CN109858739A - 物流运输调度方法、计算机存储介质及电子设备 - Google Patents
物流运输调度方法、计算机存储介质及电子设备 Download PDFInfo
- Publication number
- CN109858739A CN109858739A CN201811564245.1A CN201811564245A CN109858739A CN 109858739 A CN109858739 A CN 109858739A CN 201811564245 A CN201811564245 A CN 201811564245A CN 109858739 A CN109858739 A CN 109858739A
- Authority
- CN
- China
- Prior art keywords
- wolf
- grey
- head
- grey wolf
- individual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 241000282461 Canis lupus Species 0.000 claims abstract description 326
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 64
- 230000015654 memory Effects 0.000 claims description 37
- 230000003044 adaptive effect Effects 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 108091081062 Repeated sequence (DNA) Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种物流运输调度方法、计算机存储介质及电子设备,方法包括以下步骤:S1、随机生成灰狼种群并建立物流运输调度模型;S2、设置灰狼种群当前迭代次数t为0;S3、选择灰狼种群中的第一个灰狼为当前灰狼个体;S4、对当前灰狼个体进行解码和分组得到车辆路径,并计算当前灰狼个体的适应度;S5、将当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较,如果当前灰狼个体的适应度较优则选举当前灰狼为新的头狼个体。根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法,通过生成灰狼种群和建立物流调度模型,并找出灰狼与客户之间的一一映射关系,能有效避免位置映射为无效解的情况,有效解决物流运输调度问题。
Description
技术领域
本发明涉及物流运输调度领域,尤其涉及物流运输调度方法、计算机存储介质及电子设备。
背景技术
随着经济和物流技术的发展,物流作为第三利润源泉对经济活动的影响越来越明显。其中,物流中的运输调度是物流配送优化的核心环节之一。随着客户的要求越来越高,企业的物流运输调度已成为提高企业资源利用率、运作的稳定性和均衡性的关键性问题,是迫切需要解决的。
在物流运输调度中,其中一种物流运输调度模型描述为:使用一个配送中心的多台车辆为客户配送货物,寻找一种配送计划,使得总的开销最低,并且满足:每台车辆均从车场出发,服务完毕回到车场;每个客户有且只能有一辆车访问和提供服务;一台车辆行驶经过的所有客户的配送需求不超过车辆容量限制。因为物流运输调度模型是一类典型的NP-Hard问题,大规模的算例很难应用精确算法进行求解。
发明内容
有鉴于此,本发明提供一种基于自适应遗传灰狼优化算法的物流运输调度方法、计算机存储介质及电子设备,基于自适应遗传灰狼优化算法的物流运输调度方法能够有效地解决物流运输调度问题。
为解决上述技术问题,一方面,本发明提供一种基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,所述方法包括以下步骤:S1、随机生成灰狼种群并建立物流运输调度模型;S2、设置所述灰狼种群当前迭代次数t为0;S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体;S4、对所述当前灰狼个体进行解码和分组得到车辆路径,并计算所述当前灰狼个体的适应度;S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较,如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体;S6、如所述当前灰狼个体为最后一个灰狼个体,则跳转S7;否则选择下一个灰狼个体为当前灰狼个体,跳转S4;S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略;S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置;S9、t加1,如果t小于最大迭代次数L,则跳转S3;否则跳转S10;S10、输出所述头狼个体代表的路径为最优路径;
其中,在步骤S1中,所述物流运输调度模型的顶点和路径用无向图G=(V,E)来表示;其中,V={1...n}为顶点集合,1为车场,2到n为客户;E={(i,j)|i,j∈V}为顶点之间的边的集合;定义决策变量为:
建立所述物流运输调度模型的数学模型如下:
其中,cij是车辆经过边(i,j)的开销;客户i的派送需求以di表示,i∈{2...n};所有车辆为同型号且最大车辆数量为K;车辆容量限制向量为Q;本物流运输调度模型寻找不多于K条简单回路;式(3)为目标函数,表示总运输开销最小;式(4)表示客户只能由一辆车提供服务;式(5)表示车场则被多台车辆访问,车辆数量不大于K;式(6)保证每个节点车辆到达和离开的数量平衡;式(7)为车辆的容量约束;式(8)为保证路径的连续性,消除了车辆不是从车场出发的现象;(9)和(10)表示决策变量为0-1变量;
其中,在步骤S8中,设置适应度函数
所述物流运输调度模型的成本越小,适应度越优,该灰狼在算法的迭代过程中将具有更高的选为头狼的概率。
根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法,通过生成灰狼种群和建立物流调度模型,并找出灰狼与客户之间的一一映射关系,能有效避免位置映射为无效解的情况,有效解决物流运输调度问题。
根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法还可以具有以下技术特征:
根据本发明的一个实施例,在步骤S7中,所述编码过程包括:在所述物流运输调度模型中,令客户数量为m=n-1,最大可用车辆为K,则车辆路径L维数为m+2K,连接操作是在所有车辆路径中去掉车场,首尾相连组成m维的包含全部客户的基本通路向量,记为T,T=L\{1},定义灰狼i位置为m维向量T元素值减1,一一映射为灰狼位置向量的元素,将T映射为灰狼位置。
根据本发明的一个实施例,在步骤S7中,所述解码过程包括:灰狼m维位置向量的每个元素加1,灰狼位置元素一一映射为T元素,将灰狼位置映射为T,形成包含全部客户的基本通路向量。
根据本发明的一个实施例,在步骤S7中,对[T,Q,d,cost]四元组对基本通路向量进行分组;其中,T为灰狼位置得到的基本通路向量;Q为车辆最大载重容量;d=(d1,d2,…,di,…dn)是客户需求向量;cost是节点间开销矩阵;节点包括车场和所有客户。
根据本发明的一个实施例,在步骤S8中,所述离散灰狼优化算法包括:狩猎机制,所述狩猎机制即在猎物位置未知的情况下,由头狼α、头狼β和头狼δ引导狩猎,群狼ω根据所述头狼α、所述头狼β和所述头狼δ的位置更新其位置为在所述头狼α、所述头狼β和所述头狼δ为中心的圆的随机位置;基于以上离散域移动和趋近的定义,所述群狼ω等级中个体i依据其自身当前位置和所述头狼α、所述头狼β和所述头狼δ的位置来更新下一步的位置更新如(18)到(22)所示:
l=[m×(1-abs(A/2))], (18)
os=[r3×(m-l)], (19)
其中,r3和r4为[0,1]范围的随机向量,分别为所述头狼α、所述头狼β、所述头狼δ当前位置;为灰狼i当前位置;为灰狼下一步的更新位置;[]表示四舍五入取整;分别表示所述头狼α、所述头狼β、所述头狼δ的位置向量的第os到os+l的分量组成的子集;向量赋予3个子集其中之一;表示维数为l的并入向量的位置od中,并消除群狼位置向量中的原有重复元素;式中变量l、os、od通过A和C来计算得到,A和C的计算由式(23)、式(24)得到
A=2a·r1-a, (23)
C=2·r2, (24)
其中,r1、r2为[0,1]范围的随机向量;在算法的多次迭代当中,所述群狼ω按4:3.5:2.5的概率随机取所述头狼α、所述头狼β、所述头狼δ当中的其中一个个体进行跟随操作,所述群狼ω位置分量的排列根据所述头狼α、所述头狼β、所述头狼δ来调整,实现所述群狼ω的狩猎动作。
根据本发明的一个实施例,所述离散灰狼优化算法还包括:攻击猎物机制,在所述攻击猎物机制中设定A是[-2a,2a]范围内的随机数,a是从2线性减少到0的实数,a越小,分量序列相同的数量l越接近m,灰狼越趋近所述头狼α、所述头狼β和所述头狼δ。
根据本发明的一个实施例,在步骤S8中,所述按离散灰狼优化算法还包括:搜寻猎物机制,在所述搜寻猎物机制中,控制变量a=2时,l较小,在算法内交叉算子和变异算子的作用下,灰狼越远离所述头狼α、所述头狼β和所述头狼δ,变量C是0到2之间的随机实数,在式(20)、式(21)和式(22)中通过相同分量序列起始序号os、od使ω向α为中心的一定范围内随机位置移动,从而控制灰狼在一定范围内随机搜索猎物,当C=1时,os=od,代表ω以直线向α移动,若|os-od|=m-l,则ω趋近α一定范围的边缘。
根据本发明的一个实施例,在步骤S8中,所述移动平均自适应灰狼更新策略,通过移动平均值σ和当前最佳适应度的对比,感知算法的全局最优值的停滞程度,在多次迭代最优值不变的情况下,a获得一个增量,控制灰狼进行探索,从而达到探索和围猎的自适应交替进行,为了实现移动平均自适应更新策略,使算法能够在跳出局部最优,每轮迭代均按式(27)计算前20次迭代的最佳适应度平均值作为移动平均值σ:
其中,NT为当前迭代次数,fi为第i次迭代的全局最佳适应度;
移动平均值σ用于自适应调整控制参数,控制参数a自适应更新如下式:
其中,NT和NTmax分别为当前迭代次数和最大迭代次数,fl-1是上一轮迭代的全局最佳适应度,r、s分别为自适应比重系数和自适应调节因子。
第二方面,本发明实施例提供一种计算机存储介质,包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述任一项所述的方法。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,所述处理器用于调用并执行所述一条或多条计算机指令,从而实现如上述任一项所述的方法。
附图说明
图1为本发明实施例的物流运输调度方法的流程图;
图2为本发明实施例的电子设备的示意图。
附图标记:
物流运输调度方法100;
