CN109919396A - 一种面向物流配送的路线规划方法 - Google Patents
一种面向物流配送的路线规划方法 Download PDFInfo
- Publication number
- CN109919396A CN109919396A CN201910257452.0A CN201910257452A CN109919396A CN 109919396 A CN109919396 A CN 109919396A CN 201910257452 A CN201910257452 A CN 201910257452A CN 109919396 A CN109919396 A CN 109919396A
- Authority
- CN
- China
- Prior art keywords
- distribution
- pheromone
- optimal
- logistics
- route
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013439 planning Methods 0.000 title claims abstract description 19
- 239000003016 pheromone Substances 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000007704 transition Effects 0.000 claims abstract description 13
- 238000012384 transportation and delivery Methods 0.000 claims description 23
- 241000257303 Hymenoptera Species 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000007794 visualization technique Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000220225 Malus Species 0.000 description 1
- 238000001787 Wald–Wolfowitz test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向物流配送的路线规划方法，本发明方法充分考虑了物流配送的时空特征，通过分析不同时间段和不同仓库点的配送路线为多种用户提供高效路线规划。在配送路线优化方面，本发明公开了一种基于最佳配送点的优化蚁群方法。该方法从状态转移概率、信息素更新规则和距离函数三个方面进行优化，大大缩短了配送行程，降低了配送成本。最后通过可视化技术将规划路线呈现给用户。与现有的方法相比，本规划方法更加科学合理，能够显著提高物流配送的效率，增加配送收益。
Description
技术领域
本发明属于路线规划领域，具体涉及一种面向物流配送的路线规划方法。
背景技术
物流配送的路线规划主要有两大目标：第一，满足顾客需求；第二，降低物流成本。但是，目前的物流配送体系往往很难兼顾两者。如要满足顾客的需要，就必须投入大量的人力物力，进行多次投递。重复多次的投递能够保证物品快速到达消费者手中，但是同时也会消耗大量的物流成本。如果减少投递次数，确实能够减低成本，但同时带来的是物流滞留问题，影响消费体验。
在最优路线的求解中，一般采用两类方法。第一类是精确方法，第二类是启发式方法。对于组合优化问题，当问题的规模较小时，精确方法能够在可接受的时间内找到最优解。而当问题的规模逐渐增大时，求解这些问题最优解需要的计算量与存储空间的增长速度非常快，会带来所谓的“组合爆炸”。因此，启发式方法在求解最优解问题时更具有优越性。启发式方法中的蚁群方法因为具有很强的鲁棒性而被广泛使用。基于最佳配送点的优化蚁群方法能够很好的兼顾物流配送的路线规划中的两大目标。
发明内容
本发明为了克服现有技术中存在的不足，提供一种面向物流配送的路线规划方法。主要是利用提出的基于最佳配送点的优化蚁群方法求解最优路线，实现物流的高效配送。
本发明解决其技术问题是通过以下技术方案实现的：
一种面向物流配送的路线规划方法，包括如下步骤：
(1)进行时段的划分，并对城市进行区域划分，统计不同时段内不同区域的配送量；
(2)基于最佳配送点的优化蚁群方法求解最优配送路线，从状态转移概率、信息素更新规则和距离函数三个方面来优化；
(3)对步骤(2)中求解出的最优配送路线进行可视化。
进一步的，步骤(1)中对时段的划分为：将每3个小时定义为一个时段，一天的数据被划分为8个时段。
进一步的，步骤(1)中对城市进行区域的划分为：将城市从城市中心开始向外划分为三个同心圆区域。
进一步的，步骤(2)中所述的状态转移概率具体为：
