CN109978471A - 一种带时间窗的冷链物流路径优化方法 - Google Patents

Abstract

本发明涉及配送路径优化技术领域，且公开了一种带时间窗的冷链物流路径优化方法，包括以下步骤：第一步:依据异构车辆的多类车型问题，扩充现有SOLOMON算例中的车辆类型参数并读取算例的任务。该带时间窗的冷链物流路径优化方法，通过对各类型车辆对生鲜食品的运输流程进行优化，参照国内外多案例进行进一步的改进，算法采用一种改进的人工鱼群算法，算法分为初始化和人工蜂群两个阶段，初始化阶段包含PFIH和改进的PFIH两个策略，可以有效的提高解的质量；改进的人工鱼群算法阶段包含变异策略与交叉策略，从而提高了种群数量，增大了找到更优解的概率，能有效应用于冷链物流中，更方便使用者的使用。

Description

一种带时间窗的冷链物流路径优化方法

技术领域

本发明涉及配送路径优化技术领域，具体为一种带时间窗的冷链物流路径优化方法。

背景技术

物流产业的迅速发展兴起于上世纪80年代，全球经济的持续增长，社会分工的日益深化都为物流产业的发展带来更广阔的空间，物流作为“第三利润源泉”对经济市场的影响也进一步引起了人们对这个课题的重视，成为现代社会“最重要的竞争领域”，配送是物流中的一个重要环节，在现实生活中，配送过程中的服务质量的高低与企业的配送成本和客户对企业物流服务的满意度呈直接的正相关关系，因此在充满竞争的21世纪，想要在市场经济中处于领先地位，必须对配送过程进行优化，合理地使用多车型、具有不同装载能力的货车配送货物，为需要冷藏的物品提供带有冷藏、保鲜功能的货车，为普通物品提供一般的货车，不但可以提高服务质量，而且可以有效地降低配送成本，车辆路径问题最早是由Dantzig和Ramser于1959年首次提出的，定义为：在满足所有客户需求的前提下对车辆的配送路径进行优化，以最低的成本将货物运输到目的地，由于VRP涉及的因素有很多，根据约束条件的不同，可以将其划分成多个类型，Lidija Zadnik Stim和Ana Osvald两位学者对农产品冷链物流配送模型进行了研究，在VRP问题基础上，引入时间窗的概念，并建立对应模型，一定程度上简化了此类问题的求解步骤，但没有将冷链配送中的货损成本考虑在内，有待后续的研究者更多的将目光放在灵活性更高的软时间窗上做模型优化。

国内外学者对VRP模型的构建和算法求解进行了大量的研究，得到了数量可观的成果，但大部分文献主要针对求解模型的算法设计和改进，然后通过高效率的智能算法进行设计和进一步改进，使求解更加准确快速，然而随着社会经济的迅速发展，客户对高质量配送服务的需求也随之增加，这使得物流企业在考虑配送问题的时候需要将更多的因素纳入考虑范围，尤其是对生鲜食品的运输，这类问题国内外研究程度较低，所以在车辆路径问题中考虑货物类别这个因素，可以更加合理的安排配送时间，为客户提供更优质的服务，这也同时适应了物流配送精益化发展的趋势，故而提出了一种带时间窗的冷链物流路径优化方法来解决上述提出的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种带时间窗的冷链物流路径优化方法，具备提高配送效率，降低配送成本等优点，解决了在充满竞争的21世纪，想要在市场经济中处于领先地位，必须对配送过程进行优化，合理地使用多车型和具有不同装载能力的货车配送货物，为需要冷藏的物品提供带有冷藏和保鲜功能的货车，为普通物品提供一般的货车，不但可以提高服务质量，而且可以有效地降低配送成本的问题。

(二)技术方案

为实现上述提高配送效率，降低配送成本的目的，本发明提供如下技术方案：一种带时间窗的冷链物流路径优化方法，包括以下步骤：

第一步:依据异构车辆的多类车型问题，扩充现有SOLOMON算例中的车辆类型参数并读取算例的任务：

需要常温车辆服务的客户n个，需要带有冷藏装置的车辆服务的客户m个，车辆类型K种，货物需求量，0-1变量约束表示客户i可以由车辆类型K进行运输到客户j，问题的约束条件是：每个客户只能由一辆车进行服务，每辆车的负载不能超过其最大负载；提供服务的车辆必须在配送中心开始和结束，同时该车辆在配送中心时前面和后面的节点均不超过一个。

