CN111260128A - 车辆路径规划方法以及系统 - Google Patents

车辆路径规划方法以及系统 Download PDF

Info

Publication number
CN111260128A
CN111260128A CN202010039420.6A CN202010039420A CN111260128A CN 111260128 A CN111260128 A CN 111260128A CN 202010039420 A CN202010039420 A CN 202010039420A CN 111260128 A CN111260128 A CN 111260128A
Authority
CN
China
Prior art keywords
vehicle
time
cold
chain logistics
preset
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
CN202010039420.6A
Other languages
English (en)
Other versions
CN111260128B (zh
Inventor
李果
李娜
吴华敏
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010039420.6A priority Critical patent/CN111260128B/zh
Publication of CN111260128A publication Critical patent/CN111260128A/zh
Application granted granted Critical
Publication of CN111260128B publication Critical patent/CN111260128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种车辆路径规划方法以及系统。该方法包括输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型；在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量；根据预设的配送服务时间，建立时间窗口；输出用于冷链物流的食物配送车辆路径规划结果。本申请解决了车辆路径规划方法效果不佳的技术问题。通过本申请充分考虑能源成本、变质成本以及混合时间窗的影响，提高食物配送效率，优化了车辆路径规划方案。

Description

车辆路径规划方法以及系统
技术领域
本申请涉及路径规划、物流配送领域，具体而言，涉及一种车辆路径规划方法以及系统。
背景技术
车辆路径规划，可以在车辆配送环节，有效降低车辆使用数量和车辆行驶距离，提高配送的效率。
发明人发现，在车辆路径规划方案中，并没有充分考虑到能源、变质等方面的成本，同时缺乏对于顾客对早交货或晚交货时间上容忍程度的考量。
针对相关技术中车辆路径规划方法效果不佳的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种车辆路径规划方法以及系统，以解决车辆路径规划方法效果不佳的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种车辆路径规划方法。
根据本申请的车辆路径规划方法包括：输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型；在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量包括车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量包括配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；根据预设的配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；输出用于冷链物流的食物配送车辆路径规划结果。
进一步地，输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型包括：
建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本；
输出用于冷链物流的食物配送车辆路径规划结果包括：
根据所述约束条件，通过预设单亲遗传混合算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
进一步地，所述预设单亲遗传算法中基于基因块的交叉算子。
进一步地，所述预设单亲遗传算法中基于基因块的变异算子。
进一步地，将蚁群算法结合到所述预设单亲遗传算法的求解过程中。
为了实现上述目的，根据本申请的另一方面，提供了一种车辆路径规划系统。
