CN109214757A - 粮食运输路径的规划方法、用户设备、存储介质及装置 - Google Patents
粮食运输路径的规划方法、用户设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109214757A CN109214757A CN201811092976.0A CN201811092976A CN109214757A CN 109214757 A CN109214757 A CN 109214757A CN 201811092976 A CN201811092976 A CN 201811092976A CN 109214757 A CN109214757 A CN 109214757A
- Authority
- CN
- China
- Prior art keywords
- path
- distribution path
- screened
- fish
- artificial fish
- 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.)
- Pending
Links
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
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
本发明公开了粮食运输路径的规划方法、用户设备、存储介质及装置。本发明中获取车辆配送信息;基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;通过所述预设人工鱼群算法获得目标配送路径。在本发明中由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性,所以,可认为,解决了现有的求解方式无法稳定地得到最优解的技术问题。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及粮食运输路径的规划方法、用户设备、存储介质及装置。
背景技术
随着城市交通的高度发展,如何提高车辆的流通效率成为一项较为重要的研究方向。尤其对于物流业而言,特别是针对粮食的运输而言,需要尽量提供实时的最佳配送路线,以减少时间成本,并且避免因城市交通拥堵等不良状况造成的资源浪费。
在实际研究中,已将上述问题专业化地归纳为车辆路径问题(Vehicle RoutingProblem,VRP),这是一类具有广泛应用的非确定性多项式难题(Non-deterministicPolynomial hard,NP-hard)。
VRP问题涉及到运筹学、应用数学、网络分析、图论和计算机应用等学科,由于VRP的时间复杂度很高,所以,传统算法在求解VRP问题的最优解时往往表现出效率低、耗时长且无法处理大规模问题的缺陷。
为了解决上述缺陷并提高VRP的寻优效率,可基于目前已有的人工智能算法来解决VRP问题,比如:人工鱼群算法、遗传算法以及人工蚁群算法等。尤其是人工鱼群算法,在解决VRP问题时表现出明显优势。
具体而言,人工鱼群算法具有鲁棒性强、全局搜索能力强以及收敛速度快等优点,适用于解决VRP此类组合优化型问题。
但是,现有的人工鱼群算法中的初始种群是随机生成的,在其可行域内的分布范围不够广泛,这导致人工鱼群算法最终算出的最优解存在波动较大的问题。比如,可体现为最终算出的最优解的方差较大。
所以,可认为,在解决VRP问题时,现有的解决方式存在无法稳定地得到最优解的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供粮食运输路径的规划方法、用户设备、存储介质及装置,旨在解决无法稳定地得到最优解的技术问题。
为实现上述目的,本发明提供一种粮食运输路径的规划方法,所述粮食运输路径的规划方法包括以下步骤:
获取车辆配送信息;
基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
通过所述预设人工鱼群算法获得目标配送路径。
优选地,所述预设人工蜂群算法包括初始食物源、引领蜂以及跟随蜂;
所述基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径,具体包括:
根据所述车辆配送信息生成初始配送路径,并将所述初始配送路径作为所述初始食物源;
通过所述引领蜂对所述初始食物源进行邻域搜索,以获得待筛选食物源;
将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径。
优选地,所述预设人工蜂群算法还包括侦查蜂;
所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径之后,所述粮食运输路径的规划方法还包括:
判断所述初始配送路径与所述待筛选配送路径是否相同;
在所述初始配送路径与所述待筛选配送路径相同时,将与所述初始配送路径对应的引领蜂替换为所述侦查蜂;
通过所述侦查蜂搜索新的待筛选食物源,返回执行所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径的步骤。
优选地,所述通过所述预设人工鱼群算法获得目标配送路径,具体包括:
根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为;
通过所述人工鱼的基本行为获得目标配送路径。
优选地,所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
通过所述人工鱼的基本行为确定所述人工鱼的当前运行状态,并生成与所述当前运行状态对应的当前路径评定值;
读取预设公告牌中的预设运行状态,并确定与所述预设运行状态对应的预设路径评定值;
在所述当前路径评定值大于或等于所述预设路径评定值时,将与所述预设运行状态对应的人工鱼作为目标配送路径。
优选地,所述根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为之后,所述粮食运输路径的规划方法还包括:
将与所述人工鱼对应的待筛选配送路径划分为路径片段;
遍历所述待筛选配送路径,基于所述路径片段将遍历到的预设数量的待筛选配送路径进行匹配,并统计匹配成功的路径片段的片段数量;
将所述片段数量设为所述人工鱼之间的相距距离,以通过所述相距距离实施所述人工鱼的基本行为。
优选地,所述基本行为包括觅食行为;
所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
在通过所述相距距离实施所述人工鱼的觅食行为时,遍历所述人工鱼,并确定与遍历到的人工鱼对应的待启用配送路径,所述待启用配送路径由基于预设次序排列的目标路径片段构成;
将所述预设次序替换成待测试次序,以生成与所述待测试次序对应的待测试配送路径;
将所述待启用配送路径的路径评定值与所述待测试配送路径的路径评定值进行比较;
在所述待启用配送路径的路径评定值小于所述待测试配送路径的路径评定值,将所述待启用配送路径认定为目标配送路径。
此外,为实现上述目的,本发明还提出一种用户设备,所述用户设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的粮食运输路径的规划程序,所述粮食运输路径的规划程序配置为实现如上文所述的粮食运输路径的规划方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有粮食运输路径的规划程序,所述粮食运输路径的规划程序被处理器执行时实现如上文所述的粮食运输路径的规划方法的步骤。
此外,为实现上述目的,本发明还提出一种粮食运输路径的规划装置,所述粮食运输路径的规划装置包括:信息获取模块、路径规划模块、鱼群构建模块以及路径确定模块;
所述信息获取模块,用于获取车辆配送信息;
所述路径规划模块,用于基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
所述鱼群构建模块,用于根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
所述路径确定模块,用于通过所述预设人工鱼群算法获得目标配送路径。
在本发明中在应用人工鱼群算法时,将先基于人工蜂群算法来构建人工鱼群算法的初始鱼群,并基于初始鱼群内的人工鱼来完成鱼群行为的模拟,以获得目标配送路径。明显地,由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性。所以,可认为,解决了无法稳定地得到最优解的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图;
图2为本发明粮食运输路径的规划方法第一实施例的流程示意图;
图3为本发明粮食运输路径的规划方法第二实施例的流程示意图;
图4为本发明粮食运输路径的规划方法第三实施例的流程示意图;
图5为本发明粮食运输路径的规划装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的用户设备结构示意图。
如图1所示,该用户设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对用户设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及粮食运输路径的规划程序。
在图1所示的用户设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述用户设备通过处理器1001调用存储器1005中存储的粮食运输路径的规划程序,并执行以下操作:
获取车辆配送信息;
基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
通过所述预设人工鱼群算法获得目标配送路径。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
根据所述车辆配送信息生成初始配送路径,并将所述初始配送路径作为所述初始食物源;
通过所述引领蜂对所述初始食物源进行邻域搜索,以获得待筛选食物源;
将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
判断所述初始配送路径与所述待筛选配送路径是否相同;
在所述初始配送路径与所述待筛选配送路径相同时,将与所述初始配送路径对应的引领蜂替换为所述侦查蜂;
通过所述侦查蜂搜索新的待筛选食物源,返回执行所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径的步骤。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为;
通过所述人工鱼的基本行为获得目标配送路径。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
通过所述人工鱼的基本行为确定所述人工鱼的当前运行状态,并生成与所述当前运行状态对应的当前路径评定值;
读取预设公告牌中的预设运行状态,并确定与所述预设运行状态对应的预设路径评定值;
在所述当前路径评定值大于或等于所述预设路径评定值时,将与所述预设运行状态对应的人工鱼作为目标配送路径。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
将与所述人工鱼对应的待筛选配送路径划分为路径片段;
遍历所述待筛选配送路径,基于所述路径片段将遍历到的预设数量的待筛选配送路径进行匹配,并统计匹配成功的路径片段的片段数量;
将所述片段数量设为所述人工鱼之间的相距距离,以通过所述相距距离实施所述人工鱼的基本行为。
进一步地,处理器1001可以调用存储器1005中存储的粮食运输路径的规划程序,还执行以下操作:
在通过所述相距距离实施所述人工鱼的觅食行为时,遍历所述人工鱼,并确定与遍历到的人工鱼对应的待启用配送路径,所述待启用配送路径由基于预设次序排列的目标路径片段构成;
