CN110059934A - 燃油车和新能源车协同配送调度的方法 - Google Patents

Abstract

本发明公开了一种燃油车和新能源车协同配送调度的方法，其中，方法包括：建立电动车模式下贪婪算法的基本数学模型，并设定该基本数学模型的约束条件；基于所述基本数学模型，建立燃油车和新能源车混合模式下的贪婪算法模型；利用标号算法来建立充电站的访问插入模型，并设定约束条件；根据所述访问插入模型对所述基本数学模型和贪婪算法模型进行路线评估，得到优化后的路线解；在遗传优化算法的启发式路径搜索模型的基础上，结合大规模邻域搜索算法对路线解进行搜寻，引导算法精确的收敛于最优解。本发明能够合理安排燃油车和新能源车的协同配送路线，降低充电站的访问次数，从而减少碳排放对环境的污染。

Description

燃油车和新能源车协同配送调度的方法

技术领域

本发明涉及工程技术领域，涉及一种燃油车和新能源车协同配送调度的方法。

背景技术

温室效应导致的气候变化问题是人类近年来主要关注的问题之一，因此减少温室气体排放对人类的可持续发展至关重要。温室气体排放主要来源于工业、农业和运输中的能源消耗。目前世界各国的政府机构都试图通过制定相关法规来减少二氧化碳的排放量，从而引导企业开始研究使用更高效、更环保的方式来使用化石燃料以及选择其替代物，特别是新能源电动车的使用。近年来，用于物流配送的新能源电动车正在逐步增加，并且车辆和电池的成本也在大幅降低。然而，由于电池容量的有限性，大大降低了新能源电动车的配送范围，因此在规划阶段必须考虑耗时的充电站访问。目前同时具有纯电动车和燃油车辆特征的混合动力车辆开始广泛使用，以减少必要的停滞时间和对基础设施的依赖性。依托这种燃油车和新能源车协同配送的调度方法与技术成为减少温室气体排放、解决气候变化的关键问题。

燃油车和新能源车协同配送联合调度问题是交通运输领域众多现实应用中的重要问题之一。具有时间窗和充电站的混合车型新能源车辆调度问题是传统车辆路径调度问题的扩展，是通过燃油车和新能源车在具有时间窗和充电站约束条件下协同配送规划决策来实现混合车型的车辆路径调度。该问题对减少碳排放和企业成本，提高能源利用率，改善整体运输效率和客户满意度起到至关重要的作用。

在目前的物流技术问题中，绝大多数企业忽视了新能源车电池电量限制对物流运输成本的影响。本发明考虑的新能源车包括纯电动车和混合动力电动车两类，混合动力电动车是一种同时具有纯电动车和燃油车特点的新型能源车。电池电量不足时通过转换成燃油车动力来避免驶向充电站，从而减少配送时间成本。燃油车和新能源车协同配送问题是交通运输和供应链管理系统中的主要问题之一，是一类组合优化问题。其问题是考虑燃油车、纯电动车和混合动力车三类不同车辆的协同调度，每类车辆具有多种车型，不同的载重量、电池容量、电能和单位里程的能源消耗情况。纯电动车和混合动力车能够在充电站补充电能。所有车辆从配送中心运输货物到客户点，再从客户点返回配送中心，配送过程中最大限度减少驶向充电站的次数，通过燃油车动力来减少新能源车动力的使用，目的是使行驶总成本最小化。在带时间窗的燃油车和新能源车调度问题中，还要同时考虑燃油车和新能源车的碳排放量，使得企业碳排放量最小化。

燃油车和新能源车协同配送的调度是一种至今为止较难解决且复杂的车辆路径规划问题，同时也是一个NP-hard问题。随着全社会对于节能环保和经济实用的车辆需求量越来越高，目前较为普及的新能源电动汽车能够满足人们的基本要求，但是有限的电池容量大大限制了电动汽车所能操作的范围，以往的算法对充电站访问顺序不够优化，使得可行解不够精确，具有一定的局限性，导致整个模型求解流程花费的时间成本增加，不符合经济适用的要求。

发明内容

本发明的目的是提供一种燃油车和新能源车协同配送调度的方法，目的是合理安排燃油车和新能源车的协同配送路线，降低充电站的访问次数，减少新能源车能源的使用从而进一步减少碳排放对环境的污染，同时使得燃油车的碳排放量最小化。

本发明提供了一种燃油车和新能源车协同配送调度的方法，包括以下步骤；

S100、建立电动车模式下贪婪算法的基本数学模型，并设定该基本数学模型的约束条件；

S200、基于所述基本数学模型，建立燃油车和新能源车混合模式下的贪婪算法模型；

S300、利用标号算法来建立充电站的访问插入模型，并设定该访问插入模型的约束条件；根据所述访问插入模型对所述基本数学模型和贪婪算法模型进行路线评估，得到优化后的路线解；

S400、在遗传优化算法的启发式路径搜索模型的基础上，结合大规模邻域搜索算法对路线解进行搜寻，引导算法精确的收敛于最优解。

作为一种可实施方式，所述步骤S100包括以下步骤；

S110、建立贪婪算法基本规则；

建立电动车模式下的贪婪算法的两条基本规则；

S120、构建初始客户成本和电池容量模型；

建立客户成本的函数表达式如下：

其中，表示车辆从配送中心到客户点b所使用的成本；表示车辆从配送中心到客户点a所使用的成本；x_ab表示客户点a到客户点b的距离；m_E表示车辆单位距离耗电费率；n_E表示车辆单位距离耗电量；

建立电池容量的函数表达式如下：

其中，表示为车辆从配送中心到客户点b所消耗的电池容量；表示为车辆从配送中心到客户点a所消耗的电池容量；w_b为车辆从配送中心到客户点b的负载；

S130、建立车辆行驶时间模型；

为了能够准确表述出车辆的行驶时间，将车辆行驶时间分为持续行驶时间和额外行驶时间；

持续行驶时间的表达式如下：

其中，表示为车辆从配送中心到客户点b的持续行驶时间；表示为车辆从配送中心到客户点a的持续行驶时间；t_ab表示从客户点a到客户点b的行驶时间；l_b表示车辆在客户点b的服务时间；Γ^WT表示车辆的等待时间；Γ^TRC表示车辆的充电时间；