根据本申请的车辆路径规划系统包括：输入模块，用于输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型；变量模块，用于在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量与车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量与配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；时间窗口模块，用于根据预设配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；输出模块，用于输出用于冷链物流的食物配送车辆路径规划结果。
进一步地，所述输入模块，用于建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本。
进一步地，所述输出模块，用于根据所述约束条件，通过预设遗传算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
进一步地，所述变量模块，用于配置能源消耗变量与车辆行驶、车辆等待和车辆服务时长相关约束条件；
所述变量模块，还用于配置食物变质变量与配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件。
进一步地，所述时间窗口模块，用于建立车辆到达客户的时间、累积行驶时间、累计等待时间或者累计服务时间的约束条件。
在本申请实施例中车辆路径规划方法以及系统，采用输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型的方式，通过在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量以及根据预设的配送服务时间，建立时间窗口，达到了输出用于冷链物流的食物配送车辆路径规划结果的目的，从而实现了充分考虑能源成本、变质成本以及混合时间窗的影响，提高食物配送效率的技术效果，进而解决了车辆路径规划方法效果不佳的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的车辆路径规划方法流程示意图；
图2是根据本申请实施例的车辆路径规划系统结构示意图；
图3是算子的详细操作示例图；
图4是考虑混合时间窗的成本示意图；
图5是运输过程中成本示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该方法包括如下的步骤S101至步骤S104：
步骤S101，输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型；
首先将待配送客户地理位置，再结合待配送的需求量、需求时间以及距离配送中心地理位置作为变量进行输入，根据每个所述配送中心的车辆建立一个预设冷链物流路径模型。
需要注意的是，所述冷链物流路径模型可以采用带混合时间窗的多配送中心车辆路径问题的模型，即作为冷链物流MDVRPMTW模型。本领域技术人员可以根据实际使用场景进行选择。
步骤S102，在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量包括车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量包括配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；
通过上述步骤，在所述预设冷链物流路径模型中增加所述能源消耗变量和所述食物变质变量。
具体地，所述能源消耗变量包括车辆行驶、车辆等待和车辆服务时长相关约束条件，所述食物变质变量包括配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件。
如图5所示，运输过程中成本示意图。
a-b：服务过程，产生变质成本(随累积服务时长增加)，未在最佳时间服务的时间成本；
b-c：冷藏箱温度降低过程，产生能耗成本(与服务时间相关)，运输成本，变质成本(变动率较服务过程低)；
d-e：早到等待过程，产生能源成本、时间窗成本、最低的变质成本；
f-D0：回程，只有运输成本。
步骤S103，根据预设的配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；
由于顾客对早交货和晚交货有一定程度的容忍，如果服务时间不在他们的时间窗口中，而是在他们的容忍范围内，那么客户可以被服务，但是降低了顾客满意度。如果服务时间超过其最大容忍范围，则客户将因不方便或不满意而拒绝服务。
具体地，基于车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件建立新的时间窗。
如图4所示，是考虑混合时间窗的成本示意图。根据用户的实际情况，有的人对预约时间要求严格(硬时间窗)，大部分人可以容忍一定程度的早到或迟到(软时间窗)，超过容忍范围即不可接受服务(软硬混合)，但因此提出采用混合时间窗进行路径优化，使本申请想要解决的技术问题更加贴合实际。
步骤S104，输出用于冷链物流的食物配送车辆路径规划结果。
根据上述步骤中在建立的预设冷链物流路径模型中增设的所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，同时根据预设的配送服务时间，建立时间窗口，从而在车辆的等待时间应在机会和时间成本的基础上加以限制。再输出用于冷链物流的食物配送车辆路径规划结果。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型的方式，通过在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量以及根据预设的配送服务时间，建立时间窗口，达到了输出用于冷链物流的食物配送车辆路径规划结果的目的，从而实现了充分考虑能源成本、变质成本以及混合时间窗的影响，提高食物配送效率的技术效果，进而解决了车辆路径规划方法效果不佳的技术问题。
