CN109002902A - 分区域多阶段生鲜农产品动态车辆路径优化方法 - Google Patents

Abstract

本发明公开了一种分区域多阶段生鲜农产品动态车辆路径优化方法，包括以下步骤，获取数据；区域划分；时间段划分；新鲜度衰减函数设计，最小配送总成本数学模型；最小配送总成本数学模型算法设计；最小配送总成本数学模型求解；本发明有效的提高了配送效率和降低了配送总成本，具有较高的现实意义。

Description

分区域多阶段生鲜农产品动态车辆路径优化方法

技术领域

本发明涉及生鲜农产品配送等领域，具体为一种分区域多阶段生鲜农产品动态车辆路径优化方法。

背景技术

近年来，随着农业结构调整和居民消费水平的不断提高，人们对生鲜农产品的需求越来越高，在一定程度上加速了物流企业的发展，然而在配送过程中的损失仍然很严重。在2012年北京举行的中国现代农业投融资峰会上，据农业局有关专家讲述，我国农产品在运输配送过程中的损失惊人，其中粮食、蔬菜、水果在运输配送过程中的损失率分别为7％-11％、20％-25％、15％-20％。更直接来说，将会使我国损失近3000亿人民币，蔬菜水果每年有3.7万吨腐烂在运输配送过程中，可以供养2亿人的生活。反观发达国家，其粮食损失率基本低于3％，蔬菜和水果一般为1.7％，我国农产品高损失率的原因何在？其一是生鲜农产品具有易腐以及保质期短的特性，其二是订单的处理不当，即在配送过程中不能够及时将新订单加入配送路线或配送路线规划不合理延长在途时间，以至于不能及时送达订单而加剧其耗损。

车辆路径问题(Vehicle Routing Problem，VRP)是运筹学和组合优化领域最经典的一类问题，自1959年Dantzig和Ramse首次提出后，国内外众多学者从不同角度对该问题进行了大量研究，并在求解算法、理论等方面取得丰富的研究成果。其中求解算法所取得的成果较为显著，Tan等人建立了VRP多目标优化模型，提出了混合Pareto最优混合遗传算法；Marinakis等人提出了一种基于战略层面和操作层面的两级遗传算法；Ding等人提出一种混合蚁群算法求解VRP，并通过调整信息素的方法引入灾难算子，以避免混合蚁群算法在搜索过程中形成局部最优；Willmer E等人提出了一种两相混合启发算法，并结合随机摄动算法来避免因给定的迭代次数所造成的局部最优；Clarke和Wright等人提出节约法、Gillett和Miller等人提出扫描法、Christofides等人提出组合优化、Fisher等人提出一般分配和节约算法求解VRP。

在大数据环境下，车辆在配送过程中许多数据会发生改变，如订单需求数据、交通路况数据等，面对这些数据的改变，迫切需要快速反映，设计新的配送方案，即动态车辆路径问题(Dynamic Vehicle Rrouting Problem，DVPR)。20世纪70年代Wilson人研究了DVRP中的dial-a-ride问题，使得DVRP受到广泛的关注，后来Powell、Psaraftis、Gendreau等对DVRP的特征进行研究，总结了DVRP的特点。Bertsimas等人研究了多车型有容量约束的DVRP和动态旅行商修理员问题，并提出了解决该问题的排队论模型；Zhu等人研究了配送时间变化的DVPR，设计了爬山算法；Angelelli等人提出了单决策多阶段动态车辆路径问题，并给出了Immedia、Delay、Smart3种策略；Kleywegt等人研究了当需求的地理分布符合一定几何特征时的动态车辆路径问题，提出基于动态规划思想的迭代求解阈值策略；Polacek等人设计出求解带时间窗的多车场动态车辆路径问题的变领域搜索算法；Gendreau等人提出一个基于排出链的领域搜索启发式算法来优化实时订单请求时变情景中的车辆路径；Hvattum等人提出的分枝与悔启发式算法求解动态随机VRP问题；Potvin等人考虑客户实时需求和动态行驶时间的动态车辆路径问题，比较不同的调度策略；Li等人提出了一种拉格朗日松弛插入算法安排其他配送车辆完成故障车辆尚未完成配送任务；Du等人提出车辆实时调度中采用2-Exchange改进法则用于配送路线内部的改进。这些研究成果极大地推动了VRP问题的发展进程，但是当面对大规模数据时，上述算法显得力不从心。算法的求解效率也会随着数据的增加而迅速地降低，主要根源在于随着求解问题规模的扩大，问题的求解状态空间也会不断膨胀。