额外行驶时间定义为由于到达顾客点太晚或电池充电需要额外增加的时间，其表达式如下：

其中，表示车辆从配送中心到客户点b的额外行驶时间；表示车辆从配送中心到客户点a的额外行驶时间；Γ^TW表示车辆到达客户点的时间违背；是车辆充电操作所消耗的时间；

S140、建立电动车辆的电量模型；

车辆在行驶到某一客户点时，所剩余的电量的函数表达式如下：

其中，表示车辆在客户点b的剩余电量；表示车辆在客户点a的剩余电量；表示车辆到达客户点b所需补充的电量；表示车辆避免客户等待时间的充电量；

计算电量约束违背成本的函数表达式如下：

其中，表示车辆在客户点b的电量约束违背成本；表示车辆在客户点a的电量约束违背成本；表示车辆没有充电的成本；

S150、建立车辆允许充电的时间和容量约束；

车辆可以充电的电量函数表达式如下：

其中，表示车辆在客户点b可充电的电量；如果点b是充电站，则可充电的电量是最大容量Y和电池当前容量之间的差值；否则，如果点b是客户点或配送中心，则为实际再充电的电量；Y表示车辆最大电池容量；Ω表示所有充电站节点的集合；表示最后一次在充电站可以充电的电量；

充电时间的表达式如下：

其中，表示车辆在点b的充电操作时间；s_b表示车辆到达客户点b的最晚时间；e₀表示车辆到达配送中心的最早时间；Γ表示车辆的持续行驶时间；表示车辆在点a的充电操作时间；g表示车辆充电率；如果b∈Ω，则充电时间被重置为直到时间窗口结束的剩余时间；否则，分为两种情况：第一，为了到达客户点b减去先前的可用时间和由于等待时间而再充电所需的时间；第二，当前服务客户的剩余时间窗口；

中间变量的计算表达式如下：

其中，表示到达点b所需的电能；

其中，表示不可充电的量；

其中，表示电池充满所需的时间；

其中，表示车辆为了满足时间窗口约束所需的额外时间；

其中，Γ表示车辆实际持续行驶时间；

Γ^WT＝max{e_b-Γ-e₀,0}；

其中，Γ^WT表示车辆在点b的等待时间；e_b表示在点b的最早开始服务时间；

Γ^TW＝max{e₀+Γ-s_b,0}；

其中，Γ^TW表示车辆的弯曲行驶时间；

其中，表示车辆充电等待时间，用于强制执行贪婪算法的第二条基本规则，它决定了在点b等待时的充电量；表示车辆到达客户点b所需补充的电量。

作为一种可实施方式，所述两条基本规则为：

第一条基本规则为，每当客户点a中的末序列增加到了客户点b，并且所需的电能超过当前状态时，在最后访问的充电站执行充电操作；

第二条基本规则为，每当序列增加到了客户点b，并且到达时间要早于服务时间的最早开始时间时，利用等待时间在最后访问的充电站执行充电操作。

作为一种可实施方式，所述步骤S200包括以下步骤；

S210、建立优化算法评估模式；

S211、优先使用电能模式；

S212、当以客户点a结尾的序列增加到客户点b且所需的电量x_ab·m_E超过当前状态时，获取在最后访问的充电站的充电量；

S213、通过充电避免等待时间；

S214、当违反时间窗口时，将充电时间换成相应的燃料量。

作为一种可实施方式，所述步骤S300包括以下步骤；

S310、充电站的访问由标号算法来执行，依赖于贪婪算法来计算每个子路径的成本和其它费用；对于给定的访问顺序，标号算法用于确定在序列中应选用哪个充电站；

定义λ＝{p₀,p₁,p₂,...,p₀}是没有任何充电站的行驶路径，目标是在所有充电站集合中找到最佳的充电站，并将它们放置在λ中，用来获得电量、可行行驶时间以及成本最低的路线解；

S320、使用标号算法，用函数表示法来指定标号字段的值；电动车的标号如下：

Y^BEV＝{v,U^COST,U^DUR,U^TW,U^Y,U^YAR,U^TAR}；

其中，v表示所有加油站点的集合；U^COST表示车辆从配送中心到所有点的成本总和；U^DUR表示为车辆从配送中心到所有点的行驶持续行驶时间总和；U^TW表示车辆从配送中心到所有点的额外行驶时间总和；U^Y表示车辆在所有点的剩余电量总和；U^YAR表示车辆在所有点可用的电量总和；U^TAR表示车辆在所有点的充电操作时间总和；U^YAR和U^TAR都是在最后一个充电站访问的；

S330、构建标号约束条件；

为了使标号L₁具有较低的成本和额外时间惩罚成本，构建如下约束条件：

U^COST(L₁)+ρ^TW·U^TW(L₁)≤U^COST(L₂)+ρ^TW·U^TW(L₂)；

其中，U^COST(L₁)表示标号L₁的成本；U^COST(L₂)表示标号L₂的成本；ρ^TW表示时间窗口违背的惩罚权重；U^TW(L₁)表示标号L₁的额外时间成本；U^TW(L₂)表示标号L₂的时间扭曲成本；

为了使标号L₁具有较短的持续时间，构建约束条件如下：

U^DUR(L₁)≤U^DUR(L₂)；

其中，U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；

为了使标号L₁具有较高的最大可用电量，构建约束条件如下：

U^Y(L₁)+min{U^YAR(L₁),U^TAR(L₁)/g}≥U^Y(L₂)+min{U^YAR(L₂),U^TAR(L₂)/g}；

其中，U^YAR(L₁)表示标号L₁的可充电电量；U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^YAR(L₂)表示标号L₂的可充电电量；g表示车辆充电率；U^TAR(L₁)表示标号L₁的最大充电时间；U^TAR(L₂)表示标号L₂的最大充电时间；

为了使标号L₁具有更高的可用电能，或者在对缺失量进行再充电之后总持续时间能够更短，构建的约束条件如下：

(U^Y(L₁)≥U^Y(L₂))∨(U^DUR(L₁)+(U^Y(L₂)-U^Y(L₁))·g≤U^DUR(L₂))；

其中，U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；g表示车辆充电率。

作为一种可实施方式，所述步骤S400包括以下步骤；

在遗传优化算法的启发式路径搜索模型的基础上，对路线解进行重组或突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线解进行评估；再利用改进后的邻域搜索算法对剩下的可行的路线解进行搜寻，同时在符合接受准则的条件下，得到最优解。

作为一种可实施方式，所述在遗传优化算法的启发式路径搜索模型的基础上，对路线解进行重组或突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线解进行评估；再利用改进后的邻域搜索算法对剩下的可行的路线解进行搜寻，同时在符合接受准则的条件下，得到最优解，包括以下步骤；

S410、建立启发式路径模型基本结构；

在整个搜索期间维持两个种群，两个种群分别包含可行和不可行的个体；通过重组或突变将集合划分在每次迭代中生成的个体称为后代的新个体；每次集合划分迭代都会调用集合划分组件，并组合搜索中寻找路径；在每隔一次的迭代中，分别以概率p和1-p进行重组或突变，以便产生单个后代，其由路径搜寻算法进行改善，并将其包含在适当的种群中；根据种群规模和搜索状况，触发生存和多样化机制；