将所述预设次序替换成待测试次序,以生成与所述待测试次序对应的待测试配送路径;
将所述待启用配送路径的路径评定值与所述待测试配送路径的路径评定值进行比较;
在所述待启用配送路径的路径评定值小于所述待测试配送路径的路径评定值,将所述待启用配送路径认定为目标配送路径。
在本实施例中在应用人工鱼群算法时,将先基于人工蜂群算法来构建人工鱼群算法的初始鱼群,并基于初始鱼群内的人工鱼来完成鱼群行为的模拟,以获得目标配送路径。明显地,由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性。所以,可认为,解决了无法稳定地得到最优解的技术问题。
基于上述硬件结构,提出本发明粮食运输路径的规划方法的实施例。
参照图2,图2为本发明粮食运输路径的规划方法第一实施例的流程示意图。
在第一实施例中,所述粮食运输路径的规划方法包括以下步骤:
步骤S10:获取车辆配送信息;
可以理解的是,考虑到人工鱼群算法具有鲁棒性强、全局搜索能力强以及收敛速度快等优点,适用于解决VRP此类组合优化型问题;但是,由于人工鱼群算法的初始种群是随机生成的,这导致人工鱼群算法最终得出的最优解波动较大。为了既应用人工鱼群算法又能够规避掉人工鱼群算法存在的最优解波动较大的缺陷,进而保证能够稳定地获得最优解,本实施例将在使用人工鱼群算法时结合进人工蜂群算法,以保证人工鱼群算法的初始种群本身就较为理想,降低最终获得的最优解的波动性。
在具体实现中,可先获取描述VRP问题的车辆配送信息,车辆配送信息包括运输货物的车辆数量、单个车辆的载重量以及各个运输点的位置等,最终获取的最优解用于描述为了向多个运输点运输货物车辆所行驶的路径。
步骤S20:基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
应当理解的是,预设人工蜂群算法(Artificial Bee Colony Algorithm,ABC算法)是一种由蜂群行为启发的算法,通过蜜蜂个体的局部寻优行为,在蜂群群体中可体现出全局最优解。明显地,预设人工蜂群算法在全局收敛上表现较好。所以,将预设人工蜂群算法应用于VRP问题,可快速地获得全局最优解。其中,全局最优解即为待筛选配送路径,而待筛选配送路径为车辆经过所有运输点的车辆行驶路径,比如,若运输点有1、2、3、4以及5,则待筛选配送路径可能包括{1,2,3,4,5}以及{5,1,2,3,4}等,{1,2,3,4,5}表示车辆先后途径运输点1、2、3、4以及5,{5,1,2,3,4}表示车辆先后途径运输点5,1,2,3,4。
步骤S30:根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
可以理解的是,预设人工鱼群算法是考虑到在一片水域中,鱼往往能自行或者尾随其他鱼找到营养物质较多的位置,正是根据这一特点,通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为等基本行为,以寻求实际问题的最优解。
在具体实现中,预设人工鱼群算法在模拟鱼群的基本行为之前,将先对人工鱼进行初始化,以基于初始化后的人工鱼进行行为模拟。而在本实施例中一个人工鱼可用于表示一条待筛选配送路径,所以,初始鱼群将由与各个待筛选配送路径对应的各个人工鱼构成。
步骤S40:通过所述预设人工鱼群算法获得目标配送路径。
应当理解的是,在完成对于初始鱼群的建立后,可让初始鱼群中各个人工鱼进行基本行为的自主模拟,以最终选举出最优解。其中,选举出的最优解即为目标配送路径,比如,目标配送路径可为{5,1,2,3,4}。
明显地,本实施例结合了人工蜂群算法与人工鱼群算法,同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,克服了仅运行人工鱼群算法时易出现的缺陷,比如,可能导致最终选举出的最优解局限于局部最优解,间接导致最终算出的最优解的波动较大。但是,由于结合进了人工蜂群算法,能够更加基于全局进行收敛动作,降低了最优解的波动性,也就提高了得出最优解的稳定性。
在本实施例中在应用人工鱼群算法时,将先基于人工蜂群算法来构建人工鱼群算法的初始鱼群,并基于初始鱼群内的人工鱼来完成鱼群行为的模拟,以获得目标配送路径。明显地,由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性。所以,可认为,解决了无法稳定地得到最优解的技术问题。
参照图3,图3为本发明粮食运输路径的规划方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明粮食运输路径的规划方法的第二实施例。
第二实施例中,所述预设人工蜂群算法包括初始食物源、引领蜂以及跟随蜂;
可以理解的是,基于人工蜂群算法进行路径规划的规划操作具体为,可先确定人工蜂群算法的算法组成对象与行为模型,并基于行为模型来模拟算法组成对象的行为。其中,算法组成对象包括食物源、引领蜂(Leader)以及跟随蜂(Scouter),引领蜂与食物源一一对应,并储存与食物源相关的信息,而跟随蜂将与引领蜂分享与食物源相关的信息,以找到对应的食物源;行为模型包括招募(recruit)行为与放弃(abandon)行为,招募行为是指当蜜蜂认为食物源较好时,将主动招来更多的蜜蜂,而放弃行为是指当蜜蜂认为食物源不好时,放弃已找到的食物源。
应当理解的是,通过各种类型的蜜蜂分别实施自身的行为模式以寻觅较好的食物源,可以实现对于粮食运输路径的规划。
所述步骤S20,可以包括:
步骤S201:根据所述车辆配送信息生成初始配送路径,并将所述初始配送路径作为所述初始食物源;
在具体实现中,将先基于预设人工蜂群算法进行初始化操作,以获得多个初始配送路径并作为算法组成对象中的初始食物源。所以,单个食物源将代表一条配送路径。
步骤S202:通过所述引领蜂对所述初始食物源进行邻域搜索,以获得待筛选食物源;
应当理解的是,在确定初始食物源后,由于各个引领蜂与各个食物源一一对应,所以,可让与初始食物源对应的引领蜂对初始食物源进行食物源品质的探索。其中,食物源品质是指蜜蜂前往此食物源花费的时间以及途经的路径长度等。