为了缩短问题的求解状态空间，本发明针对不同配送区域将配送周期划分为不同求解阶段，阶段的多少取决于区域内随机订单到配送中心的距离、已存在配送次数和配送量等因素。由于多阶段动态车辆路径比较复杂，目前只有较少数学者对其进行研究，Angelelli E等提出了一个短期路径策略；Wen等提出了一个滚动规划周期策略。关于配送区域的划分问题存在多种情况，其几何形状可能为不规则的方形、环形、条形等多种结果以及它们的组合。由于配送区域划分的复杂性，本发明根据F_comp(x)、Cost(x)、deg_i ⁿ等函数，将动态VRP问题转化为分区域多阶段的静态VRP问题。并以上海市生鲜农产品的配送为例，建立配送总成本最小数学模型，多阶段优化配送路线，并与其他三种策略进行比较，通过测试结果对比，更加充分地证明了分区域多阶段处理动态生鲜农产品车辆路径问题效果更好。

发明内容

本发明的目的是：提供一种分区域多阶段生鲜农产品动态车辆路径优化方法，以解决生鲜农产品动态车辆配送效率慢，成本高的问题。

实现上述目的的技术方案是，一种分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，包括以下步骤，S1)获取数据：包括车辆总数量、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本以及订单数据，所述订单数据包括初始订单数据和新增订单数据以及订单站点的位置；S2)划分区域：根据初始订单数据中订单站点的位置以及区域划分准则，对配送区域进行划分；S3)划分时间段：将工作周期划分为多个时间段，建立区域与时间段的关系；S4)设计新鲜度衰减函数：根据生鲜农产品的新鲜度值与时间的变化规律，建立关于时间呈指数形式的新鲜度函数；S5)生成最小配送总成本数学模型：根据订单数据、新鲜度衰减函数、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本生成最小配送总成本数学模型；S6)设计最小配送总成本数学模型求解算法：包括S611)根据所述订单站点的位置计算各订单站点的位置之间的最短路径；S612)以最小配送总成本数学模型为目标函数，建立目标函数的遗传算法的种群，并根据遗传算法规则对目标函数的种群进行处理；S7)最小配送总成本数学模型求解：根据约束条件，应用最小配送总成本数学模型求解算法设计的算法求得配送总成本，所述约束条件包括所选取的运输预设路径的总距离在车辆的最大行驶距离的范围内、单位车辆的农产品配送总数量在车辆容量的范围内、所需车辆数量在车辆总数量范围内。

在步骤S2)中，根据紧度测度和期望配送成本进行区域划分：分区紧度：其中，B_n(x)表示解x中分区n的周长，B表示整个区域的周长，N表示分个区域的个数；期望配送成本：其中，d_n表示车辆距离区域n中订单点最近的距离，I_n表示区域n中的订单数量，A_n表示区域n的面积，β₂与订单数量相关的常数。

在步骤S3)中，根据时间段紧度对不同区域划分不同的时间段，其中，分段距离函数及分段信息函数deg_i ⁿ作为时间段紧度的两个指标；

分段距离函数：

分段信息函数：

deg_i ⁿ＝g₁×点i服务时间窗均值-g₂×点i已存在配送量-g₃×点i已存在配送次数

其中，g₀、g₁、g₂、g₃是某一定值，且0≤g₀、g₁、g₂、g₃≤1，g₁+g₂+g₃＝1。

在步骤S4)中，当外部环境因素恒定时，所述生鲜农产品的新鲜度与时间成反比关系，并设计出各产品所对应的新鲜度衰减函数。

在步骤S5)中，包括与时间参数相关的到达各站点的时间早于或晚于时间窗的单位时间惩罚成本，及到与订单数据、新鲜度衰减函数相关的达各站点的新鲜度值低于需求新鲜度高于新鲜度阈值和低于新鲜度阈值的单位新鲜度值惩罚成本，以及与车辆容量、固定车速、车辆的最大行驶距离相关的单位车辆固定成本以及运输成本。

在步骤S6)中，包括S60)预处理阶段，包括S601)接受新增订单数据，将接收的新增订单数据添加至未服务订单数据中；S602)整理未服务订单数据；S603)对未服务订单数据进行分区分时间段处理；S61)处理阶段，所述S611)和S612)在处理阶段中。

