CN110298517A - 一种基于并行计算的物流运输调度方法、装置及设备 - Google Patents

一种基于并行计算的物流运输调度方法、装置及设备 Download PDF

Info

Publication number
CN110298517A
CN110298517A CN201910600209.4A CN201910600209A CN110298517A CN 110298517 A CN110298517 A CN 110298517A CN 201910600209 A CN201910600209 A CN 201910600209A CN 110298517 A CN110298517 A CN 110298517A
Authority
CN
China
Prior art keywords
fireworks
population
optimal
logistics transportation
parallel
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
Application number
CN201910600209.4A
Other languages
English (en)
Inventor
蔡延光
陈厚仁
蔡颢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910600209.4A priority Critical patent/CN110298517A/zh
Publication of CN110298517A publication Critical patent/CN110298517A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于并行计算的物流运输调度方法、装置、设备及可读存储介质，针对物流运输调度问题，采用烟花算法搜索最优路径，一方面通过并行运算策略提高了烟花算法搜索能力，另一方面利用多群体协同策略和新型进化策略对烟花算法进行了优化，有效防止算法过早出现局部收敛，且提升了算法的鲁棒性和稳定性。可见，该方案在实现物流运输调度的过程中，具备运行速度快、收敛能力强、寻优效率高的特点。

Description

一种基于并行计算的物流运输调度方法、装置及设备
技术领域
本申请涉及物流运输调度领域，特别涉及一种基于并行计算的物流运输调度方法、装置、设备及可读存储介质。
背景技术
物流产业在国际上被认为是国民经济发展的基础产业，其发展程度是衡量国家现代化程度和综合国力的重要标志之一。
物流的运作不仅决定了商务企业的总体运作成本，而且直接影响到整个商务系统运作的稳定性和均衡性，所以物流运输调度则是物流的核心活动之一。然而，传统的物流运输调度方案存在运行速度不高、收敛能力不强、或者寻优效率不高的问题，难以满足当前需求。
发明内容
本申请的目的是提供一种基于并行计算的物流运输调度方法、装置、设备及可读存储介质，用以解决传统的物流运输调度方案存在运行速度不高、收敛能力不强、或者寻优效率不高的问题，难以满足当前需求的问题。
第一方面，本申请提供了一种基于并行计算的物流运输调度方法，包括：
调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；
调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
优选的，所述根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，包括：
调用所述并行子线程确定自身的烟花种群的中心位置；
根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；
根据新型进化策略，对位置偏移后的烟花种群进行更新。
优选的，所述根据新型进行策略，对位置偏移后的烟花种群进行更新，包括：
根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
根据目标转换函数和所述预设数量的烟花，生成新的烟花；
根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
优选的，所述根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，包括：
在所述并行子线程的最优烟花连续未更新的次数达到预设次数时，根据多群体协同策略和新型进化策略对自身的烟花种群进行更新。
优选的，在所述调用所述主线程获取各个所述并行子线程的最优烟花之后，还包括：
回收各个所述并行子线程。
第二方面，本申请提供了一种基于并行计算的物流运输调度装置，包括：
获取模块：用于调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；
爆炸操作模块：用于调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
烟花更新模块：用于若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
运输调度结果确定模块：用于若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
优选的，所述烟花更新模块包括：
中心位置确定单元：用于调用所述并行子线程确定自身的烟花种群的中心位置；
位置偏移单元：用于根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；
更新单元：用于根据新型进化策略，对位置偏移后的烟花种群进行更新。
优选的，所述更新单元包括：
抽取子单元：用于根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
烟花生成子单元：用于根据目标转换函数和所述预设数量的烟花，生成新的烟花；
更新子单元：用于根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
第三方面，本申请提供了一种基于并行计算的物流运输调度设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如上所述的一种基于并行计算的物流运输调度方法的步骤。
第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用实现如上所述的一种基于并行计算的物流运输调度方法的步骤
本申请所提供的一种基于并行计算的物流运输调度方法、装置、设备及可读存储介质，针对物流运输调度问题，采用烟花算法搜索最优路径，一方面通过并行运算策略提高了烟花算法搜索能力，另一方面利用多群体协同策略和新型进化策略对烟花算法进行了优化，有效防止算法过早出现局部收敛，且提升了算法的鲁棒性和稳定性。可见，该方案在实现物流运输调度的过程中，具备运行速度快、收敛能力强、寻优效率高的特点。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种基于并行计算的物流运输调度方法实施例一的实现流程图；
图2为本申请所提供的一种基于并行计算的物流运输调度方法实施例二的实现流程图；
图3为本申请所提供的一种基于并行计算的物流运输调度方法的仿真实验结果示意图；
图4为本申请所提供的一种基于并行计算的物流运输调度装置实施例的功能框图；
图5为本申请所提供的一种基于并行计算的物流运输调度设备实施例的结构示意图。
具体实施方式
本申请的核心是提供一种基于并行计算的物流运输调度方法、装置、设备及可读存储介质，有效提升了物流运输调度过程中的运行速度、收敛能力和寻优效率。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面对本申请提供的一种基于并行计算的物流运输调度方法实施例一进行介绍，参见图1，实施例一包括：
步骤S101、调用主线程获取物流运输调度模型和多个并行子线程；
步骤S102、调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
步骤S103、若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
步骤S104、若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
在物流运输调度中，上述物流运输调度模型主要指用于描述车辆实现多个客户点的配送任务的模型。具体的，最基本的一种物流运输调度模型可描述为：一个配送中心有多台车辆要去为若干个客户点送货，每辆车从配送中心出发，需要经过该车辆所负责的所有客户后，回到配送中心。模型的目的在于选择合适的行驶路线，以使总的行程最短。可以理解的是，各个车辆的车载量需大于或等于其所负责的所有客户点的总货物需求量。此外，为简化问题，本实施例规定所有客户点只能被一辆车经过一次。
本实施例中，烟花与车辆路径相对应，上述确定烟花的适应度值的过程具体包括：首先确定与该烟花对应的车辆路径，再根据目标适应度函数确定该车辆路径的适应度值，以作为该烟花的适应度值。
本实施例所提供一种基于并行计算的物流运输调度方法，针对物流运输调度问题，采用烟花算法搜索最优路径，一方面通过并行运算策略提高了烟花算法搜索能力，另一方面利用多群体协同策略和新型进化策略对烟花算法进行了优化，有效防止算法过早出现局部收敛，且提升了算法的鲁棒性和稳定性。可见，该方案在实现物流运输调度的过程中，具备运行速度快、收敛能力强、寻优效率高的特点。
下面开始详细介绍本申请提供的一种基于并行计算的物流运输调度方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
参见图2，实施例二具体包括：
步骤S201、初始化控制参数、主线程和PN个子线程；
具体的，本实施例中控制参数初始化如下：客户点数量为n、最大迭代次数为Imax、迭代计数器I(初始0)、并行线程数PN、烟花的种群规模为N、爆炸火花数Ssum、烟花爆炸半径A、高斯变异火花数GM、烟花随机键区域上限Rup与下限Rdown、并行交流迭代数IPmax、并行交流参数α、多协同群体迭代数IMmax、多群体随机偏移比例η、主群偏移比例β、从群偏移比例γ、常数ε。
步骤S202、对于各个子线程，调用其初始化烟花种群，确定烟花种群中各个烟花的适应度值以及当前最优烟花；
具体的，对于每个子线程，随机初始化种群，生成N只烟花xi，其中xij∈[Rdown,Rup)，xi＝{xi1,xi2,…,xij,…,xin}。
根据烟花种群中每个烟花xi＝{xi1,xi2,…,xij,…,xin}的位置确定适应度值fitnessi，该过程具体包括：获取本实施例中的n个客户点c1,c2,…,cj,…,cn，并将cj与xij(i＝1,2,…,P)一一对应，构造成集合根据最大位置法，将每个中元素根据xij进行降序排列；在排序完成后，中每个元素的第二维数值组成的集合即为该烟花位置xi对应的车辆路径；根据烟花的解中车辆路径以及式(1)确定烟花xi的函数适应值fitnessi：
其中d(ci,ci+1)为客户ci与客户ci+1之间的距离。
对于各个子线程，调用其根据适应度值确定全局最优烟花位置和其适应度值。具体的，调用各个子线程记录全局最优烟花位置xbest和其适应度值fitnessbest＝fitnessb，其中当前最优烟花适应度为fitnessb，初始化最优值不变迭代数IQ＝0；
步骤S203、对于每个子线程，调用其基于当前烟花种群执行爆炸操作和高斯变异操作，并将当前迭代次数加一；
对于每个子线程，更新每个烟花的爆炸火花数目Si、爆炸半径Ai，该过程具体包括：设第i个烟花的位置为xi＝(xi1,xi2,…,xin)，其适应度为fitnessi；当前最优烟花的位置为xb＝(xb1,xb2,…,xbn)，其适应度为fitnessb；当前最差烟花的位置为xw＝(xw1,xw2,…,xwn)，其适应度为fitnessw。通过公式(2)和公式(3)来更新每个烟花的爆炸火花数目Si、爆炸半径Ai，其中ε为常数10-38。
对于每个子线程，每个烟花xi生成Si个爆炸火花，该过程具体包括：在xi中随机选择z个维度，对随机选取出的维度k∈{1,2,…,z}按式(4)进行位置偏移生成爆炸火花。此外，当火花在维度k上超出边界，将通过式(5)的映射规则进行越界检测，映射到一个新的位置。式(4)和式(5)分别如下所示：
其中U(Rdown,Rup)为区间[Rdown,Rup]之间的均匀分布。
对于每个子线程，烟花种群中随机选择GM个烟花(可重复选择同一个烟花)，对其每一个烟花随机选择z个维度进行高斯变异操作，对随机选出的维度k按式(6)操作,最终生成GM个高斯火花：
其中e是一个均值为1，方差为1的高斯分布。
步骤S204、根据当前烟花种群、爆炸火花和高斯变异火花，择优更新烟花种群，并更新最优值不变迭代数IQ；
对于每个子线程，计算新产生的爆炸火花和高斯变异火花的适应度值，在原本烟花种群、爆炸火花和高斯变异火花中选择最优的个体作为下一代烟花种群。其余(N-1)个下一代烟花种群按照赌轮盘规则在原本烟花种群、爆炸火花和高斯变异火花中选出，每个备选烟花在赌轮盘规则中被选中的概率公式为：
其中Fsum为此次迭代中原本烟花种群、爆炸火花和高斯变异火花的总数，表示候选烟花中个体xi与其他候选个体之间的欧式距离，为所有候选烟花个体与其他候选个体之间的欧式距离总和。
对于每个子线程，更新当前最优烟花的位置xb及其fitnessb，具体包括：若fitnessb与fitnessbest相同，则IQ＝IQ+1；若fitnessb优于fitnessbest，则更新全局最优烟花位置xbest＝xb和更新适应度值fitnessbest＝fitnessb，IQ＝0。
步骤S205、对于每个子线程，将本线程的最优烟花发送到其他子线程中，接收其他子线程发送到本线程的最优烟花，并根据并行运行策略更新本线程的最优烟花；
具体的，对于每个子线程，收取其他线程发送到本线程的烟花个体i∈[1,NP]，其中NP为本线程当前收到的烟花个体数。
作为一种具体的实施方式，根据并行运行策略，若IQ≤IPmax且线程存在接收到若干其他子线程的最优烟花，则根据轮盘赌方式抽取接收到的烟花个体代替本线程最优烟花，其中备选烟花被选中的概率如式(8)所示，最终清空本线程收到的所有烟花个体；
其中为的适应度，α为并行交流参数。
步骤S206、对于每个子线程，根据多群体协同策略和新型进化策略对烟花种群进行更新；
上述更新过程具体包括以下步骤：
第一步，判断IQ≤IMmax是否成立，若是转到第三步；
第二步，应用多群体协同策略对N个烟花xi进行改进，若改进后的xi’比xi更优，则更新烟花xi＝xi’；
第三步，对N个烟花xi进行N次新型进化策略；
第四步，更新全局最优烟花位置xbest和最优适应度值fitnessbest。
步骤S207、对于每个子线程，判断是否达到最大迭代次数，若是进入步骤S208，否则进入步骤S203；
步骤S208、对于每个子线程，将本线程的最优烟花和其适应度值发送到主线程；
步骤S209、主线程根据各个子线程的最优烟花确定目标最优烟花，输出物流运输调度结果。
具体的，对于每个子线程，输出最佳烟花位置与其适应度值到主线程P∈[1,PN]，回收本线程，待所有子线程结束，主线程通过对比子线程输出的适应度值输出最优烟花位置x’best与其适应度值fitness’best。
步骤S206中，所述多群体协同策略的定义如下：
对于N个烟花个体xi，计算多群体中心位置xm；将主群烟花个体x1向多群体中心位置xm方向偏移得到x’1；对从群烟花个体xi,i∈[2,N]偏离多群体中心位置xm方向偏移得到x’i。其中，所述计算多群体中心位置xm的定义如下：
其中η为多群体随机偏移比例，U(Rdown,Rup)为区间[Rdown,Rup]之间的均匀分布。
所述主群烟花偏移的定义如下：
x’1＝x1+β(x1-xm) (10)
其中β为主群偏移比例，若x’1优于x1，则x1＝x’1。
所述计算主群烟花偏移的定义如下：
x’i＝xi-γ(xi-xm),i∈[2,N] (11)
其中γ为从群偏移比例，若x’i优于xi，则xi＝x’i。
对于每个子线程，应用多群体协同策略对N个烟花xi进行改进，若改进后的xi’比xi更优，则更新烟花xi＝xi’。举例来说，设客户点数量为n为4，烟花种群数N为4，烟花随机键区域[0,4000)，x1＝{520,1940,1600,3740}，x2＝{600,930,3250,1890}，x3＝{3200,1290,2500,1950}，x4＝{1520,100,1380,2480}，改进过程包括：对于N个烟花个体xi，设此次η为0.25，随机数U(Rdown,Rup)为2000，则计算多群体中心位置xm＝{1960,1570,2682,3015}；设β为0.2，则x’1＝{1016,2642,2456,2981}；设γ为0.15，则x’2＝{804,1026,3164,2058}，以此类推。
步骤S206中，所述新型进化策略的定义如下：
对于N个烟花个体xi，随机抽取三个烟花个体根据式(12)生成x’i：
其中为进化系数，I为当前迭代次数。若x’i优于xi，则xi＝x’i。
对于每个子线程，对N个烟花xi进行N次新型进化策略。举例来说，设进化系数为0.1，迭代数I为1500，最大迭代数Imax为3000，随机抽取x1＝{520,1940,1600,3740}，x2＝{600,930,3250,1890}，x3＝{3200,1290,2500,1950}，则生成x’1＝{710,2051,1887,3932}。
可见，本实施例提供的一种基于并行计算的物流运输调度方法，针对物流运输调度问题，定义了烟花算法中并行线程数、烟花种群数、爆炸密度和爆炸半径等参数，设计一种全新的并行运算策略提高算法搜索方案，同时结合一种多群体协同策略防止算法过早出现局部收敛，最后应用一种新型进化策略提高算法的鲁棒性和稳定性。
为证明本实施例的实施性能，本申请进行了仿真实验。具体的，应用本实施例提出的方案解决26个点的物流运输调度问题，表1为本实施例在具体实施方案中的参数设置，图2为本实施例的方案所输出的最优路径图。
表1
可以看出，本实施例所提出的基于并行计算的物流运输调度方案具有较强的收敛能力、较强的全局寻优能力、较快的运行速度，在求解物流运输调度时表现出较好的稳定性和有效性。
下面对本申请实施例提供的一种基于并行计算的物流运输调度装置进行介绍，下文描述的一种基于并行计算的物流运输调度装置与上文描述的一种基于并行计算的物流运输调度方法可相互对应参照。
参见图4，该装置包括：
获取模块401：用于调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；
爆炸操作模块402：用于调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
烟花更新模块403：用于若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
运输调度结果确定模块404：用于若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
在本实施例中，所述烟花更新模块403包括：
中心位置确定单元：用于调用所述并行子线程确定自身的烟花种群的中心位置；
位置偏移单元：用于根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；
更新单元：用于根据新型进化策略，对位置偏移后的烟花种群进行更新。
在本实施例中，所述更新单元包括：
抽取子单元：用于根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
烟花生成子单元：用于根据目标转换函数和所述预设数量的烟花，生成新的烟花；
更新子单元：用于根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
本实施例的基于并行计算的物流运输调度装置用于实现前述的基于并行计算的物流运输调度方法，因此该装置中的具体实施方式可见前文中的基于并行计算的物流运输调度方法的实施例部分，例如，获取模块401、爆炸操作模块402、烟花更新模块403、运输调度结果确定模块404，分别用于实现上述基于并行计算的物流运输调度方法中步骤S101，S102，S103，S104。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的基于并行计算的物流运输调度装置用于实现前述的基于并行计算的物流运输调度方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种基于并行计算的物流运输调度设备，参见图5，包括：
存储器100：用于存储计算机程序；
处理器200：用于执行所述计算机程序以实现以下步骤：
调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
作为一种具体的实施方式，所述处理器200在执行所述存储器100中的计算机子程序时，具体可以实现以下步骤：
调用所述并行子线程确定自身的烟花种群的中心位置；根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；根据新型进化策略，对位置偏移后的烟花种群进行更新。
作为一种具体的实施方式，所述处理器200在执行所述存储器100中的计算机子程序时，具体可以实现以下步骤：
根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
根据目标转换函数和所述预设数量的烟花，生成新的烟花；
根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
作为一种具体的实施方式，所述处理器200在执行所述存储器100中的计算机子程序时，具体可以实现以下步骤：
在所述并行子线程的最优烟花连续未更新的次数达到预设次数时，根据多群体协同策略和新型进化策略对自身的烟花种群进行更新。
作为一种具体的实施方式，所述处理器200在执行所述存储器100中的计算机子程序时，还可以实现以下步骤：
回收各个所述并行子线程。
最后，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用实现前述基于并行计算的物流运输调度方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于并行计算的物流运输调度方法，其特征在于，包括：
调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；
调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
2.如权利要求1所述的基于并行计算的物流运输调度方法，其特征在于，所述根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，包括：
调用所述并行子线程确定自身的烟花种群的中心位置；
根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；
根据新型进化策略，对位置偏移后的烟花种群进行更新。
3.如权利要求2所述的基于并行计算的物流运输调度方法，其特征在于，所述根据新型进行策略，对位置偏移后的烟花种群进行更新，包括：
根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
根据目标转换函数和所述预设数量的烟花，生成新的烟花；
根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
4.如权利要求3所述的基于并行计算的物流运输调度方法，其特征在于，所述根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，包括：
在所述并行子线程的最优烟花连续未更新的次数达到预设次数时，根据多群体协同策略和新型进化策略对自身的烟花种群进行更新。
5.如权利要求1-4任意一项所述的基于并行计算的物流运输调度方法，其特征在于，在所述调用所述主线程获取各个所述并行子线程的最优烟花之后，还包括：
回收各个所述并行子线程。
6.一种基于并行计算的物流运输调度装置，其特征在于，包括：
获取模块：用于调用主线程获取物流运输调度模型和多个并行子线程，其中，所述物流运输调度模型为用于描述车辆实现多个客户点的配送任务的模型；
爆炸操作模块：用于调用各个所述并行子线程，根据烟花算法基于当前烟花种群进行爆炸操作和高斯变异操作，并根据目标适应度函数确定所述并行子线程在当前迭代过程中的最优烟花；
烟花更新模块：用于若当前迭代次数未达到最大迭代次数，调用各个所述并行子线程获取其他所述并行子线程的最优烟花，并根据多群体协同策略和新型进化策略对自身的烟花种群进行更新，进入下一次迭代过程；
运输调度结果确定模块：用于若所述当前迭代次数达到所述最大迭代次数，则调用所述主线程获取各个所述并行子线程的最优烟花，确定各个所述并行子线程的最优烟花中的目标最优烟花，将所述目标最优烟花对应的最优车辆路径作为物流运输调度结果。
7.如权利要求6所述的基于并行计算的物流运输调度装置，其特征在于，所述烟花更新模块包括：
中心位置确定单元：用于调用所述并行子线程确定自身的烟花种群的中心位置；
位置偏移单元：用于根据所述中心位置，分别对所述烟花种群中的主烟花和从烟花执行位置偏移操作；
更新单元：用于根据新型进化策略，对位置偏移后的烟花种群进行更新。
8.如权利要求7所述的基于并行计算的物流运输调度装置，其特征在于，所述更新单元包括：
抽取子单元：用于根据新型进化策略，从位置偏移后的烟花种群中随机抽取预设数量的烟花；
烟花生成子单元：用于根据目标转换函数和所述预设数量的烟花，生成新的烟花；
更新子单元：用于根据目标适应度函数，确定所述新的烟花和当前烟花中的最优烟花，并根据所述最优烟花更新所述当前烟花。
9.一种基于并行计算的物流运输调度设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如权利要求1-5任意一项所述的一种基于并行计算的物流运输调度方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用实现如权利要求1-5任意一项所述的一种基于并行计算的物流运输调度方法的步骤。
CN201910600209.4A 2019-07-04 2019-07-04 一种基于并行计算的物流运输调度方法、装置及设备 Pending CN110298517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910600209.4A CN110298517A (zh) 2019-07-04 2019-07-04 一种基于并行计算的物流运输调度方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910600209.4A CN110298517A (zh) 2019-07-04 2019-07-04 一种基于并行计算的物流运输调度方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110298517A true CN110298517A (zh) 2019-10-01

Family

ID=68030319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910600209.4A Pending CN110298517A (zh) 2019-07-04 2019-07-04 一种基于并行计算的物流运输调度方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110298517A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111722924A (zh) * 2020-05-30 2020-09-29 同济大学 一种狭窄通道环境下的并行路径搜索方法、系统及装置
CN112446548A (zh) * 2020-12-04 2021-03-05 电子科技大学中山学院 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备
CN117522246A (zh) * 2024-01-05 2024-02-06 深圳市兆航物流有限公司 基于ai算法及大数据分析的物流中心优化调度系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846602A (zh) * 2018-05-30 2018-11-20 广东工业大学 一种基于量子烟花算法的物流运输调度方法及装置
CN109542103A (zh) * 2018-12-25 2019-03-29 北京理工大学 一种基于烟花粒子群算法的机器人焊接路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846602A (zh) * 2018-05-30 2018-11-20 广东工业大学 一种基于量子烟花算法的物流运输调度方法及装置
CN109542103A (zh) * 2018-12-25 2019-03-29 北京理工大学 一种基于烟花粒子群算法的机器人焊接路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曾鸣等: "兼容需求侧可调控资源的分布式能源系统经济优化运行及其求解算法", 《电网技术》 *
蔡延光等: "物流运输调度问题的混沌烟花算法——基于多车型供应链", 《计算机工程与应用》 *
郭芳: "基于烟花算法的云计算多目标任务调度研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111722924A (zh) * 2020-05-30 2020-09-29 同济大学 一种狭窄通道环境下的并行路径搜索方法、系统及装置
CN111722924B (zh) * 2020-05-30 2022-09-16 同济大学 一种狭窄通道环境下的并行路径搜索方法、系统及装置
CN112446548A (zh) * 2020-12-04 2021-03-05 电子科技大学中山学院 基于快速离散烟花算法的电缆配送路径规划方法、装置和计算设备
CN117522246A (zh) * 2024-01-05 2024-02-06 深圳市兆航物流有限公司 基于ai算法及大数据分析的物流中心优化调度系统
CN117522246B (zh) * 2024-01-05 2024-04-30 深圳市兆航物流有限公司 基于ai算法及大数据分析的物流中心优化调度系统

Similar Documents

Publication Publication Date Title
CN107590603B (zh) 基于改进变邻域搜索和差分进化算法的调度方法及系统
CN110298517A (zh) 一种基于并行计算的物流运输调度方法、装置及设备
CN107301473B (zh) 基于改进遗传算法的同类平行机批调度方法及系统
Jia et al. Bi-criteria ant colony optimization algorithm for minimizing makespan and energy consumption on parallel batch machines
Salcedo-Sanz et al. A hybrid Hopfield network-genetic algorithm approach for the terminal assignment problem
US7537523B2 (en) Dynamic player groups for interest management in multi-character virtual environments
CN110472790A (zh) 一种多无人船路径规划方法、终端设备及存储介质
CN110941261B (zh) 一种自主式水下航行器多区域遍历路径规划方法
CN108921472A (zh) 一种多车型的两阶段车货匹配方法
CN106528989B (zh) 一种分布式并行sph仿真方法
CN107016077B (zh) 一种面向Web服务组合的优化方法
CN104077634B (zh) 基于多目标优化的主动‑反应式动态项目调度方法
CN108846602A (zh) 一种基于量子烟花算法的物流运输调度方法及装置
CN106503365B (zh) 一种用于sph算法的分区搜索方法
CN106250933A (zh) 基于fpga的数据聚类的方法、系统及fpga处理器
CN109614454A (zh) 一种基于mpi的矢量大数据并行空间叠置分析方法
CN108960508B (zh) 基于量子蝙蝠算法的铸造造型及熔炼批量计划获取方法
Carrabs et al. An adaptive heuristic approach to compute upper and lower bounds for the close-enough traveling salesman problem
CN110533437A (zh) 广告投放预算分配方法及装置
CN109255462A (zh) 一种货物配送方法及装置
CN109919359A (zh) 一种基于adp算法的车辆路径规划方法
CN109409767A (zh) 一种排班表生成方法、系统及相关装置
CN109032789A (zh) 一种物流网络的部署方法、装置和服务器
CN105678844A (zh) 一种基于地物散乱点逐点增加的轮廓构建算法
CN107545323A (zh) 商品的物流配送方法、装置、设备及存储介质

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: 20191001