第二步：确定优化的目标及约束条件：

公式中是车辆类型k启用的固定成本，车辆类型k的耗能指标；t_ij是车辆从i到j所花费的时间，sv_i是客户满意度，α，β是系统参数。

第三步：提出一种星级评定的方式确定客户满意度；

步骤1：当服务车辆在严格时间窗到达并服务，客户i差评等级评定bv_i＝0,客户满意度sv_i＝5；；

步骤2：当服务车辆在提前松弛时间窗到达，客户i差评等级评定客户满意度sv_i＝5-bv_i；

步骤3：当客服务车辆在延迟松弛时间窗内到达，客户i差评等级评定客户满意度sv_i＝5-bv_i。

第四步：提出一种车辆等待方案提高客户满意度；

步骤1：对于给定的解决方案，检查所有车辆，对于每个车辆执行以下步骤；

步骤2:对于每一辆车，从右到左，找到第一个客户i，让车在最早的左侧松弛时间窗等待；

步骤3：对于车辆k，发现顾客j满足以下条件:(1)顾客j在i之前；(2)j的开始服务时间在左侧松弛时间窗口，在严格时间窗口之前，即j的开始服务时间可以右移，提高客户满意度；

步骤4：对每个车辆重复步骤2和步骤3。

第五步：采用改进的人工鱼群算法优化路径解决方案:

步骤1按照扩充的SOLOMON算例，循环生成X＝(x¹,x²,...,x^m)共m个初始解存入当前解集；

步骤2鱼群觅食行为：第一，循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果当前解xⁱ在“可视范围”内随机选择一个解x^j，如果x^j的目标值比xⁱ优秀，则xⁱ向x^j方向移动，即xⁱ与x^j进行交叉操作；第三：在公告板更新最好解；第四：更新xⁱ的尝试次数try_number；

步骤3鱼群追尾行为：第一：循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果“可视范围”内存在最优解x^best，当xⁱ周围不是很拥挤，且x^best的目标值比xⁱ优秀，则xⁱ向x^best移动，即xⁱ与x^best进行交叉操作；第三：在公告板更新最好解；第四：如果移动不成功，则执行觅食行为；

步骤4鱼群随机行为：在“可视范围”内随机选择一种状态并向该状态移动，交叉策略如下：第一：选择当前解xⁱ的普通车辆部分，选择“可视范围”内最优解x^best的冷链车部分，将两部分组合起来；第二：如果xⁱ的冷链车数量大于x^best的冷链车数量，则全部复制，删去多于车辆；第三：选择当前解xⁱ的冷链车辆，选择“可视范围”内最优解x^best的普通车部分，将两部分组合起来；第四：如果x^best的冷链车数量大于xⁱ的冷链车数量，则全部复制，删去多于车辆；第五：原有目标值与重组后目标值进行比较，将最好解更新至公告板。

第六步：将所述路径优化方案下发到各个配送车辆。

优选的，所述第五步中的步骤1按照扩充的SOLOMON算例，利用改进的PFIH策略(IPFIH)，循环生成m-1个初始解，再利用PFIH策略生成一个初始解，初始解存入当前解集，所述步骤1中的编码策略如下：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，前25个表示常温车型，后25个表示冷藏车型，对于每辆车创建一个数组，包含该车辆服务的客户序列，客户序号的先后顺序表示这些客户点的服务次序。

优选的，所述具体的IPFIH初始化算法步骤如下：步骤1，设置IPFIH迭代终止条件m-1，并将当前所有客户随机排序；步骤2，循环每一个客户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j的位置，计算客户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则其插入位置为p_i，客户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；

c₁₁(k,u,h)＝t_ku+t_uh-μt_kh,μ≥0

c₁₂(k,u,h)＝w_h'-w_h,

式中，k和h表示当前车辆上位置u-1和u的客户，w_h'表示插入客户j到位置u后，客户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m-1个解存入初始解集。

优选的，IPFIH初始化算法总体流程如下：步骤1，循环所有剩余未调度的客户点，计算每个客户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pj，即如果j作为下一个安排服务的客户则其插入位置为pj，客户j插入到车辆i的位置u的费用计算同权利要求3内的公式；步骤2，计算每个客户的c2值，找到最小c2值的客户j^*，记为下一个服务的客户点，计算如下：