在步骤S611)中，引入Dijkstra算法计算各站点之间的折线最短行驶路径。在在步骤S612)中包括种群初始化、计算种群中每个解的目标函数值、记录当前种群的最优值及其对应的解、选择操作、交叉操作、变异操作、重插入、更新记录及终止规则。

所述交叉操作包括：计算每个辆车的保留函数f， A₁+A₂+A₃＝1；0≤A₁，A₂，A₃≤1；从配对在一起的染色体A和染色体B中分别选择保留函数值最大的配送车辆服务基因段A0和B0；从B-A0中选择距离配送中心最近且满足约束条件的点1作为染色体A的第一个服务点，从B-A0-1中选择距离1最近且满足约束条件的点2作为第二个服务点，依次类推，直到不存在这样的点，重复上述操作，寻找剩余车辆的服务点，最后将剩余的点，放在子代染色体的末尾，若不存在剩余点，则可得到满足条件的染色体，对染色体B重复上述操作。

本发明的优点是：本发明的生鲜农产品动态车辆路径优化方法，在模型方面，本发明考虑时间窗约束、新鲜度约束、最大载重量约束、最大行驶距离约束，建立了包含车辆固定成本、行驶成本、时间窗惩罚成本、新鲜度惩罚成本的数学模型，更加接近于实际配送所产生的成本模型。

在方法方面，本发明提出的分区域多阶段优化处理策略，可以较大幅度地缩减问题求解的状态空间，为简化大规模动态生鲜农产品VRP的求解提供了一种新的策略，它可以有效地解决配送区域内车辆路径问题，极大地提高了问题求解效率。

在算法方面，本发明在基本遗传算法的基础之上进行改进，设计了一种符合分区域多阶段生鲜农产品动态车辆路径优化的改进遗传算法，并取得较好的求解结果，有效的降低了配送总成本。

附图说明

下面结合附图和实施例对本发明作进一步解释。

图1是配送区域划分图。

图2是T₀时刻车辆1-2配送路线

图3是T₁时刻区域AR³内车辆3-4配送路线

图4是T₂时刻区域AR³内车辆5-6配送路线

图5是T₂时刻区域AR²内车辆7配送路线

图6是T₃时刻区域AR³内车辆8配送路线

图7是T₄时刻区域AR³内车辆9配送路线

图8是T₄时刻区域AR²内车辆10配送路线

图9是T₄时刻区域AR¹内车辆11-12配送路

图10是车辆到达订单时产品新鲜度均值之差

图11是车辆到达订单时间

具体实施方式

以下实施例的说明是参考附加的图式，用以例示本发明可用以实施的特定实施例。

实施例：一种分区域多阶段生鲜农产品动态车辆路径优化方法，包括以下步骤，

S1)获取数据，包括车辆总数量、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本以及订单数据，所述订单数据包括初始订单数据和新增订单数据以及订单站点的位置。对于分区域多阶段生鲜农产品动态车路径优化问题，可定义如下：在保证每个订单的需求被满足，且不超过配送车辆的最大载重量和最大行驶距离，考虑车辆违反时间窗限制和新鲜度限制附加成本的情况下，研究配送过程中订单量的增加，及每当有动态事件发生时应该如何重新安排车辆行驶路线，使整个配送周期的车辆配送总成本最小。

S2)划分区域：根据初始订单数据中订单站点的位置以及区域划分准则，对配送区域进行划分；如图1-图9所示，设有一个配送中心，N个区域，W种生鲜农产品，K辆同型车，个位置点，配送周期T被均分为2^N-1个时间段，从订单i到订单j的时间为t_k，ij，其中可能经过的交点数目为l_k，ij，行驶距离d_k，ij，早于晚于时间窗约束的单位惩罚成本为p₁、p₂，低于高于新鲜度需求的单位惩罚成本为γ_1w、γ_2w。该模型研究的N个区域，用AR＝{AR¹、AR²、...、AR^N}表示，间隔点用表示。车辆从配送中心出发，配送过程中存在随机新订单的增加，完成配送任务后并返回配送中心，每位订单只能有一辆车服务。

分区紧度：分区紧度是动态车辆路径分区问题的一个重要目标，本发明采用Lei H等中使用的紧度测度：其中，B_n(x)表示解x中分区n的周长，B表示整个区域的周长，N表示分个区域的个数。

