CN108647821B - 一种基于参数自学习的差分进化物流配送路径优化方法 - Google Patents
一种基于参数自学习的差分进化物流配送路径优化方法 Download PDFInfo
- Publication number
- CN108647821B CN108647821B CN201810438052.5A CN201810438052A CN108647821B CN 108647821 B CN108647821 B CN 108647821B CN 201810438052 A CN201810438052 A CN 201810438052A CN 108647821 B CN108647821 B CN 108647821B
- Authority
- CN
- China
- Prior art keywords
- distribution
- individual
- vehicle
- customer
- individuals
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012384 transportation and delivery Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000002028 premature Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 238000011160 research Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于参数自学习的物流配送路径优化方法，首先，根据配送点和车辆对问题进行编码，将其转化为算法可以优化的变量；然后，设计基于参数自学习的差分进化算法，将递进式更新步长因子和交叉概率的策略与基于局部精英信息的变异获取优异测试个体策略相结合起来，不仅提高了算法的实际搜索效率和可靠性，而且有效避免了早熟收敛；最后，根据算法所设计的编码对实际车辆配送问题进行优化，并对最优解进行解码得到最优配送方案。本发明提供一种搜索速度较快，且结果可靠的基于参数自学习的物流配送路径优化方法。
Description
技术领域
本发明涉及物流配送、商务运输、最优化算法、计算机软件应用领域，尤其涉及的是一种基于参数自学习的差分进化物流配送路径优化方法。
背景技术
车辆路径问题(VRP)是现代物流管理研究中一项十分重要的问题。随着社会和经济的快速发展，人们对货物运输和配送的需求不断增加，交通运输物流服务的占比不断上升，配送压力大是负责末端物流配送的物流企业面临的突出问题，同时由于城市居民人数的不断增加，城市规模的不断扩张，交通拥堵已严重影响物流末端的配送效率，这是城市物流企业所面临的又一突出问题。如何在有限的时间里，有效的调度物流运输车辆，通过合理的安排配送车辆的配送路径和出行时间，在克服交通拥堵的情况下以最小的配送成本完成配送任务，实现物流配送系统高效低成本的运作，是当今物流业亟待解决的问题。因此，研究基于动态交通网络的车辆路径问题具有十分重要的现实意义。
车辆路径问题是指在客户需求位置己知的情况下，确定车辆在各个客户间的行程路线，使得运输路线最短或运输成本最低。车辆路径问题由Dantzig和Ramser于1959年首次提出，并针对此类问题进行了数学建模，设计出了相应的求解算法，很快便在学术界引起了关注，成为了当时运筹学等各领域的热点问题。经过国内外学者和专家半个多世纪的研究，针对物流配送车辆路径问题取得了丰硕的研究成果，并且在此问题的基础上做了相关的延伸研究。Sungur等针对物流配送采用了两阶段启发式算法来研究物流配送过程中的不确定因素；Bodin在对VRP问题的处理上，根据时间与空间的相对重要性把该问题进行了划分：从空间性角度来对车辆路线进行规划的问题、从时间性的角度来对车辆路线进行规划的问题和既考虑空间性又考虑时间性的混合车辆路线规划的问题；Chang和Yen在城市物流配送车辆路径问题的研究中建立了非线性的路径规划模型。上述方法都能有效地得到物流配送的最佳路径，然而，随着配送客户数量的增多，配送车辆的数量也随之上升，从而导致优化模型复杂度的不断升高；其次环境因素、地域因素等因素复杂多变，对配送运输问题带来较大的影响和不确定性。利用现有方法求解不仅编码复杂、搜索过程繁琐、速度慢，而且易早熟收敛而无法得到最优解，从而导致算法的配送方案可靠性不高。
因此，现有的物流配送车辆路径优化方法对于复杂的配送问题在编码、搜索效率和配送方案的可靠性方面存在缺陷，需要进行改进。
发明内容
为了克服现有的物流配送车辆路径优化方法搜索效率低和配送方案的可靠性不高的不足，本发明提出一种编码简易高效、搜索速度快、且配送方案可靠性高的基于参数自学习的差分进化物流配送路径优化方法。
本发明解决其技术问题所采用的技术方案是：
一种基于参数自学习的差分进化物流配送路径优化方法，所述方法具体内容包括以下步骤：
1)以所有配送车辆的总路程最短为目标建立如下目标函数：
其中，
为配送车辆数量，qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，
表示向下取整；rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，nk表示第k辆车配送的客户数量，
表示第k辆车配送的第i个客户和第i-1个客户之间的距离，
表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；
2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；
3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；
4)种群初始化，生成NP个初始配送方案，过程如下：
4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；
4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；
4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；
5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：
5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；
5.2)如果g>20，则根据如下步骤确定Fm和CRm：
5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，0.1),[0.1，0.2),…,[0.9，1)；
5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；
5.2.3)根据公式
分别计算10个值域区间内Fm的成功率，将10个区间的成功率依次记为p1,p2,…,p10；其中，ps表示第s个区间的成功率，W表示前20代中Fm成功的总次数；如果某一值域区间上没有成功的Fm，则将该区间上的成功率记为0.01；
5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；
5.2.5)根据步骤5.2.1)-5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；
