CN109559062B - 一种合作式物流问题的任务分配与路径规划方法 - Google Patents
一种合作式物流问题的任务分配与路径规划方法 Download PDFInfo
- Publication number
- CN109559062B CN109559062B CN201910010718.1A CN201910010718A CN109559062B CN 109559062 B CN109559062 B CN 109559062B CN 201910010718 A CN201910010718 A CN 201910010718A CN 109559062 B CN109559062 B CN 109559062B
- Authority
- CN
- China
- Prior art keywords
- order
- path
- equal
- subsidiary
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013439 planning Methods 0.000 title claims abstract description 24
- 238000003780 insertion Methods 0.000 claims description 23
- 230000037431 insertion Effects 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000002068 genetic effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于物流管理领域,具体涉及一种合作式物流问题的任务分配与路径规划方法。第一步建模型,总公司辖有M个子公司,所有子公司共有N个订单需要满足,子公司统一使用具有相同载重量的车型运送货物;目标是得到运输距离最短的路径行驶方案;第二步,求解模型,订单重分配的结果是将总订单进行重新分配,从而根据订单的地理位置互补性将订单分配给相对最近的子公司,实现总订单的最优分配。下一步就是基于Sm、Rm进行子公司内部的车辆路径规划,目标是优化每一个子公司的运输成本,得到运输距离最小的车辆配送路线。本发明有助于减少物流公司及其子公司的运输成本,并有助于减少CO2的排放,从而实现公司间的共赢与环境友好型发展。
Description
技术领域
本发明属于物流管理领域,具体涉及一种合作式物流问题的任务分配与路径规划方法。
背景技术
随着物流产业的迅速发展,物流公司迫切需要提高运输效率以保证竞争力。提高运输效率的一个关键措施便是减少不必要的花费,包括时间花费、油料花费等。对于一个下辖了几个子公司的物流总公司来说,物流运输的一个关键目标便是实现总运输成本的最小化。现有的管理模式是基于子公司的“烟囱式”管理,即每一个子公司只对公司内部的订单进行配送,而不会对其他处于同一级别的子公司的订单配送产生影响。这种配送模式便于总公司进行管理,但无合作的配送极易产生不必要的花费,例如公司A负责的订单E在地理位置上更接近于公司B,若将订单E按照“烟囱式”管理分配给公司A,则会产生比分配给公司B更大的运输花费。为了提高总物流系统的运输效率,减少不必要的物流成本,子公司之间的合作迫切需要,这就产生了合作式车辆路径规划问题(CoVRP)。
CoVRP通过对联盟参与者的订单进行基于地理位置的重新分配,使得各参与者实现订单配送的优势互补,从而最大化总运输距离以及各参与者的运输距离减少量。除了可以减少物流系统的不必要的花费,子公司之间的合作也对污染物减少方面起到积极的效果。众所周知,道路运输是CO2排放的主要来源之一,合作式的物流规划可以显著减少车辆的运输距离,进而有益于CO2等污染物排放量的减少。
本发明提出一种合作式物流问题的求解策略。首先构建了CoVRP问题的数学模型,然后设计了一个两阶段启发式算法进行求解。第一阶段进行基于两个距离准则的订单分配。通过对所有子公司进行订单重新分配,实现所有订单的最佳分布。第二阶段是基于混合遗传算法求解单个公司的车辆路径规划问题,这一阶段的目标是实现各个子公司运输成本的最小化。通过设计合作式物流问题的求解策略,最终实现公司间的共赢与环境友好型发展。
发明内容
本发明所要解决的技术问题,是合作式物流问题的任务分配与路径规划方法设计,即CoVRP的求解策略。CoVRP的目标是实现各个物流运输子公司运输成本的最大减少量,从而实现子公司间的优势互补、合作共赢以及整个物流公司的运输成本最小化。
为了达到上述目的,本发明的技术方案如下:
第一步,模型建立
一个总公司辖有M个子公司,所有子公司共有N个订单需要满足,子公司统一使用具有相同载重量的车型运送货物。目标是得到运输距离最短的路径行驶方案。以下是模型中各变量及其所代表的意义:
M:子公司个数;
N:总订单的个数;
C:车辆的载重能力;
K:车辆的数量;
H:所有车辆的集合;
k:车辆的编号,k∈H;
V:所有点的集合,包括子公司与所有订单,V=(1,2,…,N,N+1,…,M);
i,j:集合V中任意点的编号;
A:所有订单的集合,A=(1,2,…,N);
B:所有子公司的集合,B=(1,2,…,M);
m:子公司的编号,m∈B,1≤m≤M;
D:集合V中任意两点的距离构成的集合;
dij:集合V中任意两点i和j的距离,dij∈D;
Q:集合A中任意订单i的需求构成的集合;
qi:集合A中任意订单i的需求,qi>0,qi∈Q;