在具体实现中,可通过邻域搜索的方式进行食物源品质的探索,具体而言,若引领蜂A对应初始食物源A,可对初始食物源A附近的邻域进行搜索,判断初始食物源A附近是否存在食物源品质更为优秀的食物源,若搜索到品质更为优秀的食物源,则可将品质更为优秀的食物源认定为待筛选食物源;若未搜索到品质更为优秀的食物源,则可初始食物源A认定为待筛选食物源。
步骤S203:将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径。
应当理解的是,当引领蜂进行一轮食物源的筛选后,可再通过跟随蜂进行食物源的筛选。具体而言,跟随蜂的选举标准为,食物源的食物源品质越高,该食物源被选举为待筛选配送路径的可能性越高,所以,最终将选举出的待筛选配送路径的品质相对较高。
可以理解的是,跟随蜂也可通过邻域搜索的方式对待筛选食物源进行搜索,以选举出待筛选配送路径。
进一步地,所述预设人工蜂群算法还包括侦查蜂;
所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径之后,所述粮食运输路径的规划方法还包括:
判断所述初始配送路径与所述待筛选配送路径是否相同;
在所述初始配送路径与所述待筛选配送路径相同时,将与所述初始配送路径对应的引领蜂替换为所述侦查蜂;
通过所述侦查蜂搜索新的待筛选食物源,返回执行所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径的步骤。
可以理解的是,为了防止陷入局部最优解的求解,而未能得到全局最优解,本实施例可适时地对初始食物源采取放弃行为,并产生新的食物源,以力图获得全局最优解。
在具体实现中,当发现初始配送路径与待筛选配送路径相同时,也就表明食物源的迭代并未存在改进,则可将与初始配送路径对应的初始食物源记录在禁忌表中;同时,将启用侦查蜂搜索新的食物源,将该初始食物源替换为新的食物源,以防止陷入不存在品质改进的迭代筛选中。
在本实施例中具体地描述了人工蜂群算法的运行机制,通过引领蜂以及跟随蜂对食物源进行多重筛选,可以保证在较大的范围内进行最优解的推算,同时,也可保证获取到的最优解即待筛选配送路径具有一定的品质标准。
参照图4,图4为本发明粮食运输路径的规划方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明粮食运输路径的规划方法的第三实施例。
第三实施例中,所述步骤S40,可以包括:
步骤S401:根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为;
可以理解的是,预设人工鱼群算法通过模拟鱼群的基本行为,来实现粮食运输路径的规划。其中,基本行为包括觅食行为、聚群行为、追尾行为以及随机行为,觅食行为是指人工鱼向食物逐渐增多的方向快速游去的行为,聚群行为是指人工鱼在游动过程中自然地聚集成群的行为,追尾行为是指当鱼群中的某人工鱼发现食物时其他人工鱼会尾速其抵达食物所在地的行为,随机行为是指人工鱼随机游动的行为。
步骤S402:通过所述人工鱼的基本行为获得目标配送路径。
进一步地,所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
通过所述人工鱼的基本行为确定所述人工鱼的当前运行状态,并生成与所述当前运行状态对应的当前路径评定值;
读取预设公告牌中的预设运行状态,并确定与所述预设运行状态对应的预设路径评定值;
在所述当前路径评定值大于或等于所述预设路径评定值时,将与所述预设运行状态对应的人工鱼作为目标配送路径。
可以理解的是,为了获得最优解,将引入公告牌,并通过公告牌来选出最优解。其中,公告牌用于记录人工鱼的最优运行状态,当人工鱼在实施完一次基本行为后,可将人工鱼的当前运行状态与公告牌中记录的运行状态进行比较,若优于公告牌中记录的运行状态,则更新公告牌中记录的运行状态,否则保持公告牌中记录的运行状态不变。最终,公告牌中记录的运行状态即未最优运行状态。
在具体实现中,可获取与运行状态对应的路径评定值,路径评定值用于评估人工鱼的运行状态,同时,也表征了与人工鱼对应的配送路径的路径优劣。比如,配送路径越长,配送时间越长,则路径评定值越大,也就表示配送路径越不好;配送路径越短,配送时间越短,则路径评定值越小,也就表示配送路径越优秀。
进一步地,所述根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为之后,所述粮食运输路径的规划方法还包括:
将与所述人工鱼对应的待筛选配送路径划分为路径片段;
遍历所述待筛选配送路径,基于所述路径片段将遍历到的预设数量的待筛选配送路径进行匹配,并统计匹配成功的路径片段的片段数量;
将所述片段数量设为所述人工鱼之间的相距距离,以通过所述相距距离实施所述人工鱼的基本行为。
可以理解的是,在传统人工鱼群算法中两条人工鱼之间的相距距离直接为被定义为两条人工鱼之间的实际距离,但是,本实施例中将改变人工鱼群算法中对于两条人工鱼之间的相距距离的定义,改变成两条人工鱼之间的相似片段的个数。其中,相似片段是指配送路径中的运输点的有序集合。
在具体实现中,待筛选配送路径的预设数量为2,至于待筛选配送路径可能为{1,2,3,4,5}以及{5,1,2,3,4},由于待筛选配送路径中存在5个运输点,将基于运输点来划分路径片段,比如,可将{1,2,3,4,5}划分为{1,2,3,4}与{5},可将{5,1,2,3,4}划分为{5}与{1,2,3,4}。为了确定人工鱼之间的相距距离,将对路径片段进行匹配,以找出相似的路径片段。明显地,{1,2,3,4,5}与{5,1,2,3,4}之间存在的相似片段有2个,分别为{1,2,3,4}与{5},所以,{1,2,3,4,5}与{5,1,2,3,4}之间的相距距离为2。
进一步地,所述基本行为包括觅食行为;
所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