6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；
7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：
7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/4，其中Re表示第e个个体的排名；
7.2)计算步骤7.1)中所选择的每个个体的选择概率
e＝1,2,...,NP/4，其中Xe表示第e个个体的选择概率；
7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Z个个体，并记为xLbest；
7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：
其中Fm为步长因子，vmj表示目标个体xm的一个变异个体vm的第j维元素，a和b为从{1,2,…,NP}中随机选取的不相同的且与m不同的数字，xaj、xbj和
分别表示种群个体xa、xb和xLbest的第j维元素，且xaj、xbj和
均不等于1，
表示向上取整；
7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：
其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；
7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1,L+1]内的元素或者有相同的元素，则从2到L+1之间随机生成一个整数进行替换，直到所有除了1以外的元素均在2和L+1之间，且互不相同为止；
8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；
9)对种群中的每个个体都执行完步骤5)-8)以后，迭代次数g＝g+1；
10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；
11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。
进一步，所述步骤5)中，终止条件为迭代次数g达到预设最大迭代次数gmax。
本发明的技术构思为：针对车辆配送路径优化问题，首先依据仓库位置、配送点位置和车辆数量对问题进行编码，并将三者转化为所设计的算法可以优化的变量；然后，根据车辆配送的现实路况，搭建与实际配送相契合的运输路径模型，设计基于参数自学习的差分进化算法对模型进行求解，通过对步长因子F和交叉概率CR的前期学习来自动确定当前的取值，从而减小固定步长因子和交叉概率所取值对实际问题的影响；同时通过根据局部精英个体的排名选择较优个体来指导变异过程，在保持种群多样性的同时，利用参数自学习自适应的方式提高了算法的实际搜索效率和可靠性，而且有效的避免早熟收敛。最后，根据算法所设计的编码对实际车辆配送问题进行优化，并将所得到的最优解进行解码，从而得到最优配送路径方案。
本发明的有益效果表现在：该算法通过参数自学习的差分进化方式，将递进式更新步长因子和交叉概率的策略和逐步进行变异获取优异测试个体替换原目标个体的策略相结合起来，根据种群代的更新，即时地更新步长因子和交叉概率，很好的契合了种群收敛状态；同时根据局部精英个体引导种群变异，产生优异的新个体替换原目标个体，不仅提高了算法的搜索效率和加快了其收敛速度，而且有效的抑制了早熟收敛，从而提高了最优路径配送方案的可靠性。
附图说明
图1是物流配送车辆路径优化方法的基本流程图。
图2是基于参数自学习的差分进化物流配送路径优化方法对某物流公司的物流配送路径优化得到的配送路径图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于参数自学习的差分进化物流配送路径优化方法，包括以下步骤：
1)以所有配送车辆的总路程最短为目标建立如下目标函数：
其中，
为配送车辆数量，qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，
表示向下取整；rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，nk表示第k辆车配送的客户数量，
表示第k辆车配送的第i个客户和第i-1个客户之间的距离，
表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；
2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；
3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；
4)种群初始化，生成NP个初始配送方案，过程如下：
4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；
4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；
4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；
5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：
5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；
5.2)如果g>20，则根据如下步骤确定Fm和CRm：
5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，0.1),[0.1，0.2),…,[0.9，1)；
5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；
5.2.3)根据公式
分别计算10个值域区间内Fm的成功率，将10个区间的成功率依次记为p1,p2,…,p10；其中，ps表示第s个区间的成功率，W表示前20代中Fm成功的总次数；如果某一值域区间上没有成功的Fm，则将该区间上的成功率记为0.01；
5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；
5.2.5)根据步骤5.2.1)-5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；
6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；
7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：
7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/4，其中Re表示第e个个体的排名；
7.2)计算步骤7.1)中所选择的每个个体的选择概率
e＝1,2,...,NP/4，其中Xe表示第e个个体的选择概率；
7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Z个个体，并记为xLbest；
7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：
其中Fm为步长因子，vmj表示目标个体xm的一个变异个体vm的第j维元素，a和b为从{1,2,…,NP}中随机选取的不相同的且与m不同的数字，xaj、xbj和
