＝t₁Z₁+t₂Z₂+t₃Z₃ (6)

由于每个子目标函数的量纲不同，所以对多目标函数进行归一化处理，将其转化为单目标进行求解，其目标函数作为粒子的适应度值，其中M为车辆额定载重，V为车辆的额定容积，t_i为各子目标函数的权值。计算每个初始化粒子的适应度值fit(i)后，保留粒子群的个体最优适应度值fit_pb(i)和粒子群的全局最优适应度值fit_gb。

所述步骤D运用速度更新公式与位置更新公式对粒子的状态进行更新。具体的更新公式如下：

pop_i，j(t+1)＝pop_i，j(t)+v_i，j(t+1) (8)

所述步骤E，在对个体最优解和全局最优解更新的时候，在计算每个粒子的适应度值fit(i)后，将粒子的适应度值与前次迭代产生的个体最优适应度值fit_pb比较，如果fit(i)＞fit_pb，则更新fit_pb。再将粒子的适应度值fit(i)与全局最优适应度fit_gb比较，如果fit(i)＞fit_gb，则更新。并且保存对应的解为最优解。

所述步骤F，在对粒子群的全局最优解更新的时候，引入模拟退火操作。如果fit(i)＜fit_gb，则利用模拟退火算法生成一个初始解sol_new，计算其初始解的适应度值fit_new。利用模拟退火算法的Metropolis准则判断是否接受其新解sol_new为粒子群的全局最优解，并相应的更新全局最优解。

所述步骤G使用相应的更新公式对算法的惯性权重ω和学习因子c1，c2进行更新。较大的惯性权重有利于搜索时跳出局部所处的极值点，同时较小的惯性权重有利于算法快速收敛与提高搜索范围的精度。学习因子分别调整粒子的局部搜索能力和全局搜索能力，在种群进化的过程中，如何通过更新权重和学习因子来平衡粒子的局部搜索和全局搜索过程显得尤为重要。具体的更新公式如下：

式中：t为进化当前代数，gen_max为总的进化代数。

所述步骤H为实现算法进化的必要条件。通过步骤H返回到步骤D，循环步骤D至步骤H，实现对算法的不断迭代优化。

本发明提出了一种快递物流背包优化方法，具有以下优点：

1.通过结合车辆载重率，车辆容积率和总邮费子目标函数，构建了综合目标函数。对目标配送点的订单进行了多目标函数的优化，能对多个子目标函数进行一个综合优化。

2.通过将模拟退火操作有机的结合到传统的二进制粒子群算法中，构建综合优化算法，解决了传统二进制粒子群算法求解背包问题时易陷入局部最优且迭代后期收敛速度慢的问题，保证了背包优化的效果，为降低物流成本，提高物流企业整体效益创造条件。

附图说明

图1是本发明实施步骤A至步骤H的流程图。

具体实施方式

下面，结合附图对本发明的具体实施方式作进一步说明。

如图1所示，本发明的具体实施过程和工作原理如下：

A.采集配送点的详细订单情况，并运用初始解生成公式初始化粒子群，获得一系列随机的初始化种群pop(n)。

B.运用约束检验条件对生成的初始化种群是否符合约束条件，如果有不可行的粒子pop_i，则运用调整公式对不可行解pop_i进行约束调整。

C.计算粒子群中各粒子的适应度值fit(i)(目标函数值)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。

D.运用位置更新公式和速度更新公式，对粒子群中各粒子的位置和速度进行更新，得到粒子新的状态。

E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值)，同时对粒子群中的个体最优解pb_i和全局最优解gb进行更新。

F.运用模拟退火算法对粒子群的全局最优解更新操作。

G.运用权重和学习因子更新公式对算法的惯性权重ω，学习因子c1，c2进行更新。

H.若达到迭代终止条件，则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D，循环执行步骤D～H。

所述步骤A采集终端配送点的订单数据，每个订单的属性包括订单的起点，终点，质量，体积，邮费。根据配送点的订单数量以及种群规模生成初始化粒子群pop(n)。粒子的状态采用二进制编码的方式进行表示pop_i＝(x₁，x₂，...，x_n-1，x_n)。其中，x_j＝0表示第j个订单没有装入背包，m表示配送点的订单数。生成初始种群的计算公式如下所示：

所述步骤B运用约束条件对生成的初始化粒子群进行检测，是否符合背包的质量限制，体积限制等限制条件。如果粒子不符合约束条件，则对粒子进行约束性调整，使其最终符合背包的约束条件。具体的调整方式为：将被选中的物品进行价值率排序，然后将处在队列末尾的物品从背包中取出，一直到满足背包的约束条件为止。粒子价值率的计算公式如下所示：

其中，dat表示订单的日期，wei为订单的质量，vol为订单的体积，val为订单的邮费，gra为订单的邮费等级。

所述步骤C利用适应度函数公式来计算粒子群中各粒子的适应度值fit(i)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。本发明采用和目标函数作为粒子的适应度值。各子目标函数公式如下所示：

车辆载重率：

车辆容积率：

总邮费：

综合目标函数：

max f(x)＝t₁Z₁+t₂Z₂+t₃Z₃ (6)

