CN111178582B - 一种基于改进遗传算法的物流配送优化方法 - Google Patents

Abstract

一种基于改进遗传算法的物流配送优化方法，包括以下步骤：首先将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准并创建网络数据集；获取道路的真实距离创建道路成本矩阵；基于路网可达性设置物流配送路线；采用自然数编码的方式对客户点进行编码；通过改进的最近邻的方式对种群进行初始化；对种群进行交叉、变异、选择操作，直到满足迭代终止条件；根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解。

Description

一种基于改进遗传算法的物流配送优化方法

技术领域

本发明涉及地理信息处理、物流配送、网络分析、计算机应用领域，尤其涉及的是一种基于改进遗传算法的物流配送优化方法。

背景技术

物流作为现代服务业，为国民经济的健康发展和社会生活水平的日益提高提供重要的保障，如何建立资源节约型物流，实现最大物流、最小成本，成为当前物流发展的一大热点。运输是物流系统中的重要环节，降低物流成本首要的是降低运输成本，而通过配送方案的规划，合理的选择运输路径，避免迂回运输，降低车辆的利用率，实现运输距离最短、运输费用最小，是建立节约型物流的最有效途径。因此，物流配送过程中的车辆路径问题成为现代物流活动中的一项关键技术。

物流配送的核心部分就是配送车辆调度问题。车辆调度问题，简单说就是车辆与路径的恰当选取和运输规划的合理制定问题，通过指定科学的配送方案，确定合理的车辆分配和车辆路线。合理解决车辆路径问题，不仅可以简化配送程序、减少配送次数、降低配送车辆的空载率，从而降低物流成本，提高经济效益，而且可加快对客户需求的响应速度，提高服务质量，增强客户对物流环节的满意度。因此，车辆路径问题的研究具有重要意义。

遗传算法是模拟生物在自然环境中优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法，以适应度函数为依据，从编码工作开始，将待优化问题的解表示成遗传空间的染色体，染色体是由多个基因按一定的结构组成的。将问题的一组初始解经过基因编码形成初始种群，根据种群中个体适应度的高低，按照一定的选择方法通过对种群中的个体进行遗传操作使个体结构重组的迭代处理过程。经过遗传操作演化产生出的后代种群中的个体适应度越来越高，使问题的解一代一代地得以优化并逐渐逼近最优解。

传统的车辆路线规划问题的研究存在着一些不足：首先，各配送点间的距离是以直线距离作为计算依据，脱离了配送点间的实际路网；其次，现有的车辆路径问题的研究，没有将道路质量、流通能力等地理信息因素考虑进去。针对这些问题，在传统车辆路线规划问题研究中引入了地理信息系统，将现实中的城市道路网络实体抽象为网络图论中的网络，建立其相应的网络拓扑关系。采用欧几何距离求解任意两个客户点间最短距离忽略了路网的真实可达性。

因此，现有的物流配送方法在真实道路下配送方案应用研究的精准性上存在缺陷，需要改进。

发明内容

为了解决现有的物流配送方法对配送点之间的道路距离计算忽略可达性导致配送方案精度不高的问题，本发明提出了一种基于改进遗传算法的物流配送优化方法，将真实地理信息数据导入ArcMap软件，创建网络数据集，获取真实的道路距离，再利用改进的遗传算法来解决物流配送问题，最终达到提高配送方案精度的目的。

本发明解决其技术问题所采用的技术方案是：

一种基于改进遗传算法的物流配送优化方法，包括以下步骤：

1)获取所在城市的路径基础信息集合E、路径交点集合V、配送车辆的运送成本C、决策变量X_ij、路况因子θ_ij(实际道路会因道路拥挤堵塞、道路等级变化、交通量等造成配送成本提高)、客户点集合I＝{I₁,I₂,I₃,...,I_N}、配送中心J、配送中心车辆集合K＝{K₁,K₂,K₃,...,K_M}、车辆载重量Q、客户需求量为q_L，L∈{1,2,3,...,N}，配送中心到各个客户点的距离为d_0i，客户点i到客户点j的距离为d_ij，i,j∈{1,2,3,...,N}；(配送车辆从客户点i到客户点j时X_ij取值为1，否则为0；以配送总里程数最短为目标函数，建立如下数学模型：

2)参数设置：配送车辆的运送成本C、客户点数目N、车辆载重量Q、变异概率R、种群规模S、迭代次数G，约束条件：每条路径上各个客户的货物需求量之和不超过配送车辆的载重，且每个客户仅能由一辆车配送；

3)将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准等，利用网络分析模块得到目标区域的网络数据集，并创建表征配送中心和客户点的特征图层；

4)分析获取道路距离成本矩阵D，

N表示客户点编号，0表示配送中心，矩阵中对角线元素d₀₀,d₁₁,…,d_NN值为0，d_0j表示配送中心0到客户点j的真实道路距离，d_i0表示客户点i返回配送中心0的真实道路距离，d_ij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；

5)编码：采用自然数的编码方式，0表示配送中心，1,2,3,…,N表示客户点的编码；

6)种群初始化，过程如下：

6.1)从客户点集合I中随机选择一个客户点I_r作为初始目标点，并将其添加到染色体的第一个编码位置；

6.2)以I_r为目标中心点，将距离客户点I_r最近的三个客户点按升序排列，记为I_a,I_b,I_c，其权重概率依次赋值为p₁,p₂,p₃，p₁＞p₂＞p₃且p₁+p₂+p₃＝1，利用轮盘赌的思想从I_a,I_b,I_c中随机选择一个客户点I_r′添加到染色体的第二个编码位置，其中I_r′∈{I_a,I_b,I_c}；

6.3)将目标中心点I_r更新为I_r′，重复步骤6.2)完成相应的权重赋值和添加染色体新的编码操作，直至遍历完集合中的所有客户点，可形成一条初始染色体；

6.4)迭代步骤6.1)至步骤6.3)S次，得到包含S条染色体的初始种群，即S种配送方案；

7)交叉操作，过程如下：

7.1)随机选择两条父代染色体，产生两个小于染色体长度的随机数w₁，w₂；

7.2)交换父代染色体2中位于w₁，w₂的客户点片段，并且保留客户点w₁，w₂之间的路径；

7.3)生成一个子代染色体，使子代染色体中w₁到w₂的客户点与父代染色体1中w₁到w₂的客户点相同；

7.4)对比两条父代染色体，将父代染色体1中w₁到w₂的客户点设为Y，去除父代染色体2中与Y相同的客户点，将父代染色体2中其余客户点按其原有顺序写入子代染色体中，同理，交换父代染色体1、父代染色体2的位置，将生成另外一个子代染色体，计算两条父代染色体和两条子代染色体的适应度f_i，适应度函数为目标函数的倒数，选择适应度较高的两条染色体作为交叉操作的结果；

7.5)迭代步骤7.1)至7.4)，遍历所有染色体，得到交叉操作后的所有配送方案；

8)变异操作：产生一个0到1之间的数，若该数小于变异概率R，随机选择染色体中的一个客户点编码，交换该客户点相邻的两个客户点编码，将该染色

体作为变异操作的结果，否则保留该染色体，得到变异操作后的配送方案；

9)选择操作：计算变异前后两条染色体的适应度，若变异后染色体的适应度优于变异前染色体的适应度，则接受该染色体，否则以一定的概率接受，接受概率为

ε为变异后染色体的接受概率，E_i为变异前染色体的适应度，E_j为变异后染色体的适应度，通过该操作得到选择后的配送方案；

10)解码操作：在染色体首位基因前和末位基因后添加0，若满足

且

则在染色体的第m个基因后面插入0，即客户点m后需要重新安排车辆，随后重新开始计算，直至遍历完所有客户点，获得配送车辆数目K，得到一个可行解；

11)迭代步骤8)至10)达到最大迭代次数，根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解，即物流配送的最佳路线。

本发明的有益效果为：将真实地理信息数据导入ArcMap软件，创建网络数据集，获取真实的道路距离，可以改善传统物流配送方法中实际路线与计算路线脱离问题，再利用改进的遗传算法在初始化种群时可以有效避免盲目选择下一个客户点，保证初始种群的质量，从而提高配送方案的精确性。

附图说明

图1是一种基于改进遗传算法的物流配送优化方法流程图。

图2是区域网络模型及配送中心和客户点之间最佳配送方案的路径图。

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和图2，一种基于改进遗传算法的物流配送优化方法，包括以下步骤：

1)获取所在城市的路径基础信息集合E、路径交点集合V、配送车辆的运送成本C、决策变量X_ij、路况因子θ_ij(实际道路会因道路拥挤堵塞、道路等级变化、交通量等造成配送成本提高)、客户点集合I＝{I₁,I₂,I₃,...,I_N}、配送中心J、配送中心车辆集合K＝{K₁,K₂,K₃,...,K_M}、车辆载重量Q、客户需求量为q_L，L∈{1,2,3,...,N}，配送中心到各个客户点的距离为d_0i，客户点i到客户点j的距离为d_ij，i,j∈{1,2,3,...,N}；配送车辆从客户点i到客户点j时X_ij取值为1，否则为0；以配送总里程数最短为目标函数，建立如下数学模型：

2)参数设置：配送车辆的运送成本C、客户点数目N、车辆载重量Q、变异概率R、种群规模S、迭代次数G，约束条件：每条路径上各个客户的货物需求量之和不超过配送车辆的载重，且每个客户仅能由一辆车配送；

3)将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准等，利用网络分析模块得到目标区域的网络数据集，并创建表征配送中心和客户点的特征图层；

4)分析获取道路距离成本矩阵D，

N表示客户点编号，0表示配送中心，矩阵中对角线元素d₀₀,d₁₁,…,d_NN值为0，d_0j表示配送中心0到客户点j的真实道路距离，d_i0表示客户点i返回配送中心0的真实道路距离，d_ij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；

5)编码：采用自然数的编码方式，0表示配送中心，1,2,3,…,N表示客户点的编码；

6)种群初始化，过程如下：

6.1)从客户点集合I中随机选择一个客户点I_r作为初始目标点，并将其添加到染色体的第一个编码位置；

6.2)以I_r为目标中心点，将距离客户点I_r最近的三个客户点按升序排列，记为I_a,I_b,I_c，其权重概率依次赋值为p₁,p₂,p₃，p₁＞p₂＞p₃且p₁+p₂+p₃＝1，利用轮盘赌的思想从I_a,I_b,I_c中随机选择一个客户点I_r′，添加到染色体的第二个编码位置，其中I_r′∈{I_a,I_b,I_c}；

6.3)将目标中心点I_r更新为I_r′，重复步骤6.2)完成相应的权重赋值和添加染色体新的编码操作，直至遍历完集合中的所有客户点，可形成一条初始染色体；

6.4)迭代步骤6.1)至步骤6.3)S次，得到包含S条染色体的初始种群，即S种配送方案；

7)交叉操作，过程如下：

7.1)随机选择两条父代染色体，产生两个小于染色体长度的随机数w₁，w₂；

7.2)交换父代染色体2中位于w₁，w₂的客户点片段，并且保留客户点w₁，w₂之间的路径；

7.3)生成一个子代染色体，使子代染色体中w₁到w₂的客户点与父代染色体1中w₁到w₂的客户点相同；

7.4)对比两条父代染色体，将父代染色体1中w₁到w₂的客户点设为Y，去除父代染色体2中与Y相同的客户点，将父代染色体2中其余客户点按其原有顺序写入子代染色体中，同理，交换父代染色体1、父代染色体2的位置，将生成另外一个子代染色体，计算两条父代染色体和两条子代染色体的适应度f_i，适应度函数为目标函数的倒数，选择适应度较高的两条染色体作为交叉操作的结果；

7.5)迭代步骤7.1)至7.4)，遍历所有染色体，得到交叉操作后的所有配送方案；

8)变异操作：产生一个0到1之间的数，若该数小于变异概率R，随机选择染色体中的一个客户点编码，交换该客户点相邻的两个客户点编码，将该染色体作为变异操作的结果，否则保留该染色体，得到变异操作后的配送方案；

9)选择操作：计算变异前后两条染色体的适应度，若变异后染色体的适应度优于变异前染色体的适应度，则接受该染色体，否则以一定的概率接受，接受概率为

ε为变异后染色体的接受概率，E_i为变异前染色体的适应度，E_j为变异后染色体的适应度，通过该操作得到选择后的配送方案；

10)解码操作：在染色体首位基因前和末位基因后添加0，若满足

且

则在染色体的第m个基因后面插入0，即客户点m后需要重新安排车辆，随后重新开始计算，直至遍历完所有客户点，获得配送车辆数目K，得到一个可行解；；

11)迭代步骤8)至10)达到最大迭代次数，根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解，即物流配送的最佳路线；

本实施例以杭州市江干区25个客户点物流配送为实施例，一种基于改进遗传算法的物流配送优化方法，包括以下步骤：

1)获取所在城市的路径基础信息集合E、路径交点集合V、配送车辆的运送成本C、决策变量X_ij(配送车辆从客户点i到客户点j时取值为1，否则为0)、路况因子θ_ij(实际道路会因道路拥挤堵塞、道路等级变化、交通量等造成配送成本提高)、客户点集合I＝{I₁,I₂,I₃,...,I_N}、配送中心J、配送中心车辆集合K＝{K₁,K₂,K₃,...,K_M}、车辆载重量Q、客户需求量为q_L，L∈{1,2,3,...,N}，配送中心到各个客户点的距离为d_0i，客户点i到客户点j的距离为d_ij，i,j∈{1,2,3,...,N}，以配送总里程数最短为目标函数，可以建立如下数学模型：

2)参数设置：配送车辆的运送成本C＝5、客户点数目N＝25、车辆载重量Q＝5、变异概率R＝0.4、种群规模S＝30、迭代次数G＝2000，约束条件：每条路径上各个客户的货物需求量之和不超过配送车辆的载重，且每个客户仅能由一辆车配送；

3)将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准等，利用网络分析模块得到目标区域的网络数据集，并创建表征配送中心和客户点的特征图层；

4)分析获取道路距离成本矩阵D，

N表示客户点编号，0表示配送中心，矩阵中对角线元素d₀₀,d₁₁,…,d_NN值为0，d_0j表示配送中心0到客户点j的真实道路距离，d_i0表示客户点i返回配送中心0的真实道路距离，d_ij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；

5)编码：采用自然数的编码方式，0表示配送中心，1,2,3,…,N表示客户点的编码；

6)种群初始化，过程如下：

6.1)从客户点集合I中随机选择一个客户点I_r作为初始目标点，并将其添加到染色体的第一个编码位置；

6.2)以I_r为目标中心点，将距离客户点I_r最近的三个客户点按升序排列，记为I_a,I_b,I_c，其权重概率依次赋值为p₁,p₂,p₃，p₁＞p₂＞p₃且p₁+p₂+p₃＝1，利用轮盘赌的思想从I_a,I_b,I_c中随机选择一个客户点I_r′，添加到染色体的第二个编码位置，其中I_r′∈{I_a,I_b,I_c}；

6.3)将目标中心点I_r更新为I_r′，重复步骤6.2)完成相应的权重赋值和添加染色体新的编码操作，直至遍历完集合中的所有客户点，可形成一条初始染色体；

6.4)迭代步骤6.1)至步骤6.3)S次，得到包含S条染色体的初始种群，即S种配送方案；

7)交叉操作，过程如下：

7.1)随机选择两条父代染色体，产生两个小于染色体长度的随机数w₁，w₂；

7.2)交换父代染色体2中位于w₁，w₂的客户点片段，并且保留客户点w₁，w₂之间的路径；

7.3)生成一个子代染色体，使子代染色体中w₁到w₂的客户点与父代染色体1中w₁到w₂的客户点相同；

7.4)对比两条父代染色体，将父代染色体1中w₁到w₂的客户点设为Y，去除父代染色体2中与Y相同的客户点，将父代染色体2中其余客户点按其原有顺序写入子代染色体中，同理，交换父代染色体1、父代染色体2的位置，将生成另外一个子代染色体，计算两条父代染色体和两条子代染色体的适应度f_i，适应度函数为目标函数的倒数，选择适应度较高的两条染色体作为交叉操作的结果；

7.5)迭代步骤7.1)至7.4)，遍历所有染色体，得到交叉操作后的所有配送方案；

8)变异操作：产生一个0到1之间的数，若该数小于变异概率R，随机选择染色体中的一个客户点编码，交换该客户点相邻的两个客户点编码，将该染色体作为变异操作的结果，否则保留该染色体，得到变异操作后的配送方案；

9)选择操作：计算变异前后两条染色体的适应度，若变异后染色体的适应度优于变异前染色体的适应度，则接受该染色体，否则以一定的概率接受，接受概率为

ε为变异后染色体的接受概率，E_i为变异前染色体的适应度，

E_j为变异后染色体的适应度，通过该操作得到选择后的配送方案；

10)解码操作：在染色体首位基因前和末位基因后添加0，若满足

且

则在染色体的第m个基因后面插入0，即客户点m后需要重新安排车辆，随后重新开始计算，直至遍历完所有客户点，获得配送车辆数目K，得到一个可行解；

11)迭代步骤8)至10)达到最大迭代次数，根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解，即物流配送的最佳路线。

以杭州市江干区一个配送中心给25个客户点配送为实例，其研究方案流程图如图1所示，研究区域网络模型及配送中心和客户点之间最佳配送方案的路径图如图2所示。运用以上方法得到最佳配送路径方案，即三辆车的配送路径方案，即三辆车的配送方案依次为：[0,6,24,16,17,15,9,22,1,0],[0,5,21,10,18,11,13,2,3,4,0],[0,4,,19,12,8,23,14,25,7,20,0]。

以上阐述是本发明给出的一个实施的预测效果，本发明不仅适合上述实施例，在不偏离本发明基本思想及不超出本发明实质内容的前提下可对其做种种改进加以实施。

Claims (1)

1.一种基于改进遗传算法的物流配送优化方法，其特征在于，所述物流配送优化方法包括以下步骤：

1)获取所在城市的路径基础信息集合E、路径交点集合V、配送车辆的运送成本C、决策变量X_ij、路况因子θ_ij、客户点集合I＝{I₁,I₂,I₃,...,I_N}、配送中心J、配送中心车辆集合K＝{K₁,K₂,K₃,...,K_M}、车辆载重量Q、客户需求量为q_L，L∈{1,2,3,...,N}，配送中心到各个客户点的距离为d_0i，客户点i到客户点j的距离为d_ij，i,j∈{1,2,3,...,N}；配送车辆k从客户点i到客户点j时X_ij取值为1，否则为0；以配送总里程数最短为目标函数，建立如下数学模型：

2)参数设置：配送车辆的运送成本C、客户点数目N、车辆载重量Q、变异概率R、种群规模S、迭代次数G，约束条件：每条路径上各个客户的货物需求量之和不超过配送车辆的载重，且每个客户仅能由一辆车配送；

3)将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准，利用网络分析模块得到目标区域的网络数据集，并创建表征配送中心和客户点的特征图层；

4)分析获取道路距离成本矩阵D，

0表示配送中心，矩阵中对角线元素d₀₀,d₁₁,…,d_NN值为0，d_0j表示配送中心0到客户点j的真实道路距离，d_i0表示客户点i返回配送中心0的真实道路距离，d_ij表示客户点i到客户点j之间的真实道路距离，i≠j；

5)编码：采用自然数的编码方式，0表示配送中心，1,2,3,…,N表示客户点的编码；

6)种群初始化，过程如下：

6.1)从客户点集合I中随机选择一个客户点I_r作为初始目标点，并将其添加到染色体的第一个编码位置；

6.2)以I_r为目标中心点，将距离客户点I_r最近的三个客户点按升序排列，记为I_a,I_b,I_c，其权重概率依次赋值为p₁,p₂,p₃，p₁＞p₂＞p₃且p₁+p₂+p₃＝1，利用轮盘赌的思想从I_a,I_b,I_c中随机选择一个客户点I_r′，添加到染色体的第二个编码位置，其中I_r′∈{I_a,I_b,I_c}；

6.3)将目标中心点I_r更新为I_r′，重复步骤6.2)完成相应的权重赋值和添加染色体新的编码操作，直至遍历完集合中的所有客户点，可形成一条初始染色体；

6.4)迭代步骤6.1)至步骤6.3)S次，得到包含S条染色体的初始种群，即S种配送方案；

7)交叉操作，过程如下：

7.1)随机选择两条父代染色体，产生两个小于染色体长度的随机数w₁，w₂；

7.2)交换父代染色体2中位于w₁，w₂的客户点片段，并且保留客户点w₁，w₂之间的路径；

7.3)生成一个子代染色体，使子代染色体中w₁到w₂的客户点与父代染色体1中w₁到w₂的客户点相同；

7.4)对比两条父代染色体，将父代染色体1中w₁到w₂的客户点设为Y，去除父代染色体2中与Y相同的客户点，将父代染色体2中其余客户点按其原有顺序写入子代染色体中，同理，交换父代染色体1、父代染色体2的位置，将生成另外一个子代染色体，计算两条父代染色体和两条子代染色体的适应度f_i，适应度函数为目标函数的倒数，选择适应度较高的两条染色体作为交叉操作的结果；

7.5)迭代步骤7.1)至7.4)，遍历所有染色体，得到交叉操作后的所有配送方案；

8)变异操作：产生一个0到1之间的数，若该数小于变异概率R，随机选择染色体中的一个客户点编码，交换该客户点相邻的两个客户点编码，将该染色体作为变异操作的结果，否则保留该染色体，得到变异操作后的配送方案；

9)选择操作：计算变异前后两条染色体的适应度，若变异后染色体的适应度优于变异前染色体的适应度，则接受该染色体，否则以一定的概率接受，接受概率为

ε为变异后染色体的接受概率，E_i为变异前染色体的适应度，E_j为变异后染色体的适应度，通过该操作得到选择后的配送方案；

10)解码操作：在染色体首位基因前和末位基因后添加0，若满足

且

则在染色体的第m个基因后面插入0，即客户点m后需要重新安排车辆，随后重新开始计算，直至遍历完所有客户点，获得配送车辆数目K，得到一个可行解；

11)迭代步骤8)至10)达到最大迭代次数，根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解，即物流配送的最佳路线。

Images