分别表示种群个体xa、xb和xLbest的第j维元素，且xaj、xbj和
均不等于1，
表示向上取整；
7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：
其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；
7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1，L+1]内的元素或者有相同的元素，则从2到L+1之间随机生成一个整数进行替换，直到所有除了1以外的元素均在2和L+1之间，且互不相同为止；
8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；
9)对种群中的每个个体都执行完步骤5)-8)以后，迭代次数g＝g+1；
10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；
11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。
进一步，所述步骤5)中，终止条件为迭代次数g达到预设最大迭代次数gmax。
以一个物流公司的配送路径为例，该物流公司有1个配送中心，有25个配送点，每辆配送车辆的最大承重为Q＝65t，每辆配送车辆的最大行驶里程为D＝600km，该实例取约束因子α＝0.85，配送中心和各配送客户点的坐标以及配送点的需求量见表1所示，一种基于参数自学习的差分进化物流配送路径优化方法，包括以下步骤：
表1
1)以所有配送车辆的总路程最短为目标建立如下目标函数：
其中，
为配送车辆数量，qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，
表示向下取整；rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，nk表示第k辆车配送的客户数量，
表示第k辆车配送的第i个客户和第i-1个客户之间的距离，
表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；
2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；
3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；
4)种群初始化，生成NP(NP＝60)个初始配送方案，过程如下：
4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；
4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；
4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；
5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：
5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；
5.2)如果g>20，则根据如下步骤确定Fm和CRm：
5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，0.1),[0.1，0.2),…,[0.9，1)；
5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；
5.2.3)根据公式
分别计算10个值域区间内Fm的成功率，将10个区间的成功率依次记为p1,p2,…,p10；其中，ps表示第s个区间的成功率，W表示前20代中Fm成功的总次数；如果某一值域区间上没有成功的Fm，则将该区间上的成功率记为0.01；
5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；
5.2.5)根据步骤5.2.1)-5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；
6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；
7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：
7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/4，其中Re表示第e个个体的排名；
7.2)计算步骤7.1)中所选择的每个个体的选择概率
e＝1,2,...,NP/4，其中Xe表示第e个个体的选择概率；
7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Z个个体，并记为xLbest；
7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：
其中Fm为步长因子，vmj表示目标个体xm的一个变异个体vm的第j维元素，a和b为从{1,2,…,NP}中随机选取的不相同的且与m不同的数字，xaj、xbj和
分别表示种群个体xa、xb和xLbest的第j维元素，且xaj、xbj和
均不等于1，
表示向上取整；
7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：
其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；
7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1，L+1]内的元素或者有相同的元素，则从2到L+1之间随机生成一个整数进行替换，直到所有除了1以外的元素均在2和L+1之间，且互不相同为止；
8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；
9)对种群中的每个个体都执行完步骤5)-8)以后，迭代次数g＝g+1；
10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；
11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。
进一步，所述步骤5)中，终止条件为迭代次数g达到预设最大迭代次数1000。
执行基于参数自学习的差分进化物流配送路径优化方法后，得到了图2所示的最佳配送方案的路径，其中1表示配送中心，其他2-26之间的各数字表示配送点，其对应的总路程为643.6km；可以看出，所有配送点均能完成配送，且各配送点不重复配送，仅配送一次。
以上说明是本发明以某物流公司的配送路径优化所得出的优化效果，并非限定本发明的实施范围，在不偏离本发明基本内容所涉及范围的的前提下对其做各种变形和改进，不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于参数自学习的差分进化物流配送路径优化方法，其特征在于：所述路径优化方法包括以下步骤：
1)以所有配送车辆的总路程最短为目标建立如下目标函数：
其中，
为配送车辆数量，qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，
表示向下取整；rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，nk表示第k辆车配送的客户数量，
