CN109784592A - 基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法 - Google Patents

Abstract

本发明公开了一种基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，首先基于快递投递信息确结合快递智能小车的行驶数据包进行最短分配时间的单目标模型搭建；通过蒙特卡洛算法对集合的运送顺序进行有限次数的随机排列，通过目标模型进行到达每一目标地点时快递智能小车的运送时间预测，得到预测结果；根据任务分配计算快递智能小车从当前位置到目标地点的最短行驶距离，基于最短分配时间和最短行驶路径的双目标模型；求解双目标模型得到所有求解结果，通过蒙特卡洛算法从求解结果中得到指定数目的较优解，将指定数目的较优解输入粒子群算法得到最优解，得到快递智能小车的最优分配时间和最优行驶路径；本发明可提升快递分配的速度和效率。

Description

基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法

技术领域

本发明属于快递智能小车调度技术领域，具体涉及一种基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法。

背景技术

目前快递行业发展迅速，同时为电商行业提供了不可或缺的业务基础，但是目前日益增长的网购需求同大部分快递运送公司较低效率的快递运送服务之间的矛盾，使得快递只能小车开始兴起，快递小车相较于人工分配快递的配送而言，它克服了人工分配快递包裹时的分配速度缓慢、错误率较高以及效率低下等问题，这些问题将给快递公司带来较大的信誉损失以致经济损。为解决此类问题，目前通过快递智能小车来进行快递调度，虽然现有的快递智能小车已经在一定程度上提升了分配速度、提升了分配效率；但是虽现有快递智能小车的调配方法过程中只需要将指定快递从起始点运送到目标点即可，分配过程中，快递智能小车所行使的路径是随机的，即无法保障快递智能小车是否以最优路径进行快递的分配，从而使得快递分配效率可以进一步提升；因此，如何实现快递智能小车的最优路径分配为现有需要亟待解决的问题。

发明内容

本发明的目的在于针对现有的快递智能小车在快递分配过程中不一定是走最优路径的问题，提供一种基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，该方法基于蒙特卡洛算法和粒子群算法从快递智能小车的分配时间和分配路径两方面来实现分配最优路径的计算，提升快递分配效率，具体技术方案如下：

一种基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，所述方法包括步骤：

S1、建立快递智能小车的运行路径模型，基于所述运行路径模型和每一快递投递信息确认对应快递邮件的目标地点确定所述快递智能小车从当前位置到所述目标地点的路程，并结合所述快递智能小车的行驶数据包进行最短分配时间的单目标模型搭建；

S2、将根据指定的所述快递智能小车设定任务分配的所有所述目标地点作为一个集合{a_p,....,a_q,...,a₀}，通过蒙特卡洛算法对所述集合的运送顺序进行有限次数的随机排列，并通过所述单目标模型进行到达每一所述目标地点时所述快递智能小车的运送时间预测，得到对应的预测结果；

S3、根据所述任务分配计算得到所述快递智能小车从所述当前位置到每一所述目标地点的最短行驶距离，基于所述单目标模型构建所述快递智能小车在快递邮件分配过程中所述最短分配时间和所述最短行驶路径的双目标模型；

S4、求解所述双目标模型得到所有求解结果，并通过蒙特卡洛算法从所述求解结果中得到指定数目的较优解，将指定数目的所述较优解输入粒子群算法得到最优解，得到所述快递智能小车的最优分配时间和最优行驶路径。

进一步的，步骤S1中所述行驶数据包包括小车的加速行使、减速行使、匀速行使以及转向，所述单目标模型的构建包括：

S11、根据所述任务分配确定所述目标地点的基数n，基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径，计算得到各个所述投置地点至各所述目标地点的最短时间t_i,j(i＝1,2,...,n，j＝1,2,....,n)；

S12、基于所述最短时间t_i,j建立一个n阶时间矩阵D：

由所述时间矩阵用以保存所述单目标模型运算所需的时间信息；

S13、假设所述快递智能小车在投置过程中的运行路径为：a_k(k＝1,2,...,m)，m表示所述快递智能小车完成所述任务分配的次数，且a_k满足：a_k∈{1,2,...,n}(k＝1,2,...,m)，以所述目标地点为基准，基于所述任务分配建立所述单目标模型：t′为所述快递智能小车卸载货物所需时间。