本发明引入最佳配送点的概念，基于当前时刻配送人员的当前位置，将配送量排名前三的配送点定义为最佳配送点，t时刻蚂蚁k由配送点i转移到配送点j的状态转移概率
其中，allowedk表示蚂蚁k下一步允许选择的配送点，s是allowedk中的任意配送点，α为信息启发式因子，表示轨迹路线的相对重要性，β为期望启发式因子，表示能见度的相对重要性，τij(t)表示边(i,j)上的信息素，τis(t)表示边(i,s)上的信息素，ηis(t)和ηij(t)均为启发函数，Φk ij(t)为影响因子，其中，
其中，dij表示两个配送点i和j之间的距离，
其中，
在状态转移概率中，本发明加入了影响因子Φk ij(t)。
进一步的，步骤(2)中所述的信息素更新规则具体为：
本发明采用全局信息素更新和局部信息素更新相结合的规则，全局信息素的更新规则是所有蚂蚁均构建完路径后，只有构建最短路径Tb的蚂蚁才会进行信息素全局更新；τ(i,j)表示边(i,j)上的信息素，由以下的公式给出：
其中Δτb(i,j)＝1/Cb，其中Cb是方法开始运行到当前时刻的最优路径的长度，参数ρ代表信息素挥发的速率，Δτb(i,j)是新增加的信息素；信息素局部更新规则的引入，在路径构建过程中，对每一只蚂蚁，每当经过一条边(i,j)时，它将立即对这条边进行信息素的更新，更新所用的公式如下：
τ(i,j)＝(1-ξ)·τ(i,j)+ξ·τ0
其中，ξ是信息素局部挥发速率，τ0是信息素的初始值。
进一步的，步骤(3)中通过采用地图软件程序来实现最优路径的可视化。
本发明的有益效果为：
1、本发明通过分析物流数据的时空特征，能够了解不同时间不同区域的物流配送情况，进一步合理科学规划物流配送路线。
2、提出一种基于最佳配送点的优化蚁群方法，从状态转移概率、信息素更新规则和距离函数三个方面进行优化，该方法能够保证在最优路程的前提下尽可能地优先配送最佳配送点，从而能减轻运输成本，提高用户体验。
3、将基于最佳配送点的优化蚁群方法与第三方地图软件结合，通过数据可视化技术将规划的路线呈现在地图上，方便用户使用。
附图说明
图1是本发明所选的成都市区的区域划分图；
图2是地图中两个轨迹坐标之间的直线距离示意图；
图3是地图中两个轨迹坐标之间的驾车距离示意图；
图4是本发明中基于最佳配送点的优化蚁群方法流程图；
图5是配送点的搜索示意图；
图6是物流配送路线的规划示意图；
图7是本发明中面向物流配送的路线规划方法的整体流程示意图。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
如图1所示，一种面向物流配送的路线规划方法，包括如下步骤：
(1)进行时段的划分，并对城市进行区域划分，统计不同时段内不同区域的配送量；
本发明将每3个小时定义为一个时段，这样一天的数据就被细化为8个时段的。这8个时段分别是00:00:00-03:00:00、03:00:00-06:00:00、06:00:00-09:00:00、09:00:00-12:00:00、12:00:00-15:00:00、15:00:00-18:00:00、18:00:00-21:00:00和21:00:00-24:00:00。图1中的所有光标显示了成都市某个时间段的所有配送点，标号大的表示该区域的配送点比较多，小的是配送点稀疏。通过统计各个时段的配送量，得知配送的高峰和低峰时段，从而对不同时段的物流人员的配送路线进行合理规划。
对城市进行区域的划分为：本发明以城市环城公路为辅助，以城市中心为圆心由内向外划分三个同心圆区域，将物流配送数据进行三个级别的地理分区；一级城区是整个城市的核心区域，这里的物流配送最为发达，配送量最大，二级城区是环绕一级城区的部分地区，这里的物流较为发达，配送量远没有一级城区的大，城市的三级城区是指远离城市主城区的一些区域，这里的物流配送较少。本实施例以成都的市中心，天府广场(30.6633976913,104.0723725172)为中心，以环城公路为辅助，进行城市的分区，一级城区包括了成都的核心的区，例如锦江区、金牛区等；二级城区中包括了温江区、龙泉驿区等；三级城区中包括了大邑县、简阳市等。
(2)基于最佳配送点的优化蚁群方法求解最优配送路线，蚁群优化方法是模拟自然界真实蚂蚁觅食过程中的一种随机方法。蚂蚁在所经过的路线上留下信息素，同时又可以感知并根据信息素的浓度来选择下一条路线，一条路线上的浓度越浓。蚂蚁选择该条路线的概率越大，并留下信息素使这条路线上的浓度加强，这样会有更多的蚂蚁选择此路线。优化蚁群方法从状态转移概率、信息素更新规则和距离函数三个方面来优化；
1)状态转移概率具体为：
本发明引入最佳配送点的概念，基于当前时刻配送人员的当前位置，将配送量排名前三的配送点定义为最佳配送点，t时刻蚂蚁k由配送点i转移到配送点j的状态转移概率
其中，allowedk表示蚂蚁k下一步允许选择的配送点，s是allowedk中的任意配送点，α为信息启发式因子，表示轨迹路线的相对重要性，β为期望启发式因子，表示能见度的相对重要性，τij(t)表示边(i,j)上的信息素，τis(t)表示边(i,s)上的信息素，ηis(t)和ηij(t)均为启发函数，Φk ij(t)为影响因子，其中，