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。

优选的，鱼群觅食行为中当前解xⁱ的产生策略I：步骤1：为了生成邻域解，随机选择一种车型，对所选车型随机选择一辆车，然后从中随机选择一个客户，并将其在所选车辆中删除，步骤2：将所选客户插入到同类型的另一辆车中，鱼群捕食行为中当前解xⁱ的产生策略II：步骤1：为了生成邻域解，与策略I相同，随机选择一辆车，然后从所选车辆中随机选择一定数量的客户并将这些客户从当前车辆中删除，步骤2：将选择的客户随机插入到相同车型的其他车辆中。

(三)有益效果

与现有技术相比，本发明提供了一种带时间窗的冷链物流路径优化方法，具备以下有益效果：

1、该带时间窗的冷链物流路径优化方法，在现实的物流系统中，许多配送车辆的类型、装载能力、能耗指标和运送装置都是不同的，同时，配送效率的高低也决定着客户满意度的高低，在客户的时间窗内进行配送车辆会得到更高的满意度，通过采用星级评定的方式进行定义客户的满意度，车辆提前或者延迟到达都会导致客户满意度和星级下降，这样可使客户的时间窗长度越短，客户的宽容程度越小；且根据提前或延时的时间间隔，计算出一个比例，以几颗星表示，并将星级与目标值相结合，客户满意度越高，服务车辆得到的星级越高，且配合提高客户满意度的车辆等待策略，如果车辆提前到达服务客户，可以等待一段时间，当到达客户的严格时间窗时进行服务，更贴合实际，具有应用价值，更方便使用者的使用。

2、该带时间窗的冷链物流路径优化方法，在冷链物流过程中，通过对各类型车辆对生鲜食品的运输流程进行优化，参照国内外多案例进行进一步的改进，算法采用一种改进的人工鱼群算法，算法分为初始化和人工蜂群两个阶段，初始化阶段包含PFIH和改进的PFIH两个策略，可以有效的提高解的质量；改进的人工鱼群算法阶段包含变异策略与交叉策略，从而提高了种群数量，增大了找到更优解的概率，实验结果验证了所提出的改进的人工鱼群算法的有效性，能有效应用于冷链物流中，为车辆提供更加合理的安排配送时间，为客户提供更优质的服务，更方便使用者的使用。

附图说明

图1为本发明冷链物流中带时间窗与能量消耗的路径优化问题的例图；

图2为SOLOMON经典算例场景图；

图3为本发明方法中的编码示意图；

图4为本发明方法中的解码甘特图；

图5为本发明中的客户满意度星级评价图；

图6为本发明中的提高客户满意度的车辆等待策略示意图；

图7为本发明中当前解xⁱ的产生策略II示意图；

图8为本发明中交叉策略示意图；

图9为本发明中算法比较示意图。

具体实施方式

下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-4，一种带时间窗的冷链物流路径优化方法，包括以下步骤：

第一步:依据异构车辆的多类车型问题，扩充现有SOLOMON算例中的车辆类型参数并读取算例的任务：

需要常温车辆服务的客户n个，需要带有冷藏装置的车辆服务的客户m个，车辆类型K种，货物需求量，0-1变量约束表示客户i可以由车辆类型K进行运输到客户j，问题的约束条件是：每个客户只能由一辆车进行服务，每辆车的负载不能超过其最大负载；提供服务的车辆必须在配送中心开始和结束，同时该车辆在配送中心时前面和后面的节点均不超过一个。

第二步：确定优化的目标及约束条件：

公式中是车辆类型k启用的固定成本，车辆类型k的耗能指标；t_ij是车辆从i到j所花费的时间，sv_i是客户满意度，α，β是系统参数。

第三步：提出一种星级评定的方式确定客户满意度；

步骤1：当服务车辆在严格时间窗到达并服务，客户i差评等级评定bv_i＝0,客户满意度sv_i＝5；；

步骤2：当服务车辆在提前松弛时间窗到达，客户i差评等级评定客户满意度sv_i＝5-bv_i；

步骤3：当客服务车辆在延迟松弛时间窗内到达，客户i差评等级评定客户满意度sv_i＝5-bv_i。

第四步：提出一种车辆等待方案提高客户满意度；

步骤1：对于给定的解决方案，检查所有车辆，对于每个车辆执行以下步骤；

步骤2:对于每一辆车，从右到左，找到第一个客户i，让车在最早的左侧松弛时间窗等待；

步骤3：对于车辆k，发现顾客j满足以下条件:(1)顾客j在i之前；(2)j的开始服务时间在左侧松弛时间窗口，在严格时间窗口之前，即j的开始服务时间可以右移，提高客户满意度；