电子设备300;
存储器310;操作系统311;应用程序312;
处理器320;网络接口330;输入设备340;硬盘350;显示设备360。
具体实施方式
下面将结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法100包括以下步骤:S1、随机生成灰狼种群并建立物流运输调度模型;S2、设置所述灰狼种群当前迭代次数t为0;S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体;S4、对所述当前灰狼个体进行解码和分组得到车辆路径,并计算所述当前灰狼个体的适应度;S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较,如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体;S6、如所述当前灰狼个体为最后一个灰狼个体,则跳转S7;否则选择下一个灰狼个体为当前灰狼个体,跳转S4;S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略;S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置;S9、t加1,如果t小于最大迭代次数L,则跳转S3;否则跳转S10;S10、输出所述头狼个体代表的路径为最优路径。
换言之,将灰狼优化算法应用到物流运输调度模型中以解决物流运输调度问题,具体地,首先随机生成灰狼种群,并设置灰狼种群当前迭代次数t为0,选择狼群中的第一个灰狼为当前灰狼个体,同时建立物流运输调度模型;然后,在灰狼与客户之间形成一一映射的关系;最后,通过解决灰狼问题解决物流调度问题。灰狼优化算法模仿自然界中灰狼群领导层级机制和狩猎过程,把每个灰狼个体看做是一组候选方案,三个最优的灰狼被选举为头狼,狼群跟随头狼按不同的阶段进行搜寻或者围猎动作,选举头狼迭代进行,算法从头狼代表的候选方案中获得最优方案。在这种机制下,算法具有收敛快、寻优能力强的特点,并且具有较好的全局搜索能力,而且控制参数少,实现容易。
由此,根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法100,通过生成灰狼种群和建立物流调度模型,并找出灰狼与客户之间的一一映射关系,能有效避免位置映射为无效解的情况,有效解决物流运输调度问题。
根据本发明的一些具体实施例,所述物流运输调度模型的顶点和路径用无向图G=(V,E)来表示;
其中,V={1...n}为顶点集合,1为车场,2到n为客户;E={(i,j)|i,j∈V}为顶点之间的边的集合;
本物流运输调度模型寻找不多于K条简单回路,使得总的开销最低,并且满足:
(1)每台车辆均从车场出发,服务完毕回到车场,假设车场的供应没有限制;
(2)每个客户只能有一辆车访问和提供服务;
(3)一台车辆行驶经过的所有客户的派送需求不超过车辆容量限制。
定义决策变量为:
建立所述物流运输调度模型的数学模型如下:
其中,cij是车辆经过边(i,j)的开销;客户i的派送需求以di表示,i∈{2...n};所有车辆为同型号且最大车辆数量为K;车辆容量限制向量为Q;本物流运输调度模型寻找不多于K条简单回路;
式(3)为目标函数,表示总运输开销最小;式(4)表示客户只能由一辆车提供服务;式(5)表示车场则被多台车辆访问,车辆数量不大于K;式(6)保证每个节点车辆到达和离开的数量平衡;式(7)为车辆的容量约束;式(8)为保证路径的连续性,消除了车辆不是从车场出发的现象;(9)和(10)表示决策变量为0-1变量。
优选地,在步骤S7中,所述编码过程包括:在所述物流运输调度模型中,令客户数量为m=n-1,最大可用车辆为K,则车辆路径L维数为m+2K,连接操作是在所有车辆路径中去掉车场,首尾相连组成m维的包含全部客户的基本通路向量,记为T,T=L\{1},定义灰狼i位置为m维向量T元素值减1,一一映射为灰狼位置向量的元素,将T映射为灰狼位置。
具体地,物流运输调度模型中顶点集合V={1...n},其中1为车场,2到n为客户,客户数量为m=n-1,最大可用车辆为K,则车辆路径L维数为m+2K。连接操作是在所有车辆路径中去掉车场,首尾相连组成m维的包含全部客户的基本通路向量,记为T,T=L\{1}。定义灰狼i位置为m维向量T元素值减1,一一映射为灰狼位置向量的元素,将T映射为灰狼位置。例如,T(3,6,4,7,2,8,5,9,10)映射为(2,5,3,6,1,7,4,8,9)。
在本发明的一个实施例中,在步骤S7中,所述解码过程包括:灰狼m维位置向量的每个元素加1,灰狼位置元素一一映射为T元素,将灰狼位置映射为T,形成包含全部客户的基本通路向量。
进一步地,在步骤S7中,对[T,Q,d,cost]四元组对基本通路向量进行分组;
其中,T为灰狼位置得到的基本通路向量;Q为车辆最大载重容量;d=(d1,d2,…,di,…dn)是客户需求向量;cost是节点间开销矩阵;节点包括车场和所有客户。
也就是说,采用Prins提出的最优分割过程分组的方法,通过[T,Q,d,cost]四元组对基本通路向量进行分组。
解码步骤如下:
构造由车场和全部客户构成的向量T*,维数为T维数加1。设置两个向量分别为最小开销向量MC、前置节点向量PN,两个向量维数均等于T*的维数。初始化车场节点最小开销为0,其余节点开销为比较大的常数M;设置前置节点向量所有元素为空。以T=(1,3,6,4,7,2,8,5,9,10)为例,变量值初始化示例如表1所示。
表1变量值初始化示例表
