CN109800904B - 带时间窗的装配式建筑预制件配送路径优化方法及系统 - Google Patents

Abstract

本公开提供了一种带时间窗的装配式建筑预制件配送路径优化方法及系统。其中，一种带时间窗的装配式建筑预制件配送路径优化方法，包括确定配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本；以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；将得到的路径优化方案下发至相应配送车辆。

Description

带时间窗的装配式建筑预制件配送路径优化方法及系统

技术领域

本公开属于配送路径优化领域，尤其涉及一种带时间窗的装配式建筑预制件配送路径优化方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

装配式建筑是近年来出现的一种建筑新形势，大量的建筑部品由车间生产加工完成，通过车辆运送到施工现场。在装配式建筑中，包含的预制构件种类主要有：外墙板，内墙板，叠合板，阳台，空调板，楼梯，预制梁，预制柱等。上述预制构件的配送以及路径选择问题是一类复杂的工程问题。该类问题可以看做车辆路径问题(vehicle routing problem,VRP)的一类扩展问题。

关于装配式预制构件的配送的文献中，刘宏令以京津冀地区为研究对象，对上述地区的装配式配送问题进行深入分析，通过增加配送中心数目的方式解决装配式配送成本过高的问题，并对配送中心的选址进行优化；李萍萍通过对不同种类的装配式预制件赋予不同的质量，对不同客户点设置不同的需求量，建立装配式配送问题模型，并运用人工鱼群算法对问题进行求解；彭星在装配式预制件配送过程中根据客户需求量和物流成本等因素随时间变化的动态特征，对配送点进行动态调整，以总成本最小化为目标建立动态选址问题模型，并通过遗传算法对模型进行求解、验证。

发明内容

根据本公开的一个或多个实施例的一个方面，提供一种带时间窗的装配式建筑预制件配送路径优化方法，其提高了配送效率。

本公开的一种带时间窗的装配式建筑预制件配送路径优化方法，包括：

确定配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本；

以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；

在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；

将得到的路径优化方案下发至相应配送车辆。

在一个或多个实施例中，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

在一个或多个实施例中，所述约束条件包括：

车辆的派送总时长不能超过系统最大限制；其中，派送总时长包括派送路途耗费时间和客户点的服务时间；

车辆的总负载不能超过系统给定的最大负载量；

每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；

每个客户点的后续客户点只能有一个。

在一个或多个实施例中，在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其领域解；

在跟随峰阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

在一个或多个实施例中，在侦查蜂阶段，采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解的过程包括：

受粒子群优化算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LBi；

找到当前种群中最好和最差的局部最优解，分别记为LBi₁和LBj；

当前种群中如果有某个解u迭代预设最大次数无更新，则侦查蜂产生的公式如下：

式中：

表示挑选的两个局部最优解的交叉操作；Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值；K表示派送车辆的数量最大值。

根据本公开的一个或多个实施例的另一个方面，提供一种带时间窗的装配式建筑预制件配送路径优化系统，其提高了配送效率。

本公开的一种带时间窗的装配式建筑预制件配送路径优化系统，包括存储器和处理器；

所述存储器内预存有确定的配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本；

所述处理器包括：

路径优化函数构建模块，其用于以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；

路径优化函数求解模块，其用于在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；

优化方案下发模块，其用于将得到的路径优化方案下发至相应配送车辆。

在一个或多个实施例中，在所述存储器中，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

在一个或多个实施例中，在所述路径优化函数求解模块中，所述约束条件包括：

车辆的派送总时长不能超过系统最大限制；其中，派送总时长包括派送路途耗费时间和客户点的服务时间；

车辆的总负载不能超过系统给定的最大负载量；

每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；

每个客户点的后续客户点只能有一个。

在一个或多个实施例中，在所述路径优化函数求解模块中，在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其领域解；

在跟随峰阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

在一个或多个实施例中，在所述路径优化函数求解模块中，在侦查蜂阶段，采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解的过程包括：

受粒子群优化算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LBi；

找到当前种群中最好和最差的局部最优解，分别记为LBi₁和LBj；

当前种群中如果有某个解u迭代预设最大次数无更新，则侦查蜂产生的公式如下：

式中：

表示挑选的两个局部最优解的交叉操作；Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值；K表示派送车辆的数量最大值。

本公开的有益效果是：

(1)本公开利用采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数，其中改进的人工蜂群阶段中包含局部搜索和全局搜索两种策略，从而增大找到更优解的概率，提高了配送效率。

(2)本公开可以有效应用于装配式建筑预制件配送优化过程，并可拓展到其他物流配送中，有效提高配送效率并降低配送过程能耗。.