步骤4：对每个车辆重复步骤2和步骤3。

第五步：采用改进的人工鱼群算法优化路径解决方案:

步骤1按照扩充的SOLOMON算例，循环生成X＝(x¹,x²,...,x^m)共m个初始解存入当前解集；所述第五步中的步骤1按照扩充的SOLOMON算例，利用改进的PFIH策略(IPFIH)，循环生成m-1个初始解，再利用PFIH策略生成一个初始解，初始解存入当前解集，所述步骤1中的编码策略如下：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，前25个表示常温车型，后25个表示冷藏车型，对于每辆车创建一个数组，包含该车辆服务的客户序列，客户序号的先后顺序表示这些客户点的服务次序，所述具体的IPFIH初始化算法步骤如下：步骤1，设置IPFIH迭代终止条件m-1，并将当前所有客户随机排序；步骤2，循环每一个客户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j的位置，计算客户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则其插入位置为p_i，客户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；

c₁₁(k,u,h)＝t_ku+t_uh-μt_kh,μ≥0

c₁₂(k,u,h)＝w_h'-w_h,

式中，k和h表示当前车辆上位置u-1和u的客户，w_h'表示插入客户j到位置u后，客户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m-1个解存入初始解集，IPFIH初始化算法总体流程如下：步骤1，循环所有剩余未调度的客户点，计算每个客户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pj，即如果j作为下一个安排服务的客户则其插入位置为pj，客户j插入到车辆i的位置u的费用计算同权利要求3内的公式；步骤2，计算每个客户的c2值，找到最小c2值的客户j^*，记为下一个服务的客户点，计算如下：

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；

步骤2鱼群觅食行为：第一，循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果当前解xⁱ在“可视范围”内随机选择一个解x^j，如果x^j的目标值比xⁱ优秀，则xⁱ向x^j方向移动，即xⁱ与x^j进行交叉操作；第三：在公告板更新最好解；第四：更新xⁱ的尝试次数try_number，鱼群觅食行为中当前解xⁱ的产生策略I：步骤1：为了生成邻域解，随机选择一种车型，对所选车型随机选择一辆车，然后从中随机选择一个客户，并将其在所选车辆中删除，步骤2：将所选客户插入到同类型的另一辆车中，鱼群捕食行为中当前解xⁱ的产生策略II：步骤1：为了生成邻域解，与策略I相同，随机选择一辆车，然后从所选车辆中随机选择一定数量的客户并将这些客户从当前车辆中删除，步骤2：将选择的客户随机插入到相同车型的其他车辆中；

步骤3鱼群追尾行为：第一：循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果“可视范围”内存在最优解x^best，当xⁱ周围不是很拥挤，且x^best的目标值比xⁱ优秀，则xⁱ向x^best移动，即xⁱ与x^best进行交叉操作；第三：在公告板更新最好解；第四：如果移动不成功，则执行觅食行为；

步骤4鱼群随机行为：在“可视范围”内随机选择一种状态并向该状态移动，交叉策略如下：第一：选择当前解xⁱ的普通车辆部分，选择“可视范围”内最优解x^best的冷链车部分，将两部分组合起来；第二：如果xⁱ的冷链车数量大于x^best的冷链车数量，则全部复制，删去多于车辆；第三：选择当前解xⁱ的冷链车辆，选择“可视范围”内最优解x^best的普通车部分，将两部分组合起来；第四：如果x^best的冷链车数量大于xⁱ的冷链车数量，则全部复制，删去多于车辆；第五：原有目标值与重组后目标值进行比较，将最好解更新至公告板。