由于每个子目标函数的量纲不同，所以对多目标函数进行归一化处理，将其转化为单目标进行求解，其目标函数作为粒子的适应度值，其中M为车辆额定载重，V为车辆的额定容积，t_i为各子目标函数的权值。计算每个初始化粒子的适应度值fit(i)后，保留粒子群的个体最优适应度值fit_pb(i)和粒子群的全局最优适应度值fit_gb。

所述步骤D运用速度更新公式与位置更新公式对粒子的状态进行更新。具体的更新公式如下：

pop_i，j(t+1)＝pop_i，j(t)+v_i，j(t+1) (8)

所述步骤E，在对个体最优解和全局最优解更新的时候，在计算每个粒子的适应度值fit(i)后，将粒子的适应度值与前次迭代产生的个体最优适应度值fit_pb比较，如果fit(i)＞fit_pb，则更新fit_pb。再将粒子的适应度值fit(i)与全局最优适应度fit_gb比较，如果fit(i)＞fit_gb，则更新。并且保存对应的解为最优解。

所述步骤F，在对粒子群的全局最优解更新的时候，引入模拟退火操作。如果fit(i)＜fit_gb，则利用模拟退火算法生成一个初始解sol_new，计算其初始解的适应度值fit_new。利用模拟退火算法的Metropolis准则判断是否接受其新解sol_new为粒子群的全局最优解，并相应的更新全局最优解。

所述步骤G使用相应的更新公式对算法的惯性权重ω和学习因子c1，c2进行更新。较大的惯性权重有利于搜索时跳出局部所处的极值点，同时较小的惯性权重有利于算法快速收敛与提高搜索范围的精度。学习因子分别调整粒子的局部搜索能力和全局搜索能力，在种群进化的过程中，如何通过更新权重和学习因子来平衡粒子的局部搜索和全局搜索过程显得尤为重要。具体的更新公式如下：

式中：t为进化当前代数，gen_max为总的进化代数。

所述步骤H为实现算法进化的必要条件。通过步骤H返回到步骤D，循环步骤D至步骤H，实现对算法的不断迭代优化。

Claims (9)

1.一种快递物流背包优化方法，用于对配送中心产生的订单进行装载优化。包括步骤：

A.采集配送点的详细订单情况，并运用初始解生成公式初始化粒子群，获得一系列随机的初始化种群pop(n)。

B.运用约束检验条件对生成的初始化种群是否符合约束条件，如果有不可行的粒子pop_i，则运用调整公式对不可行解pop_i进行约束调整。

C.计算粒子群中各粒子的适应度值fit(i)(目标函数值)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。

D.运用位置更新公式和速度更新公式，对粒子群中各粒子的位置和速度进行更新，得到粒子新的状态。

E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值)，同时对粒子群中的个体最优解pb_i和全局最优解gb进行更新。

F.运用模拟退火操作对粒子群的全局最优解进行更新。

G.运用权重和学习因子更新公式对算法的惯性权重ω，学习因子c1，c2进行更新。

H.若达到迭代终止条件，则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D，循环执行步骤D～H。

2.根据权利要求1所述一种物流背包问题的解决方法，其特征在于：所述步骤A采集终端配送点的订单数据，每个订单的属性包括订单的起点，终点，质量，体积，邮费。根据配送点的订单数量以及种群规模生成初始化粒子群pop(n)。粒子采用二进制编码的方式进行表示pop_i＝(x₁，x₂，...，x_n-1，x_n)。其中，x_i＝0表示第j个订单没有装入背包，n表示配送点的订单数。

3.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤B运用约束条件对生成的初始化粒子群进行检测，是否符合背包的质量限制，体积限制。如果粒子不符合约束条件，则对粒子进行约束性调整，使其最终符合背包的约束条件。

4.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤C运用适应度计算公式(即目标函数)计算各个粒子的适应度值。比较各个粒子的适应度值，保留最大的适应度值并将其相应的解作为粒子群的全局最优解gb，同时保留粒子的个体最优解pb_i。

5.根据权利要求1所述一种物流背包问题的解决方法，其特征在于：所述步骤D运用速度与位置更新公式对粒子群中每个粒子的速度与位置进行更新操作，从而得到每个粒子新的状态，实现种群的进化过程。

6.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤E运用适应度更新公式计算各个粒子的适应度值，比较前后两代的适应度值得大小，完成对粒子群的全局最优解和各粒子的个体最优解进行更新。

7.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤F利用模拟退火算法的Metropolis准则对粒子群的全局最优解进行更新，得到新的全局最优解，作为本次迭代的全局最优解参与下次的进化过程。

8.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤G使用相应的更新公式对算法的惯性权重ω和学习因子c1，c2进行更新。较大的惯性权重有利于搜索时跳出局部所处的极值点，同时较小的惯性权重有利于算法快速收敛与提高搜索范围的精度。学习因子分别调整粒子的局部搜索能力和全局搜索能力，在种群进化的过程中，如何通过更新权重和学习因子来平衡粒子的局部搜索和全局搜索过程显得尤为重要。

9.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤H判断是否达到了迭代终止条件，如果达到了迭代终止条件，则将最后一次迭代得到的全局最优解作为最终的算法最优解sol输出。否则，跳转到步骤D，循环执行步骤D～H，直到达到迭代终止条件。