根据本申请实施例，作为本实施例中的优选，输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型包括：建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本；
具体地，所述目标函数为
Figure BDA0002369939910000071
在所述目标函数中包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本。
所述约束条件为
Figure BDA0002369939910000072
Figure BDA0002369939910000073
Figure BDA0002369939910000074
Figure BDA0002369939910000081
Figure BDA0002369939910000082
Figure BDA0002369939910000083
Ei-T≤ti≤Li i＝1,2,...,N+M, (8)
Figure BDA0002369939910000084
Figure BDA0002369939910000085
Figure BDA0002369939910000086
其中，约束条件(2)确保车辆不能运载超过其容量的食物。
约束条件(3)确保从车辆段开始的车辆数量不能超过车辆段拥有的车辆数量。
约束条件(4)是指每辆车从一个配送中心开始并返回同一个配送中心。
约束条件(5)表示前一序列节点的唯一性。
约束条件(6)表示后续节点的唯一性。
约束条件(7)是指车辆至少要经过一个客户，不能直接在配送中心之间运输。
约束条件(8)表示服务时间必须在时间窗内。
约束条件(9)和约束条件(10)表示到达、累积行驶、等待和服务时间的计算。
约束条件(11)是指计算时间窗成本的公式。
其中，N{n|n＝1,2,…,N}表示客户集合，M{m|m＝1,2,…,M}表示配送中心集合，Km{k|k＝1,2,…,Km}表示每个配送中心的车辆集合。
其中，Q表示车辆载重(t)，v表示车辆行驶速度(km/h)，pf表示车辆固定成本(￥￥per car)，pc表示单位运输成本(￥￥/km)，qi表示客户i需求(t)，
其中，thi表示客户i的服务时间(h)，dij表示从i到j的距离(km)，本文将配送中心m标记为(N+m)，[ei,li]表示客户/配送中心i的软时间窗，[Ei,Li]表示客户/配送中心i的硬时间窗。
其中，T表示最长等待时间，β1表示等待成本(￥/h)，β2表示早到的惩罚成本(￥/h)，β3表示晚到的惩罚成本(￥/h)，pr食物单价(￥/t)，α1表示行驶的等待过程的变质率(/h)，α2表示服务过程的变质率(/h)，Ce1表示行驶和等待过程的能源成本(￥/h)，Ce2表示单位服务时间所增加的能源成本(￥/h)。
其中，ti表示车辆到达客户i的时间，
Figure BDA0002369939910000091
表示服务客户j时的累积行驶时间(h)，
Figure BDA0002369939910000092
表示服务客户j时的累积服务时间(h)，
Figure BDA0002369939910000093
表示服务客户j时的累积等待时间(h)，
Figure BDA0002369939910000094
值为1，如果配送中心m的车辆k从i行驶到j，否则为0。
输出用于冷链物流的食物配送车辆路径规划结果包括：根据所述约束条件，通过预设单亲遗传混合算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
由于客户对配送食物的达到时间要求严格，采用多配送中心、混合时间窗。将问题建模为MDVRPMTW模型。将冷链物流的食品特性、变质和能源成本纳入目标函数，使模型具有高度的综合性。
优选地，所述预设单亲遗传算法中基于基因块的交叉算子。以提高优化速度和质量。
具体地，交叉算子的目标是找到路线上客户的最佳组合。它们是在两个基因块上操作的，这两个基因块是从P中随机选择的，通过交换部分路径来实现的。该交叉操作由一个合并算子、四个交换算子和一个滑动算子组成。
图3中示出了一个示例，其中基因块A和B从父P中选择。滑动算子通过将最后一个作为另一个的第一个将所有客户向右移动一步。根据交换客户的数量，交换操作有四种类型。第一种是1-0交换，其中一个来自A的客户被插入到另一个基因块B中，客户和插入点被随机选择。第二种是n-0交换，其中n个客户从A中随机选择并插入到另一个基因块B中；第三种是n-m交换，其中n个客户从A中随机选择，m个客户从B中随机选择，然后交换。最后一种是end-end交换，即从A和B中随机选择两个点，然后将这些点上的客户交换到端。在交换或滑动之前，A和B有合并的可能性以优化车辆数量。
优选地，所述预设单亲遗传算法中基于基因块的变异算子。以提高优化速度和质量。
具体地，变异算子的目的是寻找路径的最优序列。它们是在一个基因块中操作的，该基因块是从P中随机选择的，由三个操作实现，即交叉、翻转和插入。IPGA(improved PGA)算子的详细操作示例如图3所示。