xijk:二进制变量,xijk等于1,表示车辆k从点i点离开后到达点j,k∈H,i,j∈V,否则为0。
目标函数:
约束:
xijk∈{0,1}i,j∈V k∈H (8)
该模型中,公式(1)描述了CoVRP问题的目标,即最小化所有子公司的总运输距离。
约束(2)和(3)保证每个订单由一个且只由一辆车满足。
约束(4)表示路径连续性。
约束(5)描述了车辆容量的限制条件。
约束(6)和(7)表示车辆的可用性。
公式(8)定义二元变量xijk的值。
第二步,求解模型
本发明提出一种两阶段启发式算法求解CoVRP,第一阶段采用基于两个距离准则的方法,将所有订单重新分配给子公司,最终得到每一个子公司m的订单分配结果Sm以及对应的车辆分配结果Tm。第二阶段通过求解每一个子公司的最小车辆行驶距离进行累加从而得到总公司的最小车辆行驶距离
步骤1:订单重分配
定义1:模糊点与模糊集:不能分配给最近子公司的订单点称为模糊点,模糊点构成的集合为模糊集,用F表示。
定义2:距离比例:订单点到两个子公司的距离之比,用a(t,u)=Dt[i]/Du[i]表示,i表示集合A中的任意一个订单,t,u表示集合B中任意两个子公司的编号,且t<u,Dt,Du示分别表示集合A中所有订单分别到子公司t,u的距离的集合。
定义3:相对距离系数:反映了一个订单被分配给最近子公司的容易程度,用α和β表示。
步骤1.1:对于集合A中的订单,令i=0;
步骤1.2:计算订单i所有的距离比例a(t,u),其中1≤t≤M,1≤u≤M,且t<u;
步骤1.3:判断
如果任意a(1,u)≤α,其中1<u≤M,订单i分配给第一个子公司,得到S1;
如果任意a(t,m)≥β且a(m,u)≤α,其中1<m<s,t=(1,2,...,m),p=(m+1,...,s),且t<m<p,则订单i分配给第m个子公司,得到Sm;
如果任意a(t,M)≥β,其中1≤t<M,则订单i分配给第M个子公司,得到SM;
当以上判断条件都不满足,将订单i加入模糊集F。
步骤1.4:令i=i+1,判断i与N的大小,如果i≤N-1,则转到步骤1.2,否则转到步骤1.5;
步骤1.5:对于集合F中的订单i,计算订单i与集合A中所有订单的距离,记录与订单i距离最小的A中订单的编号j;
步骤1.6:获取订单j分配到的子公司,并将订单i分配给该子公司;
步骤1.7:顺序移动到集合F的下一个订单,判断是否到达集合F的最后位置,若是,转到步骤1.8,否则返回步骤1.5;
步骤1.8:输出每一个子公司m分配到的订单集合Sm,根据Sm中的元素个数,得到每一个子公司m分配到的订单个数Rm。
订单重分配的结果是将总订单进行重新分配,从而根据订单的地理位置互补性将订单分配给相对最近的子公司,实现总订单的最优分配。由于每一个子公司都被分配了一定数量的订单,下一步就是基于Sm、Rm进行子公司内部的车辆路径规划,目标是优化每一个子公司的运输成本,得到运输距离最小的车辆配送路线。
步骤2:子公司车辆路径规划
对于子公司m,采用混合遗传算法求解车辆配送路线。
步骤2.1:问题编码
路径问题编码部分首先用一条含有Sm中所有订单的长路径表示一个解,如图1所示,然后通过车辆载重量约束C,将含有Rm个订单的解划分为带有tm条子路径的解,如图2所示。
设L表示包含子公司m所有订单的数组,数组L表示一整条路径,长度为Rm;h记录订单在数组L中的次序,h为整数,0≤h≤Rm-1,L[h]表示数组L中第h个订单;
步骤2.1.1:随机生成一个包含有Rm个整数的数组L,令h=0,tm=0;
步骤2.1.2:在集合Q中检索并记录订单L[h]对应的需求量,令h=h+1;
步骤2.1.3:检索订单L[h]在集合Q中的需求,并计算当前订单的总需求;
步骤2.1.4:判断当前总需求是否满足车辆的载重量约束C,如果满足,则令h=h+1,转到步骤2.1.5,否则转到步骤2.1.6;
步骤2.1.5:判断h大小,如果h≤Rm-1,转到步骤2.1.3,否则转到步骤2.1.7;
步骤2.1.6:在当前订单的下一位置插入分隔符“0”,令h=h+1,tm=tm+1,转到步骤2.1.2;
步骤2.1.7:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.1.8:输出带有分隔符“0”的路径L以及路径中的子路径个数tm。
步骤2.2:种群初始化
为了加快遗传算法的收敛速度,同时避免算法过早陷入局部最优,本发明设计了组合式初始化策略。即部分个体由基于角度的划分方法(ABPA)产生构造解,另一部分则由随机策略(RS)产生。本发明将ABPA与RS产生解的比例设置为1:9。假定种群大小为P,则ABPA产生的后代数为0.1P,RS产生的后代为0.9P。
步骤2.2.1:重复步骤2.1共0.1P次,得到0.1P个随机初始解;
步骤2.2.2:通过ABPA得到0.9P个初始解
步骤2.2.2.1:首先以子公司m的位置为原点,画出x轴与y轴,分别计算每一个订单点i与m的连线和x轴的夹角θ值,具体计算过程如式(9)所示:
其中x0,y0分别为子公司m的横、纵坐标,xi,yi分别为订单i的横、纵坐标。
设数组z包含子公司m所有订单的θ值,长度为Rm。数组b为数组z中的数值按照从小到大顺序排列的结果。数组G存储数组b中每一个角度值对应的订单。f记录订单在数组G中的次序,f为整数,0≤f≤Rm-1,G[f]表示数组G中第f个订单。
步骤2.2.2.2:令f=0,tm=0;
步骤2.2.2.3:在集合Q中检索并记录订单G[f]对应的需求量,令f=f+1;