其中，dij表示两个配送点i和j之间的距离，
其中，
在状态转移概率中，本发明加入了影响因子Φk ij(t)。在蚂蚁选择下一个状态时，优先选择最佳配送点，给配送量大的配送点先送快递，增加大多数用户的满意度。最佳配送点是根据不同时间的不同区域的配送量决定的，它并不是固定的。本发明定义在配送范围内，配送总量为前三的配送点就是最佳配送点。
2)信息素更新规则具体为：
在基于最佳配送点的优化蚁群方法中，只有至今最优的蚂蚁(构建出了从方法开始运行到当前迭代中最短路径的蚂蚁)被允许释放信息素，这个策略与状态转移概率规则一起作用，大大地增强了方法搜索的导向性。本发明采用全局信息素更新和局部信息素更新相结合的规则，全局信息素的更新规则是所有蚂蚁均构建完路径后，只有构建最短路径Tb的蚂蚁才会进行信息素全局更新；τ(i,j)表示边(i,j)上的信息素，由以下的公式给出：
其中Δτb(i,j)＝1/Cb，其中Cb是方法开始至今最优路径的长度，需要强调的是，不论是信息素的蒸发还是释放，都只在属于至今最优路径的边上进行，这里与原始的蚁群方法有很大的区别。传统的蚁群方法是将信息素的更新应用到了系统的所有边上，信息素计算的复杂度是O(n2)，而改进的方法的信息素更新计算的复杂度降为O(n)。参数ρ代表信息素挥发的速率，新增加的信息素Δτb(i,j)被乘上系数ρ之后，更新后的信息素浓度被控制在旧信息素量与新释放的信息素量之间，实现了对方法中信息素量取值范围的控制。信息素局部更新规则的引入，在路径构建过程中，对每一只蚂蚁，每当经过一条边(i,j)时，它将立即对这条边进行信息素的更新，更新所用的公式如下：
τ(i,j)＝(1-ξ)·τ(i,j)+ξ·τ0
其中，ξ是信息素局部挥发速率，τ0是信息素的初始值。计算出来的更新后的信息素相比于更新前的减少了，也就是说，信息素局部更新规则作用于某条边会使这条边被其他蚂蚁选中的概率减少。这种机制大大增加了方法的探索能力，后续蚂蚁倾向于探索未被使用过的边，有效地避免了方法进入停滞状态。
3)距离函数具体为：
在基于最佳配送点的优化蚁群方法距离的计算中，本发明摒弃传统方法中的距离公式。调用百度api地图软件，可发现一般的距离公式计算的是两个轨迹坐标之间的弧长距离，也即图2所示。但是本发明计算的是真实的驾车行驶距离，所以在基于最佳配送点的优化蚁群方法距离的计算中，本发明调用了百度api中的算路功能，两点之间的驾车路程距离如图3所示。
基于最佳配送点的优化蚁群方法求解最优值的流程图如图4所示。首先初始化每条边上的信息素，预设最大迭代次数。每个蚂蚁开始从某个定点出发，按照状态转移概率公式选择下一个配送点，然后局部更新信息素，构建完整路径之后，选择最优路径进行全局信息素的更新。最后判断是否达到最大迭代值。
基于最佳配送点的优化蚁群方法求解最优值的具体执行步骤：
输入：范围内的配送点数据
输出：配送点的遍历顺序
步骤1：方法初始化；
步骤2:循环次数Nc＝Nc+1，蚂蚁等禁忌表索引号k＝1，蚂蚁数目k＝k+1；
步骤3：m只蚂蚁个体根据状态转移概率公式计算概率并前进；
步骤4：修改禁忌表指针并更新禁忌表，选择好之后将蚂蚁移动到新的配送点上，并把刚才访问的配送点移动到该蚂蚁个体的禁忌表中；
步骤5：更新刚才走过的边上的信息素量；
步骤6：若集合中元素未遍历完，即k＜m，则转到步骤3，否则执行步骤7；
步骤7:记录下这些路径中最短的一条，更新这条边上的信息素量；
步骤8:判断是否达到最大迭代次数，若是，则方法结束，输出结果，否则返回步骤2。
(3)根据当前的时间和用户所在地点，通过调用第三方地图软件将基于最佳配送点的优化蚁群方法求解的最优路线展示在地图上。本发明假设配送人员在成都站出发进行物流配送。首先读取当前时间，然后以配送人员所在位置为圆心，在半径为2km的范围内搜索配送点，搜索的结果示意图5如图示。
最后呈现的物流配送路线图如图6所示，配送人员可以按照路线规划进行配送。本实施例以成都市的一名快递投递员分别按照图6的路线和常规的路线来运行测试，测试结果为采用图6的路程明显少于常规的路线。
以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种面向物流配送的路线规划方法，其特征在于：包括如下步骤：
(1)进行时段的划分，并对城市进行区域划分，统计不同时段内不同区域的配送量；
(2)基于最佳配送点的优化蚁群方法求解最优配送路线，从状态转移概率、信息素更新规则和距离函数三个方面来优化；
(3)对步骤(2)中求解出的最优配送路线进行可视化。
2.如权利要求1所述的一种面向物流配送的路线规划方法，其特征在于：步骤(1)中对时段的划分为：将每3个小时定义为一个时段，一天的数据被划分为8个时段。
3.如权利要求2所述的一种面向物流配送的路线规划方法，其特征在于：步骤(1)中对城市进行区域的划分为：将城市从城市中心开始向外划分为三个同心圆区域。
4.如权利要求3所述的一种面向物流配送的路线规划方法，其特征在于：步骤(2)中所述的状态转移概率具体为：