在图3中，选择基因块A(服务序列为1、2、3、4、5、6)进行突变，选择位置2和6。交换操作旨在交换客户2和6，即服务序列变为1、6、3、4、5、2。翻转操作符将客户从2翻转到6，即服务序列变为1、6、5、4、3、2。插入操作符在客户2前面插入客户6，即服务序列变为1、6、2、3、4、5。
优选地，将蚁群算法结合到所述预设单亲遗传算法的求解过程中。
具体地，PGA操作具有有九个算子，包括：五个交叉算子，三个变异算子和一个混合算子。合并操作在每个交叉操作之前以概率发生。混合算子随机进行交叉和变异操作，然后生成PGA后代；接着进行ACO操作，基于局部精英个体更新信息素信息。每只蚂蚁随机地从一个配送中心出发，根据迁移概率转移到下一个城市。每次移动后更新allow[k]，直到访问所有城市。其中Allow[k]表示蚂蚁k未来允许走的城市，重复以上操作，形成ACO后代。最后，将PGA与ACO的后代组合形成了下一代种群。
通过将蚁群算法结合到PGA过程中，以提高其搜索能力和效率。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述车辆路径规划方法的系统，如图2所示，该装置包括：输入模块10，用于输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型；变量模块11，用于在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量与车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量与配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；时间窗口模块12，用于根据预设配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；输出模块13，用于输出用于冷链物流的食物配送车辆路径规划结果。
在本申请实施例的输入模块10中首先将待配送客户地理位置，再结合待配送的需求量、需求时间以及距离配送中心地理位置作为变量进行输入，根据每个所述配送中心的车辆建立一个预设冷链物流路径模型。
需要注意的是，所述冷链物流路径模型可以采用带混合时间窗的多配送中心车辆路径问题的模型，即作为冷链物流MDVRPMTW模型。本领域技术人员可以根据实际使用场景进行选择。
在本申请实施例的变量模块11中通过上述步骤，在所述预设冷链物流路径模型中增加所述能源消耗变量和所述食物变质变量。
具体地，所述能源消耗变量包括车辆行驶、车辆等待和车辆服务时长相关约束条件，所述食物变质变量包括配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件。
在本申请实施例的时间窗口模块12中由于顾客对早交货和晚交货有一定程度的容忍，如果服务时间不在他们的时间窗口中，而是在他们的容忍范围内，那么客户可以被服务，但是降低了顾客满意度。如果服务时间超过其最大容忍范围，则客户将因不方便或不满意而拒绝服务。
具体地，基于车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件建立新的时间窗。
在本申请实施例的输出模块13中根据上述步骤中在建立的预设冷链物流路径模型中增设的所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，同时根据预设的配送服务时间，建立时间窗口，从而在车辆的等待时间应在机会和时间成本的基础上加以限制。再输出用于冷链物流的食物配送车辆路径规划结果。
根据本申请实施例，作为本实施例中的优选，所述输入模块10，用于建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本。
根据本申请实施例，作为本实施例中的优选，所述输出模块13，用于根据所述约束条件，通过预设遗传算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
本申请的算法实现原理如下：
第1步，将客户聚集到最近的配送中心，并根据他们与配送中心的相对角度进行分类。
第2步，编码和初始化。使用公式(12)初始化车辆数(km)，然后随机生成(km-1)断点来初始化路线。
第3步，确定是否满足终止条件。如果是，则输出结果；如果不是，则转到下一步。终止条件通常是达到最大迭代次数还是没有连续改进的最大数目。
第4步，解码并评估每个解决方案。选择达到种群规模数量的最优个体。
第5步，使用公式(13)更新Pcross。
第6步，将种群随机分为多个局部区域，选择最优的种群作为进化的局部精英(父代)。局部区域的大小比IPGA运算符的数目多一个，因为每个父代通过一个运算符生成一个子代。
第7步，PGA操作。这个步骤有九个算子：五个交叉算子，三个变异算子和一个混合算子。合并操作在每个交叉操作之前以概率发生。混合算子随机进行交叉和变异操作，然后生成PGA后代。
第8步，ACO操作。基于局部精英个体更新信息素信息。每只蚂蚁随机地从一个配送中心出发，根据迁移概率转移到下一个城市。每次移动后更新allowk，Allow[k]表示蚂蚁k未来允许走的城市，直到访问所有城市。重复以上操作，形成ACO后代。