进一步的，所述步骤S13中，由于每次任务分配模拟时卸载的货物总数总是不变的，可将所述单目标模型简化为：

进一步的，步骤S2中利用蒙特卡洛算法求解过程包括：

S21、初始化所述快递智能小车的所述当前位置a₀，并记录所述目标地点的总数为m，同时设置利用蒙特卡洛算法求解的迭代次数；

S22、假设随机产生的所述运送顺序为a′₀→a′₁→a′₂→...→a′_m，其中，a′_k∈{a_p,...,a_q,...,a₀}(k＝1,2,...,m)，通过运行所述时间矩阵D中所述时间信息以及所述运送顺序得到所述单目标模型的预测结果

S23、保存记录所述预测结果和所述运送顺序，并转入步骤S22；

S24、将所述预测结果按照预测得到的运行时间从少到多进行排序输出，并选择其中所述较优解对应的运送顺序，将所述运送顺序作为粒子群算法的输入数据。

进一步的，步骤S3包括：

S31、基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径，计算得到各个所述投置地点至各所述目标地点的最短距离d_i,j(i＝1,2,...,n，j＝1,2,....,n)；

S32、基于所述最短距离d_i,j构建对应的距离矩阵

用以保存所述单目标模型模拟得到所述最短距离d_i,j信息；

S33、假设所述快递智能小车的起始位置a_k-1，所述目标地点为a_k，结合所述快递智能小车的运行顺序，获取所述快递智能小车完成所述任务分配的总行使距离

S34、结合所述单目标模型和所述总行驶距离构建所述双目标模型：其中，α,β为所述单目标模型和所述总行驶距离的调和系数，且满足条件：

进一步的，步骤S4利用粒子群算法的求解过程包括：

S41、将所述集合{a_p,....,a_q,...,a₀}进行全排列并对个所述运送数列进行赋值：

并利用蒙特卡洛算法粗预算所述快递智能小车n组共进行m次快递投置的较优运送顺序并将所述较优运送顺序作为粒子群算法的粒子群初始化，得到n个粒子样本：x_i(i＝1,2,...,n)；并将每组对应的运行路径信息作为初始化的位置信息输入生成n个粒子：

(a_i1,a_i2,a_i3,...,a_im)_→k,i＝1,2,...,n

x_i＝k,i＝1,2,...,n

并利用随机数产生一个范围内所述快递智能小车速度为整数的值分配给各个所述样本，其中，速度表示为：v_i,i＝1,2,...,n；

S42、由所述双目标模型计算每个所述粒子确定的排列顺序所对应的所述预测结果；

S43、确定各个所述粒子自身最好的所述最优分配时间p_best和相对粒子群的最优位置g_best；

S44、比较各个粒子的经由所述双目标模型求解值与各自对应的p_best，若所述求解值优于p_best，则将所述求解值替代p_best并保存至p_best中，否则，p_best保存不变；

S45、比较各个粒子的经由所述双目标模型求解值与各自对应的g_best，若所述求解值优于g_best，则将所述求解值替代g_best并保存至g_best中，否则，g_best保存不变；

S46、各粒子通过速度更新公式更新速度值，式中，ω为惯性因子，c₁和c₂为学习因子，δ和μ则是在[0,1]范围内的随机数；

S47、基于各粒子的速度值更新结果通过公式更新对应的位置，其中，对于越界的取边界值；

S48、判断所述双目标模型的迭代次数是否已达到要求，若已达到要求，则去对应的g_best作为所述双目标模型的最优解，否则，转入步骤S42。

本发明的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，首先通过邮件快递的投递信息以及快递智能小车在投递快递过程中的行使距离和行使数据包构建单目标模型，以快递智能小车投递快递的目标地点作为输入通过蒙特卡洛算法对单目标模型进行求解，得到快递智能小车在不同快递投置过程中时间预测结果；随后，在单目标模型的基础上，结合快递智能小车在邮件快递投置过程中最短距离构建基于时间和距离的双目标模型；最后，通过粒子群算法求解双目标模型，得到快递智能小车在邮件快递投置过程中最短时间和最短距离组合；与现有技术相比，本发明结合了快递智能小车关于时间还有路程的分布规律，具有调配方案精准、计算快捷同时具有动态应对不同任务分配的优秀的实用性，能够很好为快递的投递提供合理的调度方案。

附图说明

图1为本发明实施例中所述基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法的流程框图示意；

图2为本发明实施例中所述蒙特卡洛算法的实现流程图示意；

图3为本发明实施例中所述粒子群算法的实现流程图示意。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提出一种基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法。