其次,遍历T*,更新MC和PN。定义起始节点sn∈T*,当前节点cn∈T*。sn从车场节点开始,cn从sn的下一节点开始,根据式(25)依次计算sn到cn的开销MCnew,比较MCnew是否小于MCcn,如是,则更新MCcn为MCnew,并更新PNcn为sn的序号。遍历更新示例如表2所示。在表2中,假设sn=4,cn=8,cost1,sn+1+costcn,1=7,MCcn=96,计算表示sn为cn更优的前置节点,更新MCcn为86,更新PNcn为s的序号4。当c到最后一个节点,或者结束本轮更新。sn取其指向节点的下一节点,cn从sn的下一节点开始,重新开始本步骤,直至sn到最后节点,结束本步骤。
表2遍历示例表
最后,生成最优分割的路径分组。取T*最后一个节点开始作为结束节点,从前置节点向量中PNn得到前置节点序号,构建该前置节点的下一节点到结束节点部分为一条独立路径分组,在独立路径分组的首尾增加车场节点;以该前置节点为结束节点,重复这一过程,直至前置节点为车场节点。路径生成流程表3所示。本例子中,生成路径为(1,3,6,4,1)、(1,7,2,8,1)、(1,5,9,10,1)。
表3路径生成示例表
在本发明的一个实施例中,在步骤S8中,所述按离散灰狼优化算法包括:定义灰狼跟随头狼移动的操作,假设头狼α位置向量为群狼ω位置向量为两个位置向量为m维整数向量,都代表解空间的一个可行解,即代表问题空间的客户排列顺序,即每个灰狼个体代表一个所述物流运输调度模型问题的可行解。
优选地,在步骤S8中,所述离散灰狼优化算法包括:狩猎机制,所述狩猎机制即在猎物位置未知的情况下,由头狼α、头狼β和头狼δ引导狩猎,群狼ω根据所述头狼α、所述头狼β和所述头狼δ的位置更新其位置为在所述头狼α、所述头狼β和所述头狼δ为中心的圆的随机位置;基于以上离散域移动和趋近的定义,所述群狼ω等级中个体i依据其自身当前位置和所述头狼α、所述头狼β和所述头狼δ的位置来更新下一步的位置更新如(18)到(22)所示:
l=[m×(1-abs(A/2))], (18)
os=[r3×(m-l)], (19)
其中,r3和r4为[0,1]范围的随机向量,分别为所述头狼α、所述头狼β、所述头狼δ当前位置;为灰狼i当前位置;为灰狼下一步的更新位置;[]表示四舍五入取整;分别表示所述头狼α、所述头狼β、所述头狼δ的位置向量的第os到os+l的分量组成的子集;向量赋予3个子集其中之一;表示维数为l的并入向量的位置od中,并消除群狼位置向量中的原有重复元素;式中变量l、os、od通过A和C来计算得到,A和C的计算由式(23)、式(24)得到
A=2a·r1-a, (23)
C=2·r2, (24)
其中,r1、r2为[0,1]范围的随机向量;在算法的多次迭代当中,所述群狼ω按4:3.5:2.5的概率随机取所述头狼α、所述头狼β、所述头狼δ当中的其中一个个体进行跟随操作,所述群狼ω位置分量的排列根据所述头狼α、所述头狼β、所述头狼δ来调整,实现所述群狼ω的狩猎动作。
进一步地,在步骤S8中,所述离散灰狼优化算法还包括:攻击猎物机制,在所述攻击猎物机制中设定A是[-2a,2a]范围内的随机数,a是从2线性减少到0的实数,a越小,分量序列相同的数量l越接近m,灰狼越趋近所述头狼α、所述头狼β和所述头狼δ。
优选地,在步骤S8中,所述按离散灰狼优化算法还包括:搜寻猎物机制,在所述搜寻猎物机制中,控制变量a=2时,l较小,在算法内交叉算子和变异算子的作用下,灰狼越远离所述头狼α、所述头狼β和所述头狼δ,变量C是0到2之间的随机实数,在式(20)、式(21)和式(22)中通过相同分量序列起始序号os、od使ω向α为中心的一定范围内随机位置移动,从而控制灰狼在一定范围内随机搜索猎物,当C=1时,os=od,代表ω以直线向α移动,若|os-od|=m-l,则ω趋近α一定范围的边缘。
根据本发明的又一个实施例,在步骤S8中,设置适应度函数
所述物流运输调度模型的成本越小,适应度越优,该灰狼在算法的迭代过程中将具有更高的选为头狼的概率。
在本发明的一个实施例中,在步骤S8中,所述移动平均自适应灰狼更新策略,通过移动平均值σ和当前最佳适应度的对比,感知算法的全局最优值的停滞程度,在多次迭代最优值不变的情况下,a获得一个增量,控制灰狼进行探索,从而达到探索和围猎的自适应交替进行,为了实现移动平均自适应更新策略,使算法能够在跳出局部最优,每轮迭代均按式(27)计算前20次迭代的最佳适应度平均值作为移动平均值σ:
其中,NT为当前迭代次数,fi为第i次迭代的全局最佳适应度;
移动平均值σ用于自适应调整控制参数,控制参数a自适应更新如下式:
其中,NT和NTmax分别为当前迭代次数和最大迭代次数,fl-1是上一轮迭代的全局最佳适应度,r、s分别为自适应比重系数和自适应调节因子。
需要说明的是,在灰狼基因遗传策略中,令交叉概率因子为Pc,变异概率因子为Pm,灰狼位置向量维数为m,则灰狼基因遗传策略的具体操作如下所示:
(1)选择操作:采用最佳保留复制法,将灰狼个体按适应度排序,前50%个体保留,并复制前50%个体代替后50%个体。
(2)交叉操作:在两个相邻灰狼个体x、y上进行,产生随机数小于Pc则进行部分匹配交叉。交叉宽度W由式(29)得到,交叉点位置S为不大于m-W+1的随机数,在x、y位置向量的位置S开始做W次交换,把x、y中与交换分量客户编号相同的两个分量也进行交换,保持位置分量中客户的唯一性。
(3)变异操作:采用交换变异方法,在一个灰狼个体上进行,当产生随机数小于Pm时进行变异操作。产生两个随机数作为变异位置,进行对应位置的分量的交换。灰狼基因遗传策略每次迭代处理后,仍然将头狼α重新放入灰狼队列。