本发明引入最佳配送点的概念，基于当前时刻配送人员的当前位置，将配送量排名前三的配送点定义为最佳配送点，t时刻蚂蚁k由配送点i转移到配送点j的状态转移概率
其中，allowedk表示蚂蚁k下一步允许选择的配送点，s是allowedk中的任意配送点，α为信息启发式因子，表示轨迹路线的相对重要性，β为期望启发式因子，表示能见度的相对重要性，τij(t)表示边(i,j)上的信息素，τis(t)表示边(i,s)上的信息素，ηis(t)和ηij(t)均为启发函数，Φk ij(t)为影响因子，其中，
其中，dij表示两个配送点i和j之间的距离，
其中，
在状态转移概率中，本发明加入了影响因子Φk ij(t)。
5.如权利要求4所述的一种面向物流配送的路线规划方法，其特征在于：步骤(2)中所述的信息素更新规则具体为：
本发明采用全局信息素更新和局部信息素更新相结合的规则，全局信息素的更新规则是所有蚂蚁均构建完路径后，只有构建最短路径Tb的蚂蚁才会进行信息素全局更新；τ(i,j)表示边(i,j)上的信息素，由以下的公式给出：
其中Δτb(i,j)＝1/Cb，其中Cb是方法开始运行到当前时刻的最优路径的长度，参数ρ代表信息素挥发的速率，Δτb(i,j)是新增加的信息素；信息素局部更新规则的引入，在路径构建过程中，对每一只蚂蚁，每当经过一条边(i,j)时，它将立即对这条边进行信息素的更新，更新所用的公式如下：
τ(i,j)＝(1-ξ)·τ(i,j)+ξ·τ0
其中，ξ是信息素局部挥发速率，τ0是信息素的初始值。
6.如权利要求5所述的一种面向物流配送的路线规划方法，其特征在于：步骤(3)中通过采用地图软件程序来实现最优路径的可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910257452.0A CN109919396B (zh) | 2019-04-01 | 2019-04-01 | 一种面向物流配送的路线规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910257452.0A CN109919396B (zh) | 2019-04-01 | 2019-04-01 | 一种面向物流配送的路线规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109919396A true CN109919396A (zh) | 2019-06-21 |
| CN109919396B CN109919396B (zh) | 2022-07-26 |
Family
ID=66968048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910257452.0A Active CN109919396B (zh) | 2019-04-01 | 2019-04-01 | 一种面向物流配送的路线规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919396B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418514A (zh) * | 2020-11-20 | 2021-02-26 | 华南理工大学 | 一种运用蚁群系统优化校园公交线路规划的方法 |
| CN113112203A (zh) * | 2021-04-14 | 2021-07-13 | 杭州拼便宜网络科技有限公司 | 一种基于混合蚁群算法多配送中心车辆路径安排系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220731A (zh) * | 2017-05-23 | 2017-09-29 | 南京邮电大学 | 一种物流配送路径规划方法 |
| CN108268959A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 基于主次种群蚁群算法的物流配送路径规划方法 |
-
2019
- 2019-04-01 CN CN201910257452.0A patent/CN109919396B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268959A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 基于主次种群蚁群算法的物流配送路径规划方法 |
| CN107220731A (zh) * | 2017-05-23 | 2017-09-29 | 南京邮电大学 | 一种物流配送路径规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418514A (zh) * | 2020-11-20 | 2021-02-26 | 华南理工大学 | 一种运用蚁群系统优化校园公交线路规划的方法 |