步骤2.2.2.4:检索订单G[f]在集合Q中的需求,并计算当前订单的总需求;
步骤2.2.2.5:判断当前总需求是否满足车辆的载重量约束C如果满足,令f=f+1,转到步骤2.2.2.6,否则转到步骤2.2.2.7;
步骤2.2.2.6:判断f大小,如果f≤Rm-1,转到步骤2.2.2.6,否则转到步骤2.2.2.8;
步骤2.2.2.7:在当前订单的下一位置插入分隔符“0”,令f=f+1,tm=tm+1,转到步骤2.2.2.3;
步骤2.2.2.8:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.2.2.9:输出带有分隔符“0”的路径G以及路径中的子路径个数tm;
步骤2.2.2.10:重复步骤2.2.2共0.9P次,得到0.9P个初始解。
步骤2.3:交叉过程
本发明设计了最佳插入交叉算子(BIC),并结合局部搜索以及贪婪算法的思想,在保证获得可行解的同时,实现子代的适应值最大。BIC算子随机选择步骤2.2中产生的初始解进行交叉操作,算子示意图如图3所示。
具体过程如下:
BIC由两步组成,即删除过程和插入过程。
步骤2.3.1:删除过程
步骤2.3.1.1:在当前种群P中随机选择两个父代,P1和P2;
步骤2.3.1.2:分别在P1和P2中选择一条子路径r1,r2,然后将P1选择的子路径r1中的需求点在P2解中删除掉,将P2选择的子路径r2中的需求点在P1解中删除掉。r1,r2为包含部分订单的数组,分别表示来自父代P1和P2的子路经。
步骤2.3.2:插入过程
假设e为数组r1,r2中订单的次序,r1[e]表示子路经r1中第e个订单,r2[e]表示子路经r2中第e个订单。|r1|表示子路经r1的订单个数,|r2|表示子路经r2的订单个数。
步骤2.3.2.1:首先在父代P1中插入缺失的点,即P2子路径r2中的点,令e=0;
步骤2.3.2.2:在P1的当前子路径中顺序插入订单点r2[e];
步骤2.3.2.3:判断P1的子路径是否满足车辆的容量约束C,若满足,转到步骤2.3.2.4,否则在P1中顺序转入下一条子路径,并转到步骤2.3.2.2;
步骤2.3.2.4:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.5:根据公式(10)计算P1中当前子路径中下一个可行的插入点,判断P1是否检索到最后一个可插入点,如果是,转到步骤2.3.2.6,否则转到步骤2.3.2.3;
步骤2.3.2.6:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;
步骤2.3.2.7:判断e大小,如果e≤|r2|-1,则转到步骤2.3.2.2,否则转到步骤2.3.2.8。
步骤2.3.2.8:在父代P2中插入缺失的点,即P1子路径r1中的点,令e=0;
步骤2.3.2.9:在P2的当前子路径中顺序插入订单点r1[e];
步骤2.3.2.10:判断P2的子路径是否满足车辆的容量约束C,若满足,转到步骤2.3.2.11,否则在P2中顺序转入下一条子路径,并转到步骤2.3.2.9;
步骤2.3.2.11:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.12:根据公式(10)计算P2中当前子路径中下一个可行的插入点,判断P2是否检索到最后一个可插入点,如果是,转到步骤2.3.2.13,否则转到步骤2.3.2.10;
步骤2.3.2.13:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;
步骤2.3.2.14:判断e大小,如果e≤|r1|-1,则转到步骤2.3.2.9,否则转到步骤2.3.3;
步骤2.3.3:重复步骤2.3.1-2.3.2共P次;
步骤2.3.4:2P个交叉后的子代。
步骤2.4:变异过程
本发明采用交换变异算子(EM),通过交换子路径的两个订单的位置实现部分基因突变,如图4所示。变异过程基于步骤2.3中产生的2P个子代,具体变异过程如下:
假设w表示变异过程执行的次序,1≤w≤2P。
步骤2.4.1:令w=1;
步骤2.4.2:在2P个个体中随机选择一个个体;
步骤2.4.3:随机生成0到1之间的随机数,如果该随机数小于变异概率Pm,则转到步骤2.4.4,否则令w=w+1,转到步骤2.4.5;
步骤2.4.4:随机选择该个体中的一条子路径,然后随机选择子路径中的两个订单进行交换,令w=w+1;
步骤2.4.5:判断w的大小,如果w≤2P,转到步骤2.4.2,否则转到步骤2.4.6;
步骤2.4.6:输出2P个变异后的后代。
步骤2.5:选择过程
选择过程通过适应度值选择部分个体作为下一次迭代的父代。适应度值用来评价个体优劣的程度,适应度值越大表示个体越好。本发明中的适应度值描述为车辆行驶路径距离D的倒数,即公式(10)得到结果的倒数。选择过程采用基于锦标赛的选择策略,具体步骤如下:
步骤2.5.1:在2P个变异后的个体中随机选择两个个体,分别计算两个个体的适应度值,选择适应度较大的个体进入下一代;
步骤2.5.2:重复步骤2.5.1共P次,即从2P个个体中选择出P个新个体进行下一次迭代。
步骤2.6:重复步骤2.3-2.5共g次,g表示最大迭代代数,记录下g次迭代中Cost最小的个体,将该个体及Cost值作为子公司m的车辆路径规划方案输出;
本发明的有益效果:
本发明基于目前物流公司“烟囱式”管理模式的低效性,提出一种合作式求解方法。首先构建了合作式物流问题的数学模型,进而设计了两阶段启发式算法进行求解。具体包括订单重分配算法以及子公司内的路径规划算法。本发明将有助于减少物流公司及其子公司的运输成本,并有助于减少CO2的排放,从而实现公司间的共赢与环境友好型发展。
附图说明
图1不含分隔符的遗传算法编码方式。
图2带有分隔符0的遗传算法编码方式。
图3最佳插入交叉算子(BIC)示意图。
图4交换变异算子(EM)示意图。
图5(a)基于两个距离准则的订单重分配需求示意图。
图5(b)基于两个距离准则的订单重分配结果示意图。
图6基于混合遗传算法(HGA)求解的CoVRP车辆路径规划结果。
具体实施方式
下面结合说明书附图来对本发明进一步说明。
设物流公司子公司数M为3,车辆载重量C=100,共有订单N为150,种群大小P为100,变异概率pm为0.1,最大迭代代数g为200,α=0.6,β=1.4。
步骤1:订单重分配
步骤1.1:令i=0;
步骤1.2:分别计算订单i的距离比例a12,a13,a23;
步骤1.3:判断
如果a12≤0.6且a13≤0.6,则订单i分配给子公司1,将订单i加入到集合S1;
如果a12≥1.4且a23≤0.6,则订单i分配给子公司2,将订单i加入到集合S2;
如果a13≥1.4且a23≥1.4,则订单i分配给子公司3,将订单i加入到集合S3;
如果以上不满足,将订单i加入模糊集F。
步骤1.4:i=i+1,判断i与149的大小,如果i≤149,则转到步骤1.2,否则转到步骤1.5;
步骤1.5:对于集合F中的订单i,计算与所有订单的距离,记录与订单i距离最小的订单编号j;
步骤1.6:获取订单j分配到的子公司,并将订单i分配给该子公司;
步骤1.7:顺序移动到集合F的下一个订单,判断是否到达集合F的最后位置,若是,转到步骤1.8,否则返回步骤1.5;
步骤1.8:输出每一个子公司m分配到的订单集合Sm,根据Sm中的元素个数,得到每一个子公司m分配到的订单个数Rm;
步骤2:子公司车辆路径规划
对于子公司m:
步骤2.1:问题编码
步骤2.1.1:随机生成一个包含有Rm个整数的数组L,令h=0,tm=0;
步骤2.1.2:在集合Q中检索并记录订单L[h]对应的需求量,令h=h+1;
步骤2.1.3:检索订单L[h]在集合Q中的需求,并计算当前订单的总需求;
步骤2.1.4:判断当前总需求是否满足车辆的载重量约束100,如果满足,令h=h+1,转到步骤2.1.5,否则转到步骤2.1.6;
步骤2.1.5:判断h大小,如果h≤Rm-1,转到步骤2.1.3,否则转到步骤2.1.7;
步骤2.1.6:在当前订单的下一位置插入分隔符“0”,令h=h+1,tm=tm+1,转到步骤2.1.2;
步骤2.1.7:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.1.8:输出带有分隔符“0”的路径L以及路径中的子路径个数tm。
步骤2.2:种群初始化
步骤2.2.1:重复步骤2.1共10次,得到10个随机初始解
步骤2.2.2:通过ABPA得到90个初始解
步骤2.2.2.1:首先以子公司m的位置为原点,画出x轴与y轴,分别计算每一个订单点i与m的连线和x轴的夹角θ值,具体计算过程如式(9)所示:
其中x0,y0分别为子公司m的横、纵坐标,xi,yi分别为订单i的横、纵坐标,
设数组z包含子公司m所有订单的θ值,长度为Rm。数组b为数组z中的数值按照从小到大顺序排列的结果。数组G存储数组b中每一个角度值对应的订单。f记录订单在数组G中的次序,f为整数,0≤f≤Rm-1,G[f]表示数组G中第f个订单。
步骤2.2.2.2:令f=0,tm=0;
步骤2.2.2.3:在集合Q中检索并记录订单G[f]对应的需求量,令f=f+1;
步骤2.2.2.4:检索订单G[f]在集合Q中的需求,并计算当前订单的总需求;
步骤2.2.2.5:判断当前总需求是否满足车辆的载重量约束C如果满足,令f=f+1,转到步骤2.2.2.6,否则转到步骤2.2.2.7;
步骤2.2.2.6:判断f大小,如果f≤Rm-1,转到步骤2.2.2.6,否则转到步骤2.2.2.8;
步骤2.2.2.7:在当前订单的下一位置插入分隔符“0”,令f=f+1,tm=tm+1,转到步骤2.2.2.3;
步骤2.2.2.8:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.2.2.9:输出带有分隔符“0”的路径G以及路径中的子路径个数tm;
步骤2.2.2.10:重复步骤2.2.2共90次,得到90个初始解。
步骤2.3:交叉过程
步骤2.3.1:删除过程
步骤2.3.1.1:在100个当前种群中随机选择两个父代,P1和P2;
步骤2.3.1.2:分别在P1和P2中选择一条子路径r1,r2,然后将P1选择的子路径r1中的需求点在P2解中删除掉,将P2选择的子路径r2中的需求点在P1解中删除掉。r1,r2为包含部分订单的数组,分别表示来自父代P1和P2的子路经。
步骤2.3.2:插入过程
假设e为数组r1,r2中订单的次序,r1[e]表示子路经r1中第e个订单,r2[e]表示子路经r2中第e个订单。|r1|表示子路经r1的订单个数,|r2|表示子路经r2的订单个数。
步骤2.3.2.1:首先在父代P1中插入缺失的点,即P2子路径r2中的点,令e=0;
步骤2.3.2.2:在P1的当前子路径中顺序插入订单点r2[e];
步骤2.3.2.3:判断P1的子路径是否满足车辆的容量约束C,若满足,转到步骤2.3.2.4,否则在P1中顺序转入下一条子路径,并转到步骤2.3.2.2;