在通过所述相距距离实施所述人工鱼的觅食行为时,遍历所述人工鱼,并确定与遍历到的人工鱼对应的待启用配送路径,所述待启用配送路径由基于预设次序排列的目标路径片段构成;
将所述预设次序替换成待测试次序,以生成与所述待测试次序对应的待测试配送路径;
将所述待启用配送路径的路径评定值与所述待测试配送路径的路径评定值进行比较;
在所述待启用配送路径的路径评定值小于所述待测试配送路径的路径评定值,将所述待启用配送路径认定为目标配送路径。
应当理解的是,通过改变人工鱼群算法中对于两条人工鱼之间的相距距离的定义,可以进一步地改变人工鱼的觅食行为。
在具体实现中,若待启用配送路径为{1,2,3,4,5},为了实现人工鱼的觅食行为,将基于待测试次序对配送路径进行变化,具体体现为,将待启用配送路径中的运输点的运输次序进行改变,改变方式可为交换任意两个运输点的位置,将{1,2,3,4,5}改变为{2,1,3,4,5};改变方式可为选定任一运输点,并将该运输点作为待启用配送路径中的第一个运输点,若选定的运输点为4,则将{1,2,3,4,5}最终改变为{4,1,2,3,5}。
应当理解的是,在完成配送路径的变化后,将评定变化前的配送路径的路径评定值为80,评定变化后的配送路径的路径评定值为90,则将变化前的配送路径认定为最优解。
可以理解的是,为了增大人工鱼的搜索范围,所述根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为之后,还可统计路径评定值的比较次数,在所述比较次数大于或等于预设评定阈值时,可对人工鱼的预设视域距离(Visual)添加预设增量,以获得新的视域距离,并基于新的视域距离来运行实施人工鱼的基本行为。其中,视域距离为人工鱼的感知范围。
应当理解的是,随着比较次数以及路径迭代次数的增加,将逐渐增大人工鱼的视域距离,也就扩大了搜索范围。
在本实施例中重新定义两条人工鱼之间的相距距离,可以适应性地变化觅食行为的行为模式,以更精准地贴近更优秀的配送路径。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有粮食运输路径的规划程序,所述粮食运输路径的规划程序被处理器执行时实现如下操作:
获取车辆配送信息;
基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
通过所述预设人工鱼群算法获得目标配送路径。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
根据所述车辆配送信息生成初始配送路径,并将所述初始配送路径作为所述初始食物源;
通过所述引领蜂对所述初始食物源进行邻域搜索,以获得待筛选食物源;
将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
判断所述初始配送路径与所述待筛选配送路径是否相同;
在所述初始配送路径与所述待筛选配送路径相同时,将与所述初始配送路径对应的引领蜂替换为所述侦查蜂;
通过所述侦查蜂搜索新的待筛选食物源,返回执行所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径的步骤。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为;
通过所述人工鱼的基本行为获得目标配送路径。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
通过所述人工鱼的基本行为确定所述人工鱼的当前运行状态,并生成与所述当前运行状态对应的当前路径评定值;
读取预设公告牌中的预设运行状态,并确定与所述预设运行状态对应的预设路径评定值;
在所述当前路径评定值大于或等于所述预设路径评定值时,将与所述预设运行状态对应的人工鱼作为目标配送路径。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
将与所述人工鱼对应的待筛选配送路径划分为路径片段;
遍历所述待筛选配送路径,基于所述路径片段将遍历到的预设数量的待筛选配送路径进行匹配,并统计匹配成功的路径片段的片段数量;
将所述片段数量设为所述人工鱼之间的相距距离,以通过所述相距距离实施所述人工鱼的基本行为。
进一步地,所述粮食运输路径的规划程序被处理器执行时还实现如下操作:
在通过所述相距距离实施所述人工鱼的觅食行为时,遍历所述人工鱼,并确定与遍历到的人工鱼对应的待启用配送路径,所述待启用配送路径由基于预设次序排列的目标路径片段构成;
将所述预设次序替换成待测试次序,以生成与所述待测试次序对应的待测试配送路径;
将所述待启用配送路径的路径评定值与所述待测试配送路径的路径评定值进行比较;
在所述待启用配送路径的路径评定值小于所述待测试配送路径的路径评定值,将所述待启用配送路径认定为目标配送路径。
在本实施例中在应用人工鱼群算法时,将先基于人工蜂群算法来构建人工鱼群算法的初始鱼群,并基于初始鱼群内的人工鱼来完成鱼群行为的模拟,以获得目标配送路径。明显地,由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性。所以,可认为,解决了无法稳定地得到最优解的技术问题。
此外,参照图5,本发明实施例还提出一种粮食运输路径的规划装置,所述粮食运输路径的规划装置包括:信息获取模块10、路径规划模块20、鱼群构建模块30以及路径确定模块40;
所述信息获取模块10,用于获取车辆配送信息;
可以理解的是,考虑到人工鱼群算法具有鲁棒性强、全局搜索能力强以及收敛速度快等优点,适用于解决VRP此类组合优化型问题;但是,由于人工鱼群算法的初始种群是随机生成的,这导致人工鱼群算法最终得出的最优解波动较大。为了既应用人工鱼群算法又能够规避掉人工鱼群算法存在的最优解波动较大的缺陷,进而保证能够稳定地获得最优解,本实施例将在使用人工鱼群算法时结合进人工蜂群算法,以保证人工鱼群算法的初始种群本身就较为理想,降低最终获得的最优解的波动性。