参阅图1，本发明提出方法具体包括步骤如下：

步骤一、建立快递智能小车的运行路径模型，基于运行路径模型和每一快递投递信息确认对应快递邮件的目标地点确定快递智能小车从当前位置到目标地点的路程，并结合快递智能小车的行驶数据包进行最短分配时间的单目标模型搭建；其中，所述行驶数据包包括小车的加速行使、减速行使、匀速行使以及转向。

在实施例中，本发明方法根据快递智能小车工作的实际场景情况，具体的，首先给每一快递智能小车根据实际情况进行任务分配，例如，由快递智能小车A将B地所有邮件快递按照对应的快递信息进行配送记为一个任务，具体的，以快递智能小车需要根据快递分类并送至的地点个数为基数n，通过行驶数据包结合每一个投置快递地点行驶至从第1个地点到第n个地点的最短路径情况，分别算出从各个出发投置地点至各个目的投置地点的时间；具体过程为：

首先，根据任务分配确定目标地点的基数n，基于行使数据包结合邮件快递投置地点i行驶至第j个目标地点的最短路径，计算得到各个投置地点至各目标地点的最短时间t_i,j(i＝1,2,...,n，j＝1,2,....,n)；然后，基于最短时间t_i,j建立一个n阶时间矩阵由时间矩阵用以保存单目标模型运算所需的时间信息；最后，假设快递智能小车在投置过程中的运行路径为：a_k(k＝1,2,...,m)，其中，m表示快递智能小车完成任务分配的次数，且a_k满足：a_k∈{1,2,...,n}(k＝1,2,...,m)，以目标地点为基准，基于任务分配建立单目标模型：其中，t′为快递智能小车卸载货物所需时间。

在具体实施例中，由于每次任务分配模拟时卸载的货物总数总是不变的，因此，可将单目标模型进行简化操作，得到等式：

步骤二、将根据指定的快递智能小车设定任务分配的所有目标地点作为一个集合{a_p,....,a_q,...,a₀}，通过蒙特卡洛算法对集合的运送顺序进行有限次数的随机排列，并通过单目标模型进行到达每一目标地点时快递智能小车的运送时间预测，得到对应的预测结果；由于本发明方法基于蒙特卡洛算法和粒子群算法完成整个方案的实施，为了后续求解得到最优的快递智能小车的分配方案，根据粒子群算法需要设置初始粒子群的信息，而初始粒子群的设置越接近最优解则会越节省离子群算法求出最优解的时间的原则，本发明使用蒙特卡洛算法对单目标模型进行求解先进行粗预测运算；具体的，本发明实施例中，蒙特卡洛算法利用随机数产生运送序列的方式，能够在有限次数内遍历尽可能多的非同种类型的运送序列；使用蒙特卡洛算法求解的具体过程包括：

首先，初始化快递智能小车的当前位置a₀，并记录目标地点的总数为m，同时设置利用蒙特卡洛算法求解的迭代次数；同时，假设由蒙特卡洛算法粗预测后随机产生的快递智能小车运送顺序为a′₀→a′₁→a′₂→...→a′_m，其中，a′_k∈{a_p,...,a_q,...,a₀}(k＝1,2,...,m)，通过运行上述时间矩阵D中的时间信息以及运送顺序得到单目标模型的预测结果然后，保存并记录预测结果和运送顺序，并将相对应结果带入预测结果和运送顺序a′₀→a′₁→a′₂→...→a′_m中；最后，将预测结果按照预测得到的运行时间从少到多进行排序输出，并选择其中较优解对应的运送顺序，将运送顺序作为粒子群算法的输入数据。

步骤三、根据任务分配计算得到快递智能小车从当前位置到每一目标地点的最短行驶距离，基于单目标模型构建快递智能小车在快递邮件分配过程中最短分配时间和最短行驶路径的双目标模型；在实际操作过程中，因为仅仅以完成时间作为目标并不能全面的使得快递智能小车的效率提高，本发明为了快递智能小车的效率完善的提升则还需要使得快递智能小车的总行程最小，使得智能小车在完成分配任务的前提下的能耗最低。因此，本发明方法在单目标模型的基础上再加上快递智能小车所运行的总路程，将完成时间和运行路程作为双目标，建立双目标模型对快递智能小车进行调度，该模型的建立具体步骤如下：

首先，基于行使数据包结合邮件快递投置地点i行驶至第j个目标地点的最短路径，计算得到各个所述投置地点至各所述目标地点的最短距离：d_i,j(i＝1,2,...,n，j＝1,2,....,n)；并基于最短距离d_i,j构建对应的距离矩阵：用以保存单目标模型模拟得到最短距离d_i,j信息；然后，假设快递智能小车的起始位置为a_k-1，目标地点为为a_k，则结合快递智能小车的运行顺序，可获取快递智能小车完成任务分配的总行使距离最后，结合单目标模型和总行驶距离构建得到可用于在时间和路程上对快递智能小车预测的双目标模型：其中，α,β为单目标模型和总行驶距离的调和系数，且满足条件：