S420、路线解的表示和评估；

路线解s表示一组路线和车辆类型；每条路线都从配送中心开始，依次访问客户点，最后回到配送中心；令R(s)表示路线解s的路径，并且令T_r表示每个路径r∈R(s)的计算评估数据；可行解不允许出现任何时间窗口、电能或容量的违背；所建立的约束条件如下：

其中，Q^r表示路线r的车辆最大载重量；表示为车辆在路径r上所消耗的电池容量；表示车辆在路线r上电量违反约束成本；表示车辆在路线r上额外行驶时间；

S430、通过放松车辆容量和时间窗约束来产生不可行解；通过在搜索期间适应性调整权重来惩罚不可行解约束违背；路径r的目标值被定义为一般路径成本和所有违背加权和的总和；路线解s的目标值的函数表达式如下：

其中，ρ^Q表示负载能力违背的权重；ρ^TW表示时间窗口违背；表示车辆在路线r上所使用的成本；路线解s的目标值J(s)为

S440、创建新的一代；

通过两个亲本个体的重组算子或突变算子来创建新个体，作为单个亲本的破坏和重建步骤；使用两个方案来选择父母，比较可行和不可行解集合中的两个随机个体，选择在偏差值最低的一个；

S450、重复每个算子直到至少q个节点被移除；其中，q是在[ξ^MIN,ξ^MAX]中以均匀概率选择的数字；ξ^MIN表示一条路径中所有节点数量和的最小值，ξ^MAX表示一条路径中所有节点数量和的最大值；

S460、基于局部搜索的算法改进；

局部搜索以随机顺序搜索移动集；使用改进后的移动方案，并且重复以随机顺序搜索移动集，直到结果为空；如果改进的解是可行的，则不再执行其它操作；否则，考虑具有一定概率的启发式修复方案，其中惩罚权重暂时乘以10，并且重新开始局部搜索；如果仍然不可行，则执行另一次权重乘以100的操作，直到局部搜索终止；

S470、判断是否符合接受准则的条件；

若符合，则输出最优解，结束算法；

若不符合，则跳转至步骤310。

作为一种可实施方式，所述步骤S440中的重组算子具体为：

使用OX交叉操作将父母的路线结合起来，以产生一个后代的大型路线；该大型路线是所有客户的有序排列组合，其大型路线是连接所有路线并忽略对配送中心的访问所组成的路线；

所述OX交叉操作的步骤如下：

第一，随机选择一对染色体中几个基因的起止位置；

第二，生成一个子代，并保证子代中被选中的基因的位置与父代相同；

第三，先找出第一步选中的基因在另一个父代中的位置，再将其余基因按顺序放入上一步生成的子代中；

第四，在这个路线中应用一个划分算法，通过最佳插入来进行行程的分隔，来定义一个完整的解。

作为一种可实施方式，所述步骤S440中的突变算子具体为：

从当前路线解中采用移除运算子来移除节点子集并使用贪婪启发式算法重新插入；

所述移除运算子包括随机节点移除、随机路线移除、相似节点移除以及目标路线移除；

所述随机节点移除为选择随机节点进行移除；

所述随机路线移除为选择随机路线进行移除；

所述相似节点移除为选择随机节点以及其五个最近节点中的一个；

所述目标路线移除为根据其对目标的贡献选择一个节点移除其最近的路线。

作为一种可实施方式，所述步骤S460中的局部搜索包括邻域搜索、邻域限制以及下界与记忆；具体的操作如下：

邻域搜索：使用车辆路径问题元启发式算子：2-opt，2-opt*，路径和路径间的交换和重新定位，以及车辆交换；2-opt运算符反转单个路径中访问的子序列；2-opt*运算符涉及两条路径，它将每条路线分成两部分，并以不同方式重新连接它们；

交换和重新定位操作是通过重新定位或交换客户访问来进行的；

车辆交换操作允许改变与任何给定路线相关联的车辆类型和类别；

邻域限制：使用静态邻域限制来加快求解；为每个客户点计算一组准边；仅测试至少产生一个准边的移动；以下表达式用来定义客户关联度量，用于确定此集合，客户关联度量的函数表达式如下：

σ(i,j)＝x_ab+σ^WT·max(e_b-l_a-t_ab-s_a,0)+σ^TW·max(e_a+l_a+t_ab-s_b,0)；

其中，l_a表示车辆在客户点a的服务时间；σ^WT表示不可避免的等待时间；s_a表示车辆到达客户点a的最晚时间；e_a表示在点a的最早开始服务时间；σ^TW表示时间窗违规；来自客户v_a的一组有希望的边缘基于直接距离；最后一组准弧Γ(a)由相关性度量σ(a,b)的|Γ|个最近的客户组成；

下界和记忆：在移动评估中使用下界；首先，将任何电动车或燃油车和新能源车混合动力视为简单的燃油车，其燃料成本与电力成本相同；任何移动首先被评估为移除操作中的燃油车并且与当前电动汽车或燃油车和新能源车混合动力路线成本进行比较；

如果移动产生更好的解，则执行原始电动汽车或燃油车和新能源车混合动力计算以确定移动的确切值；否则，将被删除；

最后，只要移动中涉及的路径不变，高速缓冲存储器就会自动评估，从而节省不必要的评估和CPU时间。

与现有技术相比，本技术方案具有以下优点：

本发明提供的燃油车和新能源车协同配送调度的方法，利用贪婪算法来得到充电站的最佳访问路径，将电动汽车的主要解决方案应用于车辆电动模式上，从而有效地解决了现有算法对充电站访问先后的问题，使得可行解更加地精确，缩短了整个模型求解流程；且引入标号算法将贪婪算法中每个模糊参数数值化，形成约束条件来进一步从可行解集合中选择出行驶成本和时间平衡度最高的路线解；再在启发式路径搜索模型基础上，结合大规模邻域搜索算法对路线解进行搜寻，得到最优解；从而对路线解的甄选要求更高，有利于大幅度降低运输成本和节约行驶时间，符合节能环保的要求。本发明能够合理安排燃油车和新能源车的协同配送路线，来减少新能源车电池容量限制和对充电站等基础设施的依赖性；同时，减少新能源车能源的使用从而进一步减少碳排放对环境的污染，使得碳排放量最小化。

附图说明

图1为本发明实施例一提供的燃油车和新能源车协同配送调度的方法的流程示意图；

图2为本发明实施例一提供的燃油车和新能源车协同配送调度的方法的原理示意图；

图3为本发明固定序列弧线选择问题的示意图；

图4a为本发明基于遗传优化算法的启发式路径搜索模型的种群一的搜索示意图；

图4b为本发明基于遗传优化算法的启发式路径搜索模型的种群二的搜索示意图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。

遗传算法(Genetic Algorithm，简称GA)，是一种受自然进化启发的启发式搜索和优化技术，已成功应用于各种复杂的现实问题。遗传算法通常用于解决基于自然选择的约束和非约束的优化问题的，依靠生物进化的运算符，如变异，交叉和选择。也可以用来解决不适合标准优化算法的各种优化问题，包括目标函数是不连续的，不可微分的，随机的或高度非线性的问题。但无法保证找到全局最优值，在早期陷入局部最优值的可能性非常高。