(4)停滞重置策略:令TL=0为最优解停滞迭代次数。迭代时未得到新最优解时,TL=TL+1,否则,TL=0;如果TL大于50且为10的整数倍,则将适应度后50%的灰狼个体的位置向量随机初始化。
例如,可取Pc=0.1,Pm=0.3,r=1.3,s=5,n=320。
总而言之,根据本发明实施例的基于自适应遗传灰狼优化算法的物流运输调度方法100,采用整数编码和先路由后分组的策略,提出移动平均自适应灰狼更新策略和灰狼基因遗传策略来提高全局收敛能力,最终实现物流运输调度的路径规划,该方法中涉及的算法收敛性强,能有效避免位置映射为无效解的情况,有效解决物流运输调度问题。
另外,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述任一所述的数据处理方法。
也就是说,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行上述任一所述的数据处理方法。
如图2所示,本发明实施例提供了一种电子设备300,包括存储器310和处理器320,所述存储器310用于存储一条或多条计算机指令,所述处理器320用于调用并执行所述一条或多条计算机指令,从而实现上述任一所述的方法100。
也就是说,电子设备300包括:处理器320和存储器310,在所述存储器310中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器320执行上述任一所述的方法100。
进一步地,如图2所示,电子设备300还包括网络接口330、输入设备340、硬盘350、和显示设备360。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器320代表的一个或者多个中央处理器(CPU),以及由存储器310代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口330,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,并可以保存在硬盘350中。
所述输入设备340,可以接收操作人员输入的各种指令,并发送给处理器320以供执行。所述输入设备340可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备360,可以将处理器320执行指令获得的结果进行显示。
所述存储器310,用于存储操作系统运行所必须的程序和数据,以及处理器320计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器310可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器310旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器310存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统311和应用程序312。
其中,操作系统311,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序312,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序312中。
上述处理器320,当调用并执行所述存储器310中所存储的应用程序和数据,具体的,可以是应用程序312中存储的程序或指令时,S1、随机生成灰狼种群并建立物流运输调度模型;S2、设置所述灰狼种群当前迭代次数t为0;S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体;S4、对所述当前灰狼个体进行解码和分组得到车辆路径,并计算所述当前灰狼个体的适应度;S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较,如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体;S6、如所述当前灰狼个体为最后一个灰狼个体,则跳转S7;否则选择下一个灰狼个体为当前灰狼个体,跳转S4;S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略;S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置;S9、t加1,如果t小于最大迭代次数L,则跳转S3;否则跳转S10;S10、输出所述头狼个体代表的路径为最优路径。
本发明上述实施例揭示的方法可以应用于处理器320中,或者由处理器320实现。处理器320可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器320中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器320可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器310,处理器320读取存储器310中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地,处理器320还用于读取所述计算机程序,执行上述任一所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,所述方法包括以下步骤:
S1、随机生成灰狼种群并建立物流运输调度模型;
S2、设置所述灰狼种群当前迭代次数t为0;