| CN113112203A (zh) * | 2021-04-14 | 2021-07-13 | 杭州拼便宜网络科技有限公司 | 一种基于混合蚁群算法多配送中心车辆路径安排系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109919396B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | T-drive: driving directions based on taxi trajectories | |
| Zong et al. | Trip destination prediction based on multi-day GPS data | |
| Yuan et al. | Driving with knowledge from the physical world | |
| CN108286980A (zh) | 一种预测目的地和推荐驾驶路线的方法 | |
| US10339808B2 (en) | Predicting parking vacancies based on activity codes | |
| CN110442662B (zh) | 一种确定用户属性信息的方法以及信息推送方法 | |
| WO2023050955A1 (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
| Ryus et al. | Development of Florida’s transit level-of-service indicator | |
| CN109919396B (zh) | 一种面向物流配送的路线规划方法 | |
| CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
| Fabusuyi et al. | Decision analytics for parking availability in downtown Pittsburgh | |
| CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
| Rong et al. | Mining efficient taxi operation strategies from large scale geo-location data | |
| CN110110243A (zh) | 一种基于回声状态网络的历史轨迹目的地预测方法 | |
| CN112819211A (zh) | 一种基于蚁群迭代算法的多区域调度航线规划方法 | |
| Stöger | The Spatial Organization of the Movement Economy | |
| Wang et al. | Multi-source data-driven prediction for the dynamic pickup demand of one-way carsharing systems | |
| JP7291252B2 (ja) | 処理ルート情報 | |
| Martens et al. | The dilemma of on-street parking policy: exploring cruising for parking using an agent-based model | |
| Tu et al. | Reducing transportation greenhouse gas emissions through the development of policies targeting high-emitting trips | |
| CN110555174B (zh) | 一种基于r树的轨迹路径推荐方法 | |
| CN108734352A (zh) | 一种乡村旅游用管理系统 | |
| Nijkamp et al. | Sustainable urban land use and transportation planning: a cognitive decision support system for the Naples metropolitan area | |
| Zeid et al. | Machine learning model to forecast demand of Boston Bike-ride sharing | |
| Jiao et al. | The Optimization Model of E‐Commerce Logistics Distribution Path Based on GIS Technology |
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 |