大规模邻域搜索算法(Large Neighborhood Search，简称LNS)，是一种扩展搜索范围的邻域搜索算法。通过将当前解决方案重复转换为当前解决方案附近的不同解决方案来寻找组合优化问题的较好最优解。大规模邻域搜索算法可以有效扩大搜索空间，实现在可行解区域内，从一个可行解区域跳转到另一个可行解区域，搜索能力极强，运行时间较短，但是自适应邻域搜索算法缺少一定的灵活性，不能保证其最优解的质量，不能平衡好解质量与运行时间。

燃油车和新能源车协同配送问题是标准的车辆路径调度问题之一。为了简化问题，并集中于车辆安排决策，假设充电时间与充电量成正比。对于混合动力车，所使用的发动机可以在任何时间点由驾驶员进行车辆动力源切换。行驶成本包括由电能和燃料消耗量的加权值。在行驶过程中所使用的燃油车、纯电动车以及混合动力车的车型数和车辆数不受限制，但每次起用具有固定成本，同时还需要平衡与能耗有关的可变成本。该问题将实现集成路线计划和车辆选择的整体最优化。本发明将此问题建模为燃油车和新能源车协同配送的车辆调度问题，并开发一种混合遗传算法和大规模邻域搜索算法来有效地解决此问题。燃油车和新能源车协同配送问题的目标是通过优化车辆安排决策最大限度地降低由行驶成本和碳排放的固定成本所组成的总成本。

为实现上述目的，考虑到三种车型的不同充电和动力切换需求，提出一种系统的决策层路线评估方法，通过分层决策将车辆相关的信息从高层级的路径优化过程中分离出来。具体的请参阅图1和图2，本发明实施例一提供的燃油车和新能源车协同配送调度的方法，包括以下步骤；

S100、建立电动车模式下贪婪算法的基本数学模型，并设定该基本数学模型的约束条件；

S200、基于基本数学模型，建立燃油车和新能源车混合模式下的贪婪算法模型；

S300、利用标号算法来建立充电站的访问插入模型，并设定该访问插入模型的约束条件；根据访问插入模型对基本数学模型和贪婪算法模型进行路线评估，得到优化后的路线解；

S400、在遗传优化算法的启发式路径搜索模型的基础上，结合大规模邻域搜索算法对路线解进行搜寻，引导算法精确的收敛于最优解。

需要说明的是，首先，通过步骤S100和S200进行第二层的路线评估，利用贪婪算法的策略来评估每个子路径的成本，通过对客户和充电站的顺序访问，来优化充电的水平，以此建立电动车模式下贪婪算法的基本数学模型，设定基本数学模型的基本的约束条件，然后在基本数学模型的基础上再建立起燃油车和新能源车混合模式下贪婪算法模型。其次，通过步骤S300进行第一层路线评估，为了确定访问顺序，建立充电站的访问插入模型。然后利用标号算法来访问充电站并确定每个标号的值，再建立标号的约束条件，在两层的路线评估后得到优化后的路线解。最后，在遗传优化算法的启发式路径搜索模型的基础上，通过重组和突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线进行评估，再对剩下的可行解使用改进后的邻域搜索算法，搜寻出最佳的路线解，在符合接受准则的条件下，得到最优解，算法终止。

本发明提供的燃油车和新能源车协同配送调度的方法，利用贪婪算法来得到充电站的最佳访问路径，将电动汽车的主要解决方案应用于车辆电动模式上，从而有效地解决了现有算法对充电站访问先后的问题，使得可行解更加地精确，缩短了整个模型求解流程；且引入标号算法将贪婪算法中每个模糊参数数值化，形成约束条件来进一步从可行解集合中选择出行驶成本和时间平衡度最高的路线解；再在启发式路径搜索模型基础上，结合大规模邻域搜索算法对路线解进行搜寻，得到最优解；从而对路线解的甄选要求更高，有利于大幅度降低运输成本和节约行驶时间，符合节能环保的要求。本发明能够合理安排燃油车和新能源车的协同配送路线，来减少新能源车电池容量限制和对充电站等基础设施的依赖性；同时，减少新能源车能源的使用从而进一步减少碳排放对环境的污染，使得碳排放量最小化。

本发明用于交通运输系统与城市物流系统中以燃油车和新能源车作为混合运输工具，通过协同配送来减少新能源车电池容量限制和对充电站等基础设施的依赖性，同时降低能源消耗的联合配送调度规划。本发明也可应用于仓储机器人存储、无人车物流配送以及人工智能等技术邻域。

作为一种可实施方式，步骤S100包括以下步骤；

S110、建立贪婪算法基本规则；

建立电动车模式下的贪婪算法的两条基本规则；这两条基本规则。

第一条基本规则为，每当客户点a中的末序列增加到了客户点b，并且所需的电能超过当前状态时，在最后访问的充电站执行充电操作；

第二条基本规则为，每当序列增加到了客户点b，并且到达时间要早于服务时间的最早开始时间时，利用等待时间在最后访问的充电站执行充电操作。

S120、构建初始客户成本和电池容量模型；

通过以下定义来获得贪婪算法的方案，建立客户成本的函数表达式如下：

其中，表示车辆从配送中心到客户点b所使用的成本；表示车辆从配送中心到客户点a所使用的成本；x_ab表示客户点a到客户点b的距离；m_E表示车辆单位距离耗电费率；n_E表示车辆单位距离耗电量；

建立电池容量的函数表达式如下：

其中，表示为车辆从配送中心到客户点b所消耗的电池容量；表示为车辆从配送中心到客户点a所消耗的电池容量；w_b为车辆从配送中心到客户点b的负载；

S130、建立车辆行驶时间模型；

为了能够准确表述出车辆的行驶时间，将车辆行驶时间分为持续行驶时间和额外行驶时间；

持续行驶时间的表达式如下：

其中，表示为车辆从配送中心到客户点b的持续行驶时间；表示为车辆从配送中心到客户点a的持续行驶时间；t_ab表示从客户点a到客户点b的行驶时间；l_b表示车辆在客户点b的服务时间；Γ^WT表示车辆的等待时间；表示车辆的充电时间；