步骤四、求解双目标模型得到所有求解结果，并通过蒙特卡洛算法从求解结果中得到指定数目的较优解，将指定数目的较优解输入粒子群算法得到最优解，得到快递智能小车的最优分配时间和最优行驶路径；本发明方法中，为了加快求解速度，采用粒子群算法进行双目标求解，粒子群算法通过在蒙特卡洛算法预测的所有结果中选择出若干个较优解作为初始化粒子群的输入信息，并采用离子群算法进行双目标的求解，具体包括过程如下：

首先，将集合{a_p,....,a_q,...,a₀}进行全排列并对个运送数列进行赋值：并利用蒙特卡洛算法粗预算快递智能小车n组共进行m次快递投置的较优运送顺序并将较优运送顺序作为粒子群算法的粒子群初始化，得到n个粒子样本：x_i(i＝1,2,...,n)；并将每组对应的运行路径信息作为初始化的位置信息输入生成n个粒子： 并利用随机数产生一个范围内所述快递智能小车速度为整数的值分配给各个所述样本，其中，速度表示为：v_i,i＝1,2,...,n；然后，由双目标模型计算每个粒子确定的排列顺序所对应的预测结果；并确定各个粒子自身最好的最优分配时间p_best和相对粒子群的最优位置g_best；同时，比较各个粒子的经由双目标模型求解值与各自对应的p_best，若求解值优于p_best，则将求解值替代p_best并保存至p_best中，否则，p_best保存不变；同理，比较各个粒子的经由双目标模型求解值与各自对应的g_best，若求解值优于g_best，则将求解值替代g_best并保存至g_best中，否则，g_best保存不变；随后，各粒子通过速度更新公式更新速度值，式中，ω为惯性因子，c₁和c₂为学习因子，δ和μ则是在[0,1]范围内的随机数；最后，基于各粒子的速度值更新结果通过公式更新对应的位置，其中，对于越界的取边界值；并判断双目标模型的迭代次数是否已达到要求，若已达到要求，则去对应的g_best作为所述双目标模型的最优解，否则，重新由双目标模型计算每个粒子确定的排列顺序所对应的预测结果，并重复上述对应步骤，直至完成快递智能小车在最短距离和最短时间基础上的对邮件快递的最优运送顺序。

本发明的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，首先通过邮件快递的投递信息以及快递智能小车在投递快递过程中的行使距离和行使数据包构建单目标模型，以快递智能小车投递快递的目标地点作为输入通过蒙特卡洛算法对单目标模型进行求解，得到快递智能小车在不同快递投置过程中时间预测结果；随后，在单目标模型的基础上，结合快递智能小车在邮件快递投置过程中最短距离构建基于时间和距离的双目标模型；最后，通过粒子群算法求解双目标模型，得到快递智能小车在邮件快递投置过程中最短时间和最短距离组合；与现有技术相比，本发明结合了快递智能小车关于时间还有路程的分布规律，具有调配方案精准、计算快捷同时具有动态应对不同任务分配的优秀的实用性，能够很好为快递的投递提供合理的调度方案。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (6)

1.基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，所述方法包括步骤：

S1、建立快递智能小车的运行路径模型，基于所述运行路径模型和每一快递投递信息确认对应快递邮件的目标地点确定所述快递智能小车从当前位置到所述目标地点的路程，并结合所述快递智能小车的行驶数据包进行最短分配时间的单目标模型搭建；

S2、将根据指定的所述快递智能小车设定任务分配的所有所述目标地点作为一个集合{a_p,....,a_q,...,a₀}，通过蒙特卡洛算法对所述集合的运送顺序进行有限次数的随机排列，并通过所述单目标模型进行到达每一所述目标地点时所述快递智能小车的运送时间预测，得到对应的预测结果；

S3、根据所述任务分配计算得到所述快递智能小车从所述当前位置到每一所述目标地点的最短行驶距离，基于所述单目标模型构建所述快递智能小车在快递邮件分配过程中所述最短分配时间和所述最短行驶路径的双目标模型；

S4、求解所述双目标模型得到所有求解结果，并通过蒙特卡洛算法从所述求解结果中得到指定数目的较优解，将指定数目的所述较优解输入粒子群算法得到最优解，得到所述快递智能小车的最优分配时间和最优行驶路径。