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开的一种带时间窗的装配式建筑预制件配送路径优化方法流程图；

图2是本公开的带时间窗的装配式建筑预制件配送路径优化问题的示例图图3(a)是C系列算例场景的客户点分布图；

图3(b)是R系列算例场景的客户点分布图；

图4是编码示意图；

图5(a)是原解编码；

图5(b)是局部搜索后新解的示意图；

图6是变长度的局部搜索SL参数的变化图；

图7是ANOVA方差分析图；

图8是Case1算例的客户点服务时间Gantt图；

图9是IABC算法求解Case1收敛图；

图10是本公开的一种带时间窗的装配式建筑预制件配送路径优化系统结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

图1是本公开的一种带时间窗的装配式建筑预制件配送路径优化方法流程图。

如图1所示，本公开的一种带时间窗的装配式建筑预制件配送路径优化方法，包括：

S101：确定配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本。

经典的VRP问题是旅行商问题(travelling salesman problem,TSP)的一个扩展，二者的主要区别体现在，VRP问题研究一类有多辆车配送货物到多个客户点的路径优化问题，而TSP问题研究一辆车配送物品到多个城市的问题。VRP和TSP的共同约束是，每个客户点只能配送一次，车辆容量有约束限制，即车辆运送货物不能超过该车辆最大容量。带时间窗的VRP(vehicle routing problem with time window,VRPTW)是经典VRP的一个典型扩展，也是现实物流配送中的典型应用。VRPTW增加了客户点服务时间窗的约束，即每个客户点定义了各自服务时间窗。VRPTW又可以分为硬时间窗和软时间窗。在硬时间窗VRPTW中，早于服务时间窗到达的车辆需要等待，晚于服务时间窗的车辆则不能为该客户点服务。在软时间窗VRPTW中，提前或延后到达的车辆可以继续为客户点服务，但系统要增加惩罚成本。

本公开的问题是对原有VRPTW的一种扩充。与VRPTW不同的是，在装配式建筑的配送过程中，每个客户点对于货有多种需求，并且需求量也不尽相同。例如装配式建筑中的预制墙和预制连接材料，两种材料在外形和重量方面截然不同；并且在实际生活中，一面墙往往需要与一面甚至多面墙进行连接，即某些客户点可能在需要一面墙的同时，也需要若干套数量不确定的连接材料。

图2给出了一个本公开的带时间窗的装配式建筑预制件配送路径优化问题的示例图，图2中分别表示了四种图形，即两种运送车辆、客户点和仓库。图2中每个客户点用圆形表示，客户点附近的三个数字表示出了该客户点的服务时间窗和服务时间。譬如，如果时间单位为分钟，则客户点1的服务时间窗是[1,5]，即如果服务车辆在1到5分钟之间到达客户点1，则服务满意度为100％，服务时间为3分钟。从仓库到达客户点1的距离为1分钟的车程，即车辆目前到达客户点1的时间为1，正好处在其服务时间窗内。在客户点1服务3分钟后，该车辆在时刻4开始经由客户点1开往客户点2；到达客户点2的时刻为6，也处于客户点2的时间窗内，车辆离开客户点2的时刻为8，以此类推，最后回到仓库的时刻为13。

具体地，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

例如：客户点Customer N个，某个客户点i或j，i＝1,2,…N，j＝1,2,…N；车辆Vehicle K个，某个车辆k，k＝1,2,…K；货物需求量DA_i表示第i个客户点对于a类货物的需求量；货物需求量DB_i表示第i个客户点对于b类货物的需求量；0-1决策变量y^k _ij表示车辆k由i到j的线路是否可行。

S102：以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数。

VRPTW建模所需参数和符号下标如下所示：

式1)是问题的第一个目标，即最小化系统所用的车辆数量；

式2)描述了问题的第二个目标，即最小化总成本，这些成本包括三部分，即车辆派送成本、早于客户点服务时间窗开始服务的惩罚成本、晚于客户点服务时间窗开始服务的惩罚成本。