期望行驶成本：对于给定的分区，每个区域的行驶成本可使用经典的Beardwood-Halton-Hammersley定理近似计算。如果区域n的随机需求点服从参数为λ_n的泊松分布，则区域n的期望行驶成本可表示为：

其中，d_n表示车辆距离区域n中订单点最近的距离，I_n表示区域n中的订单数量，A_n表示区域n的面积，β₂与订单数量相关的常数。则整个区域的期望

行驶路径成本为：

S3)划分时间段：将工作周期划分为多个时间段，建立区域与时间段的关系。时间段紧度：在解决动态车辆路径分区多阶段问题时，已存在订单也是一个重要参考量，起着非常重要的作用，本文引入分段距离函数及分段信息函数deg_i ⁿ参数作为分阶段问题的两个指标。

分段距离函数：

分段信息函数：

deg_i ⁿ＝g₁×点i服务时间窗均值-g₂×点i已存在配送量-g₃×点i已存在配送次数

其中，g₀、g₁、g₂、g₃是某一定值，且0≤g₀、g₁、g₂、g₃≤1，g₁+g₂+g₃＝1。对于N个区域动态车辆路径问题，可将周期T均分为2^N-1个时间段，其中T₀＝0表示为周期开始点，表示为周期结束点。则具体如下：AR¹区域以周期T为时间段，点间隔分别为：在时间点T_t时对AR¹区域的订单(上一个时间段新增加订单和上一个时间点已存在未安排配送服务的订单)进行整理，规划配送路线，其中t＝{2^N-1}；AR²区域将周期T均分为2个时间段，点间隔分别为：在时间点T_t时对AR²区域的订单(上一个时间段新增加订单和上一个时间点已存在未安排配送服务的订单)进行整理，规划配送路线，其中t＝{2^N-2、2^N-1}；区域将周期T均分为N个时间段，点间隔分别为：在时间点T_t时对AR^N区域订单(上一个时间段新增加订单和上一个时间点已存在未安排配送服务的订单)进行整理，规划配送路线，其中t＝{1、2、…、2^N-1}。

S4)设计新鲜度衰减函数：根据生鲜农产品的新鲜度值与时间的变化规律，建立关于时间呈指数形式的新鲜度函数；生鲜农产品新鲜度：在所述建立新鲜度衰减函数步骤中，在外部环境因素恒定时，所述生鲜农产品的新鲜度与时间成反比：为了更方便建立数学模型求解带软时间窗生鲜农产品VRP，本发明做出如下假设：只有一个配送中心；配送中心、位置点坐标已知；配送中心车辆的车型一致；每个配送辆车的配送路线是闭合回路；每个配送车辆在行驶过程中不能超过最大行驶距离；每个配送车辆在行驶过程中不能超过最大载重量；每个订单距配送中心的距离以及需求量不能超过车辆上限；每个订单只能被一辆车服务一次；不考虑因天气状况、突发事件、人为因素等造成的成本。

符号说明：maxgen迭代次数上限；stopgen最优解最少保持代数；sizepop染色体数；c每辆车的固定成本；c₁单位距离配送成本；车辆k从点i到点j行驶过程中保持温度T_k，ij时单位时间制冷成本；p₁车辆早于订单要求的时间段到达所产生的惩罚成本；p₂车辆晚于订单要求的时间段到达所产生的惩罚成本；γ_1w车辆到达订单时生鲜农产品w的新鲜度低于订单需求但在保鲜期内所产生的单位惩罚成本；γ_2w车辆到达订单时生鲜农产品w的新鲜度超过保鲜期所产生的单位惩罚成本；v车辆匀速行驶速度；Q车辆最大载重量；D车辆最大行驶距离；m_t，k车辆k在时刻T_t(t＝{0、1、2、3、4})时所需要服务的订单数；[E_i，S_i]订单i的软时间窗，其中E_i表示时间窗下限，S_i表示时间窗上限；δ_i，w订单i对生鲜农产品w的新鲜度需求；δ_w生鲜农产品w的新鲜度下限；q_i，w订单i对生鲜农产品w的需求量；θ_k，i，w车辆k到达订单i时，生鲜农产品w的新鲜度；t_k，ij车辆k从点i到点j的时间；t_k，i车辆k到达点i的时间；d_k，ij车辆k从点i到点j的距离；L_k，ij车辆k从订单i到订单j时经过的点；d_k，ilj车辆k从订单i到订单j时经过l-1点到l点的距离；