第9步，PGA与ACO的后代组合形成了下一代种群。
初始车辆数k的计算公式：
Figure BDA0002369939910000131
其中，ceil指的是获取上限值或舍入值，而β(0<β<1)是指问题的复杂性，β越小，问题越复杂，需要的车辆越多。
概率Pcross的计算公式：
Figure BDA0002369939910000141
其中，
Figure BDA0002369939910000142
和
Figure BDA0002369939910000143
分别是pcross的上限和下限.Iternimp是指没有连续改进的解决方案的迭代次数。每次出现更好的解决方案时Iternimp都应重置为零。Iterrest表示剩余迭代次数。该方程意味着该算法主要对同一车辆段的路径进行优化，当连续几代没有改进时，不同车辆段的优化概率增大。当概率达到上界时，它保持一定的次数(max_ct)，超过这个次数后返回下界。如果出现更好的解决方案，则增加停止并返回下限。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车辆路径规划方法，其特征在于，包括：
输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，根据每个配送中心的车辆建立预设冷链物流路径模型；
在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量包括车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量包括配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；
根据预设的配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；
输出用于冷链物流的食物配送车辆路径规划结果。
2.根据权利要求1所述的车辆路径规划方法，其特征在于，输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型包括：
建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本；
输出用于冷链物流的食物配送车辆路径规划结果包括：
根据所述约束条件，通过预设单亲遗传混合算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
3.根据权利要求2所述的车辆路径规划方法，其特征在于，所述预设单亲遗传算法中基于基因块的交叉算子。
4.根据权利要求2所述的车辆路径规划方法，其特征在于，所述预设单亲遗传算法中基于基因块的变异算子。
5.根据权利要求3所述的车辆路径规划方法，其特征在于，将蚁群算法结合到所述预设单亲遗传算法的求解过程中。
6.一种车辆路径规划系统，其特征在于，包括：
输入模块，用于输入待配送客户地理位置、需求量、需求时间和配送中心地理位置，建立预设冷链物流路径模型；
变量模块，用于在所述预设冷链物流路径模型中增加能源消耗变量和食物变质变量，其中所述能源消耗变量与车辆行驶、车辆等待和车辆服务时长相关约束条件；所述食物变质变量与配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件；
时间窗口模块，用于根据预设配送服务时间，建立时间窗口，其中所述时间窗口包括：车辆到达客户的时间、累积行驶时间、累计等待时间和累计服务时间的约束条件；
输出模块，用于输出用于冷链物流的食物配送车辆路径规划结果。
7.根据权利要求6所述的车辆路径规划系统，其特征在于，所述输入模块，用于建立冷链物流路径模型，其中所述冷链物流路径模型包括：目标函数和约束条件，所述目标函数是指包括固定车辆成本、运输成本、能源成本、变质成本以及时间窗口成本组成的最小化总成本。
8.根据权利要求7所述的车辆路径规划系统，其特征在于，所述输出模块，用于根据所述约束条件，通过预设遗传算法求解出所述目标函数，基于所述最小化总成本得到对同一车辆段的路径进行优化结果，其中所述预设遗传算法用于找到路线上至少两个客户的最佳组合或者寻找路径的最优序列。
9.根据权利要求7所述的车辆路径规划系统，其特征在于，所述变量模块，用于配置能源消耗变量与车辆行驶、车辆等待和车辆服务时长相关约束条件；
所述变量模块，还用于配置食物变质变量与配送卸载前的累积行驶、累计等待和累计车辆服务时长相关约束条件。
10.根据权利要求7所述的车辆路径规划系统，其特征在于，所述时间窗口模块，用于建立车辆到达客户的时间、累积行驶时间、累计等待时间或者累计服务时间的约束条件。
CN202010039420.6A 2020-01-16 2020-01-16 车辆路径规划方法以及系统 Active CN111260128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010039420.6A CN111260128B (zh) 2020-01-16 2020-01-16 车辆路径规划方法以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010039420.6A CN111260128B (zh) 2020-01-16 2020-01-16 车辆路径规划方法以及系统