额外行驶时间定义为由于到达顾客点太晚或电池充电需要额外增加的时间，其表达式如下：

其中，表示车辆从配送中心到客户点b的额外行驶时间；表示车辆从配送中心到客户点a的额外行驶时间；Γ^TW表示车辆到达客户点的时间违背；是车辆充电操作所消耗的时间；

S140、建立电动车辆的电量模型；

车辆在行驶到某一客户点时，所剩余的电量的函数表达式如下：

其中，表示车辆在客户点b的剩余电量；表示车辆在客户点a的剩余电量；表示车辆到达客户点b所需补充的电量；表示车辆避免客户等待时间的充电量；

计算电量约束违背成本的函数表达式如下：

其中，表示车辆在客户点b的电量约束违背成本；表示车辆在客户点a的电量约束违背成本；表示车辆没有充电的成本；

S150、建立车辆允许充电的时间和容量约束；

车辆可以充电的电量函数表达式如下：

其中，表示车辆在客户点b可充电的电量；如果点b是充电站，则可充电的电量是最大容量Y和电池当前容量之间的差值；否则，如果点b是客户点或配送中心，则为实际再充电的电量；Y表示车辆最大电池容量；Ω表示所有充电站节点的集合；表示最后一次在充电站可以充电的电量；

充电时间的表达式如下：

其中，表示车辆在点b的充电操作时间；s_b表示车辆到达客户点b的最晚时间；e₀表示车辆到达配送中心的最早时间；Γ表示车辆的持续行驶时间；表示车辆在点a的充电操作时间；g表示车辆充电率；如果b∈Ω，则充电时间被重置为直到时间窗口结束的剩余时间；否则，分为两种情况：第一，为了到达客户点b减去先前的可用时间和由于等待时间而再充电所需的时间；第二，当前服务客户的剩余时间窗口；

中间变量的计算表达式如下：

其中，表示到达点b所需的电能；

其中，表示不可充电的量；

其中，表示电池充满所需的时间；

其中，表示车辆为了满足时间窗口约束所需的额外时间；

其中，Γ表示车辆实际持续行驶时间；

Γ^WT＝max{e_b-Γ-e₀,0}；

其中，Γ^WT表示车辆在点b的等待时间；e_b表示在点b的最早开始服务时间；

Γ^TW＝max{e₀+Γ-s_b,0}；

其中，Γ^TW表示车辆的弯曲行驶时间；

其中，表示车辆充电等待时间，用于强制执行贪婪算法的第二条基本规则，它决定了在点b等待时的充电量；表示车辆到达客户点b所需补充的电量。

作为一种可实施方式，步骤S200包括以下步骤；

S210、建立优化算法评估模式；

S211、优先使用电能模式；

S212、当以客户点a结尾的序列增加到客户点b且所需的电量x_ab·m_E超过当前状态时，获取在最后访问的充电站的充电量；

S213、通过充电避免等待时间；

S214、当违反时间窗口时，将充电时间换成相应的燃料量。

利用贪婪算法来得到充电站的最佳访问路径，将电动汽车的主要解决方案应用于车辆电动模式上，从而有效地解决了充电站访问先后的问题，使得可行解更加地精确，缩短了整个模型求解流程。

作为一种可实施方式，步骤S300包括以下步骤；

S310、充电站的访问由标号算法来执行，依赖于贪婪算法来计算每个子路径的成本和其它费用；对于给定的访问顺序，标号算法用于确定在序列中应选用哪个充电站；

定义λ＝{p₀,p₁,p₂,...,p₀}是没有任何充电站的行驶路径，目标是在所有充电站集合中找到最佳的充电站，并将它们放置在λ中，用来获得电量、可行行驶时间以及成本最低的路线解；可以理解为固定序列弧线选择问题，如图3所示。

S320、使用标号算法，用函数表示法来指定标号字段的值；电动车的标号如下：

Y^BEV＝{v,U^COST,U^DUR,U^TW,U^Y,U^YAR,U^TAR}；

其中，v表示所有加油站点的集合；U^COST表示车辆从配送中心到所有点的成本总和；U^DUR表示为车辆从配送中心到所有点的行驶持续行驶时间总和；U^TW表示车辆从配送中心到所有点的额外行驶时间总和；U^Y表示车辆在所有点的剩余电量总和；U^YAR表示车辆在所有点可用的电量总和；U^TAR表示车辆在所有点的充电操作时间总和；U^YAR和U^TAR都是在最后一个充电站访问的；

S330、构建标号约束条件；

为了使标号L₁具有较低的成本和额外时间惩罚成本，构建如下约束条件：

U^COST(L₁)+ρ^TW·U^TW(L₁)≤U^COST(L₂)+ρ^TW·U^TW(L₂)；

其中，U^COST(L₁)表示标号L₁的成本；U^COST(L₂)表示标号L₂的成本；ρ^TW表示时间窗口违背的惩罚权重；U^TW(L₁)表示标号L₁的额外时间成本；U^TW(L₂)表示标号L₂的时间扭曲成本；

为了使标号L₁具有较短的持续时间，构建约束条件如下：

U^DUR(L₁)≤U^DUR(L₂)；

其中，U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；

为了使标号L₁具有较高的最大可用电量，构建约束条件如下：

U^Y(L₁)+min{U^YAR(L₁),U^TAR(L₁)/g}≥U^Y(L₂)+min{U^YAR(L₂),U^TAR(L₂)/g}；

其中，U^YAR(L₁)表示标号L₁的可充电电量；U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^YAR(L₂)表示标号L₂的可充电电量；g表示车辆充电率；U^TAR(L₁)表示标号L₁的最大充电时间；U^TAR(L₂)表示标号L₂的最大充电时间；

为了使标号L₁具有更高的可用电能，或者在对缺失量进行再充电之后总持续时间能够更短，构建的约束条件如下：

(U^Y(L₁)≥U^Y(L₂))∨(U^DUR(L₁)+(U^Y(L₂)-U^Y(L₁))·g≤U^DUR(L₂))；

其中，U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；g表示车辆充电率。

引入标号算法将贪婪算法中每个模糊参数数值化，形成约束条件来进一步从可行解集合中选择出行驶成本和时间平衡度最高的解决方案，从而对解的甄选要求更高，有利于大幅度降低运输成本和节约行驶时间，符合节能环保的要求。

作为一种可实施方式，步骤S400包括以下步骤；

在遗传优化算法的启发式路径搜索模型的基础上，对路线解进行重组或突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线解进行评估；再利用改进后的邻域搜索算法对剩下的可行的路线解进行搜寻，同时在符合接受准则的条件下，得到最优解。从而扩大了搜索领域，提高了整体和局部的搜索能力，进一步增加了结果解的质量，符合启发式算法精确求解的要求，也具有重要的现实意义。

具体的步骤S400包括以下步骤；

S410、建立启发式路径模型基本结构；

如图4a和图4b所示，为基于遗传优化算法的启发式路径搜索模型的两个种群的搜索示意图，其中，图4a为种群一，图4b为种群二。在整个搜索期间维持两个种群，两个种群分别包含可行和不可行的个体；通过重组或突变将集合划分在每次迭代中生成的个体称为后代的新个体；每次集合划分迭代都会调用集合划分组件，并组合搜索中寻找路径；在每隔一次的迭代中，分别以概率p和1-p进行重组或突变，以便产生单个后代，其由路径搜寻算法进行改善，并将其包含在适当的种群中；根据种群规模和搜索状况，触发生存和多样化机制；