分区域多阶段生鲜农产品动态车辆路径优化模型包括成本目标、约束条件。总成本目标包括车辆固定成本、行驶成本、时间窗惩罚成本、新鲜度惩罚成本；约束条件包括决策变量约束、配送量约束、行驶距离约束、订单服务约束、时间窗约束、新鲜度约束等。

S5)生成最小配送总成本数学模型：根据订单数据、新鲜度衰减函数、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本生成最小配送总成本数学模型。在步骤S5)中，包括与时间参数相关的到达各站点的时间早于或晚于时间窗的单位时间惩罚成本，及到与订单数据、新鲜度衰减函数相关的达各站点的新鲜度值低于需求新鲜度高于新鲜度阈值和低于新鲜度阈值的单位新鲜度值惩罚成本，以及与车辆容量、固定车速、车辆的最大行驶距离相关的单位车辆固定成本以及运输成本。多品种生鲜农产品车辆路径优化总成本数学模型：模型的总成本目标函数如下：

配送车辆的固定成本目标：∑_k∈K∑_i∈ACx_k，0i c

配送车辆行驶成本目标：

时间窗惩罚成本目标：

∑_k∈K∑_i∈ACy_k，ip₁max(0，E_i-t_k，i)+∑_k∈K∑_i∈ACy_k，ip₂max(0，t_k，i-S_i)新鲜度惩罚成本目标：

模型的约束条件

1)决策变量约束

多品种生鲜农产品求解决策变量：

2)配送量约束

车辆k所服务订单的需求量必须小于该车辆的载重量：

∑_i∈AC∑_w∈Wy_k，iq_i，w≤Q

3)距离约束

①车辆k总的行驶距离必须小于该车辆的最大行驶距离：

②车辆k从点i到点j的距离等于从点i到点j的折线距离：

4)订单服务约束

①车辆k在时刻T_t所需要服务的订单数必须小于等于需要服务的订单总数，其中t＝{0、1、2、3、4、...、2^N-1}：0≤m_t，k≤AC

②在时刻T_t时所有配送车辆需要服务的订单数必须等于需要服务的订单总数，t＝{0、1、2、3、4、...、2^N-1}：∑_k∈Km_t，k＝AC

③订单i仅有一辆车服务：∑_k∈K∑_j∈ACx_k，ji＝∑_k∈K∑_j∈ACx_k，ij＝1

5)时间约束

车辆k到达订单j的时间等于到达订单i的时间、装卸货时间、从订单i到订单j的时间三者之和：t_k，i+∑_w∈Wμq_i，wy_k，i+t_k，ij＝t_k，j

6)新鲜度约束

订单i对生鲜农产品w的需求新鲜度必须大于新鲜度下限以及小于1：

δ_w≤δ_i，w≤1

总成本数学模型求解步骤，根据约束条件求得总成本，所述约束条件包括所选取的运输预设路径的总距离在车辆的最大行驶距离的范围内、单位车辆的农产品配送总数量在车辆容量的范围内、所需车辆数量在车辆总数量范围内。S6)设计最小配送总成本数学模型求解算法：包括S60)预处理阶段；预处理阶段包括S601)接受新增订单数据，将接收的新增订单数据添加至未服务订单数据中，利用订单接受装置，随时对新订单进行接受处理；S602)整理未服务订单数据，在本阶段末对本阶段接受的新订单以及上一阶段未安排服务的订单进行整理；S603)订单区域分配，步骤S602)整理的订单划分到不同点区域内。S61)处理阶段包括S611)根据所述订单站点的位置计算各订单站点的位置之间的最短路径；S612)以最小配送总成本数学模型为目标函数，建立目标函数的遗传算法的种群，并根据遗传算法规则对目标函数的种群进行处理；S612)包括S6121)读取信息，自动读取城市道路的点边集信息；S6122)计算各点之间最短路径，在配送周期初始点计算各个位置点任意两点之间的最短路径；S6123)种群初始化，本文采用自然数编码，该方法使遗传算法更接近问题空间；S6124)计算种群中每个解的目标函数值，根据S6122)得到的配送中心到各订单以及各订单之间的最短路径和S6123)生成的初始种群，计算每个解对应的目标函数值；S6125)记录当前种群的最优值及其对应的解，比较每个解对应的目标函数值，从中选出最小的目标函数值及其对应的解；S6126)选择操作，根据当前种群中每个解的目标函数值，采用轮盘赌的方式从中选出偶数组解，以便进行下述交叉操作和变异操作；S6127)交叉操作，基于顺序交叉算法在遗传算法中的应用，本文设计了改进顺序交叉，步骤如下：计算每个辆车的保留函数f：