第六步：将所述路径优化方案下发到各个配送车辆，在现实的物流系统中，许多配送车辆的类型、装载能力、能耗指标和运送装置都是不同的，同时，配送效率的高低也决定着客户满意度的高低，在客户的时间窗内进行配送车辆会得到更高的满意度，通过采用星级评定的方式进行定义客户的满意度，车辆提前或者延迟到达都会导致客户满意度和星级下降，这样可使客户的时间窗长度越短，客户的宽容程度越小；且根据提前或延时的时间间隔，计算出一个比例，以几颗星表示，并将星级与目标值相结合，客户满意度越高，服务车辆得到的星级越高，且配合提高客户满意度的车辆等待策略，如果车辆提前到达服务客户，可以等待一段时间，当到达客户的严格时间窗时进行服务，更贴合实际，具有应用价值，更方便使用者的使用，在冷链物流过程中，通过对各类型车辆对生鲜食品的运输流程进行优化，参照国内外多案例进行进一步的改进，算法采用一种改进的人工鱼群算法，算法分为初始化和人工蜂群两个阶段，初始化阶段包含PFIH和改进的PFIH两个策略，可以有效的提高解的质量；改进的人工鱼群算法阶段包含变异策略与交叉策略，从而提高了种群数量，增大了找到更优解的概率，实验结果验证了所提出的改进的人工鱼群算法的有效性，能有效应用于冷链物流中，为车辆提供更加合理的安排配送时间，为客户提供更优质的服务，更方便使用者的使用。

综上所述，该时间窗的冷链物流路径优化方法，在现实的物流系统中，许多配送车辆的类型、装载能力、能耗指标和运送装置都是不同的，同时，配送效率的高低也决定着客户满意度的高低，在客户的时间窗内进行配送车辆会得到更高的满意度，通过采用星级评定的方式进行定义客户的满意度，车辆提前或者延迟到达都会导致客户满意度和星级下降，这样可使客户的时间窗长度越短，客户的宽容程度越小；且根据提前或延时的时间间隔，计算出一个比例，以几颗星表示，并将星级与目标值相结合，客户满意度越高，服务车辆得到的星级越高，且配合提高客户满意度的车辆等待策略，如果车辆提前到达服务客户，可以等待一段时间，当到达客户的严格时间窗时进行服务，更贴合实际，具有应用价值，更方便使用者的使用，在冷链物流过程中，通过对各类型车辆对生鲜食品的运输流程进行优化，参照国内外多案例进行进一步的改进，算法采用一种改进的人工鱼群算法，算法分为初始化和人工蜂群两个阶段，初始化阶段包含PFIH和改进的PFIH两个策略，可以有效的提高解的质量；改进的人工鱼群算法阶段包含变异策略与交叉策略，从而提高了种群数量，增大了找到更优解的概率，实验结果验证了所提出的改进的人工鱼群算法的有效性，能有效应用于冷链物流中，为车辆提供更加合理的安排配送时间，为客户提供更优质的服务，更方便使用者的使用。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种带时间窗的冷链物流路径优化方法，其特征在于，包括以下步骤：

第一步:依据异构车辆的多类车型问题，扩充现有SOLOMON算例中的车辆类型参数并读取算例的任务：

需要常温车辆服务的客户n个，需要带有冷藏装置的车辆服务的客户m个，车辆类型K种，货物需求量，0-1变量约束表示客户i可以由车辆类型K进行运输到客户j，问题的约束条件是：每个客户只能由一辆车进行服务，每辆车的负载不能超过其最大负载；提供服务的车辆必须在配送中心开始和结束，同时该车辆在配送中心时前面和后面的节点均不超过一个。

第二步：确定优化的目标及约束条件：

公式中是车辆类型k启用的固定成本，车辆类型k的耗能指标；t_ij是车辆从i到j所花费的时间，sv_i是客户满意度，α，β是系统参数。

第三步：提出一种星级评定的方式确定客户满意度；

步骤1：当服务车辆在严格时间窗到达并服务，客户i差评等级评定bv_i＝0,客户满意度sv_i＝5；；

步骤2：当服务车辆在提前松弛时间窗到达，客户i差评等级评定客户满意度sv_i＝5-bv_i；

步骤3：当客服务车辆在延迟松弛时间窗内到达，客户i差评等级评定客户满意度sv_i＝5-bv_i。

第四步：提出一种车辆等待方案提高客户满意度；

步骤1：对于给定的解决方案，检查所有车辆，对于每个车辆执行以下步骤；

步骤2:对于每一辆车，从右到左，找到第一个客户i，让车在最早的左侧松弛时间窗等待；

步骤3：对于车辆k，发现顾客j满足以下条件:(1)顾客j在i之前；(2)j的开始服务时间在左侧松弛时间窗口，在严格时间窗口之前，即j的开始服务时间可以右移，提高客户满意度；