S420、路线解的表示和评估；

路线解s表示一组路线和车辆类型；每条路线都从配送中心开始，依次访问客户点，最后回到配送中心；令R(s)表示路线解s的路径，并且令T_r表示每个路径r∈R(s)的计算评估数据；可行解不允许出现任何时间窗口、电能或容量的违背；所建立的约束条件如下：

其中，Q^r表示路线r的车辆最大载重量；表示为车辆在路径r上所消耗的电池容量；表示车辆在路线r上电量违反约束成本；表示车辆在路线r上额外行驶时间；

S430、通过放松车辆容量和时间窗约束来产生不可行解；通过在搜索期间适应性调整权重来惩罚不可行解约束违背；路径r的目标值被定义为一般路径成本U_r ^COST和所有违背加权和的总和；路线解s的目标值的函数表达式如下：

其中，ρ^Q表示负载能力违背的权重；ρ^TW表示时间窗口违背；表示车辆在路线r上所使用的成本；路线解s的目标值J(s)为

S440、创建新的一代；

通过两个亲本个体的重组算子或突变算子来创建新个体，作为单个亲本的破坏和重建步骤；使用两个方案来选择父母，比较可行和不可行解集合中的两个随机个体，选择在偏差值最低的一个。

其中的，重组算子具体为：使用OX交叉操作将父母的路线结合起来，以产生一个后代的大型路线；为了促进重组操作，将父代的解决方案视为连接所有路线并忽略对配送中心的访问所组成的大型路线。该大型路线是所有客户的有序排列组合，其大型路线是连接所有路线并忽略对配送中心的访问所组成的路线；

OX交叉操作的步骤如下：第一，随机选择一对染色体(父代)中几个基因的起止位置(两染色体被选位置相同)；第二，生成一个子代，并保证子代中被选中的基因的位置与父代相同；第三，先找出第一步选中的基因在另一个父代中的位置，再将其余基因按顺序放入上一步生成的子代中；第四，在这个路线中应用一个划分算法，通过最佳插入来进行行程的分隔，来定义一个完整的解。

其中的，突变算子具体为：从当前路线解中采用移除运算子来移除节点子集并使用贪婪启发式算法重新插入；

移除运算子包括随机节点移除、随机路线移除、相似节点移除以及目标路线移除；随机节点移除为选择随机节点进行移除；随机路线移除为选择随机路线进行移除；相似节点移除为选择随机节点以及其五个最近节点中的一个；目标路线移除为根据其对目标的贡献选择一个节点移除其最近的路线。

S450、重复每个算子直到至少q个节点被移除；其中，q是在[ξ^MIN,ξ^MAX]中以均匀概率选择的数字；ξ^MIN表示一条路径中所有节点数量和的最小值，ξ^MAX表示一条路径中所有节点数量和的最大值；

S460、基于局部搜索的算法改进；

局部搜索以随机顺序搜索移动集；使用改进后的移动方案，并且重复以随机顺序搜索移动集，直到结果为空；如果改进的解是可行的，则不再执行其它操作；否则，考虑具有一定概率的启发式修复方案，其中惩罚权重暂时乘以10，并且重新开始局部搜索；如果仍然不可行，则执行另一次权重乘以100的操作，直到局部搜索终止。

具体的局部搜索包括邻域搜索、邻域限制以及下界与记忆；具体的操作如下：

邻域搜索：使用车辆路径问题元启发式算子：2-opt，2-opt*，路径和路径间的交换和重新定位，以及车辆交换；2-opt运算符反转单个路径中访问的子序列；2-opt*运算符涉及两条路径，它将每条路线分成两部分，并以不同方式重新连接它们；

交换和重新定位操作是通过重新定位或交换客户访问来进行的；

车辆交换操作允许改变与任何给定路线相关联的车辆类型和类别；

邻域限制：使用静态邻域限制来加快求解；为每个客户点计算一组准边；仅测试至少产生一个准边的移动；以下表达式用来定义客户关联度量，用于确定此集合，客户关联度量的函数表达式如下：

σ(i,j)＝x_ab+σ^WT·max(e_b-l_a-t_ab-s_a,0)+σ^TW·max(e_a+l_a+t_ab-s_b,0)；

其中，l_a表示车辆在客户点a的服务时间；σ^WT表示不可避免的等待时间；s_a表示车辆到达客户点a的最晚时间；e_a表示在点a的最早开始服务时间；σ^TW表示时间窗违规；来自客户v_a的一组有希望的边缘基于直接距离；最后一组准弧Γ(a)由相关性度量σ(a,b)的|Γ|个最近的客户组成；例如，|Γ|＝40，σ^WT＝0.2，σ^TW＝1.0。

下界和记忆：为了避免调用计算成本过高的动态规划程序进行电动汽车或燃油车和新能源车混合动力路线评估，在移动评估中使用下界；为了计算快速下界，首先，将任何电动车或燃油车和新能源车混合动力视为简单的燃油车，其燃料成本与电力成本相同；任何移动首先被评估为移除操作中的燃油车(有效地忽略充电站)并且与当前电动汽车或燃油车和新能源车混合动力路线成本进行比较；

如果移动产生更好的解，则执行原始电动汽车或燃油车和新能源车混合动力计算以确定移动的确切值；否则，将被删除；

最后，只要移动中涉及的路径不变，高速缓冲存储器就会自动评估，从而节省不必要的评估和CPU时间。

S470、判断是否符合接受准则的条件；

若符合，则输出最优解，结束算法；

若不符合，则跳转至步骤310。

至此，就解决了燃油车和新能源车协同配送的调度问题。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种燃油车和新能源车协同配送调度的方法，其特征在于，包括以下步骤；

S100、建立电动车模式下贪婪算法的基本数学模型，并设定该基本数学模型的约束条件；

S200、基于所述基本数学模型，建立燃油车和新能源车混合模式下的贪婪算法模型；

S300、利用标号算法来建立充电站的访问插入模型，并设定该访问插入模型的约束条件；根据所述访问插入模型对所述基本数学模型和贪婪算法模型进行路线评估，得到优化后的路线解；

S400、在遗传优化算法的启发式路径搜索模型的基础上，结合大规模邻域搜索算法对路线解进行搜寻，引导算法精确的收敛于最优解。

2.如权利要求1所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S100包括以下步骤；

S110、建立贪婪算法基本规则；

建立电动车模式下的贪婪算法的两条基本规则；

S120、构建初始客户成本和电池容量模型；

建立客户成本的函数表达式如下：

其中，表示车辆从配送中心到客户点b所使用的成本；表示车辆从配送中心到客户点a所使用的成本；x_ab表示客户点a到客户点b的距离；m_E表示车辆单位距离耗电费率；n_E表示车辆单位距离耗电量；