式3)给出了第一个约束条件，即车辆k的派送总时长不能超过系统最大限制，其中派送总时长包括派送路途耗费时间和客户点的服务时间。

式4)约束限制车辆k的总负载不能超过系统给定的最大负载量。

式5)中描述了经由客户i到客户j的车辆只能有一个，即每个客户的后续客户点只能有一个。

式6)-8)限制了每个客户点出入的车辆数量保持一致，且总的车辆数量为K。

式9)给出了系统至少需要的车辆数量。

式10)限定了决策变量的是一个0-1变量。

式11)限定了客户满意度的取值范围。

经典的VRPTW算例，如SOLOMN算例，包括56个算例，每个算例中包含100个客户点，客户点的布局分为三大类，即17个聚合程度较高的C(Clustering)系列算例、23个聚合程度分散的R(Random)系列算例和16个聚合程度处于中间状态的RC系列。

图3(a)和图3(b)分别展示了不同场景的客户点分布图。

如图3(a)所示，C系列算例的主要特点包括：

(1)客户点聚合程度较高，多个客户点形成一簇；

(2)客户点的需求量相对较大，因而车辆只能配送有限个客户点；

(3)客户点的时间窗长度相对较大。

如图3(b)所示，R系列算例的主要特点包括：

(1)客户点分散程度较高；

(2)客户点的需求量很小，因而车辆能配送足够多的客户点；

(3)客户点的时间窗长度相对较小。上述特点决定了不同结构的VRPTW问题有不同的问题特性，因而应该采用不同的启发式规则进行求解。

经典SOLOMN算例，每个客户点的需求是一个值，即没有区分货物的种类、包装、容器等特性。装配式建筑配送过程中，不用类型的预制件需要叠放在不同的容器中，为了更好地考虑实际约束，本发明在SOLOMN经典算例的基础之上，改进了算例中客户点需求量，增加了货物种类的不同需求量。譬如，原来的算例客户点1的需求量为20，只表示出客户点需要20个物品，改进的算例中增加了不同物品种类，如客户点1的需求量为(20，60)，表示该客户点需要20个物品1和60个物品2。算例的改进导致在解码过程中，需要考虑车辆当前负载是否能同时满足该客户点的所有物品需求，因而问题变得更加贴近生产实际。

扩展的VRPTW算例，包括18个算例，每个算例中包含100个客户点，客户点的布局分为仍然分为三大类，即聚合程度较高的C(Clustering)系列算例、聚合程度分散的R(Random)系列算例和聚合程度处于中间状态的RC系列。客户点的需求量采用两大类物品，两类物品的需求比在1:1到1:5之间随机生成。

S103：在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数。

在具体实施中，在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其领域解；

在跟随峰阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

其中，人工蜂群(Artificial Bee Colony,ABC)算法是由Karaboga等提出的一种新型群体智能优化算法，是模拟蜜蜂寻找食物的过程而演化的仿生过程。与传统智能优化算法如遗传算法相比，ABC算法主要由三类蜜蜂协作完成食物源搜索过程，即雇佣蜂(Employed bee)、跟随蜂(Onlooker bee)和侦查蜂(Scout bee)。雇佣蜂的主要任务是在分派的食物源完成局部搜索，即为分派的食物源找到更好的解；跟随蜂的主要任务是在蜂巢等待雇佣蜂回到蜂巢，并进一步根据雇佣蜂的搜索结果完成进一步的局部搜索；侦查蜂的功能是在某个食物源在指定迭代次数还不能有更新的情况下，完成进一步的全局搜索。

ABC算法中基本控制参数包括：解集大小SN，解无更新而被丢弃的周期大小Ls，雇佣蜂数目Es，跟随蜂数目Os，侦察蜂数目Ss和终止条件。ABC算法的关键过程描述如下：

(1)初始解的产生

在基本ABC算法的设计中，针对连续优化问题的初始解一般采用随机策略产生。记

代表第i个食物源或解，其中n表示问题维度大小，则初始解i产生的方法如下：

式中，

和

分别表示维度j的上限和下限值。

(2)雇佣蜂策略

雇佣蜂完成局部搜索的过程，假设当前雇佣蜂分配的解i，则首先雇佣蜂随机选择当前解群体中的一个解，记为k，产生一个新的邻域解new的过程如下：

式中，v_new表示新产生的解，

表示新解的第j维数值，

表示两个解的第j维度的差值。

(3)跟随蜂策略

侦查蜂在等待雇佣蜂回到蜂巢后，根据侦查蜂得到的食物源的状态，采用公式(14)轮盘赌注的方法，选择较好的食物源，即选择概率较大者，继续应用公式(13)做进一步的挖掘搜索。