步骤2.3.2.4:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.5:根据公式(10)计算P1中当前子路径中下一个可行的插入点,判断P1是否检索到最后一个可插入点,如果是,转到步骤2.3.2.6,否则转到步骤2.3.2.3;
步骤2.3.2.6:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;;
步骤2.3.2.7:判断e大小,如果e≤|r2|-1,则转到步骤2.3.2.2,否则转到步骤2.3.2.8;
步骤2.3.2.8:在父代P2中插入缺失的点,即P1子路径r1中的点,令e=0;
步骤2.3.2.9:在P2的当前子路径中顺序插入订单点r1[e];
步骤2.3.2.10:判断P2的子路径是否满足车辆的容量约束C,若满足,转到步骤2.3.2.11,否则在P2中顺序转入下一条子路径,并转到步骤2.3.2.9;
步骤2.3.2.11:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.12:根据公式(10)计算P2中当前子路径中下一个可行的插入点,判断P2是否检索到最后一个可插入点,如果是,转到步骤2.3.2.13,否则转到步骤2.3.2.10;
步骤2.3.2.13:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;
步骤2.3.2.14:判断e大小,如果e≤|r1|-1,则转到步骤2.3.2.9,否则转到步骤2.3.3;
步骤2.3.3:重复步骤2.3.1-2.3.2共100次;
步骤2.3.4:程序输出200个交叉后的子代。
步骤2.4:变异过程
假设w表示变异过程执行的次序,1≤w≤2P。
步骤2.4.1:令w=1;
步骤2.4.2:在200个个体中随机选择一个个体;
步骤2.4.3:随机生成0到1之间的随机数,如果该随机数小于变异概率0.1,则转到步骤2.4.4,否则令w=w+1,转到步骤2.4.5;
步骤2.4.4:随机选择该个体中的一条子路径,然后随机选择子路径中的两个订单进行交换,令w=w+1;
步骤2.4.5:判断w的大小,如果w≤200,转到步骤2.4.2,否则转到步骤2.4.6;
步骤2.4.6:输出200个变异后的后代。
步骤2.5:选择过程
步骤2.5.1:在200个变异后的个体中随机选择两个个体,分别计算两个个体的适应度值,选择适应度较大的个体进入下一代;
步骤2.5.2:重复步骤2.5.1共100次,即从200个个体中选择出100个个体进行下一次迭代。
步骤2.6:重复步骤2.3-2.5共200次,记录下200次迭代中Cost最小的个体,将该个体及Cost值作为子公司m的车辆路径规划方案输出;
仿真实验结果如图5、6所示。图5显示了订单重分配结果,图(a)表示订单分配前子公司的订单分布,图(b)表示基于本发明中的算法得到的订单重新分配结果,其中红色节点表示分配给子公司A的请求,绿色节点表示分配给子公司B的请求,蓝色节点表示分配给子公司C的请求。图5可以直观看到订单分配算法大大优化了总订单的分布情况。图6为基于混合遗传算法求解的CoVRP的车辆路径规划结果。经计算,合作前的运输成本为2604,合作后的运输成本为1338,即降低了48.62%的运输成本,表明所设计的两阶段启发式算法求解合作式物流问题的有效性。
Claims (2)
1.一种合作式物流问题的任务分配与路径规划方法,其特征在于,步骤如下:
第一步,模型建立
一个总公司辖有M个子公司,所有子公司共有N个订单需要满足,子公司统一使用具有相同载重量的车型运送货物;目标是得到运输距离最短的路径行驶方案;以下是模型中各变量及其所代表的意义:
M:子公司个数;N:总订单的个数;C:车辆的载重量约束;K:车辆的数量;
H:所有车辆的集合;k:车辆的编号,k∈H;V:所有点的集合,包括子公司与所有订单,V=(1,2,…,N,N+1,…,M);i,j:集合V中任意点的编号;A:所有订单的集合,A=(1,2,…,N);B:所有子公司的集合,B=(1,2,…,M);m:子公司的编号,m∈B,1≤m≤M;Sm:每个子公司m分配到的订单集合,包括公司m点,Rm:每个子公司m分配到的订单数,有Tm:每个子公司m的车辆集合,tm:每个子公司m的车辆数,D:集合V中任意两点的距离构成的集合;dij:集合V中任意两点i和j的距离,dij∈D;Q:集合A中任意订单i的需求构成的集合;qi:集合A中任意订单i的需求,qi>0,qi∈Q;xijk:二进制变量,xijk等于1,表示车辆k从点i点离开后到达点j,k∈H,i,j∈V,否则为0;
目标函数:
约束:
xijk∈{0,1}i,j∈V k∈H (8)
该模型中,公式(1)描述了CoVRP问题的目标,即最小化所有子公司的总运输距离;
第二步,求解模型
步骤1:订单重分配
定义1:模糊点与模糊集:不能分配给最近子公司的订单点称为模糊点,模糊点构成的集合为模糊集,用F表示;
定义2:距离比例:订单点到两个子公司的距离之比,用a(t,u)=Dt[i]/Du[i]表示,i表示集合A中的任意一个订单,t,u表示集合B中任意两个子公司的编号,且t<u,Dt,Du示分别表示集合A中所有订单分别到子公司t,u的距离的集合;
定义3:相对距离系数:反映了一个订单被分配给最近子公司的容易程度,用α和β表示;
步骤1.1:对于集合A中的订单,令i=0;