A₁+A₂+A₃＝1，0≤A₁，A₂，A₃≤1；从配对在一起的染色体A和B中分别选择保留函数值最大的配送车辆服务基因段A0和B0；从B-A0中选择距离配送中心最近且满足约束条件的点1作为染色体A的第一个服务点，从B-A0-1中选择距离1最近且满足约束条件的点2作为第二个服务点，依次类推，直到不存在这样的点，重复上述操作，寻找剩余车辆的服务点，最后将剩余的点，放在子代染色体的末尾，若不存在剩余点，则可得到满足条件的染色体，对染色体B重复上述操作；S6128)变异操作，将经过交叉操作得到的子代中的不满足条件的点分别放到使目标函数值最小的位置点；S6129)重插入，将变异操作后的一组解及原种群中的部分解重新组合得到新的种群，以保证种群中解的数量一致；S6120)更新记录，计算新种群的最优值及其对应的解，如果新种群的最优值小于S6125)中记录的上一种群的最优值，则用新种群的最优值及其对应的解替换记录的上一种群中的最优值及其对应的解，同时令解不变次数为0；否则，不更新记录中的最优值及其对应的解，同时令解不变次数加1；S6121)终止规则，计算当前最优值的不变次数以及算法循环次数，如果当前最优解的不变次数或算法循环次数有一个达到上限，则算法终止，否则返回S6126)。

S7)最小配送总成本数学模型求解：根据约束条件，应用最小配送总成本数学模型求解算法设计的算法求得配送总成本，所述约束条件包括所选取的运输预设路径的总距离在车辆的最大行驶距离的范围内、单位车辆的农产品配送总数量在车辆容量的范围内、所需车辆数量在车辆总数量范围内。

改进遗传算法优点：优点1：基本遗传算法在求解车辆路径问题时，没有考虑实际道路状况，如任意两个订单之间以两点间的直线段作为配送距离，而现实生活中两点之间很难找到直线道路进行配送，如果按基本遗传算法求解生鲜农产品车辆路径，不仅对配送产生影响，还将对整个供应链产生巨大的损失。为了规避基本遗传算法的这一缺点，本发明参考实际配送道路图，引入Dijkstra算法求解任意两点之间的最短路。优点2：在遗传算法中起核心作用的是交叉操作，交叉的好坏对求解结果具有至关重要的作用。最常用的交叉为单点交叉，在个体串中随机设定一个交叉点，在进行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体，虽然单点交叉操作简单，但搜索能力比较弱，顺序交叉搜索能力虽然很强，但是交叉后解的可行性不高，本发明设计的改进顺序交叉操作，在交叉之前利用保留函数，将每条染色体中最优的基因段保留，相比于顺序交叉，本发明提出的改进顺序交叉能够较快地收敛到最优解，极大地提高了计算效率。

本发明以上海市浦东新区某农产品公司作为物流中心，物流中心从凌晨2点开始工作，首先对上一个工作周期到达的订单进行配送，然后将本周期内到达的订单分配到各个区域，根据各区域的配送时间安排配送车辆，需要配送的三种产品分别是：生鲜兔肉、生鲜猪肉、生鲜鸡腿，车辆完成配送任务后返回配送中心等待下次任务。

设配送中心位置编号为93，车辆最大载重量为30，最大配送距离为50，配送周期为4，车速为5，每辆车的固定成本为30，早到惩罚成本为1，晚到惩罚成本为1.4，单位配送距离成本为1，生鲜农产品在保质期内，但新鲜度超过订单需求新鲜度时单位惩罚成本分别为1、1.2、1.4，超过保质期单位惩罚成本分别为0.7、0.8、1。迭代次数为2000，最优解最少保持代数为100，染色体个数为200，选择概率在0.6-0.95之间的随机值，变异概率在0.2-0.45之间的随机值。