2.如权利要求1所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，步骤S1中所述行驶数据包包括小车的加速行使、减速行使、匀速行使以及转向，所述单目标模型的构建包括：

S11、根据所述任务分配确定所述目标地点的基数n，基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径，计算得到各个所述投置地点至各所述目标地点的最短时间t_i,j(i＝1,2,...,n，j＝1,2,....,n)；

S12、基于所述最短时间t_i,j建立一个n阶时间矩阵D：

由所述时间矩阵用以保存所述单目标模型运算所需的时间信息；

S13、假设所述快递智能小车在投置过程中的运行路径为：a_k(k＝1,2,...,m)，m表示所述快递智能小车完成所述任务分配的次数，且a_k满足：a_k∈{1,2,...,n}(k＝1,2,...,m)，以所述目标地点为基准，基于所述任务分配建立所述单目标模型：t′为所述快递智能小车卸载货物所需时间。

3.如权利要求2所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，所述步骤S13中，由于每次任务分配模拟时卸载的货物总数总是不变的，可将所述单目标模型简化为：

4.如权利要求3所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，步骤S2中利用蒙特卡洛算法求解过程包括：

S21、初始化所述快递智能小车的所述当前位置a₀，并记录所述目标地点的总数为m，同时设置利用蒙特卡洛算法求解的迭代次数；

S22、假设随机产生的所述运送顺序为a′₀→a′₁→a′₂→...→a′_m，其中，a′_k∈{a_p,...,a_q,...,a₀}(k＝1,2,...,m)，通过运行所述时间矩阵D中所述时间信息以及所述运送顺序得到所述单目标模型的预测结果

S23、保存记录所述预测结果和所述运送顺序，并转入步骤S22；

S24、将所述预测结果按照预测得到的运行时间从少到多进行排序输出，并选择其中所述较优解对应的运送顺序，将所述运送顺序作为粒子群算法的输入数据。

5.如权利要求4所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，步骤S3包括：

S31、基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径，计算得到各个所述投置地点至各所述目标地点的最短距离d_i,j(i＝1,2,...,n，j＝1,2,....,n)；

S32、基于所述最短距离d_i,j构建对应的距离矩阵用以保存所述单目标模型模拟得到所述最短距离d_i,j信息；

S33、假设所述快递智能小车的起始位置a_k-1，所述目标地点为a_k，结合所述快递智能小车的运行顺序，获取所述快递智能小车完成所述任务分配的总行使距离

S34、结合所述单目标模型和所述总行驶距离构建所述双目标模型：其中，α,β为所述单目标模型和所述总行驶距离的调和系数，且满足条件：

6.如权利要求5所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法，其特征在于，步骤S4利用粒子群算法的求解过程包括：

S41、将所述集合{a_p,....,a_q,...,a₀}进行全排列并对个所述运送数列进行赋值：并利用蒙特卡洛算法粗预算所述快递智能小车n组共进行m次快递投置的较优运送顺序并将所述较优运送顺序作为粒子群算法的粒子群初始化，得到n个粒子样本：x_i(i＝1,2,...,n)；并将每组对应的运行路径信息作为初始化的位置信息输入生成n个粒子：

x_i＝k,i＝1,2,...,n

并利用随机数产生一个范围内所述快递智能小车速度为整数的值分配给各个所述样本，其中，速度表示为：v_i,i＝1,2,...,n；

S42、由所述双目标模型计算每个所述粒子确定的排列顺序所对应的所述预测结果；

S43、确定各个所述粒子自身最好的所述最优分配时间p_best和相对粒子群的最优位置g_best；

S44、比较各个粒子的经由所述双目标模型求解值与各自对应的p_best，若所述求解值优于p_best，则将所述求解值替代p_best并保存至p_best中，否则，p_best保存不变；

S45、比较各个粒子的经由所述双目标模型求解值与各自对应的g_best，若所述求解值优于g_best，则将所述求解值替代g_best并保存至g_best中，否则，g_best保存不变；

S46、各粒子通过速度更新公式更新速度值，式中，ω为惯性因子，c₁和c₂为学习因子，δ和μ则是在[0,1]范围内的随机数；

S47、基于各粒子的速度值更新结果通过公式更新对应的位置，其中，对于越界的取边界值；

S48、判断所述双目标模型的迭代次数是否已达到要求，若已达到要求，则去对应的g_best作为所述双目标模型的最优解，否则，转入步骤S42。