CN109034477A - 一种基于时间可靠性的城市物流配送的最短路径查找方法 - Google Patents

Abstract

本发明公开了一种基于时间可靠性的城市物流配送的最短路径查找方法，包括：获取一定时间范围内指定配送路网中的历史路径时间数据；获取客户对配送服务的渴望程度；获取配送路网数据，建立以预算出行时间作为可靠性度量指标的目标函数模型并根据目标函数模型建立以下公式建立约束条件；对所述述目标函数模型和约束条件利用遗传算法进行求解。本发明首先考虑了交通道路网络的波动性，用解决交通网络问题的思想来解决物流配送问题；然后是在现有的带时间窗的车辆路径问题上，提出了另外一种新的时间窗的概念，即在基于顾客对服务的渴望程度为基准，以路段行程时间和服务时间为目标函数来构建路径优化模型，更加符合实际需求和道路网络情况。

Description

一种基于时间可靠性的城市物流配送的最短路径查找方法

技术领域

本发明涉及物流配送车辆路径优化领域，特别涉及一种基于时间可靠性的城市物流配送的最短路径查找方法。

背景技术

电子商务的飞速发展同时带动了电商物流的繁荣，物流配送服务的质量也越来越得到重视。无论是天猫的1小时落地配，京东211配送还是目前在生鲜冷链物流中的盒马鲜生提出的30分钟配送服务，都体现出配送时间的重要性。在目前的研究中，对于城市物流配送的研究主要集中于车辆的路径选择的路径最短或者成本最低等VRP问题上，没有在路线选择的时间可靠性选择上进行深入的研究。

VRP来源于交通运输，最早是由Dantzig和Ramse于1959年发表在《ManagementScience》上的文章《The truck dispatching Problem》中首次研究了亚特兰大炼油厂向各加油站发送汽油的运输路径优化问题，并提出了基于线性规划的求解过程。在随后的几十年里，VRP问题得到不断的扩充和发展。在而后的发展中，带有时间窗的VRP问题得到了相关扩展研究，从广义上来说，则是在VRP问题中加上各种约束条件，如成本最低、时间最少等；从狭义上说，时间窗是一个时间阈值，在顾客对时间的要求下从而产生一个时间区间，即要求的最早达到时间和最晚到达时间的时间区间，也被称为客户(需求)时间。而如今各个企业在激烈的市场竞争中，顾客对物流配送服务质量的要求越来越高的情况下，及时、准时、抓住顾客的特点，而提供高质量的配送服务显得更加重要。因此，对物流配送路线优化，特别是配送路线的时间可靠性至关重要。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种基于时间可靠性的城市物流配送的最短路径查找方法。本方法针对于城市道路交通的波动性，构建了以预算时间最少为目标的路径优化模型，实现城市物流配送可靠性最短路径的查找。

为实现上述目的及其他目的，本发明提供一种基于时间可靠性的城市物流配送的最短路径查找方法，包括以下步骤：

获取一定时间范围内指定配送路网中的历史路径时间数据；

获取客户对配送服务的渴望程度；

获取配送路网数据，建立以预算出行时间作为可靠性度量指标的目标函数模型并根据目标函数模型建立以下公式建立约束条件；

对所述述目标函数模型和约束条件利用遗传算法进行求解。

优选地，所述的目标函数模型为：

其中，目标函数值为在α下的累计分布函数的逆函数；目标函数由Z₁，Z₂，Z₃三部分组成：Z₁表示配送车辆通行路段的时间和，Z₂表示服务时间和配送员送货上门或者等待顾客取件时间，Z₃表示在标准正太分布下的不同顾客的不同渴望程度α下的标准偏差；t_ij表示路段通行时间的均值；t_ij表示行程时间，t_k表示各个顾客历史服务平均时间，为二元决策变量，表示在起点为r，终点为s的路径下通过路段a_ij；t_ijk表示在路段a_ij的顾客k的服务时间；y_k为二元决策变量，表示在路段a_ij上是否有顾客；表示路段a_ij通行时间的方差；表示顾客k的服务时间方差；Z_α表示不同顾客在标准正态分布的α分位点。