表示第k辆车配送的第i个客户和第i-1个客户之间的距离，
表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；
2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；
3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；
4)种群初始化，生成NP个初始配送方案，过程如下：
4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；
4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；
4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；
5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：
5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；
5.2)如果g>20，则根据如下步骤确定Fm和CRm：
5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，0.1),[0.1，0.2),…,[0.9，1)；
5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；
5.2.3)根据公式
分别计算10个值域区间内Fm的成功率，将10个区间的成功率依次记为p1,p2,…,p10；其中，ps表示第s个区间的成功率，W表示前20代中Fm成功的总次数；如果某一值域区间上没有成功的Fm，则将该区间上的成功率记为0.01；
5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；
5.2.5)根据步骤5.2.1)-5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；
6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；
7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：
7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/4，其中Re表示第e个个体的排名；
7.2)计算步骤7.1)中所选择的每个个体的选择概率
e＝1,2,...,NP/4，其中Xe表示第e个个体的选择概率；
7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Z个个体，并记为xLbest；
7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：
其中Fm为步长因子，vmj表示目标个体xm的一个变异个体vm的第j维元素，a和b为从{1,2,…,NP}中随机选取的不相同的且与m不同的数字，xaj、xbj和
分别表示种群个体xa、xb和xLbest的第j维元素，且xaj、xbj和
均不等于1，
表示向上取整；
7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：
其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；
7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1,L+1]内的元素或者有相同的元素，则从2到L+1之间随机生成一个整数进行替换，直到所有除了1以外的元素均在2和L+1之间，且互不相同为止；
8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；
9)对种群中的每个个体都执行完步骤5)-8)以后，迭代次数g＝g+1；
10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；
11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。
2.如权利要求1所述的一种基于参数自学习的差分进化物流配送路径优化方法，其特征在于：所述步骤10)中，终止条件为迭代次数g达到预设最大迭代次数gmax。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810438052.5A CN108647821B (zh) | 2018-05-09 | 2018-05-09 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810438052.5A CN108647821B (zh) | 2018-05-09 | 2018-05-09 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108647821A CN108647821A (zh) | 2018-10-12 |
| CN108647821B true CN108647821B (zh) | 2021-06-18 |
Family
ID=63753943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810438052.5A Active CN108647821B (zh) | 2018-05-09 | 2018-05-09 | 一种基于参数自学习的差分进化物流配送路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647821B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
| CN111798064B (zh) * | 2020-07-13 | 2023-12-08 | 泰康保险集团股份有限公司 | 送药路线生成方法、装置、介质和电子设备 |
| CN112598189B (zh) * | 2020-12-29 | 2021-10-15 | 浙江工业大学 | 基于shade算法的多路径多目标应急物资配送路径选择方法 |
| CN113743874B (zh) * | 2021-09-13 | 2023-11-03 | 昆明理工大学 | 一种应急物资物流配送的优化调度方法 |
| CN114118926B (zh) * | 2021-12-01 | 2024-02-13 | 安徽大学 | 基于去噪自编码器的协同进化算法的车辆任务配送方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011034471A (ja) * | 2009-08-05 | 2011-02-17 | Kyushu Univ | 対話型最適化装置 |
| US8458108B2 (en) * | 2010-06-30 | 2013-06-04 | International Business Machines Corporation | Modifying constraint-compliant populations in population-based optimization |