S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体;
S4、对所述当前灰狼个体进行解码和分组得到车辆路径,并计算所述当前灰狼个体的适应度;
S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较,如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体;
S6、如所述当前灰狼个体为最后一个灰狼个体,则跳转S7;否则选择下一个灰狼个体为当前灰狼个体,跳转S4;
S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略;
S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置;
S9、t加1,如果t小于最大迭代次数L,则跳转S3;否则跳转S10;
S10、输出所述头狼个体代表的路径为最优路径;
其中,在步骤S1中,所述物流运输调度模型的顶点和路径用无向图G=(V,E)来表示;
其中,V={1...n}为顶点集合,1为车场,2到n为客户;E={(i,j)|i,j∈V}为顶点之间的边的集合;
定义决策变量为:
建立所述物流运输调度模型的数学模型如下:
其中,cij是车辆经过边(i,j)的开销;客户i的派送需求以di表示,i∈{2...n};所有车辆为同型号且最大车辆数量为K;车辆容量限制向量为Q;本物流运输调度模型寻找不多于K条简单回路;
式(3)为目标函数,表示总运输开销最小;式(4)表示客户只能由一辆车提供服务;式(5)表示车场则被多台车辆访问,车辆数量不大于K;式(6)保证每个节点车辆到达和离开的数量平衡;式(7)为车辆的容量约束;式(8)为保证路径的连续性,消除了车辆不是从车场出发的现象;(9)和(10)表示决策变量为0-1变量;
其中,在步骤S8中,设置适应度函数
所述物流运输调度模型的成本越小,适应度越优,该灰狼在算法的迭代过程中将具有更高的选为头狼的概率。
2.根据权利权利要求1所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S7中,所述编码过程包括:在所述物流运输调度模型中,令客户数量为m=n-1,最大可用车辆为K,则车辆路径L维数为m+2K,连接操作是在所有车辆路径中去掉车场,首尾相连组成m维的包含全部客户的基本通路向量,记为T,T=L\{1},定义灰狼i位置为m维向量T元素值减1,一一映射为灰狼位置向量的元素,将T映射为灰狼位置。
3.根据权利权利要求2所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S7中,所述解码过程包括:灰狼m维位置向量的每个元素加1,灰狼位置元素一一映射为T元素,将灰狼位置映射为T,形成包含全部客户的基本通路向量。
4.根据权利权利要求3所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S7中,对[T,Q,d,cost]四元组对基本通路向量进行分组;
其中,T为灰狼位置得到的基本通路向量;Q为车辆最大载重容量;d=(d1,d2,…,di,…dn)是客户需求向量;cost是节点间开销矩阵;节点包括车场和所有客户。
5.根据权利权利要求4所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S8中,所述离散灰狼优化算法包括:狩猎机制,所述狩猎机制即在猎物位置未知的情况下,由头狼α、头狼β和头狼δ引导狩猎,群狼ω根据所述头狼α、所述头狼β和所述头狼δ的位置更新其位置为在所述头狼α、所述头狼β和所述头狼δ为中心的圆的随机位置;基于以上离散域移动和趋近的定义,所述群狼ω等级中个体i依据其自身当前位置和所述头狼α、所述头狼β和所述头狼δ的位置来更新下一步的位置更新如(18)到(22)所示:
l=[m×(1-abs(A/2))], (18)
os=[r3×(m-l)], (19)
其中,r3和r4为[0,1]范围的随机向量,分别为所述头狼α、所述头狼β、所述头狼δ当前位置;为灰狼i当前位置;为灰狼下一步的更新位置;[]表示四舍五入取整;分别表示所述头狼α、所述头狼β、所述头狼δ的位置向量的第os到os+l的分量组成的子集;向量赋予3个子集其中之一;表示维数为l的并入向量的位置od中,并消除群狼位置向量中的原有重复元素;式中变量l、os、od通过A和C来计算得到,A和C的计算由式(23)、式(24)得到
A=2a·r1-a, (23)
C=2·r2, (24)
其中,r1、r2为[0,1]范围的随机向量;在算法的多次迭代当中,所述群狼ω按4:3.5:2.5的概率随机取所述头狼α、所述头狼β、所述头狼δ当中的其中一个个体进行跟随操作,所述群狼ω位置分量的排列根据所述头狼α、所述头狼β、所述头狼δ来调整,实现所述群狼ω的狩猎动作。
6.根据权利权利要求5所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S8中,所述离散灰狼优化算法还包括:攻击猎物机制,在所述攻击猎物机制中设定A是[-2a,2a]范围内的随机数,a是从2线性减少到0的实数,a越小,分量序列相同的数量l越接近m,灰狼越趋近所述头狼α、所述头狼β和所述头狼δ。