根据分区准则和上述参数，以及各点位置等数据信息，可将配送区域划分为三个不规则形状的区域：区域AR¹、区域AR²、区域AR³，周期分为四个阶段，其中AT¹＝{T₀、T₄}、AT²＝{T₀、T₂、T₄}、AT³＝{T₀、T₁、T₂、T₃、T₄}，其中T₀、T₁、T₂、T₃、T₄分别为2h、3h、4h、5h、6h。区域划分如图1所示，区域AR¹的点用三角形表示、区域AR²的点用四方形表示、区域AR³中的点用圆表示。

分别采用分区域多阶段、单区域多阶段、分区域单阶段、单区域单阶段四种方法对生鲜农产品DVRP问题进行10次测试，具体如表1所示。从表中可知，四种方法所求得的总成本均值分别是1093.40、1216.96、1236.24、1238.63，到达订单新鲜度均值分别是0.664、0.581、0.664、0.547，到达订单时间均值分别是4.728、5.895、4.632、5.862，其中分区域多阶段所求的总成本均值最少，单区域单阶段所求的总成本均值最大，分区域多阶段和分区域单阶段的到达新鲜度均值最高。其中表2-表9是分区多阶段最少总成本时的测试结果，图2-图9是分区域多阶段求解最小配送总成本时的车辆行驶路线。表10-表12分别是单区域多阶段、分区域单阶段、单区域单阶段的最少总成本时配送路线的到达订单时间及到达新鲜度值。

表1测试结果

表2分区域多阶段T₀时刻测试结果

表3分区域多阶段T₁时刻AR³区域订单测试结果

表4分区域多阶段T₂时刻AR³区域订单测试结果

表5分区域多阶段T₂时刻AR²区域订单测试结果

表6分区域多阶段T₃时刻AR³区域订单测试结果

表7分区域多阶段T₄时刻AR³区域订单测试结果

表8分区域多阶段T₄时刻AR²区域订单测试结果

表9分区域多阶段T₄时刻AR¹区域订单测试结果

表10单区域多阶段测试结果

表11分区域单阶段测试结果

表12单区域单阶段测试结果

图10中的图a、图b、图c分别描述了车辆到达订单时分区域多阶段与单区域多阶段、分区域单阶段、单区域单阶段的三种产品的新鲜度值均值之差，图a中有34个条形线大于等于0，图b中有26个条形线大于等于0，图c中有36个大于等于0。由此可知，分区域多阶段方法处理生鲜农产品DVRP问题时到达订单时的新鲜度值更高。图11中的图d、图e、图f、图g分别描述了分区域多阶段、单区域多阶段、分区域单阶段、单区域单阶段四种方法的车辆到达订单时间，分别有33个订单、24个订单、29个订单、21个订单的到达时间在服务时间窗范围内。由上述分析可知，分区域多阶段方法处理生鲜农产品DVRP问题时不仅到达订单时的新鲜度值比较高，而且更满足订单的服务时间需求，表13给出了分区域多阶段与其他三种方法到达订单时新鲜度值的大小，以及用四种方法所求出的到达订单新鲜度均值与需求新鲜度均值、阈值的关系，到达时间与最早、最晚服务时间的关系。第二列中最大数字是26，位于与第七行的交点处，其点处的21、26、5，分别表示52个订单中采用分区域多阶段方法所求新鲜度值高于分区域单阶段方法的有21个，低于的有26个，相同的有5个。第三列新鲜度均值中最大数字是45，位于与第七行的交点处，其点处45、0、7，分别表示分区域单阶段求解时，有45个订单所得到的生鲜农产品的新鲜度满足需求，0个小于新鲜度阈值，7个介于需求新鲜度均值与阈值之间，这部分订单需要接受一定费用的惩罚。第四列中的最大数字是33，位于与第五行的交点处，其点处的8、11、33，分别表示到达订单时间晚于服务时间的有8个，早于服务时间的有11个，这19个订单需要接受惩罚，满足时间窗需求的有33个。

表13测试结果

对于多品种生鲜农产品DVRP送问题，本文提出的分区域多阶段优化处理，可以较大幅度地缩减问题求解的状态空间。为简化大规模动态生鲜农产品VRP的求解提供了一种新的方法，它可以有效地解决配送区域内车辆路径问题，大大地提高了问题求解效率。本文在传统遗传算法的基础之上进行修改，设计了一种符合多品种生鲜农产品DVRP优化的IGA算法，并取得较好的求解结果。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，包括以下步骤：