Publications (2)

Publication Number Publication Date
CN111260128A true CN111260128A (zh) 2020-06-09
CN111260128B CN111260128B (zh) 2022-08-02

Family

ID=70953988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010039420.6A Active CN111260128B (zh) 2020-01-16 2020-01-16 车辆路径规划方法以及系统

Country Status (1)

Country Link
CN (1) CN111260128B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768030A (zh) * 2020-06-24 2020-10-13 中国工商银行股份有限公司 银行运输配送线路规划方法和装置、设备以及介质
CN111967691A (zh) * 2020-09-07 2020-11-20 中国银行股份有限公司 一种外币配送方法及系统
CN112950126A (zh) * 2021-04-07 2021-06-11 付强 应用于智慧仓储的物流供应链路径优化方法
CN113435650A (zh) * 2021-06-29 2021-09-24 上海东普信息科技有限公司 车辆行驶路径的规划方法、装置、设备及存储介质
US20220207478A1 (en) * 2020-12-29 2022-06-30 Uber Technologies, Inc. Reinforcement learning model optimizing arrival time for on-demand delivery services
CN115081995A (zh) * 2022-07-27 2022-09-20 成都运荔枝科技有限公司 用于冷链物流的车辆调度方法、装置及电子设备
CN118095605A (zh) * 2024-04-22 2024-05-28 全盛物流科技(山东)有限公司 一种物流路线规划方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130159208A1 (en) * 2011-12-19 2013-06-20 Byung Jun Song Shipper-oriented logistics base optimization system
CN110197311A (zh) * 2019-06-12 2019-09-03 江苏航运职业技术学院 一种基于智能优化的物流配送路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130159208A1 (en) * 2011-12-19 2013-06-20 Byung Jun Song Shipper-oriented logistics base optimization system
CN110197311A (zh) * 2019-06-12 2019-09-03 江苏航运职业技术学院 一种基于智能优化的物流配送路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李娜: "多配送中心的冷链物流VRP优化", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
李泽华: "带时间窗约束的生鲜产品配送车辆路径优化问题研究", 《中国优秀博硕士学位论文全文数据库（硕士）经济与管理科学辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768030A (zh) * 2020-06-24 2020-10-13 中国工商银行股份有限公司 银行运输配送线路规划方法和装置、设备以及介质
CN111768030B (zh) * 2020-06-24 2023-08-18 中国工商银行股份有限公司 银行运输配送线路规划方法和装置、设备以及介质
CN111967691A (zh) * 2020-09-07 2020-11-20 中国银行股份有限公司 一种外币配送方法及系统
US20220207478A1 (en) * 2020-12-29 2022-06-30 Uber Technologies, Inc. Reinforcement learning model optimizing arrival time for on-demand delivery services
CN112950126A (zh) * 2021-04-07 2021-06-11 付强 应用于智慧仓储的物流供应链路径优化方法
CN112950126B (zh) * 2021-04-07 2021-11-30 上海宇培供应链管理有限公司 应用于智慧仓储的物流供应链路径优化方法
CN113435650A (zh) * 2021-06-29 2021-09-24 上海东普信息科技有限公司 车辆行驶路径的规划方法、装置、设备及存储介质
CN115081995A (zh) * 2022-07-27 2022-09-20 成都运荔枝科技有限公司 用于冷链物流的车辆调度方法、装置及电子设备
CN118095605A (zh) * 2024-04-22 2024-05-28 全盛物流科技(山东)有限公司 一种物流路线规划方法

Also Published As

Publication number Publication date
CN111260128B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111260128B (zh) 车辆路径规划方法以及系统
Masoud et al. A decomposition algorithm to solve the multi-hop peer-to-peer ride-matching problem
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
Balseiro et al. An ant colony algorithm hybridized with insertion heuristics for the time dependent vehicle routing problem with time windows
CN111178582B (zh) 一种基于改进遗传算法的物流配送优化方法
Kuan et al. Solving the feeder bus network design problem by genetic algorithms and ant colony optimization
CN107145971A (zh) 一种动态调整的快递配送优化方法
Hou et al. Ride-matching and routing optimisation: Models and a large neighbourhood search heuristic
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
Liu et al. A pareto artificial fish swarm algorithm for solving a multi-objective electric transit network design problem
CN113222275A (zh) 一种时变路网下考虑时空距离的车辆路径优化方法
CN115576343B (zh) 一种结合无人机配送的多目标车辆路径优化方法
CN114742340B (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN113848970A (zh) 一种车辆-无人机多目标协同路径规划方法
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
CN113344267A (zh) 一种基于合作的物流网络资源配置优化方法
CN114611794A (zh) 基于亚启发式算法的车机协同取送货路径优化方法和系统
Li et al. Meal delivery routing optimization with order allocation strategy based on transfer stations for instant logistics services
Bakas et al. A flexible transportation service for the optimization of a fixed-route public transport network
CN113887782A (zh) 一种面向维修资源配送调度的遗传-烟花混合方法及系统
CN116843259A (zh) 一种推式配送模式下加油站连续多次补货的配送优化方法
CN116151497A (zh) 一种带有取送货的多隔间车辆路径规划方法及系统
CN115146866A (zh) 一种考虑实际多约束的多条等效最优路径规划方法
CN115048576A (zh) 一种空港旅客群体出行方式柔性推荐方法
CN115018211B (zh) 一种运输调度线路设定方法和装置

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
GR01 Patent grant
GR01 Patent grant