式中，f_i表示解i的适应度值，p_i表示解i的选择概率。

(4)侦查蜂策略

在基本ABC算法中，当某个解在迭代Ls次还没有任何更新时，采用公式(12)随机产生一个解替换该解。

通过ABC算法的基本流程分析可见，ABC算法通过雇佣蜂完成局部挖掘搜索的过程，通过雇佣蜂完成群体解的协作搜索，通过侦查蜂完成局部搜索。

本公开采用二维数组的方式编码一个解，二维数组的第一维表示每一辆车，对于每辆车创建一个数组，包含该车辆服务的客户点序列，客户点序号的先后顺序表示这些客户点的服务次序。图4给出了一个3辆车、9个客户点的解，图4中第一辆车服务的客户点序列是{2,4,5,1}，其中“0”号表示仓库，第二辆车服务的客户点序列是{3,6,7}，第三辆车服务的客户点集合是{8,9}。编码示意图如图4所示。

由问题解码方式可见，编码数组中仅仅给出了每辆车服务的客户点集合，以及客户点服务的顺序关系。在编码中并未给出在每个客户点车辆的到达时刻，因而无法判断车辆是否在客户点的服务时间窗内到达，即对于硬时间窗的VRPTW问题，无法保证编码是否可行。为解决非法解问题，本公开针对硬时间窗，在解码过程中如果出现非法解，则迭代Rn次用于编码修复策略。需要特别指出的是，参数Rn表示了解的修复迭代次数，如果Rn过小则可能找不到合法解，相反如果Rn过大，则可能会造成计算资源的浪费。

当某个解在解码过程中出现超出客户点服务时间窗的现象时，对于硬时间窗VRPTW问题，则该解为非法解。函数repair给出了修复策略的伪代码。该策略算法时间复杂度为O(n²m)。分析可见，编码修复策略并不能保证每次都能转化一个非法解为可行解，当无法添加车辆而又有客户点无法插入到当前任何一个车辆时，该解为不可行解，则放弃该解。

解码修复策略步骤如下：

步骤1，循环当前不可行解中的每一辆车i；

步骤2，循环每辆车i上的每一个客户点j，如果j超出时间窗，则将j从车辆i上删除；

步骤3，将所有被删除的客户点储存到数组DS；

步骤4，循环数组DS中的每个客户点，如果当前客户点不能插入到当前所有车辆中，判断当前车辆数是否已满；

步骤5，如果车辆数未限制，则添加一辆新车；如果车辆数已满，则丢弃该解。

初始解生成策略：

初始解的产生过程，即为某个车辆安排客户点并排序的过程。SOLOMN的PFIH策略是一种通用的初始解的产生方法。本发明利用初始化策略产生P_n个初始解，其中P_n-1个初始解由改进的PFIH策略(IPFIH)生成。

具体的IPFIH初始化算法步骤如下：

步骤1，设置IPFIH迭代终止条件P_n-1，并将当前所有客户点随机排序；

步骤2，循环每一个客户点j，并设置当前最好插入位置mp＝0，设置mv＝L，L为极大值；

步骤3，如果当前客户点j可以插入当前车辆i中，则循环当前车辆i的所有可以插入客户点j的位置，计算客户点j插入当前车辆所有位置的费用，找到费用最小的位置p_j，即如果j作为下一个安排服务的客户点则其插入位置为p_j。客户点j插入到车辆i的位置u的费用计算如下所示：

c₁(k,u,h)＝α₁c₁₁(k,u,h)+α₂c₁₂(k,u,h),α₁+α₂＝1,α₁,α₂≥0； (15)

c₁₁(k,u,h)＝t_ku+t_uh-μt_kh,μ≥0； (16)

c₁₂(k,u,h)＝w_h'-w_h, (17)