| CN104598994A (zh) * | 2015-01-23 | 2015-05-06 | 广东易富网络科技有限公司 | 一种带时变时间窗的关联物流运输优化调度方法 |
| CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392355B (zh) * | 2017-06-27 | 2018-12-21 | 北京航空航天大学 | 一种基于差分进化算法的多机场协同调度鲁棒优化方法 |
| CN107545323A (zh) * | 2017-08-17 | 2018-01-05 | 深圳大学 | 商品的物流配送方法、装置、设备及存储介质 |
-
2018
- 2018-05-09 CN CN201810438052.5A patent/CN108647821B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011034471A (ja) * | 2009-08-05 | 2011-02-17 | Kyushu Univ | 対話型最適化装置 |
| US8458108B2 (en) * | 2010-06-30 | 2013-06-04 | International Business Machines Corporation | Modifying constraint-compliant populations in population-based optimization |
| CN104598994A (zh) * | 2015-01-23 | 2015-05-06 | 广东易富网络科技有限公司 | 一种带时变时间窗的关联物流运输优化调度方法 |
| CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 免比例因子F的差分进化算法;张晓伟;《电子学报》;20090630;第1318-1323页 * |
| 改进的差异进化多目标优化算法在;徐未强;《现代电子技术》;20110201;第34卷(第3期);第8-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108647821A (zh) | 2018-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647821B (zh) | 一种基于参数自学习的差分进化物流配送路径优化方法 | |
| James | Two-stage request scheduling for autonomous vehicle logistic system | |
| CN109919365B (zh) | 一种基于双策略搜索的电动车辆路径规划方法及系统 | |
| CN111626477B (zh) | 一种考虑不确定条件的多式联运路径优化方法 | |
| CN106779173A (zh) | 一种物流配送车辆路径优化方法 | |
| CN109299810A (zh) | 一种货运车辆配载方法 | |
| CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
| CN113052537B (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
| CN109934382A (zh) | 一种基于轴幅式布局的多级地铁货运网络系统及建构方法 | |
| CN111626469B (zh) | 一种面向运能提升的快慢车开行优化方法 | |
| CN113780961B (zh) | 一种多目标烟花算法的低碳疫苗冷链优化配送方法 | |
| CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
| CN112417604A (zh) | 一种基于多目标优化的电动汽车配送任务自适应分配方法 | |
| CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及系统 | |
| CN114925995A (zh) | 基于单亲遗传算法的公路干线车货匹配和路径规划方法 | |
| CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和系统 | |
| CN115965172A (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
| CN108416482B (zh) | 一种基于区域性多策略的物流配送路径规划方法 | |
| Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
| CN116882883A (zh) | 一种利用大数据的电网物资配送路径规划方法 | |
| CN110674967A (zh) | 一种不确定行车时间下快递车辆路径鲁棒优化方法 | |
| Cui et al. | A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm | |
| CN113988570A (zh) | 一种基于多目标进化算法的旅游大巴车调度优化方法 | |
| CN109102123B (zh) | 拼车路线优化方法及装置、存储介质、计算设备 | |
| Li et al. | Optimization of vehicle routing problem with fatigue driving based on genetic algorithm |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181012 Assignee: ZHEJIANG LANGAO LOGISTICS TECHNOLOGY CO.,LTD. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980045547 Denomination of invention: A Differential Evolution Logistics Delivery Path Optimization Method Based on Parameter Self learning Granted publication date: 20210618 License type: Common License Record date: 20231102 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181012 Assignee: Hangzhou Yizheng Technology Co.,Ltd. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980054807 Denomination of invention: A Differential Evolution Logistics Distribution Path Optimization Method Based on Parameter Self Learning Granted publication date: 20210618 License type: Common License Record date: 20240102 |