7.根据权利权利要求6所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S8中,所述按离散灰狼优化算法还包括:搜寻猎物机制,在所述搜寻猎物机制中,控制变量a=2时,l较小,在算法内交叉算子和变异算子的作用下,灰狼越远离所述头狼α、所述头狼β和所述头狼δ,变量C是0到2之间的随机实数,在式(20)、式(21)和式(22)中通过相同分量序列起始序号os、od使ω向α为中心的一定范围内随机位置移动,从而控制灰狼在一定范围内随机搜索猎物,当C=1时,os=od,代表ω以直线向α移动,若|os-od|=m-l,则ω趋近α一定范围的边缘。
8.根据权利权利要求7所述的基于自适应遗传灰狼优化算法的物流运输调度方法,其特征在于,在步骤S8中,所述移动平均自适应灰狼更新策略,通过移动平均值σ和当前最佳适应度的对比,感知算法的全局最优值的停滞程度,在多次迭代最优值不变的情况下,a获得一个增量,控制灰狼进行探索,从而达到探索和围猎的自适应交替进行,为了实现移动平均自适应更新策略,使算法能够在跳出局部最优,每轮迭代均按式(27)计算前20次迭代的最佳适应度平均值作为移动平均值σ:
其中,NT为当前迭代次数,fi为第i次迭代的全局最佳适应度;
移动平均值σ用于自适应调整控制参数,控制参数a自适应更新如下式:
其中,NT和NTmax分别为当前迭代次数和最大迭代次数,fl-1是上一轮迭代的全局最佳适应度,r、s分别为自适应比重系数和自适应调节因子。
9.一种计算机存储介质,其特征在于,包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现如权利要求1-8中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,
所述存储器用于存储一条或多条计算机指令;
所述处理器用于调用并执行所述一条或多条计算机指令,从而实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564245.1A CN109858739A (zh) | 2018-12-20 | 2018-12-20 | 物流运输调度方法、计算机存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564245.1A CN109858739A (zh) | 2018-12-20 | 2018-12-20 | 物流运输调度方法、计算机存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858739A true CN109858739A (zh) | 2019-06-07 |
Family
ID=66891717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564245.1A Pending CN109858739A (zh) | 2018-12-20 | 2018-12-20 | 物流运输调度方法、计算机存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858739A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276539A (zh) * | 2019-06-13 | 2019-09-24 | 新奥数能科技有限公司 | 能源运输模型的建立方法及求解方法、装置 |
CN110782073A (zh) * | 2019-10-08 | 2020-02-11 | 国药集团医药物流有限公司 | 单点装货多点卸货的串点运输模型 |
CN112016750A (zh) * | 2020-08-27 | 2020-12-01 | 东北大学秦皇岛分校 | 一种改进的解决带约束车辆路径问题的方法 |
CN112906968A (zh) * | 2021-03-01 | 2021-06-04 | 广东安恒电力科技有限公司 | 基于文化基因灰狼优化算法的电缆运输路径规划方法 |
CN114936075A (zh) * | 2022-04-01 | 2022-08-23 | 南京审计大学 | 一种边缘计算环境下移动审计设备计算任务的卸载方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
-
2018
- 2018-12-20 CN CN201811564245.1A patent/CN109858739A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
Non-Patent Citations (4)
Title |
---|
KORAYEM, L.等: "Using Grey Wolf Algorithm to Solve the Capacitated Vehicle Routing Problem", 《IOP CONFERENCE SERIES-MATERIALS SCIENCE AND ENGINEERING 》 * |
刘二辉 等: "基于改进灰狼优化算法的自动导引小车路径规划及其实现原型平台", 《计算机集成制造系统》 * |
蔡延光: "混合禁忌搜索算法求解关联运输调度问题", 《计算机科学》 * |
魏政磊 等: "具有自适应搜索策略的灰狼优化算法", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276539A (zh) * | 2019-06-13 | 2019-09-24 | 新奥数能科技有限公司 | 能源运输模型的建立方法及求解方法、装置 |
CN110782073A (zh) * | 2019-10-08 | 2020-02-11 | 国药集团医药物流有限公司 | 单点装货多点卸货的串点运输模型 |