建立电池容量的函数表达式如下：

其中，表示为车辆从配送中心到客户点b所消耗的电池容量；表示为车辆从配送中心到客户点a所消耗的电池容量；w_b为车辆从配送中心到客户点b的负载；

S130、建立车辆行驶时间模型；

为了能够准确表述出车辆的行驶时间，将车辆行驶时间分为持续行驶时间和额外行驶时间；

持续行驶时间的表达式如下：

其中，表示为车辆从配送中心到客户点b的持续行驶时间；表示为车辆从配送中心到客户点a的持续行驶时间；t_ab表示从客户点a到客户点b的行驶时间；l_b表示车辆在客户点b的服务时间；Γ^WT表示车辆的等待时间；表示车辆的充电时间；

额外行驶时间定义为由于到达顾客点太晚或电池充电需要额外增加的时间，其表达式如下：

其中，表示车辆从配送中心到客户点b的额外行驶时间；表示车辆从配送中心到客户点a的额外行驶时间；Γ^TW表示车辆到达客户点的时间违背；是车辆充电操作所消耗的时间；

S140、建立电动车辆的电量模型；

车辆在行驶到某一客户点时，所剩余的电量的函数表达式如下：

其中，表示车辆在客户点b的剩余电量；表示车辆在客户点a的剩余电量；表示车辆到达客户点b所需补充的电量；表示车辆避免客户等待时间的充电量；

计算电量约束违背成本的函数表达式如下：

其中，表示车辆在客户点b的电量约束违背成本；表示车辆在客户点a的电量约束违背成本；表示车辆没有充电的成本；

S150、建立车辆允许充电的时间和容量约束；

车辆可以充电的电量函数表达式如下：

其中，表示车辆在客户点b可充电的电量；如果点b是充电站，则可充电的电量是最大容量Y和电池当前容量之间的差值；否则，如果点b是客户点或配送中心，则为实际再充电的电量；Y表示车辆最大电池容量；Ω表示所有充电站节点的集合；表示最后一次在充电站可以充电的电量；

充电时间的表达式如下：

其中，表示车辆在点b的充电操作时间；s_b表示车辆到达客户点b的最晚时间；e₀表示车辆到达配送中心的最早时间；Γ表示车辆的持续行驶时间；表示车辆在点a的充电操作时间；g表示车辆充电率；如果b∈Ω，则充电时间被重置为直到时间窗口结束的剩余时间；否则，分为两种情况：第一，为了到达客户点b减去先前的可用时间和由于等待时间而再充电所需的时间；第二，当前服务客户的剩余时间窗口；

中间变量的计算表达式如下：

其中，表示到达点b所需的电能；

其中，表示不可充电的量；

其中，表示电池充满所需的时间；

其中，表示车辆为了满足时间窗口约束所需的额外时间；

其中，Γ表示车辆实际持续行驶时间；

Γ^WT＝max{e_b-Γ-e₀,0}；

其中，Γ^WT表示车辆在点b的等待时间；e_b表示在点b的最早开始服务时间；

Γ^TW＝max{e₀+Γ-s_b,0}；

其中，Γ^TW表示车辆的弯曲行驶时间；

其中，表示车辆充电等待时间，用于强制执行贪婪算法的第二条基本规则，它决定了在点b等待时的充电量；表示车辆到达客户点b所需补充的电量。

3.如权利要求2所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述两条基本规则为：

第一条基本规则为，每当客户点a中的末序列增加到了客户点b，并且所需的电能超过当前状态时，在最后访问的充电站执行充电操作；

第二条基本规则为，每当序列增加到了客户点b，并且到达时间要早于服务时间的最早开始时间时，利用等待时间在最后访问的充电站执行充电操作。

4.如权利要求2所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S200包括以下步骤；

S210、建立优化算法评估模式；

S211、优先使用电能模式；

S212、当以客户点a结尾的序列增加到客户点b且所需的电量x_ab·m_E超过当前状态时，获取在最后访问的充电站的充电量；

S213、通过充电避免等待时间；

S214、当违反时间窗口时，将充电时间换成相应的燃料量。

5.如权利要求4所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S300包括以下步骤；

S310、充电站的访问由标号算法来执行，依赖于贪婪算法来计算每个子路径的成本和其它费用；对于给定的访问顺序，标号算法用于确定在序列中应选用哪个充电站；

定义λ＝{p₀,p₁,p₂,...,p₀}是没有任何充电站的行驶路径，目标是在所有充电站集合中找到最佳的充电站，并将它们放置在λ中，用来获得电量、可行行驶时间以及成本最低的路线解；

S320、使用标号算法，用函数表示法来指定标号字段的值；电动车的标号如下：

Y^BEV＝{v,U^COST,U^DUR,U^TW,U^Y,U^YAR,U^TAR}；

其中，v表示所有加油站点的集合；U^COST表示车辆从配送中心到所有点的成本总和；U^DUR表示为车辆从配送中心到所有点的行驶持续行驶时间总和；U^TW表示车辆从配送中心到所有点的额外行驶时间总和；U^Y表示车辆在所有点的剩余电量总和；U^YAR表示车辆在所有点可用的电量总和；U^TAR表示车辆在所有点的充电操作时间总和；U^YAR和U^TAR都是在最后一个充电站访问的；

S330、构建标号约束条件；

为了使标号L₁具有较低的成本和额外时间惩罚成本，构建如下约束条件：

U^COST(L₁)+ρ^TW·U^TW(L₁)≤U^COST(L₂)+ρ^TW·U^TW(L₂)；

其中，U^COST(L₁)表示标号L₁的成本；U^COST(L₂)表示标号L₂的成本；ρ^TW表示时间窗口违背的惩罚权重；U^TW(L₁)表示标号L₁的额外时间成本；U^TW(L₂)表示标号L₂的时间扭曲成本；

为了使标号L₁具有较短的持续时间，构建约束条件如下：

U^DUR(L₁)≤U^DUR(L₂)；

其中，U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；

为了使标号L₁具有较高的最大可用电量，构建约束条件如下：

U^Y(L₁)+min{U^YAR(L₁),U^TAR(L₁)/g}≥U^Y(L₂)+min{U^YAR(L₂),U^TAR(L₂)/g}；

其中，U^YAR(L₁)表示标号L₁的可充电电量；U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^YAR(L₂)表示标号L₂的可充电电量；g表示车辆充电率；U^TAR(L₁)表示标号L₁的最大充电时间；U^TAR(L₂)表示标号L₂的最大充电时间；