在具体实现中,可先获取描述VRP问题的车辆配送信息,车辆配送信息包括运输货物的车辆数量、单个车辆的载重量以及各个运输点的位置等,最终获取的最优解用于描述为了向多个运输点运输货物车辆所行驶的路径。
所述路径规划模块20,用于基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
应当理解的是,预设人工蜂群算法(Artificial Bee Colony Algorithm,ABC算法)是一种由蜂群行为启发的算法,通过蜜蜂个体的局部寻优行为,在蜂群群体中可体现出全局最优解。明显地,预设人工蜂群算法在全局收敛上表现较好。所以,将预设人工蜂群算法应用于VRP问题,可快速地获得全局最优解。其中,全局最优解即为待筛选配送路径,而待筛选配送路径为车辆经过所有运输点的车辆行驶路径,比如,若运输点有1、2、3、4以及5,则待筛选配送路径可能包括{1,2,3,4,5}以及{5,1,2,3,4}等,{1,2,3,4,5}表示车辆先后途径运输点1、2、3、4以及5,{5,1,2,3,4}表示车辆先后途径运输点5,1,2,3,4。
所述鱼群构建模块30,用于根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
可以理解的是,预设人工鱼群算法是考虑到在一片水域中,鱼往往能自行或者尾随其他鱼找到营养物质较多的位置,正是根据这一特点,通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为等基本行为,以寻求实际问题的最优解。
在具体实现中,预设人工鱼群算法在模拟鱼群的基本行为之前,将先对人工鱼进行初始化,以基于初始化后的人工鱼进行行为模拟。而在本实施例中一个人工鱼可用于表示一条待筛选配送路径,所以,初始鱼群将由与各个待筛选配送路径对应的各个人工鱼构成。
所述路径确定模块40,用于通过所述预设人工鱼群算法获得目标配送路径。
应当理解的是,在完成对于初始鱼群的建立后,可让初始鱼群中各个人工鱼进行基本行为的自主模拟,以最终选举出最优解。其中,选举出的最优解即为目标配送路径,比如,目标配送路径可为{5,1,2,3,4}。
明显地,本实施例结合了人工蜂群算法与人工鱼群算法,同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,克服了仅运行人工鱼群算法时易出现的缺陷,比如,可能导致最终选举出的最优解局限于局部最优解,间接导致最终算出的最优解的波动较大。但是,由于结合进了人工蜂群算法,能够更加基于全局进行收敛动作,降低了最优解的波动性,也就提高了得出最优解的稳定性。
在本实施例中在应用人工鱼群算法时,将先基于人工蜂群算法来构建人工鱼群算法的初始鱼群,并基于初始鱼群内的人工鱼来完成鱼群行为的模拟,以获得目标配送路径。明显地,由于同时利用了人工蜂群算法进行全局收敛的能力以及人工鱼群算法快速收敛的特性,最终得出的目标配送路径的波动较小,进而提高了得出最优解的稳定性。所以,可认为,解决了无法稳定地得到最优解的技术问题。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种粮食运输路径的规划方法,其特征在于,所述粮食运输路径的规划方法包括以下步骤:
获取车辆配送信息;
基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
通过所述预设人工鱼群算法获得目标配送路径。
2.如权利要求1所述的粮食运输路径的规划方法,其特征在于,所述预设人工蜂群算法包括初始食物源、引领蜂以及跟随蜂;
所述基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径,具体包括:
根据所述车辆配送信息生成初始配送路径,并将所述初始配送路径作为所述初始食物源;
通过所述引领蜂对所述初始食物源进行邻域搜索,以获得待筛选食物源;
将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径。
3.如权利要求2所述的粮食运输路径的规划方法,其特征在于,所述预设人工蜂群算法还包括侦查蜂;
所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径之后,所述粮食运输路径的规划方法还包括:
判断所述初始配送路径与所述待筛选配送路径是否相同;
在所述初始配送路径与所述待筛选配送路径相同时,将与所述初始配送路径对应的引领蜂替换为所述侦查蜂;
通过所述侦查蜂搜索新的待筛选食物源,返回执行所述将所述待筛选食物源传递至所述跟随蜂,以使所述跟随蜂根据所述待筛选食物源选举出待筛选配送路径的步骤。
4.如权利要求1所述的粮食运输路径的规划方法,其特征在于,所述通过所述预设人工鱼群算法获得目标配送路径,具体包括:
根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为;
通过所述人工鱼的基本行为获得目标配送路径。
5.如权利要求4所述的粮食运输路径的规划方法,其特征在于,所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
通过所述人工鱼的基本行为确定所述人工鱼的当前运行状态,并生成与所述当前运行状态对应的当前路径评定值;
读取预设公告牌中的预设运行状态,并确定与所述预设运行状态对应的预设路径评定值;
在所述当前路径评定值大于或等于所述预设路径评定值时,将与所述预设运行状态对应的人工鱼作为目标配送路径。
6.如权利要求4所述的粮食运输路径的规划方法,其特征在于,所述根据所述预设人工鱼群算法确定所述初始鱼群中的人工鱼的基本行为之后,所述粮食运输路径的规划方法还包括:
将与所述人工鱼对应的待筛选配送路径划分为路径片段;
遍历所述待筛选配送路径,基于所述路径片段将遍历到的预设数量的待筛选配送路径进行匹配,并统计匹配成功的路径片段的片段数量;
将所述片段数量设为所述人工鱼之间的相距距离,以通过所述相距距离实施所述人工鱼的基本行为。
7.如权利要求6所述的粮食运输路径的规划方法,其特征在于,所述基本行为包括觅食行为;