优选地，所述目标函数模型的约束条件为：

SGS(i)表示i节点的后继节点集合，PDS(i)表示i节点的紧前节点集合，q_k表示每一个顾客包裹的重量；Q表示配送车辆最大载重量；K表示顾客点数。

优选地，所述的对所述目标函数模型和约束条件利用遗传算法进行求解的方法包括如下步骤：

步骤①：输入已知的模型参数；各个顾客的服务需求概率α，标准正态分布下α分位点；各路段a_ij的平均历史行程时间t_ij及标准差σ_ij；各个顾客历史服务平均时间t_k及标准差σ_k；顾客的数量K，算出时间矩阵；

步骤②：种群初始化，确定遗传算法的交叉概率PC，变异概率Pm，代沟GGAP，种群数目NIND，最大进化代数MAXGEN，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：

本发明首先考虑了交通道路网络的波动性，用解决交通网络问题的思想来解决物流配送问题；然后是在现有的带时间窗的车辆路径问题上，提出了另外一种新的时间窗的概念，即在基于顾客对服务的渴望程度为基准，以路段行程时间和服务时间为目标函数来构建路径优化模型，更加符合实际需求和道路网络情况。

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

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1为本发明的流程示意图；

图2为顾客点分布图及路段图；

图3为路网图；

图4为最终效果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明提供一种基于时间可靠性的城市物流配送的最短路径查找方法，如图1所示。

S配送中心有10个客户点，且根据配送的计算出各路段的平均时间及服务时间以及方差，并获取了各个顾客点的期望概率。其配送点分布如图1所示。以下是具体步骤：

获取一定时间范围内指定配送路网中的历史路径时间数据；

获取客户对配送服务的渴望程度；

获取配送路网数据，建立以预算出行时间作为可靠性度量指标的目标函数模型并根据目标函数模型建立以下公式建立约束条件；

对所述述目标函数模型和约束条件利用遗传算法进行求解。

本发明首先考虑了交通道路网络的波动性，用解决交通网络问题的思想来解决物流配送问题；然后是在现有的带时间窗的车辆路径问题上，提出了另外一种新的时间窗的概念，即在基于顾客对服务的渴望程度为基准，以路段行程时间和服务时间为目标函数来构建路径优化模型，更加符合实际需求和道路网络情况。

所述的获取一定时间范围内指定配送路网中的历史路径时间数据的具体方法为：

建立路网图如图2所示，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表示配送起点，集合Vc＝{v₁,v₂,...,v₁₀,w₁,w₂}，v_k表示顾客点，需要进行配送，w_k则指标是路段节点，没有顾客点。并获取该配送网络中的路段平均行驶时间t_ij及平均服务时间t_k，其时间如下：

t_k＝[0 7 4 5 4 2 3 5 6 3 4 0 0]^Τ

步骤二：获取客户对配送服务的渴望程度：极度渴望型α＜0.4；中度渴望型0.4≤α＜0.8，轻度渴望型α≥0.8，其概率如下：

α_k＝[0 0.4 0.9 0.8 0.3 0.2 0.5 0.4 0.6 0.7 0.8 0 0]^Τ

步骤三：建立以预算出行时间作为可靠性度量指标的目标函数模型，如下：

其中，目标函数值为在α下的累计分布函数的逆函数；目标函数由Z₁，Z₂，Z₃三部分组成：Z₁表示配送车辆通行路段的时间和，Z₂表示服务时间和配送员送货上门或者等待顾客取件时间，Z₃表示在标准正太分布下的不同顾客的不同渴望程度α下的标准偏差；t_ij表示路段通行时间的均值；t_ij表示行程时间，t_k表示各个顾客历史服务平均时间，为二元决策变量，表示在起点为r，终点为s的路径下通过路段a_ij，若通过a_ij，则不通过a_ij，则t_ijk表示在路段a_ij的顾客k的服务时间；y_k为二元决策变量，表示在路段a_ij上是否有顾客(顾客可为一个或者多个)，若有，则y_k＝1，若没有，则y_k＝0；k表示在此范围内中n个顾客中的第k个顾客；表示路段a_ij通行时间的方差；表示顾客k的服务时间方差；Z_α表示不同顾客在标准正态分布的α分位点。