式中，k和h表示当前车辆上位置u-1和u的客户点，w_h'表示插入客户点j到位置u后，客户点h的开始服务时间，μ为系统参数。

步骤4，如果c₁(k,u,h)<mv，则mv＝c₁(k,u,h)；mp＝u，将当前客户j插入当前车辆i的mp位置上；

步骤5，否则，如果当前车辆数目未超过最大车辆数限制，则添加一辆新车；如果当前车辆数已满，则丢弃该解；

步骤6，将产生好的P_n-1个解存入初始解集。

具体的IPFIH初始化算法步骤如下：

步骤1，循环所有剩余未调度的客户点，计算每个客户点j插入当前车辆i的所有位置的费用，找到费用最小的位置p_j，即如果j作为下一个安排服务的客户点则其插入位置为p_j。客户点j插入到车辆i的位置u的费用计算同(15)、(16)和(17)；

步骤2，计算每个客户点的c2值，找到最小c2值的客户点j^*，记为下一个服务的客户点，计算如下：

c₂(k,u,h)＝β₁R_d(u)+β₂R_t(u),β₁+β₂＝1,β₁≥,β₂＞0 (18)

式中，R_d(u)和R_t(u)分别表示在位置u插入新的客户点j^*后，车辆i的总路径费用和部分路径时间代价

步骤3，将当前解存入初始解集。

上述算法的优点有：(1)随机打乱客户点的次序，因而增加了种群的多样性；(2)采用SOLOMN的PFIH策略生成一个解，增加了算法的求解性能。

局部搜索策略：

局部搜索是目前智能优化算法常用的策略之一，本公开提出了一种变长度的局部搜索(Variable Length Local Search,VLLS)策略，具体算法描述如下：(1)在当前所有车辆中随机选择一个车辆i；(2)在所选车辆中随机选择SL个客户点，其中SL代表了搜索的强度，较大的值代表了较精细的搜索；(3)循环每一个选择的客户点j，在其余车辆中为其寻找可插入的最好的位置。

图5(a)表示了原解编码，所选车辆为1号车辆，SL＝2，则在1号车辆随机选择两个客户点2和4。之后为客户点2选择最好插入位置是2号车辆的第3个位置，为客户点4选择的最好插入位置是3号车辆的第1个位置。局部搜索后新解的示意图见图5(b)。

图6给出了变长度的局部搜索SL参数的变化图，假设迭代次数最大为100次，则随着迭代次数不断增大，SL不断增大，表明搜索强度不断加强，因而可以确保在迭代后期精细化搜索，提高算法搜索能力。

全局搜索策略：

人工蜂群算法全局搜索是通过侦查蜂实现的，在某个解迭代Lmax后仍然没有更新时，通过另外一个解替代实现跳出局部最优。基本ABC算法中，侦查蜂是用一个随机产生的解表示，然而，随机产生的解往往缺失了前期迭代的有价值信息，无法利用以往搜索累积的知识提高侦查蜂的性能，从而增加了计算量。为了解决传统ABC算法侦查蜂性能不足的问题，本公开提出了一种基于差分进化的局部最优侦查蜂(Differential EvolutionaryLocal Best Scout,DELBS)策略，在提高侦查蜂性能的同时，能确保跳出局部最优，从而达到全局搜索的目的。全局搜索策略如下：

步骤1，受到粒子群优化(PSO)算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LB_i；

步骤2，找到当前种群中最好和最差的局部最优解，分别记为LB_i1和LB_j；

步骤3，当前种群中如果有某个解u迭代L_max无更新，则侦查蜂产生的公式如下：

式中

表示挑选的两个局部最优解的交叉操作，Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值。

IABC算法框架：

针对带时间窗的装配式建筑配送路径优化问题，设计的算法框架描述如下：

步骤1：采用初始化策略生成初始化种群；

步骤2：雇佣蜂阶段，循环种群中每个解i；

步骤2.1采用变长度的局部搜索策略，为解i生成一个邻域解j；

步骤2.2如果j的目标值优于i，则用j取代i并更新全局最好解和i的邻域解；

步骤2.3否则，更新i的无更新次数；

步骤3，跟随峰阶段，循环种群中每个解i；

步骤3.1随机选择另一个解k；

步骤3.2选择i和k中比较优秀的解，执行步骤2.1-2.3；

步骤4，侦查蜂阶段，循环种群中每个解i；

步骤4.1如果解i的无更新次数超过最大值Lmax；

步骤4.2执行基于差分进化的局部最优侦查蜂的全局搜索策略。

实验结果与分析：

本实验的参数具体包括：

(1)实验终止条件：迭代100次；(2)解的最大迭代无更新次数Lmax：10；(3)种群大小：100。

仿真实验结果分析：

为了验证本发明所提ABC算法的有效性，本公开实施例选取SOLOMN的PFIH方法，基本遗传算法GA作为对比算法，求解了扩展的18个VRPTW算例。

表1给出了算法针对18个VRPTW算例的实验对比，表中第一列给出了算例名称，第二列给出了每个算法所有对比算法获得的最好值，接下来四列展示出四种对比算法获得的每个算例的最好目标值，最后四列给出了相对于最好值，每个算法得到的均方差值，计算公式如下：

dev＝(f_c-f_b)/f_b×100％ (21)