所述通过所述人工鱼的基本行为获得目标配送路径,具体包括:
在通过所述相距距离实施所述人工鱼的觅食行为时,遍历所述人工鱼,并确定与遍历到的人工鱼对应的待启用配送路径,所述待启用配送路径由基于预设次序排列的目标路径片段构成;
将所述预设次序替换成待测试次序,以生成与所述待测试次序对应的待测试配送路径;
将所述待启用配送路径的路径评定值与所述待测试配送路径的路径评定值进行比较;
在所述待启用配送路径的路径评定值小于所述待测试配送路径的路径评定值,将所述待启用配送路径认定为目标配送路径。
8.一种用户设备,其特征在于,所述用户设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行粮食运输路径的规划程序,所述粮食运输路径的规划程序被所述处理器执行时实现如权利要求1至7中任一项所述的粮食运输路径的规划方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有粮食运输路径的规划程序,所述粮食运输路径的规划程序被处理器执行时实现如权利要求1至7中任一项所述的粮食运输路径的规划方法的步骤。
10.一种粮食运输路径的规划装置,其特征在于,所述粮食运输路径的规划装置包括:信息获取模块、路径规划模块、鱼群构建模块以及路径确定模块;
所述信息获取模块,用于获取车辆配送信息;
所述路径规划模块,用于基于预设人工蜂群算法根据所述车辆配送信息进行配送路径的规划,以获得待筛选配送路径;
所述鱼群构建模块,用于根据所述待筛选配送路径构建预设人工鱼群算法的初始鱼群;
所述路径确定模块,用于通过所述预设人工鱼群算法获得目标配送路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092976.0A CN109214757A (zh) | 2018-09-19 | 2018-09-19 | 粮食运输路径的规划方法、用户设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811092976.0A CN109214757A (zh) | 2018-09-19 | 2018-09-19 | 粮食运输路径的规划方法、用户设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214757A true CN109214757A (zh) | 2019-01-15 |
Family
ID=64984147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811092976.0A Pending CN109214757A (zh) | 2018-09-19 | 2018-09-19 | 粮食运输路径的规划方法、用户设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214757A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070464A (zh) * | 2019-04-28 | 2019-07-30 | 武汉轻工大学 | 粮食加工的耗能提醒方法、用户设备、存储介质及装置 |
CN113478489A (zh) * | 2021-07-29 | 2021-10-08 | 桂林电子科技大学 | 一种机械臂轨迹规划方法 |
CN114186755A (zh) * | 2021-12-20 | 2022-03-15 | 中通服供应链管理有限公司 | 一种可视化智慧物流动态优化管控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070011123A1 (en) * | 2005-06-24 | 2007-01-11 | Palo Alto Research Center Incorporated | System and method for time-aware path finding |
US20090210142A1 (en) * | 2008-02-19 | 2009-08-20 | Microsoft Corporation | Safe route configuration |
CN101866384A (zh) * | 2010-06-18 | 2010-10-20 | 杭州电子科技大学 | 一种基于车辆路径规划的改进人工鱼群优化方法 |
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN105527964A (zh) * | 2015-12-28 | 2016-04-27 | 桂林电子科技大学 | 一种机器人路径规划方法 |
-
2018
- 2018-09-19 CN CN201811092976.0A patent/CN109214757A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070011123A1 (en) * | 2005-06-24 | 2007-01-11 | Palo Alto Research Center Incorporated | System and method for time-aware path finding |
US20090210142A1 (en) * | 2008-02-19 | 2009-08-20 | Microsoft Corporation | Safe route configuration |
CN101866384A (zh) * | 2010-06-18 | 2010-10-20 | 杭州电子科技大学 | 一种基于车辆路径规划的改进人工鱼群优化方法 |
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN105527964A (zh) * | 2015-12-28 | 2016-04-27 | 桂林电子科技大学 | 一种机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