为了使标号L₁具有更高的可用电能，或者在对缺失量进行再充电之后总持续时间能够更短，构建的约束条件如下：

(U^Y(L₁)≥U^Y(L₂))∨(U^DUR(L₁)+(U^Y(L₂)-U^Y(L₁))·g≤U^DUR(L₂))；

其中，U^Y(L₁)表示标号L₁的电量水平；U^Y(L₂)表示标号L₂的电量水平；U^DUR(L₁)表示车辆在标号L₁充电的持续时间；U^DUR(L₂)表示车辆在标号L₂充电的持续时间；g表示车辆充电率。

6.如权利要求5所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S400包括以下步骤；

在遗传优化算法的启发式路径搜索模型的基础上，对路线解进行重组或突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线解进行评估；再利用改进后的邻域搜索算法对剩下的可行的路线解进行搜寻，同时在符合接受准则的条件下，得到最优解。

7.如权利要求6所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述在遗传优化算法的启发式路径搜索模型的基础上，对路线解进行重组或突变将集合划分产生新个体，并选择合适的区间淘汰不可行的路线解，对可行的路线解进行评估；再利用改进后的邻域搜索算法对剩下的可行的路线解进行搜寻，同时在符合接受准则的条件下，得到最优解，包括以下步骤；

S410、建立启发式路径模型基本结构；

在整个搜索期间维持两个种群，两个种群分别包含可行和不可行的个体；通过重组或突变将集合划分在每次迭代中生成的个体称为后代的新个体；每次集合划分迭代都会调用集合划分组件，并组合搜索中寻找路径；在每隔一次的迭代中，分别以概率p和1-p进行重组或突变，以便产生单个后代，其由路径搜寻算法进行改善，并将其包含在适当的种群中；根据种群规模和搜索状况，触发生存和多样化机制；

S420、路线解的表示和评估；

路线解s表示一组路线和车辆类型；每条路线都从配送中心开始，依次访问客户点，最后回到配送中心；令R(s)表示路线解s的路径，并且令T_r表示每个路径r∈R(s)的计算评估数据；可行解不允许出现任何时间窗口、电能或容量的违背；所建立的约束条件如下：

其中，Q^r表示路线r的车辆最大载重量；表示为车辆在路径r上所消耗的电池容量；表示车辆在路线r上电量违反约束成本；表示车辆在路线r上额外行驶时间；

S430、通过放松车辆容量和时间窗约束来产生不可行解；通过在搜索期间适应性调整权重来惩罚不可行解约束违背；路径r的目标值被定义为一般路径成本和所有违背加权和的总和；路线解s的目标值的函数表达式如下：

其中，ρ^Q表示负载能力违背的权重；ρ^TW表示时间窗口违背；表示车辆在路线r上所使用的成本；路线解s的目标值J(s)为

S440、创建新的一代；

通过两个亲本个体的重组算子或突变算子来创建新个体，作为单个亲本的破坏和重建步骤；使用两个方案来选择父母，比较可行和不可行解集合中的两个随机个体，选择在偏差值最低的一个；

S450、重复每个算子直到至少q个节点被移除；其中，q是在[ξ^MIN,ξ^MAX]中以均匀概率选择的数字；ξ^MIN表示一条路径中所有节点数量和的最小值，ξ^MAX表示一条路径中所有节点数量和的最大值；

S460、基于局部搜索的算法改进；

局部搜索以随机顺序搜索移动集；使用改进后的移动方案，并且重复以随机顺序搜索移动集，直到结果为空；如果改进的解是可行的，则不再执行其它操作；否则，考虑具有一定概率的启发式修复方案，其中惩罚权重暂时乘以10，并且重新开始局部搜索；如果仍然不可行，则执行另一次权重乘以100的操作，直到局部搜索终止；

S470、判断是否符合接受准则的条件；

若符合，则输出最优解，结束算法；

若不符合，则跳转至步骤310。

8.如权利要求7所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S440中的重组算子具体为：

使用OX交叉操作将父母的路线结合起来，以产生一个后代的大型路线；该大型路线是所有客户的有序排列组合，其大型路线是连接所有路线并忽略对配送中心的访问所组成的路线；

所述OX交叉操作的步骤如下：

第一，随机选择一对染色体中几个基因的起止位置；

第二，生成一个子代，并保证子代中被选中的基因的位置与父代相同；

第三，先找出第一步选中的基因在另一个父代中的位置，再将其余基因按顺序放入上一步生成的子代中；

第四，在这个路线中应用一个划分算法，通过最佳插入来进行行程的分隔，来定义一个完整的解。

9.如权利要求7所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S440中的突变算子具体为：

从当前路线解中采用移除运算子来移除节点子集并使用贪婪启发式算法重新插入；

所述移除运算子包括随机节点移除、随机路线移除、相似节点移除以及目标路线移除；

所述随机节点移除为选择随机节点进行移除；

所述随机路线移除为选择随机路线进行移除；

所述相似节点移除为选择随机节点以及其五个最近节点中的一个；

所述目标路线移除为根据其对目标的贡献选择一个节点移除其最近的路线。

10.如权利要求7所述的燃油车和新能源车协同配送调度的方法，其特征在于，所述步骤S460中的局部搜索包括邻域搜索、邻域限制以及下界与记忆；具体的操作如下：

邻域搜索：使用车辆路径问题元启发式算子：2-opt，2-opt*，路径和路径间的交换和重新定位，以及车辆交换；2-opt运算符反转单个路径中访问的子序列；2-opt*运算符涉及两条路径，它将每条路线分成两部分，并以不同方式重新连接它们；

交换和重新定位操作是通过重新定位或交换客户访问来进行的；

车辆交换操作允许改变与任何给定路线相关联的车辆类型和类别；

邻域限制：使用静态邻域限制来加快求解；为每个客户点计算一组准边；仅测试至少产生一个准边的移动；以下表达式用来定义客户关联度量，用于确定此集合，客户关联度量的函数表达式如下：

σ(i,j)＝x_ab+σ^WT·max(e_b-l_a-t_ab-s_a,0)+σ^TW·max(e_a+l_a+t_ab-s_b,0)；

其中，l_a表示车辆在客户点a的服务时间；σ^WT表示不可避免的等待时间；s_a表示车辆到达客户点a的最晚时间；e_a表示在点a的最早开始服务时间；σ^TW表示时间窗违规；来自客户v_a的一组有希望的边缘基于直接距离；最后一组准弧Γ(a)由相关性度量σ(a,b)的|Γ|个最近的客户组成；

下界和记忆：在移动评估中使用下界；首先，将任何电动车或燃油车和新能源车混合动力视为简单的燃油车，其燃料成本与电力成本相同；任何移动首先被评估为移除操作中的燃油车并且与当前电动汽车或燃油车和新能源车混合动力路线成本进行比较；

如果移动产生更好的解，则执行原始电动汽车或燃油车和新能源车混合动力计算以确定移动的确切值；否则，将被删除；

最后，只要移动中涉及的路径不变，高速缓冲存储器就会自动评估，从而节省不必要的评估和CPU时间。