由表可见，本公开提出的IABC算法在求解扩展的18个VRPTW算例中：

(1)获得了其中16个最优值，明显优于其他对比算法；

(2)通过均方差分析可见，IABC算法除了算例Case5、Case12两个算例之外，其他均获得了最小值；

(3)最后一行给出的平均性能可见，IABC算法获得了1022.09的平均目标值，明显优于GA算法获得的1125.24，均方差的平均值可见，IABC获得了1.78，明显小于GA算法。综上可见，所提出的算法相比于其他经典算法，具备明显的优越性。

为进一步对比算法在统计意义上的优越性，本公开选取三种对比算法，做了(Analysis of Variance,ANOVA)方差分析，ANOVA用于两个及两个以上样本均数差别的显著性检验。图7表明本公开提出的IABC算法相对于其他三种对比算法表现了统计意义上的优越性。

图8给出了Case1算例的客户点服务时间Gantt图，图中“V₁”表示第一辆车，与其对应的每个矩形框表示一个客户点，矩形框中的编号表示客户点编号，譬如，第一辆车服务的客户点有{20,24,25,27,29,30,28,26,23,22,21}，共计11个客户点。每个客户点下方的两个数字表示该客户点开始服务和结束服务的时刻，例如，47号客户点的开始服务和结束服务的时间点分别是1125和1217。经与算例数据对比可见，每个客户点的服务开始时间均在其指定的服务时间窗之内，该调度方案是可行的、有效的。

图9给出了算法求解Case1算法的收敛曲线图，由图可见，算法具备良好的收敛性能。

表1实验结果对比

S104：将得到的路径优化方案下发至相应配送车辆。

本公开利用采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数，其中改进的人工蜂群阶段中包含局部搜索和全局搜索两种策略，从而增大找到更优解的概率，提高了配送效率。

图10是本公开的一种带时间窗的装配式建筑预制件配送路径优化系统结构示意图。

如图10所示，本公开的一种带时间窗的装配式建筑预制件配送路径优化系统，包括存储器和处理器；

其中，所述存储器内预存有确定的配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本。

具体地，在所述存储器中，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

所述处理器包括：

(1)路径优化函数构建模块，其用于以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；

(2)路径优化函数求解模块，其用于在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；

具体地，在所述路径优化函数求解模块中，所述约束条件包括：

车辆的派送总时长不能超过系统最大限制；其中，派送总时长包括派送路途耗费时间和客户点的服务时间；

车辆的总负载不能超过系统给定的最大负载量；

每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；

每个客户点的后续客户点只能有一个。

具体地，在所述路径优化函数求解模块中，在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其领域解；

在跟随峰阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

其中，在所述路径优化函数求解模块中，在侦查蜂阶段，采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解的过程包括：

受粒子群优化算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LBi；

找到当前种群中最好和最差的局部最优解，分别记为LBi₁和LBj；

当前种群中如果有某个解u迭代预设最大次数无更新，则侦查蜂产生的公式如下：

式中：

表示挑选的两个局部最优解的交叉操作；Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值；K表示派送车辆的数量最大值。

(3)优化方案下发模块，其用于将得到的路径优化方案下发至相应配送车辆。

本公开利用采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数，其中改进的人工蜂群阶段中包含局部搜索和全局搜索两种策略，从而增大找到更优解的概率，提高了配送效率。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种带时间窗的装配式建筑预制件配送路径优化方法，其特征在于，包括：

确定配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本；

以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；

在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；

将得到的路径优化方案下发至相应配送车辆；

在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；

在跟随蜂阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；所述变长度的局部搜索策略，具体算法描述如下：(1)在当前所有车辆中随机选择一个车辆i；(2)在所选车辆中随机选择SL个客户点，其中SL代表了搜索的强度，较大的值代表了较精细的搜索；(3)循环每一个选择的客户点j，在其余车辆中为其寻找可插入的最好的位置；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