步骤1.2:计算订单i所有的距离比例a(t,u),其中1≤t≤M,1≤u≤M,且t<u;
步骤1.3:判断
如果任意a(1,u)≤α,其中1<u≤M,订单i分配给第一个子公司,得到S1;
如果任意a(t,m)≥β且a(m,u)≤α,其中1<m<s,t=(1,2,...,m),p=(m+1,...,s),且t<m<p,则订单i分配给第m个子公司,得到Sm;
如果任意a(t,M)≥β,其中1≤t<M,则订单i分配给第M个子公司,得到SM;
当以上判断条件都不满足,将订单i加入模糊集F;
步骤1.4:令i=i+1,判断i与N的大小,如果i≤N-1,则转到步骤1.2,否则转到步骤1.5;
步骤1.5:对于集合F中的订单i,计算订单i与集合A中所有订单的距离,记录与订单i距离最小的A中订单的编号j;
步骤1.6:获取订单j分配到的子公司,并将订单i分配给该子公司;
步骤1.7:顺序移动到集合F的下一个订单,判断是否到达集合F的最后位置,若是,转到步骤1.8,否则返回步骤1.5;
步骤1.8:输出每一个子公司m分配到的订单集合Sm,根据Sm中的元素个数,得到每一个子公司m分配到的订单个数Rm;
基于Sm、Rm进行子公司内部的车辆路径规划,目标是优化每一个子公司的运输成本,得到运输距离最小的车辆配送路线;
步骤2:子公司车辆路径规划
步骤2.1:问题编码
路径问题编码部分首先用一条含有Sm中所有订单的长路径表示一个解,然后通过车辆载重量约束C,将含有Rm个订单的解划分为带有tm条子路径的解;
设L表示包含子公司m所有订单的数组,数组L表示一整条路径,长度为Rm;h记录订单在数组L中的次序,h为整数,0≤h≤Rm-1,L[h]表示数组L中第h个订单;
步骤2.1.1:随机生成一个包含有Rm个整数的数组L,令h=0,tm=0;
步骤2.1.2:在集合Q中检索并记录订单L[h]对应的需求量,令h=h+1;
步骤2.1.3:检索订单L[h]在集合Q中的需求,并计算当前订单的总需求;
步骤2.1.4:判断当前总需求是否满足车辆的载重量约束C,如果满足,则令h=h+1,转到步骤2.1.5,否则转到步骤2.1.6;
步骤2.1.5:判断h大小,如果h≤Rm-1,转到步骤2.1.3,否则转到步骤2.1.7;
步骤2.1.6:在当前订单的下一位置插入分隔符“0”,令h=h+1,tm=tm+1,转到步骤2.1.2;
步骤2.1.7:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.1.8:输出带有分隔符“0”的路径L以及路径中的子路径个数tm;
步骤2.2:种群初始化
将基于角度的划分方法与随机策略产生解的比例设置为1:9;种群大小为P,则基于角度的划分方法产生的后代数为0.1P,随机策略产生的后代为0.9P;
步骤2.2.1:重复步骤2.1共0.9P次,得到0.9P个随机初始解;
步骤2.2.2:通过基于角度的划分方法得到0.1P个初始解;
步骤2.3:交叉过程
步骤2.3.1:删除过程
步骤2.3.1.1:在当前种群P中随机选择两个父代,P1和P2;
步骤2.3.1.2:分别在P1和P2中选择一条子路径r1,r2,然后将P1选择的子路径r1中的需求点在P2解中删除掉,将P2选择的子路径r2中的需求点在P1解中删除掉;r1,r2为包含部分订单的数组,分别表示来自父代P1和P2的子路经;
步骤2.3.2:插入过程
设e为数组r1,r2中订单的次序,r1[e]表示子路经r1中第e个订单,r2[e]表示子路经r2中第e个订单;|r1|表示子路经r1的订单个数,|r2|表示子路经r2的订单个数;
步骤2.3.2.1:首先在父代P1中插入缺失的点,即P2子路径r2中的点,令e=0;
步骤2.3.2.2:在P1的当前子路径中顺序插入订单点r2[e];
步骤2.3.2.3:判断P1的子路径是否满足车辆的载重量约束C,若满足,转到步骤2.3.2.4,否则在P1中顺序转入下一条子路径,并转到步骤2.3.2.2;
步骤2.3.2.4:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.5:根据公式(10)计算P1中当前子路径中下一个可行的插入点,判断P1是否检索到最后一个可插入点,如果是,转到步骤2.3.2.6,否则转到步骤2.3.2.3;
步骤2.3.2.6:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;
步骤2.3.2.7:判断e大小,如果e≤|r2|-1,则转到步骤2.3.2.2,否则转到步骤2.3.2.8;
步骤2.3.2.8:在父代P2中插入缺失的点,即P1子路径r1中的点,令e=0;
步骤2.3.2.9:在P2的当前子路径中顺序插入订单点r1[e];
步骤2.3.2.10:判断P2的子路径是否满足车辆的载重量约束C,若满足,转到步骤2.3.2.11,否则在P2中顺序转入下一条子路径,并转到步骤2.3.2.9;
步骤2.3.2.11:由公式(10)计算并存储插入后的成本Cost;
步骤2.3.2.12:根据公式(10)计算P2中当前子路径中下一个可行的插入点,判断P2是否检索到最后一个可插入点,如果是,转到步骤2.3.2.13,否则转到步骤2.3.2.10;
步骤2.3.2.13:比较所有Cost中的最小值,将Cost最小值的方案作为订单最佳插入位置,令e=e+1;
步骤2.3.2.14:判断e大小,如果e≤|r1|-1,则转到步骤2.3.2.9,否则转到步骤2.3.3;
步骤2.3.3:重复步骤2.3.1-2.3.2共P次;