步骤四：按照以下公式建立约束条件：

式(1)表示保证该问题有解的成立条件，即此路径中路段的连续性；式(2)表示通过0—1变量来表示路段是否存在与最终的可靠路径中；式(3)表示在此路径中所有顾客的载重量之和不能超过配送车辆的最大载重；式(4)表示只要此范围内所有顾客都要被配送，。式中，每个顾客点都必须访问后，满足总的时间最短。

SGS(i)表示i节点的后继节点集合，PDS(i)表示i节点的紧前节点集合，q_k表示每一个顾客包裹的重量；Q表示配送车辆最大载重量；K表示顾客点数。

在目标函数模型中，起点为v₀，配送完所有顾客点后回到起点。从起点到目的地的路径分成多个路段，而顾客点则在每一个路段中，每一个路段中不存在顾客点或者存在一个或者多个顾客点，并且所有顾客都要被配送。从起点到目的地按照不同顾客的服务水平以及约束条件查找出最优路径。

步骤五：对上述模型中的目标函数和约束条件利用遗传算法进行求解，以MATLAB为工具进行计算出最优路径，其具体步骤如下：

步骤1：输入已知的模型参数；各个顾客的服务需求概率α，标准正态分布下α分位点；各路段a_ij的平均历史行程时间t_ij及标准差σ_ij；各个顾客历史服务平均时间t_k及标准差σ_k；顾客的数量K，算出时间矩阵。

步骤2：种群初始化，确定遗传算法的交叉概率P_C＝0.9，变异概率P_m＝0.05，代沟GGAP＝0.9，种群数目NIND＝100，最大进化代数MAXGEN＝50，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。

步骤3：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4：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5：交叉和变异。

步骤6：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3到步骤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，得到最优路径方案如下，最优路线图如图3所示：

v₀→v₂→v₆→w₁→v₇→v₈→v₁₀→v₉→w₂→v₅→v₁→v₄→v₃→v₀

最优值为171.3698分钟。

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 (4)

1.一种基于时间可靠性的城市物流配送的最短路径查找方法，其特征在于，包括以下步骤：

获取一定时间范围内指定配送路网中的历史路径时间数据；

获取客户对配送服务的渴望程度；

获取配送路网数据，建立以预算出行时间作为可靠性度量指标的目标函数模型并根据目标函数模型建立以下公式建立约束条件；

对所述述目标函数模型和约束条件利用遗传算法进行求解。

2.根据权利要求1所述的一种基于时间可靠性的城市物流配送的最短路径查找方法，其特征在于，所述的目标函数模型为：

其中，目标函数值为在α下的累计分布函数的逆函数；目标函数由Z₁，Z₂，Z₃三部分组成：其中Z₁表示配送车辆通行路段的时间和，Z₂表示服务时间和配送员送货上门或者等待顾客取件时间，Z₃表示在标准正太分布下的不同顾客的不同渴望程度α下的标准偏差；t_ij表示路段通行时间的均值；t_ij表示行程时间，t_k表示各个顾客历史服务平均时间，为二元决策变量，表示在起点为r，终点为s的路径下通过路段a_ij；t_ijk表示在路段a_ij的顾客k的服务时间；y_k为二元决策变量，表示在路段a_ij上是否有顾客；表示路段a_ij通行时间的方差；表示顾客k的服务时间方差；Z_α表示不同顾客在标准正态分布的α分位点。

3.根据权利要求2所述的一种基于时间可靠性的城市物流配送的最短路径查找方法，其特征在于，所述目标函数模型的约束条件为：

SGS(i)表示i节点的后继节点集合，PDS(i)表示i节点的紧前节点集合，q_k表示每一个顾客包裹的重量；Q表示配送车辆最大载重量；K表示顾客点数。

4.根据权利要求1或2或3所述的一种基于时间可靠性的城市物流配送的最短路径查找方法，其特征在于，所述的对所述目标函数模型和约束条件利用遗传算法进行求解的方法包括如下步骤：

步骤①：输入已知的模型参数；各个顾客的服务需求概率α，标准正态分布下α分位点；各路段a_ij的平均历史行程时间t_ij及标准差σ_ij；各个顾客历史服务平均时间t_k及标准差σ_k；顾客的数量K，算出时间矩阵；

步骤②：种群初始化，确定遗传算法的交叉概率PC，变异概率Pm，代沟GGAP，种群数目NIND，最大进化代数MAXGEN，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。