2.如权利要求1所述的一种带时间窗的装配式建筑预制件配送路径优化方法，其特征在于，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

3.如权利要求1所述的一种带时间窗的装配式建筑预制件配送路径优化方法，其特征在于，所述约束条件包括：

车辆的派送总时长不能超过系统最大限制；其中，派送总时长包括派送路途耗费时间和客户点的服务时间；

车辆的总负载不能超过系统给定的最大负载量；

每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；

每个客户点的后续客户点只能有一个。

4.如权利要求1所述的一种带时间窗的装配式建筑预制件配送路径优化方法，其特征在于，在侦查蜂阶段，采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解的过程包括：

受粒子群优化算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LBi；

找到当前种群中最好和最差的局部最优解，分别记为LBi₁和LBj；

当前种群中如果有某个解u迭代预设最大次数无更新，则侦查蜂产生的公式如下：

式中：

表示挑选的两个局部最优解的交叉操作；Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值；K表示派送车辆的数量最大值。

5.一种带时间窗的装配式建筑预制件配送路径优化系统，其特征在于，包括存储器和处理器；

所述存储器内预存有确定的配送路径初始参数；其中，每个客户点均设置有服务时间窗的最小值和最大值，且车辆早于客户点的服务时间窗的最小值到达或晚于服务时间窗的最大值到达时均设有相应惩罚成本；

所述处理器包括：

路径优化函数构建模块，其用于以配送所用的车辆总数最小以及总成本最小为目标，构建装配式建筑预制件配送路径优化函数；

路径优化函数求解模块，其用于在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数；

优化方案下发模块，其用于将得到的路径优化方案下发至相应配送车辆；

在所述路径优化函数求解模块中，在相应约束条件下，采用改进的人工蜂群算法来求解装配式建筑预制件配送路径优化函数的具体过程为：

利用初始化策略生成初始化种群；

在雇佣蜂阶段，采用变长度的局部搜索为循环种群的每个解生成一个相应邻域解，若邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；

在跟随蜂阶段，随机选择循环种群的一个解与当前解比较，筛选出较优解后，采用变长度的局部搜索为较优解生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解；所述变长度的局部搜索策略，具体算法描述如下：(1)在当前所有车辆中随机选择一个车辆i；(2)在所选车辆中随机选择SL个客户点，其中SL代表了搜索的强度，较大的值代表了较精细的搜索；(3)循环每一个选择的客户点j，在其余车辆中为其寻找可插入的最好的位置；

在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解。

6.如权利要求5所述的一种带时间窗的装配式建筑预制件配送路径优化系统，其特征在于，在所述存储器中，所述配送路径初始参数还包括客户点总数、派送车辆的数量最大值、每个客户点对于任意一类货物的需求量、每辆车最大工作时间、从一个客户点到另一个客户点的路径长度和0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的线路是否可行。

7.如权利要求5所述的一种带时间窗的装配式建筑预制件配送路径优化系统，其特征在于，在所述路径优化函数求解模块中，所述约束条件包括：

车辆的派送总时长不能超过系统最大限制；其中，派送总时长包括派送路途耗费时间和客户点的服务时间；

车辆的总负载不能超过系统给定的最大负载量；

每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；

每个客户点的后续客户点只能有一个。

8.如权利要求5所述的一种带时间窗的装配式建筑预制件配送路径优化系统，其特征在于，在所述路径优化函数求解模块中，在侦查蜂阶段，采用基于差分进化的局部最优侦查蜂策略进行全局搜索最优解的过程包括：

受粒子群优化算法的启发，为种群中每一个解i记录其历史迭代中搜索到的局部最优解LBi；

找到当前种群中最好和最差的局部最优解，分别记为LBi₁和LBj；

当前种群中如果有某个解u迭代预设最大次数无更新，则侦查蜂产生的公式如下：

式中：

表示挑选的两个局部最优解的交叉操作；Rand()是一个随机生成0或1的函数，即如果生成0则

解中第k辆车的客户点取自于

否则取自于

表示新的侦查蜂的第k辆车，其客户点取值分别来自于原解

和

选择的依据是Rand()函数的结果值；K表示派送车辆的数量最大值。

Images