S1)获取数据：包括车辆总数量、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本以及订单数据，所述订单数据包括初始订单数据和新增订单数据以及订单站点的位置；

S2)划分区域：根据初始订单数据中订单站点的位置以及区域划分准则，对配送区域进行划分；

S3)划分时间段：将工作周期划分为多个时间段，建立区域与时间段的关系；

S4)设计新鲜度衰减函数：根据生鲜农产品的新鲜度值与时间的变化规律，建立关于时间呈指数形式的新鲜度函数；

S5)生成最小配送总成本数学模型：根据订单数据、新鲜度衰减函数、车辆容量、固定车速、车辆的最大行驶距离、各产品初始新鲜度值和到达新鲜度值不满足需求新鲜度值或低于新鲜度阈值所产生的单位惩罚成本生成最小配送总成本数学模型；

S6)设计最小配送总成本数学模型求解算法：包括

S611)根据所述订单站点的位置计算各订单站点的位置之间的最短路径；

S612)以最小配送总成本数学模型为目标函数，建立目标函数的遗传算法的种群，并根据遗传算法规则对目标函数的种群进行处理；

S7)最小配送总成本数学模型求解：根据约束条件，应用最小配送总成本数学模型求解算法设计的算法求得配送总成本，所述约束条件包括所选取的运输预设路径的总距离在车辆的最大行驶距离的范围内、单位车辆的农产品配送总数量在车辆容量的范围内、所需车辆数量在车辆总数量范围内。

2.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S2)中，根据紧度测度和期望配送成本进行区域划分：

分区紧度：

其中B_n(x)表示解x中分区n的周长，B表示整个区域的周长，N表示分个区域的个数；

期望配送成本：

其中，d_n表示车辆距离区域n中订单点最近的距离，I_n表示区域n中的订单数量，A_n表示区域n的面积，β₂与订单数量相关的常数。

3.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S3)中，根据时间段紧度对不同区域划分不同的时间段，其中，分段距离函数及分段信息函数deg_i ⁿ作为时间段紧度的两个指标；

分段距离函数：

分段信息函数：

deg_i ⁿ＝g₁×点i服务时间窗均值-g₂×点i已存在配送量-g₃×点i已存在配送次数

其中，g₀、g₁、g₂、g₃是某一定值，且0≤g₀、g₁、g₂、g₃≤1，g₁+g₂+g₃＝1。

4.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S4)中，当外部环境因素恒定时，所述生鲜农产品的新鲜度与时间成反比关系，并设计出各产品所对应的新鲜度衰减函数。

5.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S5)中，包括

与时间参数相关的到达各站点的时间早于或晚于时间窗的单位时间惩罚成本，及到与订单数据、新鲜度衰减函数相关的达各站点的新鲜度值低于需求新鲜度高于新鲜度阈值和低于新鲜度阈值的单位新鲜度值惩罚成本，以及

与车辆容量、固定车速、车辆的最大行驶距离相关的单位车辆固定成本以及运输成本。

6.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S6)中，包括

S60)预处理阶段，包括

S601)接受新增订单数据，将接收的新增订单数据添加至未服务订单数据中；

S602)整理未服务订单数据；

S603)对未服务订单数据进行分区分时间段处理；

S61)处理阶段，所述步骤S611)和步骤S612)在处理阶段中。

7.根据权利要求1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S611)中，引入Dijkstra算法计算各站点之间的折线最短行驶路径。

8.根据权利要1所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，在步骤S612)中包括种群初始化、计算种群中每个解的目标函数值、记录当前种群的最优值及其对应的解、选择操作、交叉操作、变异操作、重插入、更新记录及终止规则。

9.根据权利要求8所述的分区域多阶段生鲜农产品动态车辆路径优化方法，其特征在于，所述交叉操作包括：计算每个辆车的保留函数f，

A₁+A₂+A₃＝1；

0≤A₁，A₂，A₃≤1；

从配对在一起的染色体A和染色体B中分别选择保留函数值最大的配送车辆服务基因段A0和B0；

从B-A0中选择距离配送中心最近且满足约束条件的点1作为染色体A的第一个服务点，从B-A0-1中选择距离1最近且满足约束条件的点2作为第二个服务点，依次类推，直到不存在这样的点，重复上述操作，寻找剩余车辆的服务点，最后将剩余的点，放在子代染色体的末尾，若不存在剩余点，则可得到满足条件的染色体，对染色体B重复上述操作。