CN110298583A - 基于多车场多车型的低成本的车辆调度和路径规划方法 - Google Patents

基于多车场多车型的低成本的车辆调度和路径规划方法 Download PDF

Info

Publication number
CN110298583A
CN110298583A CN201910569656.8A CN201910569656A CN110298583A CN 110298583 A CN110298583 A CN 110298583A CN 201910569656 A CN201910569656 A CN 201910569656A CN 110298583 A CN110298583 A CN 110298583A
Authority
CN
China
Prior art keywords
vehicle
client
parking lot
frog
gene
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
Application number
CN201910569656.8A
Other languages
English (en)
Other versions
CN110298583B (zh
Inventor
鲁建厦
李嘉丰
陈寿伍
闫青
翟文倩
李豪
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910569656.8A priority Critical patent/CN110298583B/zh
Publication of CN110298583A publication Critical patent/CN110298583A/zh
Application granted granted Critical
Publication of CN110298583B publication Critical patent/CN110298583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开基于多车场多车型的低成本的车辆调度和路径规划方法，它建立了整数规划模型；在蛙跳算法中混合了遗传算法与邻域搜索算法，充分发挥了遗传算法的全局寻优能力与邻域搜索算法的局部探索能力；利用聚类分析使求解速度更快，初始解更优；引入概率公式构造部分初始解，提高了初始解的优异性，保证了种群的多样性，使算法在提高收敛速度的同时又不易于陷入局部最优解；使用多车辆基因编码的方式，减少了算法的无效计算时间；同时在青蛙的族群中引入了子群的思想，使族群内部的交流更具多样性；利用邻域搜索算法对族群内最优个体进行引导性局部寻优，加快收敛速度，降低算法过早的陷入局部最优解的概率其，通用性强、求解规模大、求解精度高。

Description

基于多车场多车型的低成本的车辆调度和路径规划方法
技术领域
本发明涉及基于多车场多车型的低成本的车辆调度和路径规划方法。
背景技术
车辆调度和路径规划问题是影响企业物流运输的至关重要的问题，尤其是对于一些大型传统和现代物流企业，运输成本的高低严重制约着企业的发展，因此，如何根据客户个性化的需要，合理高效的对企业的车辆进行调度和路径规划，是一个十分值得研究的问题。
传统的车辆调度往往只考虑单一车场单一车型，而忽略了多车场多车型的协同调度对物流成本的影响，与此同时，多车场带来的人工成本、原材料成本等的不同，又会影响产品的生产成本，从而影响到销售总成本，最后直接影响企业的利润，因此，在车辆调度的过程中，要将车场、车型与产品成本等多因素协同考虑。
现有技术在解决车辆调度方面的相关问题时，普遍存在没有充分考虑实际情况、求解规模小、求解精度差、易陷入局部最优解等不足，无法切实满足企业的实际调度需求。
发明内容
针对现有技术的不足，为了充分考虑实际情况，帮助企业更好的进行物流配送管理，本发明提供一种通用性强、求解规模大、求解精度高的基于多车场多车型的考虑产品成本的混合蛙跳算法。
本发明解决其技术问题所采用的技术方案是：
所述的基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，包括以下步骤：
步骤1，以所有车辆配送的总成本最低为目标建立目标函数如下：
其中，第一部分为供给产品成本，第二部分为配送车辆的固定成本，第三部分为配送车辆的可变成本；
模型进一步的约束条件如下：
公式(2)表示每辆车的单次配送总量不超过其最大装载量；公式(3)表示调度车辆数不超过可用车辆总数；公式(4)和(5)表示一个客户被且仅被一辆车服务一次；公式(6)表示车辆从配送中心出发完成任务后返回原配送中心，如车辆h从车场N+h出发，服务了客户i、j等等之后，还要回到车场N+h，确保车辆从配送中心出发完成任务后返回原配送中心；公式(7)表示车辆不能从一个配送中心行驶到另一个配送中心；
其中，Z表示所有车辆配送的总成本，包括产品成本以及配送成本；H表示所有车场不同型号的车辆总数；h表示车辆；Qh表示车辆h的最大装载量；rj表示客户j的需求量；αh表示车辆h所代表的配送中心商品的单位供给成本；表示从节点i到节点j由车辆h进行配送，当车辆h从节点i到节点j时，且i≠j，否则，其值取0；Ch表示车辆h的固定成本；βh表示车辆h的行驶单位距离的可变成本；dij表示节点i到节点j之间的距离；N表示客户的总数量，节点表示地图上的一个坐标，一个客户就会对应自身的一个坐标，这个坐标在地图上表示出来就是一个点，所以本发明的节点即表示客户；
步骤2，对所有客户点以距离和成本为度量进行基于车场的聚类，每个车场服务指定的客户；
步骤3，编码：根据车场的车辆总数进行编码，对于一个包含N个客户、m个车场、H辆车的车辆调度问题，用数字1～N表示N个客户，数字N+1～N+H表示m个车场的共H辆车，对车辆进行编码，每辆车服务客户的顺序代表一个基因链，第一个基因代表车辆，称为车辆基因，其它基因代表客户，称为客户基因，客户基因的顺序代表被车辆依次服务的顺序，例如两个车场包含两种类型的车共4辆，将要服务10个客户，用数字1～10表示客户，11～14表示车辆，根据聚类结果，可能的编码方式为[11，1，6，4；12，2，7；13，8，5；14，3，10，9]，分别表示车辆11从车场出发，依次服务客户1、6和4，最后回到原车场；其它以此类推；
步骤4，种群初始化：确定蛙群总数量规模F，族群数familyNum，族群中的青蛙数目subFamiSize，其中F＝familyNum*subFamiSize，每个族群的局部搜索次数numSe，种群最大迭代次数G，初始温度T，降温速率q，生成F只青蛙；
步骤5，采用目标函数的相反数作为适应度函数对F只青蛙进行计算，然后按照适应度大小进行降序排列；
步骤6，将F只青蛙按照适应度值大小依次分给familyNum个族群，具体步骤如下：
将适应度值最大的青蛙Pg，分给第一个族群，将适应度值大小排序第二的青蛙分给第二族群，依次类推，适应度值排序为familyNum的青蛙分配给第familyNum个族群，适应度值排序familyNum+1的青蛙分配给第一族群，依次循环下去，直至将所有青蛙依次分配到不同的族群；
步骤7，每个族群内部进行局部搜索、交流；
步骤8，对所有的青蛙进行混合重洗，具体步骤如下：
步骤8.1，将familyNum个族群内部的青蛙全部进行混合；
步骤8.2，删除掉青蛙种群中完全相同的青蛙，只保留一只在种群中；
步骤8.3，按照步骤4的方法随机生成若干只青蛙进行补充，使青蛙种群的数量保持在F只；
步骤9，一次迭代完成，迭代次数g＝g+1，当前温度Tg＝T*q；
步骤10，判断是否满足终止条件，终止条件为迭代次数g达到最大迭代次数G，如果满足，继续执行步骤11，否则返回执行步骤5；
步骤11，计算F只青蛙的适应度，适应度最大的个体即为Pg，输出青蛙个体Pg及其适应度的相反数-f(Pg)；
步骤12，对最优青蛙Pg进行解码，Pg为[N+1，c，f，…，e；N+2，a，d，…，b；…；N+H-1，k，n，…，x；N+H，m，g，…，y]；其中，[a，b，…，m，…，y，…]表示N个客户，N+1～N+H表示m个车场的共H辆车，根据输出结果Pg，安排车辆N+1依次服务客户c、f、…、e，最后回到原车场，安排车辆N+2依次服务客户a、d、…、b，最后回到原车场，…，安排车辆N+H-1依次服务客户k、n、…、x，最后回到原车场，安排车辆N+H依次服务客户m、g、…、y，最后回到原车场，此次车辆调度所需总成本为-f(Pg)。
所述的基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，步骤4)中生成F只青蛙的具体过程如下：
步骤4.1，对所有客户进行聚类分析，具体过程如下：
步骤4.1.1，将每个车场及其所要服务的客户当作一个聚类，m个车场即有m个聚类；
步骤4.1.2，随机选择一个客户，计算其与每个聚类的平均距离，然后把该客户分配给平均距离最小的聚类；
步骤4.1.3，对所有客户执行步骤4.1.1到4.1.2，直至将每个客户分配给对应车场进行服务；
步骤4.2，根据聚类分析结果，把N个客户分成m类，分别由m个车场对应负责，车场的数量与类的数量相同；
步骤4.3，根据聚类分析结果，从车场1所要服务的客户中随机选择一个客户i，随机分给一辆车，然后根据概率选择该车的下一个服务客户j，式中，λ(i,j)表示客户i和客户j的邻近程度，例如，λ12＝3表示客户2是距离客户1第3近的客户，m1表示车场1所要服务的客户集，然后再根据该概率公式选择客户j的下一个客户，直到该车饱和，无法再承担更多客户为止；
步骤4.4，对剩余的客户依次执行步骤4.3，直到将车场1所对应的客户都分给相应的车辆，客户被分配给车辆的顺序即为车辆的服务顺序；
步骤4.5，如果有客户无法安排给该车场的车辆服务，则将它安排给其它车场进行服务；
步骤4.6，对剩下的m-1个车场依次执行步骤4.3到4.5，直至将所有客户安排给对应的车辆服务，所有车辆的服务顺序构成一只青蛙个体；
步骤4.7，执行以上步骤4.3到4.6共F/3次，产生F/3只青蛙，执行F/3次是经验数字，本发明为了保证种群中既有一部分比较好的青蛙，加快种群收敛速度；又有一部分随机的青蛙，保证种群多样性，探索更广的空间，但比较优秀的青蛙不能太多，否则会容易导致陷入局部最优，所以最后取了1/3，比如数字比较小，比如取2，甚至1，种群中青蛙个体会容易趋于一致，容易陷入局部最优，对进化不利；数量太大，比如6，或者7，优秀青蛙少，会导致进化速度会比较慢，求解时间过长；
步骤4.8，根据步骤4.1的聚类结果，将车场1所要服务的客户随机排序，构成一个序列list；
步骤4.9，在车场1的车辆中随机选择一辆车，然后将序列list的第一个客户分配给这辆车；
步骤4.10，判断该车是否超载，如果不超载，该客户即由该车进行服务，若超载，则在车场1的其余车辆中随机选择一辆车，并再次判断是否超载，如果车场1中没有可用车辆，则在附近车场中随机选择一辆车，以此类推，直至将该客户分配给某辆车；
步骤4.11，将序列list中的剩余客户按照上述方法依次分配给剩余车辆，客户被分配给车辆的先后顺序即为车辆服务客户的先后顺序；
步骤4.12，对剩下的m-1个车场依次执行以上步骤4.8到4.11，所有车辆的服务顺序编码构成一只青蛙个体，这里的青蛙个体与步骤4.7的青蛙个体构成方式不一样，一个是根据概率公式构成的，另一个是随机构成的，保证青蛙种群的多样性；
步骤4.13，执行以上步骤4.8到4.12共2F/3次，生成2F/3只青蛙，与步骤4.7的F/3只青蛙总和为F只青蛙。
所述的基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，步骤7)中每个族群内部进行局部搜索、交流的具体步骤如下：
步骤7.1，在族群1中，随机选择Sz个青蛙形成一个子群，该子群中适应度值最大的青蛙命名为Pb，适应度值最小的青蛙命名为Pw，Sz<subFamiSize；
步骤7.2，对Pw执行跳跃操作，使它向Pb靠拢，具体过程如下：
步骤7.2.1，在Pb属于车场1的车辆中随机选择一辆车的基因链，记为b，在Pw中也选择相同车辆的基因链，记为w；
步骤7.2.2，分别将b、w两条基因链中共有的客户基因存放到基因库Fbw中，而将其独有的基因分别存放在基因库Fb和Fw中；
步骤7.2.3，随机产生一个0到1之间的随机数r，如果r>0.5，则按照客户的服务顺序交换b、w两条基因链的客户基因，否则，将b、w两条基因链的客户基因倒置，然后再行交换；
步骤7.2.4，遍历Pw中除了基因链w以外的其它客户基因，并将其与Fb中的客户基因进行比较，删除所有的共有基因，以此类推，对Pb个体采取同样的操作；
步骤7.2.5，随机选择Fw中的一个客户基因，并将其插入到Pw中属于车场1的车辆的基因链中，并判断是否超载，若超载，则随机插入另一辆车的基因链中，如果该车场的车辆均无法满足要求，则随机插入到其它车场的车辆基因链中，直至Fw为空，即全部的客户基因分配出去为止；以此类推，对Pb个体采取同样的操作；
步骤7.2.6，对剩余的m-1个车场的车辆依次执行步骤7.2.1～7.2.5；
步骤7.3，Pb跳跃过后的青蛙命名为P′b，计算其适应度f(P′b)，与f(Pb)进行比较，如果f(P′b)>f(Pb)，则用P′b替换Pb，否则保持Pb不变，其中f表示适应度计算公式，f(Pb)就表示原个体Pb的适应度；
步骤7.4，Pw跳跃过后的青蛙命名为P′w，计算其适应度f(P′w)，与f(Pw)进行比较，如果f(P′w)>f(Pw)，则用P′w替换Pw，否则将步骤7.2中的Pb替换成Pg重新进行跳跃操作，再次比较跳跃过后的f(P′w)与f(Pw)，如果跳跃后的适应度值有所提高，即f(P′w)>f(Pw)，那么则用P′w替换Pw，否则，按照步骤4的内容，随机生成一只青蛙替换Pw，f(Pw)表示原个体Pw的适应度；
步骤7.5，对Pb进行邻域搜索优化，具体过程如下：
步骤7.5.1，在Pb中随机选取一个车场x，然后以概率选择距离该车场较远的一个客户y，其中，s(x,y)表示车场x和客户y的远离程度，例如，S12＝3表示客户2是距离车场1第3远的客户，mx表示车场x所要服务的客户集，然后再根据该概率公式选择下一个客户z，z≠y；
步骤7.5.2，根据概率选择除车场x以外距离客户y较近的一个车场c，其中，λ(y,c)表示客户y和车场c的邻近程度，例如，λ12＝3表示车场2是距离客户1第3近的车场，m′表示除车场x以外的车场集，然后将客户y随机插入到该车场c的车辆服务顺序中，以此类推，对客户z采取同样操作；
步骤7.5.3，如果客户y或z无法被安排给其它车场进行服务，即其它车场已经饱和，则将其安排给原有车场进行服务；
步骤7.5.4，邻域搜索后的青蛙命名为P′b，计算其适应度值f(P′b)，并与f(Pb)进行比较，如果f(P′b)>f(Pb)，则用P′b替换Pb，否则，以概率exp(f(P′b)-f(Pb)/Tg)接受领域搜索后的结果，其中，Tg表示第g次迭代时的温度；
步骤7.6，执行以上步骤7.1至7.5共numSe次，使青蛙族群进行numSe局部搜索，进行充分的内部交流；
步骤7.7，对剩下的familyNum-1个族群均执行以上操作，完成每个族群内部进行局部搜索、交流。
本发明的有益效果主要表现在：建立了基于多车场多车型的考虑产品成本的整数规划模型，使问题研究更具现实意义；在蛙跳算法中混合了遗传算法与邻域搜索算法的思想，充分发挥了遗传算法的全局寻优能力与邻域搜索算法的局部探索能力；利用聚类分析，降低问题规模，使求解速度更快，初始解更优；引入概率公式构造部分初始解，既提高了初始解的优异性，又保证了种群的多样性，可以使算法在提高收敛速度的同时又不易于陷入局部最优解；使用多车辆基因编码的方式，更加方便个体之间进行信息交流，减少了算法的无效计算时间；改进了蛙跳算法传统的进化交流方式，使蛙跳算法可以解决具体的离散性问题；在青蛙的族群中引入了子群的思想，充分发挥每只青蛙的作用，使族群内部的交流更具多样性；利用邻域搜索算法对族群内最优个体进行引导性局部寻优，加快收敛速度，同时降低算法过早的陷入局部最优解的概率；引入了模拟退火算法的接受原则，一定程度上接受较劣解，增加种群的多样性；删除种群中同样的个体，以随机产生的新个体代替，避免种群随着进化的过程，内部个体都趋向一致，无法得到更好的解。
附图说明
图1是本发明的流程示意图；
图2是车辆配送示意图；
图3是族群分配示意图；
图4是跳跃操作示意图；
图5是邻域搜索示意图；
图6是实施例的最优方案路径图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图6，一种基于多车场多车型的低成本的车辆调度和路径规划方法，其方法步骤如下：
步骤1，以所有车辆配送的总成本最低为目标建立目标函数如下：
其中，第一部分为供给产品成本，第二部分为配送车辆的固定成本，第三部分为配送车辆的可变成本；
模型进一步的约束条件如下：
公式(2)表示每辆车的单次配送总量不超过其最大装载量；公式(3)表示调度车辆数不超过可用车辆总数；公式(4)和(5)表示一个客户被且仅被一辆车服务一次；公式(6)表示车辆从配送中心出发完成任务后返回原配送中心；公式(7)表示车辆不能从一个配送中心行驶到另一个配送中心；
其中，Z表示所有车辆配送的总成本，包括产品成本以及配送成本；H表示所有车场不同型号的车辆总数；h表示车辆；Qh表示车辆h的最大装载量；rj表示客户j的需求量；αh表示车辆h所代表的配送中心商品的单位供给成本；表示从节点i到节点j由车辆h进行配送，当车辆h从节点i到节点j时，且i≠j，否则，其值取0；Ch表示车辆h的固定成本；βh表示车辆h的行驶单位距离的可变成本；dij表示节点i到节点j之间的距离；N表示客户的总数量；
步骤2，对所有客户点以距离和成本为度量进行基于车场的聚类，每个车场服务指定的客户；
步骤3，编码：根据车场的车辆总数进行编码，对于一个包含N个客户、m个车场、H辆车的车辆调度问题，用数字1～N表示N个客户，数字N+1～N+H表示m个车场的共H辆车，对车辆进行编码，每辆车服务客户的顺序代表一个基因链，第一个基因代表车辆，称为车辆基因，其它基因代表客户，称为客户基因，客户基因的顺序代表被车辆依次服务的顺序。例如两个车场包含两种类型的车共4辆，将要服务10个客户，用数字1～10表示客户，11～14表示车辆，根据聚类结果，可能的编码方式为[11，1，6，4；12，2，7；13，8，5；14，3，10，9]，分别表示车辆11从车场出发，依次服务客户1、6和4，最后回到原车场；其它以此类推；
步骤4，种群初始化：确定蛙群总数量规模F，族群数familyNum，族群中的青蛙数目subFamiSize，其中F＝familyNum*subFamiSize，每个族群的局部搜索次数numSe，种群最大迭代次数G，初始温度T，降温速率q，生成F只青蛙，具体过程如下：
步骤4.1，对所有客户进行聚类分析，具体过程如下：
步骤4.1.1，将每个车场及其所要服务的客户当作一个聚类，m个车场即有m个聚类；
步骤4.1.2，随机选择一个客户，计算其与每个聚类的平均距离，然后把该客户分配给平均距离最小的聚类；
步骤4.1.3，对所有客户执行步骤4.1.1到4.1.2，直至将每个客户分配给对应车场进行服务；
步骤4.2，根据聚类分析结果，把N个客户分成m类，分别由m个车场对应负责；
步骤4.3，根据聚类分析结果，从车场1所要服务的客户中随机选择一个客户i，随机分给一辆车，然后根据概率选择该车的下一个服务客户j，式中，λ(i,j)表示客户i和客户j的邻近程度，例如，λ12＝3表示客户2是距离客户1第3近的客户，m1表示车场1所要服务的客户集，然后再根据该概率公式选择客户j的下一个客户，直到该车饱和，无法再承担更多客户为止；
步骤4.4，对剩余的客户依次执行步骤4.3，直到将车场1所对应的客户都分给相应的车辆，客户被分配给车辆的顺序即为车辆的服务顺序；
步骤4.5，如果有客户无法安排给该车场的车辆服务，则将它安排给其它车场进行服务；
步骤4.6，对剩下的m-1个车场依次执行步骤4.3到4.5，直至将所有客户安排给对应的车辆服务，所有车辆的服务顺序构成一只青蛙个体；
步骤4.7，执行以上步骤4.3到4.6共F/3次，产生F/3个青蛙；
步骤4.8，根据步骤4.1的聚类结果，将车场1所要服务的客户随机排序，构成一个序列list；
步骤4.9，在车场1的车辆中随机选择一辆车，然后将序列list的第一个客户分配给这辆车；
步骤4.10，判断该车是否超载，若果不超载，该客户即由该车进行服务，若超载，则在车场1的其余车辆中随机选择一辆车，并再次判断是否超载，如果车场1中没有可用车辆，则在附近车场中随机选择一辆车，以此类推，直至将该客户分配给某辆车；
步骤4.11，将序列list中的剩余客户按照上述方法依次分配给剩余车辆，客户被分配给车辆的先后顺序即为车辆服务客户的先后顺序；
步骤4.12，对剩下的m-1个车场依次执行以上步骤4.8到4.11，所有车辆的服务顺序编码构成一只青蛙个体；
步骤4.13，执行以上步骤4.8到4.12共2F/3次，生成2F/3只青蛙；
步骤5，采用目标函数的相反数作为适应度函数对F只青蛙进行计算，然后按照适应度大小进行降序排列；
步骤6，将F只青蛙按照适应度值大小依次分给familyNum个族群，具体步骤如下：
将适应度值最大的青蛙Pg，分给第一个族群，将适应度值大小排序第二的青蛙分给第二族群，依次类推，适应度值排序为familyNum的青蛙分配给第familyNum个族群，适应度值排序familyNum+1的青蛙分配给第一族群，依次循环下去，直至将所有青蛙依次分配到不同的族群；
步骤7，每个族群内部进行局部搜索、交流，具体步骤如下：
步骤7.1，在族群1中，随机选择Sz(Sz<subFamiSize)个青蛙形成一个子群，该子群中适应度值最大的青蛙命名为Pb，适应度值最小的青蛙命名为Pw；
步骤7.2，对Pw执行跳跃操作，使它向Pb靠拢，具体过程如下：
步骤7.2.1，在Pb属于车场1的车辆中随机选择一辆车的基因链，记为b，在Pw中也选择相同车辆的基因链，记为w；
步骤7.2.2，分别将b、w两条基因链中共有的客户基因存放到基因库Fbw中，而将其独有的基因分别存放在基因库Fb和Fw中；
步骤7.2.3，随机产生一个0到1之间的随机数r，如果r>0.5，则按照客户的服务顺序交换b、w两条基因链的客户基因，否则，将b、w两条基因链的客户基因倒置，然后再行交换；
步骤7.2.4，遍历Pw中除了基因链w以外的其它客户基因，并将其与Fb中的客户基因进行比较，删除所有的共有基因，以此类推，对Pb个体采取同样的操作；
步骤7.2.5，随机选择Fw中的一个客户基因，并将其插入到Pw中属于车场1的车辆的基因链中，并判断是否超载，若超载，则随机插入另一辆车的基因链中，如果该车场的车辆均无法满足要求，则随机插入到其它车场的车辆基因链中，直至Fw为空，即全部的客户基因分配出去为止；以此类推，对Pb个体采取同样的操作；
步骤7.2.6，对剩余的m-1个车场的车辆依次执行步骤7.2.1～7.2.5；
步骤7.3，Pb跳跃过后的青蛙命名为P′b，计算其适应度f(P′b)，与f(Pb)进行比较，如果f(P′b)>f(Pb)，则用P′b替换Pb，否则保持Pb不变；
步骤7.4，Pw跳跃过后的青蛙命名为P′w，计算其适应度f(P′w)，与f(Pw)进行比较，如果f(P′w)>f(Pw)，则用P′w替换Pw，否则将步骤7.2中的Pb替换成Pg重新进行跳跃操作，再次比较跳跃过后的f(P′w)与f(Pw)，如果跳跃后的适应度值有所提高，即f(P′w)>f(Pw)，那么则用P′w替换Pw，否则，按照步骤4的内容，随机生成一只青蛙替换Pw；
步骤7.5，对Pb进行邻域搜索优化，具体过程如下：
步骤7.5.1，在Pb中随机选取一个车场x，然后以概率选择距离该车场较远的一个客户y，其中，s(x,y)表示车场x和客户y的远离程度，例如，S12＝3表示客户2是距离车场1第3远的客户，mx表示车场x所要服务的客户集，然后再根据该概率公式选择下一个客户z，z≠y；
步骤7.5.2，根据概率选择除车场x以外距离客户y较近的一个车场c，其中，λ(y,c)表示客户y和车场c的邻近程度，例如，λ12＝3表示车场2是距离客户1第3近的车场，m′表示除车场x以外的车场集，然后将客户y随机插入到该车场c的车辆服务顺序中，以此类推，对客户z采取同样操作；
步骤7.5.3，如果客户y或z无法被安排给其它车场进行服务，即其它车场已经饱和，则将其安排给原有车场进行服务；
步骤7.5.4，邻域搜索后的青蛙命名为P′b，计算其适应度值f(P′b)，并与f(Pb)进行比较，如果f(P′b)>f(Pb)，则用P′b替换Pb，否则，以概率exp(f(P′b)-f(Pb)/Tg)接受领域搜索后的结果，其中，Tg表示第g次迭代时的温度；
步骤7.6，执行以上步骤7.1至7.5共numSe次，使青蛙族群进行numSe局部搜索，进行充分的内部交流；
步骤7.7，对剩下的familyNum-1个族群均执行以上操作；
步骤8，对所有的青蛙进行混合重洗，具体步骤如下：
步骤8.1，将familyNum个族群内部的青蛙全部进行混合；
步骤8.2，删除掉青蛙种群中完全相同的青蛙，只保留一只在种群中；
步骤8.3，按照步骤4的方法随机生成若干只青蛙进行补充，使青蛙种群的数量保持在F只；
步骤9，一次迭代完成，迭代次数g＝g+1，当前温度Tg＝T*q；
步骤10，判断是否满足终止条件，终止条件为迭代次数g达到最大迭代次数G，如果满足，继续执行步骤11，否则返回执行步骤5；
步骤11，计算F只青蛙的适应度，适应度最大的个体即为Pg，输出青蛙个体Pg及其适应度的相反数-f(Pg)；
步骤12，对最优青蛙Pg进行解码，Pg为[N+1，c，f，…，e；N+2，a，d，…，b；…；N+H-1，k，n，…，x；N+H，m，g，…，y]；其中，[a，b，…，m，…，y，…]表示N个客户，N+1～N+H表示m个车场的共H辆车，根据输出结果Pg，安排车辆N+1依次服务客户c、f、…、e，最后回到原车场，安排车辆N+2依次服务客户a、d、…、b，最后回到原车场，…，安排车辆N+H-1依次服务客户k、n、…、x，最后回到原车场，安排车辆N+H依次服务客户m、g、…、y，最后回到原车场，此次车辆调度所需总成本为-f(Pg)。
实例：某石油企业共有四个配送中心，分别为A、B、C、D，共有三种类型的车共13辆，现如今有50位客户需要进行石油配送服务，其具体信息如表1和表2所示，要求安排合理的车辆及其配送的行驶路线，使所有车辆的总成本最小，使企业利润最大化。
表1客户信息表
表2配送中心信息表
确定蛙群规模总数量规模F＝1000，族群数familyNum＝20，族群中的青蛙数目subFamiSize＝50，每个族群的局部搜索次数numSe＝10，子群规模Sz＝35，种群最大迭代次数G＝1000，初始温度T＝1000，降温速率q＝0.9。该实例以最小化总成本为目标，包括产品成本以及车辆成本，执行基于多车场多车型的低成本的车辆调度和路径规划方法后，得到了图6所示的最优配送方案的路径，其具体各车场车辆调度方案如表3所示。
表3各车场配送方案
采用本发明所述方法在解决基于多车场多车型的考虑产品成本的车辆调度问题方面，计算速度快，搜索效率高，所求解的质量高，可以有效帮助企业减少总成本，使利润最大化。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (3)

1.基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，包括以下步骤：
步骤1，以所有车辆配送的总成本最低为目标建立目标函数如下：
其中，第一部分为供给产品成本，第二部分为配送车辆的固定成本，第三部分为配送车辆的可变成本；
模型进一步的约束条件如下：
公式(2)表示每辆车的单次配送总量不超过其最大装载量；公式(3)表示调度车辆数不超过可用车辆总数；公式(4)和(5)表示一个客户被且仅被一辆车服务一次；公式(6)表示车辆从配送中心出发完成任务后返回原配送中心；公式(7)表示车辆不能从一个配送中心行驶到另一个配送中心；
其中，Z表示所有车辆配送的总成本，包括产品成本以及配送成本；H表示所有车场不同型号的车辆总数；h表示车辆；Qh表示车辆h的最大装载量；rj表示客户j的需求量；αh表示车辆h所代表的配送中心商品的单位供给成本；表示从节点i到节点j由车辆h进行配送，当车辆h从节点i到节点j时，且i≠j，否则，其值取0；Ch表示车辆h的固定成本；βh表示车辆h的行驶单位距离的可变成本；dij表示节点i到节点j之间的距离；N表示客户的总数量；
步骤2，对所有客户点以距离和成本为度量进行基于车场的聚类，每个车场服务指定的客户；
步骤3，编码：根据车场的车辆总数进行编码，对于一个包含N个客户、m个车场、H辆车的车辆调度问题，用数字1～N表示N个客户，数字N+1～N+H表示m个车场的共H辆车，对车辆进行编码，每辆车服务客户的顺序代表一个基因链，第一个基因代表车辆，称为车辆基因，其它基因代表客户，称为客户基因，客户基因的顺序代表被车辆依次服务的顺序，例如两个车场包含两种类型的车共4辆，将要服务10个客户，用数字1～10表示客户，11～14表示车辆，根据聚类结果，可能的编码方式为[11，1，6，4；12，2，7；13，8，5；14，3，10，9]，分别表示车辆11从车场出发，依次服务客户1、6和4，最后回到原车场；其它以此类推；
步骤4，种群初始化：确定蛙群总数量规模F，族群数familyNum，族群中的青蛙数目subFamiSize，其中F＝familyNum*subFamiSize，每个族群的局部搜索次数numSe，种群最大迭代次数G，初始温度T，降温速率q，生成F只青蛙；
步骤5，采用目标函数的相反数作为适应度函数对F只青蛙进行计算，然后按照适应度大小进行降序排列；
步骤6，将F只青蛙按照适应度值大小依次分给familyNum个族群，具体步骤如下：
将适应度值最大的青蛙Pg，分给第一个族群，将适应度值大小排序第二的青蛙分给第二族群，依次类推，适应度值排序为familyNum的青蛙分配给第familyNum个族群，适应度值排序familyNum+1的青蛙分配给第一族群，依次循环下去，直至将所有青蛙依次分配到不同的族群；
步骤7，每个族群内部进行局部搜索、交流；
步骤8，对所有的青蛙进行混合重洗，具体步骤如下：
步骤8.1，将familyNum个族群内部的青蛙全部进行混合；
步骤8.2，删除掉青蛙种群中完全相同的青蛙，只保留一只在种群中；
步骤8.3，按照步骤4的方法随机生成若干只青蛙进行补充，使青蛙种群的数量保持在F只；
步骤9，一次迭代完成，迭代次数g＝g+1，当前温度Tg＝T*q；
步骤10，判断是否满足终止条件，终止条件为迭代次数g达到最大迭代次数G，如果满足，继续执行步骤11，否则返回执行步骤5；
步骤11，计算F只青蛙的适应度，适应度最大的个体即为Pg，输出青蛙个体Pg及其适应度的相反数-f(Pg)；
步骤12，对最优青蛙Pg进行解码，Pg为[N+1，c，f，...，e；N+2，a，d，...，b；...；N+H-1，k，n，...，x；N+H，m，g，...，y]；其中，[a，b，...，m，...，y，...]表示N个客户，N+1～N+H表示m个车场的共H辆车，根据输出结果Pg，安排车辆N+1依次服务客户c、f、...、e，最后回到原车场，安排车辆N+2依次服务客户a、d、...、b，最后回到原车场，...，安排车辆N+H-1依次服务客户k、n、...、x，最后回到原车场，安排车辆N+H依次服务客户m、g、...、y，最后回到原车场，此次车辆调度所需总成本为-f(Pg)。
2.根据权利要求1所述的基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，步骤4)中生成F只青蛙的具体过程如下：
步骤4.1，对所有客户进行聚类分析，具体过程如下：
步骤4.1.1，将每个车场及其所要服务的客户当作一个聚类，m个车场即有m个聚类；
步骤4.1.2，随机选择一个客户，计算其与每个聚类的平均距离，然后把该客户分配给平均距离最小的聚类；
步骤4.1.3，对所有客户执行步骤4.1.1到4.1.2，直至将每个客户分配给对应车场进行服务；
步骤4.2，根据聚类分析结果，把N个客户分成m类，分别由m个车场对应负责；
步骤4.3，根据聚类分析结果，从车场1所要服务的客户中随机选择一个客户i，随机分给一辆车，然后根据概率选择该车的下一个服务客户j，式中，λ(i，j)表示客户i和客户j的邻近程度，例如，λ12＝3表示客户2是距离客户1第3近的客户，m1表示车场1所要服务的客户集，然后再根据该概率公式选择客户j的下一个客户，直到该车饱和，无法再承担更多客户为止；
步骤4.4，对剩余的客户依次执行步骤4.3，直到将车场1所对应的客户都分给相应的车辆，客户被分配给车辆的顺序即为车辆的服务顺序；
步骤4.5，如果有客户无法安排给该车场的车辆服务，则将它安排给其它车场进行服务；
步骤4.6，对剩下的m-1个车场依次执行步骤4.3到4.5，直至将所有客户安排给对应的车辆服务，所有车辆的服务顺序构成一只青蛙个体；
步骤4.7，执行以上步骤4.3到4.6共F/3次，产生F/3只青蛙；
步骤4.8，根据步骤4.1的聚类结果，将车场1所要服务的客户随机排序，构成一个序列list；
步骤4.9，在车场1的车辆中随机选择一辆车，然后将序列list的第一个客户分配给这辆车；
步骤4.10，判断该车是否超载，如果不超载，该客户即由该车进行服务，若超载，则在车场1的其余车辆中随机选择一辆车，并再次判断是否超载，如果车场1中没有可用车辆，则在附近车场中随机选择一辆车，以此类推，直至将该客户分配给某辆车；
步骤4.11，将序列list中的剩余客户按照上述方法依次分配给剩余车辆，客户被分配给车辆的先后顺序即为车辆服务客户的先后顺序；
步骤4.12，对剩下的m-1个车场依次执行以上步骤4.8到4.11，所有车辆的服务顺序编码构成一只青蛙个体；
步骤4.13，执行以上步骤4.8到4.12共2F/3次，生成2F/3只青蛙，与步骤4.7的F/3只青蛙总和为F只青蛙。
3.根据权利要求1所述的基于多车场多车型的低成本的车辆调度和路径规划方法，其特征在于，步骤7)中每个族群内部进行局部搜索、交流的具体步骤如下：
步骤7.1，在族群1中，随机选择Sz个青蛙形成一个子群，该子群中适应度值最大的青蛙命名为Pb，适应度值最小的青蛙命名为Pw，Sz＜subFamiSize；
步骤7.2，对Pw执行跳跃操作，使它向Pb靠拢，具体过程如下：
步骤7.2.1，在Pb属于车场1的车辆中随机选择一辆车的基因链，记为b，在Pw中也选择相同车辆的基因链，记为w；
步骤7.2.2，分别将b、w两条基因链中共有的客户基因存放到基因库Fbw中，而将其独有的基因分别存放在基因库Fb和Fw中；
步骤7.2.3，随机产生一个0到1之间的随机数r，如果r＞0.5，则按照客户的服务顺序交换b、w两条基因链的客户基因，否则，将b、w两条基因链的客户基因倒置，然后再行交换；
步骤7.2.4，遍历Pw中除了基因链w以外的其它客户基因，并将其与Fb中的客户基因进行比较，删除所有的共有基因，以此类推，对Pb个体采取同样的操作；
步骤7.2.5，随机选择Fw中的一个客户基因，并将其插入到Pw中属于车场1的车辆的基因链中，并判断是否超载，若超载，则随机插入另一辆车的基因链中，如果该车场的车辆均无法满足要求，则随机插入到其它车场的车辆基因链中，直至Fw为空，即全部的客户基因分配出去为止；以此类推，对Pb个体采取同样的操作；
步骤7.2.6，对剩余的m-1个车场的车辆依次执行步骤7.2.1～7.2.5；
步骤7.3，Pb跳跃过后的青蛙命名为P′b，计算其适应度f(P′b)，与f(Pb)进行比较，如果f(P′b)＞f(Pb)，则用P′b替换Pb，否则保持Pb不变，其中f表示适应度计算公式，f(Pb)就表示原个体Pb的适应度；
步骤7.4，Pw跳跃过后的青蛙命名为P′w，计算其适应度f(P′w)，与f(Pw)进行比较，如果f(P′w)＞f(Pw)，则用P′w替换Pw，否则将步骤7.2中的Pb替换成Pg重新进行跳跃操作，再次比较跳跃过后的f(P′w)与f(Pw)，如果跳跃后的适应度值有所提高，即f(P′w)＞f(Pw)，那么则用P′w替换Pw，否则，按照步骤4的内容，随机生成一只青蛙替换Pw，f(Pw)表示原个体Pw的适应度；
步骤7.5，对Pb进行邻域搜索优化，具体过程如下：
步骤7.5.1，在Pb中随机选取一个车场x，然后以概率选择距离该车场较远的一个客户y，其中，s(x，y)表示车场x和客户y的远离程度，例如，S12＝3表示客户2是距离车场1第3远的客户，mx表示车场x所要服务的客户集，然后再根据该概率公式选择下一个客户z，z≠y；
步骤7.5.2，根据概率选择除车场x以外距离客户y较近的一个车场c，其中，λ(y，c)表示客户y和车场c的邻近程度，例如，λ12＝3表示车场2是距离客户1第3近的车场，m′表示除车场x以外的车场集，然后将客户y随机插入到该车场c的车辆服务顺序中，以此类推，对客户z采取同样操作；
步骤7.5.3，如果客户y或z无法被安排给其它车场进行服务，即其它车场已经饱和，则将其安排给原有车场进行服务；
步骤7.5.4，邻域搜索后的青蛙命名为P′b，计算其适应度值f(P′b)，并与f(Pb)进行比较，如果f(P′b)＞f(Pb)，则用P′b替换Pb，否则，以概率exp(f(P′b)-f(Pb)/Tg)接受领域搜索后的结果，其中，Tg表示第g次迭代时的温度；
步骤7.6，执行以上步骤7.1至7.5共numSe次，使青蛙族群进行numSe局部搜索，进行充分的内部交流；
步骤7.7，对剩下的familyNum-1个族群均执行以上操作，完成每个族群内部进行局部搜索、交流。
CN201910569656.8A 2019-06-27 2019-06-27 基于多车场多车型的低成本的车辆调度和路径规划方法 Active CN110298583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910569656.8A CN110298583B (zh) 2019-06-27 2019-06-27 基于多车场多车型的低成本的车辆调度和路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910569656.8A CN110298583B (zh) 2019-06-27 2019-06-27 基于多车场多车型的低成本的车辆调度和路径规划方法

Publications (2)

Publication Number Publication Date
CN110298583A true CN110298583A (zh) 2019-10-01
CN110298583B CN110298583B (zh) 2021-06-29

Family

ID=68029307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910569656.8A Active CN110298583B (zh) 2019-06-27 2019-06-27 基于多车场多车型的低成本的车辆调度和路径规划方法

Country Status (1)

Country Link
CN (1) CN110298583B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852530A (zh) * 2019-11-22 2020-02-28 浙江工业大学 一种多车场多车型的车辆路径规划方法
CN110991665A (zh) * 2019-11-21 2020-04-10 浙江工业大学 一种利润最大化的集配一体化车辆路径规划方法
CN111523059A (zh) * 2020-04-21 2020-08-11 南京信息工程大学 一种基于改进蛙跳算法的个性化旅游路线推荐方法
CN111580488A (zh) * 2020-06-03 2020-08-25 重庆大学 基于改进遗传算法的wbs缓冲区车辆排序调度方法
CN112257952A (zh) * 2020-11-03 2021-01-22 亿景智联(北京)科技有限公司 一种多条件约束下的智能路径规划算法
CN112631324A (zh) * 2020-11-19 2021-04-09 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN113743608A (zh) * 2021-10-21 2021-12-03 安徽工程大学 一种基于基因库解决堆垛机路径规划的蚁群遗传混合算法
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682769A (zh) * 2016-12-12 2017-05-17 华东理工大学 一种产品车辆路径实现方法和装置
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109919376A (zh) * 2019-03-01 2019-06-21 浙江工业大学 多车场与多车型车辆路径调度控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682769A (zh) * 2016-12-12 2017-05-17 华东理工大学 一种产品车辆路径实现方法和装置
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109919376A (zh) * 2019-03-01 2019-06-21 浙江工业大学 多车场与多车型车辆路径调度控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FURKAN YENER ET AL: "《A cluster first-route second approach for a capacitated vehicle routing problem:a case study》", 《INTERNATIONAL JOURNAL OF PROCUREMENT MANAGEMENT》 *
蒋传奇等: "《基于顾客聚类的车辆路径规划》", 《微计算机信息》 *
陈呈频等: "《多车场与多车型车辆路径问题的多染色体遗传算法》", 《中国机械工程》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991665A (zh) * 2019-11-21 2020-04-10 浙江工业大学 一种利润最大化的集配一体化车辆路径规划方法
CN110991665B (zh) * 2019-11-21 2023-05-12 浙江工业大学 一种利润最大化的集配一体化车辆路径规划方法
CN110852530A (zh) * 2019-11-22 2020-02-28 浙江工业大学 一种多车场多车型的车辆路径规划方法
CN110852530B (zh) * 2019-11-22 2022-06-21 浙江工业大学 一种多车场多车型的车辆路径规划方法
CN111523059A (zh) * 2020-04-21 2020-08-11 南京信息工程大学 一种基于改进蛙跳算法的个性化旅游路线推荐方法
CN111523059B (zh) * 2020-04-21 2023-08-22 南京信息工程大学 一种基于改进蛙跳算法的个性化旅游路线推荐方法
CN111580488B (zh) * 2020-06-03 2021-06-15 重庆大学 基于改进遗传算法的wbs缓冲区车辆排序调度方法
CN111580488A (zh) * 2020-06-03 2020-08-25 重庆大学 基于改进遗传算法的wbs缓冲区车辆排序调度方法
CN112257952A (zh) * 2020-11-03 2021-01-22 亿景智联(北京)科技有限公司 一种多条件约束下的智能路径规划算法
CN112631324A (zh) * 2020-11-19 2021-04-09 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN112631324B (zh) * 2020-11-19 2023-05-02 一飞(海南)科技有限公司 一种集群无人机分组路径规划方法、系统、终端及介质
CN113743608A (zh) * 2021-10-21 2021-12-03 安徽工程大学 一种基于基因库解决堆垛机路径规划的蚁群遗传混合算法
CN113743608B (zh) * 2021-10-21 2024-01-30 安徽工程大学 一种基于基因库解决堆垛机路径规划的蚁群遗传混合算法
CN116562598A (zh) * 2023-07-07 2023-08-08 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质
CN116562598B (zh) * 2023-07-07 2023-09-19 成都花娃网络科技有限公司 一种分销调度方法、装置及存储介质

Also Published As

Publication number Publication date
CN110298583B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN110298583A (zh) 基于多车场多车型的低成本的车辆调度和路径规划方法
CN109002902B (zh) 分区域多阶段生鲜农产品动态车辆路径优化方法
CN109002960A (zh) 一种基于评分机制和路径规划的在线订单分发及配送方法
CN109919376B (zh) 多车场与多车型车辆路径调度控制方法
Defryn et al. A fast two-level variable neighborhood search for the clustered vehicle routing problem
CN107392355B (zh) 一种基于差分进化算法的多机场协同调度鲁棒优化方法
CN109948855A (zh) 一种带时间窗的异构危化品运输路径规划方法
CN108921483A (zh) 一种物流路径规划方法、装置及司机排班调度方法、装置
Mahjoob et al. A modified adaptive genetic algorithm for multi-product multi-period inventory routing problem
CN103699982A (zh) 一种带软时间窗口的物流配送控制方法
CN109559062A (zh) 一种合作式物流问题的任务分配与路径规划方法
CN110782086A (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
CN113469416B (zh) 一种派件任务规划方法及设备
CN111260128B (zh) 车辆路径规划方法以及系统
CN114626718A (zh) 一种基于订单资源共享和农机资源共用的农机调度方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN110503225B (zh) 一种订单派单配送方法
CN112580865A (zh) 一种基于混合遗传算法的外卖配送路径的优化方法
CN113919557A (zh) 一种基于自适应nsgaii的物流路线优化方法和系统
CN110263970B (zh) 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN113792989B (zh) 一种需求驱动的共享观光车区域间并行优化调度方法
CN110543990A (zh) 一种基于双层遗传算法的洒水车路线智能规划方法
CN113344267A (zh) 一种基于合作的物流网络资源配置优化方法

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