张永康 等: "基于混合人工蜂群和人工鱼群优化的LSSVM脉动风速预测", 《振动与冲击》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070464A (zh) * | 2019-04-28 | 2019-07-30 | 武汉轻工大学 | 粮食加工的耗能提醒方法、用户设备、存储介质及装置 |
CN110070464B (zh) * | 2019-04-28 | 2022-12-13 | 武汉轻工大学 | 粮食加工的耗能提醒方法、用户设备、存储介质及装置 |
CN113478489A (zh) * | 2021-07-29 | 2021-10-08 | 桂林电子科技大学 | 一种机械臂轨迹规划方法 |
CN113478489B (zh) * | 2021-07-29 | 2022-05-10 | 桂林电子科技大学 | 一种机械臂轨迹规划方法 |
CN114186755A (zh) * | 2021-12-20 | 2022-03-15 | 中通服供应链管理有限公司 | 一种可视化智慧物流动态优化管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | The min-cost parallel drone scheduling vehicle routing problem | |
CN109214757A (zh) | 粮食运输路径的规划方法、用户设备、存储介质及装置 | |
LU503043B1 (en) | Smart city dynamic cold-chain logistics scheduling method based on ant colony optimization algorithm | |
Petersen et al. | The double travelling salesman problem with multiple stacks–formulation and heuristic solution approaches | |
CN104598459B (zh) | 数据库处理、数据访问方法及系统 | |
Alcaraz et al. | Rich vehicle routing problem with last-mile outsourcing decisions | |
JP2023500883A (ja) | コールドチェーン配送経路の決定方法、装置、サーバおよび記憶媒体 | |
Guemri et al. | Probabilistic tabu search for the cross-docking assignment problem | |
Kurdi | Ant colony system with a novel Non-DaemonActions procedure for multiprocessor task scheduling in multistage hybrid flow shop | |
CN103309917A (zh) | 路径搜索方法和路径搜索装置 | |
Bayliss et al. | A two-phase local search with a discrete-event heuristic for the omnichannel vehicle routing problem | |
CN106874574B (zh) | 基于决策树的移动应用性能瓶颈分析方法及装置 | |
CN115545609A (zh) | 一种动态货位分配方法、系统、电子设备及计算机可读存储介质 | |
Kim et al. | Ant colony optimisation with random selection for block transportation scheduling with heterogeneous transporters in a shipyard | |
CN109102128A (zh) | 基于人工鱼群算法的车辆路径设置方法、装置及终端 | |
US20200349594A1 (en) | Customer flow line and customer flow hot zone determining method and apparatus | |
Heinold et al. | Primal-dual value function approximation for stochastic dynamic intermodal transportation with eco-labels | |
CN113112203B (zh) | 一种基于混合蚁群算法多配送中心车辆路径安排系统 | |
CN115705593A (zh) | 物流运输方法、装置、计算机设备和存储介质 | |
CN109345008A (zh) | 自动排船方法 | |
CN113177757A (zh) | 一种调度方法 | |
CN110930092B (zh) | 一种配送路线调整方法、装置、电子设备和存储介质 | |
Ladage et al. | A revised formulation, library and heuristic for a chemical tanker scheduling problem | |
Carvalho et al. | Improving cellular automata scheduling through dynamics control | |
Rinaldi et al. | The vehicle routing problem in the dairy sector: a case study |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |