CN111178596A - 一种物流配送路线规划方法、装置及存储介质 - Google Patents
一种物流配送路线规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111178596A CN111178596A CN201911288625.1A CN201911288625A CN111178596A CN 111178596 A CN111178596 A CN 111178596A CN 201911288625 A CN201911288625 A CN 201911288625A CN 111178596 A CN111178596 A CN 111178596A
- Authority
- CN
- China
- Prior art keywords
- route
- particle
- client
- customer
- customers
- 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
Links
Images
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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流配送路线规划方法,基于当前系统中存在的客户、车辆以及基准路线,并根据粒子群优化算法以迭代的方式得出新的规划路线,然后对新的规划路线进行优化处理后最终得出优化后的新路线。本发明解决了现有技术中智能物流配送路线在规划时由于不考虑以前的路线,导致规划产生的路线变化较大,对配送人员带来困扰和不便的问题。本发明还提供了一种物流配送路线规划装置及存储介质。
Description
技术领域
本发明涉及物流规划,尤其涉及一种物流配送路线规划方法、装置及存储介质。
背景技术
目前,随着市场经济的发展,物流行业规模不断增长,人们对物流配送时效性的要求也越来越高。尤其在同城物流配送(如经销商给零售店供货)中,其时效性和稳定性就更受关注。
传统的物流规划一般采用人工规划,由调度员安排配送车辆及配送路径,其成本高、效率低下,并且受调度员的经验影响,不能够很好地满足系统要求。
随着技术的发展,越来越多的智能物流规划也发展起来。其中,对于物流配送规划可以总结为一个车辆路径问题(Vehicle Routing Problem,VRP)。在VRP中,客户位置和需求为已知的,由配送中心向客户供货,通过分配车辆、组织适当的配送路线,进而满足客户的需求;同时在一定约束条件下,使得配送路程最短、成本最低等目的。
也即是说,VRP最终归结为NP-难问题。在求解大规模VRP时,现如今一般采用启发式算法:如模拟退火、遗传算法、蚁群算法等算法实现。基于这些求解算法,诞生了各种各样的智能物流配送路线规划系统。
然而,对于通过上述启发式算法所得出的智能物流配送路线规划系统虽然理论上能够产生距离比较短的路线,理论上看似能够一定程度上解决问题,但在实际应用中,每周或者每月都会有新的订单,因此不会只规划一次就结束,往往需要多次规划。然而在一段时间内,由于客户的增加或减少,以及客户需求量的变化,传统方法规划出的路线往往会产生较大的变化,比如仅仅因为新开张了一家店铺,规划出的路线就完全不同,这就导致在实际送货过程中要么会安排给配送员不熟悉的区域,要么在配送员熟悉的区域内安排不符合配送员习惯的配送顺序,不仅会给配送员带来不便,也会影响配送效率。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种物流配送路线规划方法,其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线,导致规划产生的路线变化较大,对配送人员带来困扰和不便的问题。
本发明的目的之二在于提供一种物流配送路线规划装置,其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线,导致规划产生的路线变化较大,对配送人员带来困扰和不便的问题。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线,导致规划产生的路线变化较大,对配送人员带来困扰和不便的问题。
本发明的目的之一采用如下技术方案实现:
一种物流配送路线规划方法,所述路线规划方法包括:
获取步骤:获取系统内客户的数量、车辆的数量以及基准路线的数量,并分别为客户、车辆以及基准路线进行编号;每一台车辆对应一条基准路线,所述基准路线为当前系统内所存在的路线;
粒子初始化步骤:根据系统内客户的数量、车辆的数量以及基准路线的数量对粒子群优化算法的每个粒子进行初始化,并根据初始化的粒子以及粒子群优化算法得出规划路线;每个粒子均包括速度和位置;
迭代步骡:设定粒子群优化算法的目标函数,并通过粒子群优化算法对规划路线进行多次迭代更新,直到达到迭代停止条件后输出更新后的规划路线;
优化步骤:对更新后的规划路线进行优化得出优化路线;
判断步骤:判断优化路线是否满足系统要求,若是,则输出优化路线;若否,则执行优化步骤,直到到达停止条件,输出优化路线。
进一步地,所述优化步骤还包括对更新后的规划路线根据局部优化算法进行优化;其中,局部优化算法包括路线内优化算法和路线间优化算法;路线内优化算法是指针对一条路线内的客户的配送顺序进行调整;路线间优化算法是指针对不同路线之间客户的配送顺序调整。
进一步地,所述路线内优化算法包括两元素优化算法和三元素优化算法;
所述路线间优化算法是由一种或多种优化操作组合而成;其中,优化操作包括:将一条路线中rs的客户Cs,p安排给一条空路线rt;
将一条路线rs中的客户Cs,p与另一条路线rt中的客户Ct,q交换;
将一条路线rs中的客户Cs,p移动到另一条路线rt中的客户Ct,q之后;
将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后;
将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后,并将客户Cs,p和客户Cs,p+1交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换后,将客户Ct,q和客户Ct,q+1交换;
其中,rs、rt分别为第s、t条路线,s、t的取值范围为[1,m];Cs,p、Cs,p+1分别为路线rs中的第p个客户、第p+1个客户,Ct,q、Ct,q+1分别为路线rt中的第q个客户、第q+1个客户;p、p+1的取值范围为[1,ns],q、q+1的取值范围为[1,nt];其中,ns、nt分别为路线rs、路线rt中的客户数量。
进一步地,所述初始化步骤为:
设定粒子群中有N个粒子,每个粒子i的位置记为Xi,速度记为Vi;将每个粒子i的位置Xi编码为一个长度为D=n×m+n的向量;n为系统中客户的数量,m为系统中路线的数量;
设定粒子i所到达过的历史最优位置Pbesti;
粒子i的K个邻居粒子中每个邻居粒子的历史最优位置中目标函数最优的一个粒子的历史最优位置为粒子i的局部最优位置Lbesti;其中,K是粒子i的邻居粒子的数量,邻居粒子为粒子i的邻居粒子;设定适应度函数为目标函数;
由使得粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti;最优适应度距离比为适应度的差与分量的差的比值;
所有粒子所到达过的历史最优位置Gbest;其中,历史最优位置为粒子群优化算法中所达到目标函数最优的位置;
对每个粒子i的位置Xi的向量的前n×m位进行初始化:若客户Cu在基准路线规划中属于路线rs,则第(u-1)×m+s位在[α1,α2]中随机取值,否则在[α3,α4]中随机取值;其中1>α1>α3,α2>α4>0;u的取值范围为[1,n],s的取值范围为[1,m];
对每个粒子i的位置Xi的向量的后n位进行初始化:首先随机生成一个长度为n的数组a,数组a中每一位数据的取值范围均为[0,1];然后对数组a中的n个数据进行排序;
将速度Vi初始化为零向量,每个粒子i所到达的历史最优位置Pbesti初始化为Xi;
最大迭代次数为T。
进一步地,对数组a中的n个数据进行排序是根据每个客户的加权距离进行降序排序,进而使得排序后的数组a中的n个数据分别代表对应客户的优先度;数组a中的数据的编号与客户的编号相同;
进一步地,所述适应度函数是根据没有被安排的客户数量和通过解码路径计算出的平衡适应度计算得出;
其中,平衡适应度fitness为:
fitness=θ×f(sim)+μ×(dCost+qCost+sCost+aCost+nCost+cCost);f(sim)为连续的非线性函数;当sim趋近于0时,f(sim)趋向于正无穷;
dCost为时长平衡代价、qCost为载货量平衡代价、sCost为客户数平衡代价、aCost为最后客户到达时间平衡代价、nCost为近邻分散代价以及cCost为中心平衡代价。
进一步地,所述迭代步骤包括:
开始步骤:令迭代次数t=1;其中,t的取值范围为[1,T];
第一次解码步骤:根据初始化后的每个粒子i的位置Xi以及系统中设定的解码规则得到解码路径族Ri;
第二更新步骤:根据更新后的每个粒子i的历史最优位置Pbesti更新所有粒子的历史最优位置Gbest;
第三更新步骤:根据每个粒子i的K个邻居粒子的历史最优位置的适应度中最优的粒子更新粒子i的局部最优位置Lbesti;
第四更新步骤:生成由使得每个粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti;
第五更新步骤:更新每个粒子i的速度和每个粒子i的位置;
判断步骤:判断迭代是否结束,若是,则停止迭代,执行输出解码步骤;若否,则t=t+1,根据更新后每个粒子i的位置X i以及系统中设定的解码规则得出更新后的解码路径族Ri,执行适应度计算步骤;
输出解码步骤:根据所有粒子的历史最优位置Gbest以及系统中的设定的解码规则生成规划路线。
进一步地,所述系统中设定的解码规则具体包括:假设系统中的客户的总数量为n*,根据基准路线构建n*×n*的相对位置矩阵,记为M;所述相对位置矩阵M中的每行对应一个客户;其中,系统中的客户的总数量为系统中的客户数量与已经注销的客户数量之和;
根据位置向量X得出客户的优先度以及客户车辆优先度,依次将每个客户安排到对应的车辆以及路线中;其中,每台车辆对应一条路线;所述位置向量X为每个粒子i的位置Xi或所有粒子的历史最优位置Gbest得出;
在将待安排客户安排到对应的路线中时同时满足条件1和条件2,否则将待安排客户归为未安排客户;所述待安排客户为当前待安排的客户;
条件1:若待安排客户Ce与待安排客户Cf在同一车辆所对应的路线上:当待安排客户Ce在待安排客户Cf之前,则相对位置矩阵M中的Mef=1;当待安排客户Ce在待安排客户Cf之后,则相对位置矩阵M中Mef=-1;若待安排客户Ce与待安排客户Cf不在同一车辆所对应的路线上时,则相对位置矩阵M中的Mef=0;
条件2:在将待安排客户插入一条路线r中时:首先检索路线r上的每个客户在相对位置矩阵M中的值,将待安排客户插入路线r的两个客户之间;其中一个客户在相对位置矩阵M中的值为1,并且在路线r排名最后;另一个客户在相对位置矩阵M中的值为-1,并且在路线r中排名第一;
其中,Ce、Cf分别表示为第e个客户、第f个客户,e、f的取值范围为[1,n*]。
本发明的目的之二采用如下技术方案实现:
一种物流配送路线规划装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的路线规划程序,所述路线规划程序为计算机程序,所述处理器执行所述路线规划程序时实现如本发明目的之一采用的一种物流配送路线规划方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有路线规划程序,所述路线规划程序为计算机程序,所述路线规划程序被处理器执行时实现如本发明目的之一采用的一种物流配送路线规划方法的步骤。
相比现有技术,本发明的有益效果在于:
本发明通过在系统给定的基准配送路线的基础上,采用粒子群优化算法结合变更的客户以及每个客户给出的订单能够快速生成与基准路线具有可控偏差的、可行的配送路线,解决了现有技术中的智能物流配送路线规划时由于客户变化导致规划路线的不合理的问题,大大提高了规划路线的合理性,进而提高了配送效率以及节省了配送成本。
附图说明
图1为本发明提供一种物流配送路线规划方法的流程图;
图2为图1中步骤S4的流程图;
图3为图1中步骤S5的流程图;
图4为两元素优化算法的路线中客户调整示意图;
图5为三元素优化算法的路线中客户调整示意图;
图6为路线间优化算法的优化操作一的路线调整示意图;
图7为路线间优化算法的优化操作二的路线调整示意图;
图8为路线间优化算法的优化操作三的路线调整示意图;
图9为路线间优化算法的优化操作四的路线调整示意图;
图10为路线间优化算法的优化操作五的路线调整示意图;
图11为路线间优化算法的优化操作六的路线调整示意图;
图12为路线间优化算法的优化操作七的路线调整示意图;
图13为路线间优化算法的优化操作的路线调整示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明为了解决现有的智能物流配送路线规划不能够根据实际的需求进行实时更新变化的问题,提供了一种物流配送路线规划系统,该系统在给定基准配送路线为上,结合系统中的商户以及每个商户给定的订单,快速生成与基准路线具有可控偏差、可行的配送路线。其中,系统中的商户包括原有已经存在的商户和当前新增的商户。另外,对于原有已经存在的商户,并已经注销的商户,由于不再产生订单,也不需要进行配送。因此,对于已注销的商户不在本系统的考虑内。
本发明提供了一优选实施例,一种物流配送路线规划方法,其包括两大部分:路线规划部分和路线优化部分。其中,路线规划部分是指基于基准路线利用粒子群优化算法实现物流配送路线的规划,路线优化部分是指针对路线规划部分得出的新路线利用局部优化算法对新路线进行优化调整,使路线更符合系统需求。
如图1所示,一种物流配送路线规划方法包括:
步骤S1、获取系统中的客户数量、车辆数量以及基准路线数量。
其中,基准路线是指可以是系统当前已经存在的路线,也可以是系统规定的标准路线等。也即是说,该基准路线为系统未进行路线规划之前的系统所存在路线。
为了便于粒子群优化算法的描述,本实施例给出了以下相应概念:
(1)仓库:是货物存储的地点和货物运送的出发点,其位置是固定的。
(2)客户:是需求货物的商店、个人等,其位置固定,客户会提出订单需求;每次所提出的订单需求的数量不同。
(3)车辆:是运送获取的载具,具有运载量、工作时间、行驶里程等限制。
(4)路线:是车辆在送货中经过的轨迹,一条路线与一台车辆对应;每条路线以仓库为起点开始出发,不重复地经过一些客户后,最终返回仓库;所有的路线需要能够覆盖所有有订单需求的客户。
其中,为了便于粒子群优化算法的计算,本发明还针对客户、车辆、路线均进行相应的编号:
假设:客户Cu:u的取值范围为[1,n],客户的数量为n。
路线rs,s的取值范围为[1,m],路线的数量为m。
车辆vs,s的取值范围为[1,m],车辆的数量为m。
其中,m,n均为大于零的自然数;系统中的路线和车辆为一一对应关系,一台车辆对应一条路线。
粒子群优化算法(Particle Swarm Optimization,PSO)是一种模仿动物的群集行为而设计的随机优化方法。在粒子群优化算法中,每个个体被称为粒子,每个粒子具有自己的位置和速度,并且保存有历史最优位置和其他所有粒子的历史最优位置。每个粒子向全局最优及多个不同标准的局部最优迭代靠近,为了增加多样性,过程中会附加对速度和方向的随机扰动。
一般来说,粒子群优化算法中:粒子群是粒子群优化算法的主体,由N个粒子组成,每个粒子具有自身的位置和速度,也即是:第i个粒子的位置记为Xi,速度记为Vi,i的取值范围为[1,N],N为大于零的自然数。
本实施例中的粒子群优化算法采用适应度函数作为目标函数,则每个粒子的位置都对应了一个适应度函数的值。本发明中的粒子群优化算法采用迭代的方式来求取最优解,进而得出规划后的新路线。通过设定最大迭代次数,当算法的迭代次数达到最大迭代次数时,停止迭代,输出最优解。
步骤S2、根据系统中的客户数量、车辆数量以及基准路线数量对粒子群优化算法中的粒子以及参数进行初始化。
(1)参数定义。
为了便于将粒子群优化算法应用到路线规划中,本申请首先对粒子群中的每个粒子做了如下定义,并且进行初始化。
假设:粒子群优化算法中的粒子群由N个粒子组成;第i个粒子的位置记为Xi,速度记为Vi,i的取值范围为[1,N]。
在迭代过程中还涉及到以下参数:
每个粒子的历史最优位置:第i个粒子所到达过的历史最优位置为Pbesti。其中,最优位置是指粒子所到达的状态中,适应度函数值最优的位置。
向量:由使得粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti。其中,最优适应度距离比为适应度的差与分量的差的比值。
所有粒子的历史最优位置:所有粒子曾经到达过的历史最优位置为Gbest,也即是当存在某个粒子的历史最优位置的适应度函数值优于其他所有粒子的历史最优位置的适应度函数值时,该粒子的历史最优位置也即是所有粒子的历史最优位置。所有粒子的历史最优位置为粒子群优化算法输出的最优解。
通过粒子群优化算法迭代停止后,对粒子群优化算法所输出的所有粒子曾经到达过的历史最优位置为Gbest进行解码进而生成规划后的新路线。该新路线与基准路线的数量一致,编号一致,由于客户需求量的变化以及具有新增的客户或已经注销的客户,新规划后的新路线中每条路线的客户的数量以及客户与对应的基准路线中的对应路线可能不同。
另外,在迭代过程中,粒子的速度通过一定的惯性权重影响下一次迭代的速度。设定w1为初始惯性权重,wT为最终惯性权重。同时,一些局部最优也会对粒子的移动产生影响,cp为Pbesti的加速度常数,cg为Gbest的加速度常数,cl为Lbesti的加速度常数,cn为Nbesti的加速度常数,这些权重和常数对所有粒子都是同样的。
为了便于计算,本申请还对粒子群优化算法中的每个粒子i的位置Xi进行编码,也即是:粒子i的位置Xi为一个长度为D=n×m+n的向量。其中,n为系统中客户的数量,m为系统中的车辆数,即路线条数。
本实施例中将长度为D=n×m+n的向量的前n×m位看成是n个长度为m的数组。其中,n个长度为m的数组是指:每个数组代表一个客户,每个数组的长度m是为了规定该数组所代表的客户与m个车辆的关系。
每个数组都代表一个客户对各条路线的归属度,取值越高,表示该客户越有可能被安排在该条路线上。后n位代表着各个客户的优先度,决定了客户被安排路线的优先次序。
(2)参数初始化
其一、首先对粒子i的位置Xi的向量的前n×m位进行初始化:若客户Cu在基准路线规划中属于路线rs,则第(u-1)×m+s位在[α1,α2]中随机取值,否则在[α3,α4]中随机取值;其中1>α1>α3,α2>α4>0。第(u-1)×m+s位即为第u个数组中的第s个分量,也即代表了第u个客户与第s条路线的关系。
例如,假设α1=α4=0.5,α2=1,α3=0,以保证客户C属于路线r时,对应的数据的取值相对较大。
其二、然后对粒子i的位置Xi的向量的后n位进行初始化:首先随机生成一个长度为n的数组a,数组a中每一位数据的取值范围均为[0,1];然后对数组a中的n个数据进行排序。
由于前述可知,后n位表示为客户的优先度,因此,本发明中对于数组a中的n个数据进行排序时根据每个客户的加权距离进行排序。
对数组a中的n个数据进行排序时,根据每个客户的加权距离进行降序排序。在排序时,假设客户C1的加权距离为客户C2的加权距离为当则数组a[n1]>a[n2]。其中,数组a中的n个数据编号与n个客户的编号相对应。这样,就可以根据排序后的数组中每个数据来表示每个客户的优先度。
例如:有五个客户,编号分别为1、2、3、4、5;每个客户的加权距离分别为2、5、4、1、3;随机产生的数组为[0.8,0.3,0.5,0.1,0.9],则最终初始化使用的数组为[0.3,0.9,0.8,0.1,0.5]。即把最大的数安排给加权距离最大的,最小的数安排给加权距离最小的,以此类推。
其三,将粒子i的速度Vi的向量初始化为零向量。
粒子群优化算法中每个粒子i所到达的历史最优位置Pbesti初始化为当前粒子i的位置Xi。
设定最大迭代次数为T。
步骤S3、根据初始化后的每个粒子的位置以及系统中的解码规则得出规划路线。由于粒子的位置向量是根据基准路线进行初始化而来的,因此该规划路线与基准路线之间具有可控偏差,也即是其数量一致,编号一致。但是由于客户数量的变化等,则解码后的每条规划路线中的客户与对应编号的基准路线的客户可能相同、可能不同。
进一步地,本发明还给出了解码规则具体包括:
首先假设系统中的客户的总数量为n*,根据基准路线构建n*×n*的相对位置矩阵,记为M;所述相对位置矩阵M中的每行对应一个客户。
其中,系统中客户的总数量是指系统内客户的数量和已经注销的客户的数量之和。由于已经注销的客户在基准路线中仍然存在,因此,在构建相对位置矩阵时,还需要将已经注销的客户考虑其中。
然后根据每个粒子i的位置X i得出客户的优先度以及客户车辆优先度,依次将每个客户安排到对应的车辆以及路线中;其中,每台车辆对应一条路线。
从前述对粒子进行初始化时可知,每个粒子i的位置X i为一个长度为D=n×m+n的向量。其中,长度为D=n×m+n的向量的前n×m位看成是n个长度为m的数组。每个数组都代表一个客户对各条路线的归属度,取值越高,表示该客户越有可能被安排在该条路线上。后n位代表着各个客户的优先度,决定了客户被安排路线的优先次序。
也即是说,根据每个粒子i的位置X i的前n×m位得出客户车辆优先度,根据后n位得出客户的优先度。
另外,在将客户安排到相应路线中时,还需要满足以下条件:
假设当前需要安排的客户均记为待安排客户:
条件一:若待安排客户Ce与待安排客户Cf在同一车辆所对应的路线上:当待安排客户Ce在待安排客户Cf之前,则相对位置矩阵M中的Mef=1;当待安排客户Ce在待安排客户Cf之后,则相对位置矩阵M中Mef=-1;
若待安排客户Ce与待安排客户Cf不在同一车辆所对应的路线上时,则相对位置矩阵M中的Mef=0。
条件二:在将待安排客户插入一条路线中时:首先检索该路线上的每个客户在相对位置矩阵M中的值,将待安排客户插入到最后一个“1”与第一个“-1”之间;否则,将待安排客户归为未安排客户。
其中,Ce、Cf分别表示为第e个客户、第f个客户,e、f的取值范围为[1,n*]。
步骤S4、根据粒子群优化算法的适应度函数通过粒子群优化算法对规划路线进行多次迭代更新,直到达到迭代停止条件后输出更新后的规划路线。
其中,本实施例采用适应度函数作为粒子群优化算法的目标函数,每个粒子的位置均有对应的适应度函数值,因此根据每个粒子的位置的适应度函数值来判断粒子的位置是否为历史最优位置。
进一步地,本实施例中的适应度由两部分组成:一部分为解码中没有被安排的客户数量,另一部分为通过解码路径计算出的平衡适应度。
其中,平衡适应度由若干部分组成,其公式为:
平衡适应度fitness为:
fitness=θ×f(sim)+μ×(dCost+qCost+sCost+aCost+nCost+cCost)。
另外,f(sim)的形式不必拘泥于此,任何能够满足要求的函数都是可取的。
其中,sim为新路线与基准路线的相似度。当新增了客户,由于客户的位置不同,因此解码后生成的新路线与基准路线之间会有一定的偏差。本发明对于新路线与基准路线的偏差主要通过两个指标来衡量:客户在新路线中仍归属于原路线的比例bRate和归属于原路线的客户中保持相对先后关系的客户对所占比例oRate。偏差指标可通过相似度:定义,其中,α为权重。另外,在计算指标偏差时,不考虑新增加的客户以及已经注销的客户。
其中,dCost、qCost、sCost、aCost分别为时长平衡代价、载货量平衡代价、客户数平衡代价、最后客户到达时间平衡代价:通过对路线时长、载货量、客户数、最后一家客户到达时间分别计算各路线占所有路线总和的百分比,对每组的值求方均根和标准差,再求加权和,最终得到时长平衡代价dCost、载货量平衡代价qCost、客户数平衡代价sCost、最后客户到达时间平衡代价aCost。
nCost为近邻分散代价:通过统计每个客户w个近邻中不与其在同一路线上的数量并求和,并除以客户总数与w的乘积,再乘以权重,最终得到近邻分散代价nCost。其中,近邻表示距离对应客户最近的其他客户。
cCost为中心平衡代价:通过计算各路线的中心客户,即距离路线上所有客户的重心最近的客户。对每个客户,将所有路线按照该客户到每条路线的中心客户的距离由短到长排序;然后对每条路线将在对应路线上各客户的路线排序上的顺序求和;再将所有路线加起来除以总的客户数量,并乘以权重,最终得到中心平衡代价cCost。
其中,从平衡适应度fitness的公式中可以看出,f(sim)项表示差异代价,而时长平衡代价dCost、载货量平衡代价qCost、客户数平衡代价sCost、最后客户到达时间平衡代价aCost、近邻分散代价nCost、中心平衡代价cCost表示路线代价。将差异代价和路线代价通过权重θ、μ组合在一起,能够起到综合权衡的效果。另外,公式中包括θ、μ在内的所有权重皆可根据需要调整,适应度的各个组成部分也可灵活调整或增删。
进一步地,如图2所示,所述步骤S4还包括:
步骤S41、令迭代次数的代数t=1。其中代数t的取值范围为[1,T]。在迭代的过程中,当t=T时,则认为达到迭代停止条件,迭代结束。
同理,解码路径族Ri也即是通过采用前述的解码规则以及每个粒子i的位置X i得出,此时针对解码规则中对于客户的优先度以及客户车辆优先度是根据每个粒子i的位置Xi的向量得出。
步骤S43、更新每个粒子的历史最优位置。
首先计算每个粒子i的当前适应度系统中的每个粒子i的历史最优位置Pbesti的适应度然后根据每个粒子i的当前适应度系统中的每个粒子i的历史最优位置Pbesti的适应度更新每个粒子i的历史最优位置Pbesti。
也即是:当则Pbesti=Xi。其中,表示粒子i的当前位置Xi的适应度优于历史最优位置Pbesti的适应度时,此时粒子i的当前位置为最优位置,因此根据该粒子的当前位置Xi更新粒子i的历史最优位置Pbesti。
另外,由于适应度包括两个部分,也即是没有被安排的客户数量和通过解码路径计算出的平衡适应度。因此,当判断两个适应度最优时,首先比较未安排的客户数量。当未安排的客户数量较少时,认为对应位置的适应度更优。若未安排的客户数量相同,则比较平衡适应度;当平衡适应度较小时,认为对应位置的适应度更优。
步骤S44、更新所有粒子的历史最优位置。
也即是根据更新后的每个粒子i的历史最优位置Pbesti更新所有粒子的历史最优位置Gbest。
步骤S45、更新每个粒子的局部最优位置。
也即是:首先计算每个粒子i的K个邻居粒子的历史最优位置的适应度,并选取其中适应度最优的邻居粒子,并根据该邻居粒子的历史最优位置更新对应粒子i的局部最优位置Lbesti。
粒子i的Lbesti为粒子i的K个邻居的Pbest中适应度最优的。
步骤S46、生成由使得每个粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti。
步骤S47、更新每个粒子i的速度和每个粒子i的位置。
xid(t+1)=xid(t)+vid(t+1)。其中,Xid(t+1)表示粒子i在第t+1代时位置Xi的第d个分量。
其中,cp为Pbesti的加速度常数,cg为Gbest的加速度常数,cl为Lbesti的加速度常数,cn为Nbesti的加速度常数。
如果xid(t+1)>Xmax,令xid(t+1)=Xmax、vid(t+1)=0。
如果xid(t+1)<Xmax,令xid(t+1)=Xmin、vid(t+1)=0。其中Xmax和Xmin分别是位置Xi分量的最大取值与最小取值。
步骤S48、根据迭代次数t判断迭代是否结束;若是,则停止迭代,执行步骤S49;若否,则t=t+1,根据更新后的每个粒子i的位置X i进行解码得出更新后的解码路径族Ri,并计算每个粒子i的位置X i的适应度;执行步骤S43。
其中,当迭代次数t=T时,认为迭代结束,停止迭代。
步骤S49、当停止迭代后,根据迭代结束后所有粒子的历史最优位置Gbest以及系统中的解码规则生成更新后的规划路线。
为了便于增强路线的合理性、节约成本、完善细节,同时保证规划路线与基准路线的偏差在可控范围内,本发明还需要对规划路线进行优化。
进一步地,本实施例提供的一种物流配送路线规划方法还包括:
步骤S5、对更新后的规划路线进行优化得出优化路线。
本发明采用局部优化算法来实现路线的优化。
如图3所示,所述步骤S5还包括:
步骤S51、对更新后的规划路线根据局部优化算法进行优化得出对应优化路线。
本实施例采用局部优化算法实现对规划路线的优化,是针对粒子群优化算法得出的规划路线进行进一步优化。
局部优化算法包括路线路内优化算法和路线间优化算法。
其中,路线内优化算法是指针对一条路线内的客户的配送顺序进行调整。本实施例采用2-opt(2-optimization,两元素优化)算法或3-opt(3-optimization,三元素优化)算法来实现,如图4和图5所示。
如图4所示,将路线rs中的客户Cs,p、客户Cs,p+1、客户Cs,q、客户Cs,q+1的配送顺序进行调整。
如图5所示,将路线rs中的客户Cs,p、客户Cs,p+1、客户Cs,q、客户Cs,q+1、客户Cs,o、客户Cs,o+1的配送顺序进行调整。
其中,rs为第s条路线;s的取值范围为[1,m]。
客户Cs,p、客户Cs,p+1、客户Cs,q、客户Cs,q+1、客户Cs,o、客户Cs,o+1分别为路线rs中的第p个客户、第p+1个客户、第q个客户、第q+1个客户、第o个客户、第o+1个客户。p、p+1、q、q+1、o、o+1的取值范围均为[1,ns]。其中,ns为路线rs中的客户数量。
路线间优化算法是指针对不同路线之间客户的配送顺序调整。路线间的优化算法由一系列优化操作的组合而成。在优化时,随机选择相应的优化操作,同时在优化操作时所针对的客户也是随机选择。
优化操作具体可包括如下方案:
优化操作一:如图6所示,将一条路线中rs的客户Cs,p安排给一条空路线rt(当有空路线时)。
优化操作二:如图7所示,将一条路线rs中的客户Cs,p与另一条路线rt中的客户Ct,q交换。
优化操作三:如图8所示,将一条路线rs中的客户Cs,p移动到另一条路线rt中的客户Ct,q之后。
优化操作四:如图9所示,将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后。
优化操作五:如图10所示,将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后,并将客户Cs,p和客户Cs,p+1交换。
优化操作六:如图11所示,将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q交换。
优化操作七:如图12所示,将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换。
优化操作八:如图13所示,将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换后,将客户Ct,q和客户Ct,q+1交换。
其中,rs、rt分别为第s条路线、第t条路线;s、t的取值范围均为[1,m]。
Cs,p、Cs,p+1分别为路线rs中的第p个客户、第p+1个客户,Ct,q、Ct,q+1分别为路线rt中的第q个客户、第q+1个客户。
p、p+1的取值范围分别为[1,ns],q、q+1的取值范围为[1,nt]。其中,ns、nt分别为路线rs、路线rt中的客户数量。
另外,优化操作不仅限于本实施例中所列出的方案,只要能够实现两个线路间的客户调整即可。比如调整的客户并不仅仅限于一个或两个客户,甚至可以是3个或更多个客户进行调整。
当通过上述局部优化算法对规划路线进行优化后,还根据适应度函数对优化后的规划路线判断。也即是步骤S52:判断优化路线是否满足系统要求,若是,则输出优化路线;若否,则执行步骤S53,直到到达停止条件,输出优化路线。
步骤S53、对优化路线继续根据局部优化算法进行优化。
也即当优化后的规划路线比优化前的路线更优时,比如设定子目标函数来判断优化前的规划路线以及优化后的优化路线的优劣。优选地,本实施例采用适应度函数作为子目标函数,用于判断优化前后的路线优劣。
进一步地,由于在实际的应用过程中,对于路线来说,一般具有一定的系统约束,比如成本、配送距离、车辆的承载量等之类的约束。比如,本系统中的每一台车辆对应一条路线,车辆具有一定的承载量,若当前该路线中所有的订单的货物总量大于车辆的承载量时,则无法进行配送。因此,对于优化后的优化路线还可以判断是否符合系统约束,当不符合时,则需要返回继续对优化路线进行约束。
对于判断优化路线是否满足系统要求时,可以是同时满足上述两种约束,也可以是满足其中一种;当然,也不仅仅限于本申请中涉及到的约束。
本发明通过在给定基准配送路线的基础上,结合变更的客户以及给定客户的订单,能够快速生成与基准配送路线具有可控偏差、可行的配送路线,解决了现有技术中智能物流配送路线无法应对规划前后客户变化大的问题,提高了配送路线的合理性规划。具体地,本发明具有以下优点:
(1)通过贯穿整个规划系统的差异控制思想,确保所产生的路线与基准路线的差异在可控的需求范围内,避免在实际应用中给配送员带来不便;
(2)使用粒子群优化算法,作为全局优化算法,可以有效避免路线杂糅、分布不均等不良现象;
(3)对于规划后的新路线采用局部优化算法对每条路线进行优化,可以改善路线交叉、绕路等现象,节省运营成本;
(4)选取具有明确意义的偏差指标以及适应度,实现在的优化成本以及路线均衡的同时对路线差异做出有效控制。
实施例二
一种物流配送路线规划装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的路线规划程序,所述路线规划程序为计算机程序,所述处理器执行所述路线规划程序时实现如本发明目的之一采用的一种物流配送路线规划方法的步骤。
实施例三
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有路线规划程序,所述路线规划程序为计算机程序,所述路线规划程序被处理器执行时实现如实施例一提供的一种物流配送路线规划方法的步骤。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种物流配送路线规划方法,其特征在于,所述路线规划方法包括:
获取步骤:获取系统内客户的数量、车辆的数量以及基准路线的数量,并分别为客户、车辆以及基准路线进行编号;每一台车辆对应一条基准路线,所述基准路线为当前系统内所存在的路线;
粒子初始化步骤:根据系统内客户的数量、车辆的数量以及基准路线的数量对粒子群优化算法的每个粒子进行初始化,并根据初始化的粒子以及粒子群优化算法得出规划路线;每个粒子均包括速度和位置;
迭代步骤:设定粒子群优化算法的目标函数,并通过粒子群优化算法对规划路线进行多次迭代更新,直到达到迭代停止条件后输出更新后的规划路线;
优化步骤:对更新后的规划路线进行优化得出优化路线;
判断步骤:判断优化路线是否满足系统要求,若是,则输出优化路线;若否,则执行优化步骤,直到到达停止条件,输出优化路线。
2.根据权利要求1所述一种物流配送路线规划方法,其特征在于:所述优化步骤还包括对更新后的规划路线根据局部优化算法进行优化;其中,局部优化算法包括路线内优化算法和路线间优化算法;路线内优化算法是指针对一条路线内的客户的配送顺序进行调整;路线间优化算法是指针对不同路线之间客户的配送顺序调整。
3.根据权利要求2所述一种物流配送路线规划方法,其特征在于:所述路线内优化算法包括两元素优化算法和三元素优化算法;
所述路线间优化算法是由一种或多种优化操作组合而成;其中,优化操作包括:将一条路线中rs的客户Cs,p安排给一条空路线rt;
将一条路线rs中的客户Cs,p与另一条路线rt中的客户Ct,q交换;
将一条路线rs中的客户Cs,p移动到另一条路线rt中的客户Ct,q之后;
将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后;
将一条路线rs中的客户Cs,p、客户Cs,p+1移动到另一条路线rt中的客户Ct,q之后,并将客户Cs,p和客户Cs,p+1交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换;
将一条路线rs中的客户Cs,p、客户Cs,p+1与另一条路线rt中的客户Ct,q、客户Ct,q+1交换后,将客户Ct,q和客户Ct,q+1交换;
其中,rs、rt分别为第s、t条路线,s、t的取值范围为[1,m];Cs,p、Cs,p+1分别为路线rs中的第p个客户、第p+1个客户,Ct,q、Ct,q+1分别为路线rt中的第q个客户、第q+1个客户;p、p+1的取值范围为[1,ns],q、q+1的取值范围为[1,nt];其中,ns、nt分别为路线rs、路线rt中的客户数量。
4.根据权利要求1所述一种物流配送路线规划方法,其特征在于:所述初始化步骤为:
设定粒子群中有N个粒子,每个粒子i的位置记为Xi,速度记为Vi;将每个粒子i的位置Xi编码为一个长度为D=n×m+n的向量;n为系统中客户的数量,m为系统中路线的数量;
设定粒子i所到达过的历史最优位置Pbesti;
粒子i的K个邻居粒子中每个邻居粒子的历史最优位置中目标函数最优的一个粒子的历史最优位置为粒子i的局部最优位置Lbesti;其中,K是粒子i的邻居粒子的数量,邻居粒子为粒子i的邻居粒子;设定适应度函数为目标函数;
由使得粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti;最优适应度距离比为适应度的差与分量的差的比值;
所有粒子所到达过的历史最优位置Gbest;其中,历史最优位置为粒子群优化算法中所达到目标函数最优的位置;
对每个粒子i的位置Xi的向量的前n×m位进行初始化:若客户Cu在基准路线规划中属于路线rs,则第(u-1)×m+s位在[α1,α2]中随机取值,否则在[α3,α4]中随机取值;其中1>α1>α3,α2>α4>0;u的取值范围为[1,n],s的取值范围为[1,m];
对每个粒子i的位置Xi的向量的后n位进行初始化:首先随机生成一个长度为n的数组a,数组a中每一位数据的取值范围均为[0,1];然后对数组a中的n个数据进行排序;
将速度Vi初始化为零向量,每个粒子i所到达的历史最优位置Pbesti初始化为Xi;
最大迭代次数为T。
6.根据权利要求4所述一种物流配送路线规划方法,其特征在于:所述适应度函数是根据没有被安排的客户数量和通过解码路径计算出的平衡适应度计算得出;
其中,平衡适应度fitness为:
fitness=θ×f(sim)+μ×(dCost+qCost+sCost+aCost+nCost+cCost);f(sim)为连续的非线性函数;当sim趋近于0时,f(sim)趋向于正无穷;
dCost为时长平衡代价、qCost为载货量平衡代价、sCost为客户数平衡代价、aCost为最后客户到达时间平衡代价、nCost为近邻分散代价以及cCost为中心平衡代价。
7.根据权利要求4所述一种物流配送路线规划方法,其特征在于:所述迭代步骤包括:
开始步骤:令迭代次数t=1;其中,t的取值范围为[1,T];
第一次解码步骤:根据初始化后的每个粒子i的位置Xi以及系统中设定的解码规则得到解码路径族Ri;
第二更新步骤:根据更新后的每个粒子i的历史最优位置Pbesti更新所有粒子的历史最优位置Gbest;
第三更新步骤:根据每个粒子i的K个邻居粒子的历史最优位置的适应度中最优的粒子更新粒子i的局部最优位置Lbesti;
第四更新步骤:生成由使得每个粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti;
第五更新步骤:更新每个粒子i的速度和每个粒子i的位置;
判断步骤:判断迭代是否结束,若是,则停止迭代,执行输出解码步骤;若否,则t=t+1,根据更新后每个粒子i的位置Xi以及系统中设定的解码规则得出更新后的解码路径族Ri,执行适应度计算步骤;
输出解码步骤:根据所有粒子的历史最优位置Gbest以及系统中的设定的解码规则生成规划路线。
8.根据权利要求7所述一种物流配送路线规划方法,其特征在于:所述系统中设定的解码规则具体包括:假设系统中的客户的总数量为n*,根据基准路线构建n*×n*的相对位置矩阵,记为M;所述相对位置矩阵M中的每行对应一个客户;其中,系统中的客户的总数量为系统中的客户数量与已经注销的客户数量之和;
根据位置向量X得出客户的优先度以及客户车辆优先度,依次将每个客户安排到对应的车辆以及路线中;其中,每台车辆对应一条路线;所述位置向量X为每个粒子i的位置Xi或所有粒子的历史最优位置Gbest得出;
在将待安排客户安排到对应的路线中时同时满足条件1和条件2,否则将待安排客户归为未安排客户;所述待安排客户为当前待安排的客户;
条件1:若待安排客户Ce与待安排客户Cf在同一车辆所对应的路线上:当待安排客户Ce在待安排客户Cf之前,则相对位置矩阵M中的Mef=1;当待安排客户Ce在待安排客户Cf之后,则相对位置矩阵M中Mef=-1;若待安排客户Ce与待安排客户Cf不在同一车辆所对应的路线上时,则相对位置矩阵M中的Mef=0;
条件2:在将待安排客户插入一条路线r中时:首先检索路线r上的每个客户在相对位置矩阵M中的值,将待安排客户插入路线r的两个客户之间;其中一个客户在相对位置矩阵M中的值为1,并且在路线r排名最后;另一个客户在相对位置矩阵M中的值为-1,并且在路线r中排名第一;
其中,Ce、Cf分别表示为第e个客户、第f个客户,e、f的取值范围为[1,n*]。
9.一种物流配送路线规划装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的路线规划程序,所述路线规划程序为计算机程序,其特征在于:所述处理器执行所述路线规划程序时实现如权利要求1-8中任一项所述的一种物流配送路线规划方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有路线规划程序,所述路线规划程序为计算机程序,其特征在于:所述路线规划程序被处理器执行时实现如权利要求1-8中任一项所述的一种物流配送路线规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288625.1A CN111178596A (zh) | 2019-12-12 | 2019-12-12 | 一种物流配送路线规划方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911288625.1A CN111178596A (zh) | 2019-12-12 | 2019-12-12 | 一种物流配送路线规划方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178596A true CN111178596A (zh) | 2020-05-19 |
Family
ID=70653908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911288625.1A Pending CN111178596A (zh) | 2019-12-12 | 2019-12-12 | 一种物流配送路线规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700185A (zh) * | 2020-12-25 | 2021-04-23 | 广州智湾科技有限公司 | 基于仿生智能优化的物流路线规划方法及系统 |
CN113034088A (zh) * | 2021-04-22 | 2021-06-25 | 湖北普罗劳格科技股份有限公司 | 仓库物流任务调度方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN103971160A (zh) * | 2014-05-05 | 2014-08-06 | 北京航空航天大学 | 基于复杂网络的粒子群优化方法 |
CN104680263A (zh) * | 2015-03-21 | 2015-06-03 | 西安电子科技大学 | 基于粒子群算法的电力运输网络拓扑结构设计方法 |
CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN107578117A (zh) * | 2017-07-21 | 2018-01-12 | 哈尔滨工程大学 | 一种分层异质动态粒子群优化算法 |
CN110488810A (zh) * | 2019-07-22 | 2019-11-22 | 华南理工大学 | 基于改进型粒子群算法的焊接机器人最优路径规划方法 |
-
2019
- 2019-12-12 CN CN201911288625.1A patent/CN111178596A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN103971160A (zh) * | 2014-05-05 | 2014-08-06 | 北京航空航天大学 | 基于复杂网络的粒子群优化方法 |
CN104680263A (zh) * | 2015-03-21 | 2015-06-03 | 西安电子科技大学 | 基于粒子群算法的电力运输网络拓扑结构设计方法 |
CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN107578117A (zh) * | 2017-07-21 | 2018-01-12 | 哈尔滨工程大学 | 一种分层异质动态粒子群优化算法 |
CN110488810A (zh) * | 2019-07-22 | 2019-11-22 | 华南理工大学 | 基于改进型粒子群算法的焊接机器人最优路径规划方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700185A (zh) * | 2020-12-25 | 2021-04-23 | 广州智湾科技有限公司 | 基于仿生智能优化的物流路线规划方法及系统 |
CN113034088A (zh) * | 2021-04-22 | 2021-06-25 | 湖北普罗劳格科技股份有限公司 | 仓库物流任务调度方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Deep Q-learning for same-day delivery with vehicles and drones | |
CN109919376B (zh) | 多车场与多车型车辆路径调度控制方法 | |
Guo et al. | Robust dynamic multi-objective vehicle routing optimization method | |
CN110619441A (zh) | 基于领导者的ga-pso的软时间窗车辆路径优化方法 | |
CN112183812B (zh) | 一种计及短时低成本的成品卷烟物流车辆调度方法 | |
CN107657364A (zh) | 一种面向烟草工厂物料运输的多载agv任务分配形成方法 | |
CN116187896B (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
CN111178596A (zh) | 一种物流配送路线规划方法、装置及存储介质 | |
Chen et al. | Same-day delivery with fairness | |
Zou et al. | Online food ordering delivery strategies based on deep reinforcement learning | |
CN113935452A (zh) | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 | |
CN110530373A (zh) | 一种机器人路径规划方法、控制器及系统 | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
Erera | Design of large-scale logistics systems for uncertain environments | |
CN109583634A (zh) | 一种基于现代投资组合理论的外卖配送路径选择方法 | |
CN114519135A (zh) | 基于模拟退火粒子群算法的兴趣点推荐方法 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 | |
CN115841286A (zh) | 一种基于深度强化学习的外卖配送路径规划方法 | |
Qiang et al. | A study on vehicle routing problem in the delivery of fresh agricultural products under random fuzzy environment | |
CN114021914A (zh) | 一种无人机集群飞防调度方法及装置 |
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 |