步骤4：对每个车辆重复步骤2和步骤3。

第五步：采用改进的人工鱼群算法优化路径解决方案:

步骤1按照扩充的SOLOMON算例，循环生成X＝(x¹,x²,...,x^m)共m个初始解存入当前解集；

步骤2鱼群觅食行为：第一，循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果当前解xⁱ在“可视范围”内随机选择一个解x^j，如果x^j的目标值比xⁱ优秀，则xⁱ向x^j方向移动，即xⁱ与x^j进行交叉操作；第三：在公告板更新最好解；第四：更新xⁱ的尝试次数try_number；

步骤3鱼群追尾行为：第一：循环初始解集的每一个解xⁱ，根据“可视范围”确定解的邻域解集；第二：如果“可视范围”内存在最优解x^best，当xⁱ周围不是很拥挤，且x^best的目标值比xⁱ优秀，则xⁱ向x^best移动，即xⁱ与x^best进行交叉操作；第三：在公告板更新最好解；第四：如果移动不成功，则执行觅食行为；

步骤4鱼群随机行为：在“可视范围”内随机选择一种状态并向该状态移动，交叉策略如下：第一：选择当前解xⁱ的普通车辆部分，选择“可视范围”内最优解x^best的冷链车部分，将两部分组合起来；第二：如果xⁱ的冷链车数量大于x^best的冷链车数量，则全部复制，删去多于车辆；第三：选择当前解xⁱ的冷链车辆，选择“可视范围”内最优解x^best的普通车部分，将两部分组合起来；第四：如果x^best的冷链车数量大于xⁱ的冷链车数量，则全部复制，删去多于车辆；第五：原有目标值与重组后目标值进行比较，将最好解更新至公告板。

第六步：将所述路径优化方案下发到各个配送车辆。

2.根据权利要求1所述的一种带时间窗的冷链物流路径优化方法，其特征在于:所述第五步中的步骤1按照扩充的SOLOMON算例，利用改进的PFIH策略(IPFIH)，循环生成m-1个初始解，再利用PFIH策略生成一个初始解，初始解存入当前解集，所述步骤1中的编码策略如下：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，前25个表示常温车型，后25个表示冷藏车型，对于每辆车创建一个数组，包含该车辆服务的客户序列，客户序号的先后顺序表示这些客户点的服务次序。

3.根据权利要求2所述的一种带时间窗的冷链物流路径优化方法，其特征在于：所述具体的IPFIH初始化算法步骤如下：步骤1，设置IPFIH迭代终止条件m-1，并将当前所有客户随机排序；步骤2，循环每一个客户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j的位置，计算客户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则其插入位置为p_i，客户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；

c₁₁(k,u,h)＝t_ku+t_uh-μt_kh,μ≥0

c₁₂(k,u,h)＝w_h'-w_h,

式中，k和h表示当前车辆上位置u-1和u的客户，w_h'表示插入客户j到位置u后，客户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m-1个解存入初始解集。

4.根据权利要求3所述的一种带时间窗的冷链物流路径优化方法，其特征在于：IPFIH初始化算法总体流程如下：步骤1，循环所有剩余未调度的客户点，计算每个客户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pj，即如果j作为下一个安排服务的客户则其插入位置为pj，客户j插入到车辆i的位置u的费用计算同权利要求3内的公式；步骤2，计算每个客户的c2值，找到最小c2值的客户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

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。

5.根据权利要求1所述的一种带时间窗的冷链物流路径优化方法，其特征在于：鱼群觅食行为中当前解xⁱ的产生策略I：步骤1：为了生成邻域解，随机选择一种车型，对所选车型随机选择一辆车，然后从中随机选择一个客户，并将其在所选车辆中删除，步骤2：将所选客户插入到同类型的另一辆车中，鱼群捕食行为中当前解xⁱ的产生策略II：步骤1：为了生成邻域解，与策略I相同，随机选择一辆车，然后从所选车辆中随机选择一定数量的客户并将这些客户从当前车辆中删除，步骤2：将选择的客户随机插入到相同车型的其他车辆中。