步骤2.3.4:2P个交叉后的子代;
步骤2.4:变异过程
设w表示变异过程执行的次序,1≤w≤2P;
步骤2.4.1:令w=1;
步骤2.4.2:在2P个个体中随机选择一个个体;
步骤2.4.3:随机生成0到1之间的随机数,如果该随机数小于变异概率Pm,则转到步骤2.4.4,否则令w=w+1,转到步骤2.4.5;
步骤2.4.4:随机选择该个体中的一条子路径,然后随机选择子路径中的两个订单进行交换,令w=w+1;
步骤2.4.5:判断w的大小,如果w≤2P,转到步骤2.4.2,否则转到步骤2.4.6;
步骤2.4.6:输出2P个变异后的后代;
步骤2.5:选择过程
步骤2.5.1:在2P个变异后的个体中随机选择两个个体,分别计算两个个体的适应度值,选择适应度大的个体进入下一代;
步骤2.5.2:重复步骤2.5.1共P次,即从2P个个体中选择出P个新个体进行下一次迭代;
步骤2.6:重复步骤2.3-2.5共g次,g表示最大迭代代数,记录下g次迭代中Cost最小的个体,将该个体及Cost值作为子公司m的车辆路径规划方案输出;
2.如权利要求1所述的一种合作式物流问题的任务分配与路径规划方法,其特征在于,步骤2.2.2:通过基于角度的划分方法得到0.1P个初始解,具体步骤如下
步骤2.2.2.1:以子公司m的位置为原点,画出x轴与y轴,分别计算每一个订单点i与m的连线和x轴的夹角θ值,具体计算过程如式(9)所示:
其中x0,y0分别为子公司m的横、纵坐标,xi,yi分别为订单i的横、纵坐标;
设数组z包含子公司m所有订单的θ值,长度为Rm;数组b为数组z中的数值按照从小到大顺序排列的结果;数组G存储数组b中每一个角度值对应的订单;f记录订单在数组G中的次序,f为整数,0≤f≤Rm-1,G[f]表示数组G中第f个订单;
步骤2.2.2.2:令f=0,tm=0;
步骤2.2.2.3:在集合Q中检索并记录订单G[f]对应的需求量,令f=f+1;
步骤2.2.2.4:检索订单G[f]在集合Q中的需求,并计算当前订单的总需求;
步骤2.2.2.5:判断当前总需求是否满足车辆的载重量约束C如果满足,令f=f+1,转到步骤2.2.2.6,否则转到步骤2.2.2.7;
步骤2.2.2.6:判断f大小,如果f≤Rm-1,转到步骤2.2.2.6,否则转到步骤2.2.2.8;
步骤2.2.2.7:在当前订单的下一位置插入分隔符“0”,令f=f+1,tm=tm+1,转到步骤2.2.2.3;
步骤2.2.2.8:在当前订单的下一位置插入分隔符“0”,令tm=tm+1;
步骤2.2.2.9:输出带有分隔符“0”的路径G以及路径中的子路径个数tm;
步骤2.2.2.10:重复步骤2.2.2共0.1P次,得到0.1P个初始解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010718.1A CN109559062B (zh) | 2019-01-07 | 2019-01-07 | 一种合作式物流问题的任务分配与路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010718.1A CN109559062B (zh) | 2019-01-07 | 2019-01-07 | 一种合作式物流问题的任务分配与路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559062A CN109559062A (zh) | 2019-04-02 |
CN109559062B true CN109559062B (zh) | 2021-05-11 |
Family
ID=65872413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910010718.1A Active CN109559062B (zh) | 2019-01-07 | 2019-01-07 | 一种合作式物流问题的任务分配与路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559062B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706058A (zh) * | 2019-09-06 | 2020-01-17 | 爱易优(上海)信息科技有限公司 | 一种基于路径和时间的预约订单分配系统及方法 |
CN110674978A (zh) * | 2019-09-10 | 2020-01-10 | 大连理工大学 | 一种车间无人运输系统任务分配与路径规划方法 |
CN112966887B (zh) * | 2019-12-13 | 2024-05-28 | 多点(深圳)数字科技有限公司 | 生成分配信息的方法、装置、电子设备和介质 |
CN113128919A (zh) * | 2019-12-30 | 2021-07-16 | 北京宝沃汽车股份有限公司 | 车联网服务平台、车辆的物流服务处理方法、装置和系统 |
CN111103887B (zh) * | 2020-01-14 | 2021-11-12 | 大连理工大学 | 一种基于多传感器的多移动机器人调度系统设计方法 |
CN111582701B (zh) * | 2020-04-30 | 2021-02-05 | 南京福佑在线电子商务有限公司 | 订单处理方法、装置、存储介质及电子设备 |