CN112016750A (zh) * | 2020-08-27 | 2020-12-01 | 东北大学秦皇岛分校 | 一种改进的解决带约束车辆路径问题的方法 |
CN112906968A (zh) * | 2021-03-01 | 2021-06-04 | 广东安恒电力科技有限公司 | 基于文化基因灰狼优化算法的电缆运输路径规划方法 |
CN114936075A (zh) * | 2022-04-01 | 2022-08-23 | 南京审计大学 | 一种边缘计算环境下移动审计设备计算任务的卸载方法 |
CN114936075B (zh) * | 2022-04-01 | 2023-02-14 | 南京审计大学 | 一种边缘计算环境下移动审计设备计算任务的卸载方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858739A (zh) | 物流运输调度方法、计算机存储介质及电子设备 | |
CN112651509B (zh) | 量子线路的确定方法及装置 | |
Baldi et al. | A generalized bin packing problem for parcel delivery in last-mile logistics | |
Ali et al. | SynergyChain: Blockchain-assisted adaptive cyber-physical P2P energy trading | |
Luo et al. | Improved shuffled frog leaping algorithm and its multi-phase model for multi-depot vehicle routing problem | |
CN108846623A (zh) | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
Chica et al. | Multiobjective memetic algorithms for time and space assembly line balancing | |
Zhang et al. | A scatter search for multi-depot vehicle routing problem with weight-related cost | |
CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
CN110148039A (zh) | 一种众智网络智能数体需求匹配策略优化方法及系统 | |
CN115756478A (zh) | 计算图的算子自动融合方法及相关产品 | |
Dasari et al. | Multi-start heuristics for the profitable tour problem | |
CN114968531A (zh) | 基于多适应度遗传优化的量子云混合任务调度方法及装置 | |
Fan et al. | DRL-D: Revenue-aware online service function chain deployment via deep reinforcement learning | |
Rezende et al. | A greedy ant colony system for defensive resource assignment problems | |
CN111950768B (zh) | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 | |
CN117670005A (zh) | 基于蚁群算法的超算互联网多目标工作流优化方法及系统 | |
Narasimha et al. | Ant colony optimization technique to solve the min-max single depot vehicle routing problem | |
CN112633548B (zh) | 一种物流配送路径规划方法及装置 | |
Homberger et al. | A pheromone-based negotiation mechanism for lot-sizing in supply chains | |
CN111210116A (zh) | 一种基于双蚁群算法的交叉运输接收门和运输门分配方法 | |
Asokan et al. | Parallel large-neighborhood search techniques for LNG inventory routing | |
CN113537859B (zh) | 仓网构建方法、装置、计算机设备和存储介质 | |
Wieczorek et al. | Intelligent support for resource distribution in logistic networks using continuous-domain genetic algorithms | |
Chen et al. | A scheduling algorithm for heterogeneous computing systems by edge cover queue |
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: 20190607 |