CN111709570B (zh) * | 2020-06-11 | 2022-09-27 | 西南交通大学 | 一种网络甩挂运输调度的优化方法 |
CN111985792B (zh) * | 2020-07-30 | 2023-12-29 | 中国外运股份有限公司 | 冷链运输车辆负载均衡的排单方法、装置和电子设备 |
CN112036623B (zh) * | 2020-08-20 | 2024-05-14 | 大连理工大学 | 一种横向物流联盟的利益协调方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004044808A1 (en) * | 2000-11-14 | 2004-05-27 | Walker Digital, Llc | Method and apparatus for dynamic rule and/or offer generation |
CN104461720A (zh) * | 2014-11-28 | 2015-03-25 | 西安电子科技大学 | 一种可分任务调度模型的求解方法及系统 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
-
2019
- 2019-01-07 CN CN201910010718.1A patent/CN109559062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004044808A1 (en) * | 2000-11-14 | 2004-05-27 | Walker Digital, Llc | Method and apparatus for dynamic rule and/or offer generation |
CN104461720A (zh) * | 2014-11-28 | 2015-03-25 | 西安电子科技大学 | 一种可分任务调度模型的求解方法及系统 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于GIS和遗传算法的物流配送中心选址研究;林娜;《GIS技术》;20100531;全文 * |
基于改进遗传算法的物流配送路径优化;罗勇;《系统工程》;20120831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109559062A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559062B (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
CN109919376B (zh) | 多车场与多车型车辆路径调度控制方法 | |
CN110657816B (zh) | 一种基于烟花算法的带硬时间窗的车辆路径问题规划方法 | |
CN112836892B (zh) | 基于改进遗传算法的多目标车辆配送路径确定方法及系统 | |
CN112686458B (zh) | 一种多车型车队配送货过程的优化调度方法 | |
CN109948855A (zh) | 一种带时间窗的异构危化品运输路径规划方法 | |
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 | |
CN108256969B (zh) | 一种公共自行车租赁点调度区域划分方法 | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN112001541A (zh) | 一种用于路径优化的改进遗传算法 | |
CN115689247A (zh) | 一种基于改进遗传算法的整车物流调度优化方法 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN112907188A (zh) | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 | |
CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
CN114330870A (zh) | 一种基于多种群进化算法的带时间窗的车辆路径规划方法 | |
CN117252395A (zh) | 基于双染色体遗传算法的带服务约束多物流车调度方法 | |
CN113052537A (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 | |
CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
CN110956325B (zh) | 一种带时间窗的电动汽车路径规划方法 | |
CN112036623B (zh) | 一种横向物流联盟的利益协调方法 | |
CN112700190B (zh) | 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法 | |
CN111507662B (zh) | 一种规划物流车辆路径的方法 | |
CN114240180A (zh) | 一种基于混合蚁群算法的多企业共享单车联合调度方法 |
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 |