CN111260129A - 多车场车辆路径规划方法、装置、计算机设备及存储介质 - Google Patents

多车场车辆路径规划方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111260129A
CN111260129A CN202010042242.2A CN202010042242A CN111260129A CN 111260129 A CN111260129 A CN 111260129A CN 202010042242 A CN202010042242 A CN 202010042242A CN 111260129 A CN111260129 A CN 111260129A
Authority
CN
China
Prior art keywords
target
path planning
individual
population
normalized
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
CN202010042242.2A
Other languages
English (en)
Other versions
CN111260129B (zh
Inventor
于琪嫄
刘松柏
林秋镇
陈剑勇
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010042242.2A priority Critical patent/CN111260129B/zh
Priority to PCT/CN2020/079881 priority patent/WO2021142917A1/zh
Publication of CN111260129A publication Critical patent/CN111260129A/zh
Application granted granted Critical
Publication of CN111260129B publication Critical patent/CN111260129B/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
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了多车场车辆路径规划方法、装置、计算机设备及存储介质，调用预先存储的车辆路径规划多目标优化模型，以输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集；将所述路径最优解集发送至客户端，在超多目标的进化求解的过程中充分考虑了种群的收敛和多样性，实现了种群形状的有效预测，实现了基于输入数据和约束条件快速且准确的获取车辆路径规划多目标优化模型的路径最优解集。

Description

多车场车辆路径规划方法、装置、计算机设备及存储介质
技术领域
本发明涉及路径规划技术领域，尤其涉及一种多车场车辆路径规划方法、装置、计算机设备及存储介质。
背景技术
随着电子商务的蓬勃发展，物流产业的重要性越来越凸显。现代物流综合了信息、运输、仓储、库存等多种活动，运用计算机技术科学地进行物流调度仍是物流及运输产业发展的关键。
对于各大物流企业，其所面临的最重要的问题之一就是如何制定科学的运输路线以高效的满足客户的配送需求，因此车辆路径的规划对整个物流系统的运输成本和效率都有极其重要的影响。随着物流运输规模的日益加大以及配送要求的不断提高，已经无法通过现有的路径规划方法在多配送中心分布的情况下进行最优路径规划。
发明内容
本发明实施例提供了一种多车场车辆路径规划方法、装置、计算机设备及存储介质，旨在解决现有技术中在多配送中心分布在不同区域的情况下，无法快速且准确的进行最优路径规划的问题。
第一方面，本发明实施例提供了一种多车场车辆路径规划方法，其包括：
判断是否接收到客户端发送的路径规划请求；
若接收到客户端发送的路径规划请求，获取与所述路径规划请求对应的输入数据和约束条件；其中，与所述路径规划请求对应的输入数据包括当前用户数量、当前用户数量对应的每一用户的货物容量、当前用户数量对应的每一用户的当前用户位置信息；
调用预先存储的车辆路径规划多目标优化模型，以所述输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集；以及
将所述路径最优解集发送至客户端。
第二方面，本发明实施例提供了一种多车场车辆路径规划装置，其包括用于执行上述第一方面所述的多车场车辆路径规划方法的单元。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的多车场车辆路径规划方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的多车场车辆路径规划方法。
本发明实施例提供了一种多车场车辆路径规划方法、装置、计算机设备及存储介质，调用预先存储的车辆路径规划多目标优化模型，以输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集；将所述路径最优解集发送至客户端，在超多目标的进化求解的过程中充分考虑了种群的收敛和多样性，实现了种群形状的有效预测，实现了基于输入数据和约束条件快速且准确的获取车辆路径规划多目标优化模型的路径最优解集。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的多车场车辆路径规划方法的应用场景示意图；
图2为本发明实施例提供的多车场车辆路径规划方法的流程示意图；
图3为本发明实施例提供的多车场车辆路径规划方法的子流程示意图；
图4为本发明实施例提供的多车场车辆路径规划方法的另一子流程示意图；
图5为本发明实施例提供的多车场车辆路径规划装置的示意性框图；
图6为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的多车场车辆路径规划方法的应用场景示意图；图2为本发明实施例提供的多车场车辆路径规划方法的流程示意图，该多车场车辆路径规划方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S110～S140。
S110、判断是否接收到客户端发送的路径规划请求。
为了更清楚的理解本申请的技术方案，下面对所涉及到的终端进行介绍。本申请是在服务器的角度描述技术方案。
第一是客户端，客户端可以理解为用户终端，用户终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备，用户终端发送路径规划请求至服务器。
第二是服务器，服务器接收客户端发送的路径规划请求，根据与所述路径规划请求对应的输入数据和约束条件，及调用预先存储的车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集。服务器中得到所述路径最优解集后发送至客户端。
在本实施例中，通过服务器检测是否接收到客户端发送的路径规划请求，当服务器接收到客户端发送的路径规划请求时则执行后续的步骤S120，当服务器未接收到客户端发送的路径规划请求时则等待预设的延迟时间后再次执行步骤S110。
S120、若接收到客户端发送的路径规划请求，获取与所述路径规划请求对应的输入数据和约束条件；其中，与所述路径规划请求对应的输入数据包括当前用户数量、当前用户数量对应的每一用户的货物容量、当前用户数量对应的每一用户的当前用户位置信息。
在本实施例中，若服务器接收到客户端发送的路径规划请求，获取与所述路径规划请求对应的输入数据和约束条件。由于服务器中已经预先存储了车辆路径规划多目标优化模型，后续根据所述输入数据和约束条件即可进行求解，从而得到路径最优解集。
S130、调用预先存储的车辆路径规划多目标优化模型，以所述输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集。
在本实施例中，服务器中存储的车辆路径规划多目标优化模型，是一种多车场多车辆的路径规划多目标优化模型，通过对该车辆路径规划多目标优化模型进行求解，使得优化目标都尽可能达到满足的路径调度规划方案。
在一实施例中，所述车辆路径规划多目标优化模型包括5个优化目标函数，分别记为：
调度车辆数量优化目标函数minf1(x)、所有车辆总配送持续时间优化目标函数minf2(x)、所有车辆总行驶距离优化目标函数minf3(x)、单个车辆最大容量差优化目标函数minf4(x)、客户等待时间优化目标函数min f5(x)；
Figure BDA0002368149840000041
Figure BDA0002368149840000042
Figure BDA0002368149840000043
Figure BDA0002368149840000044
Figure BDA0002368149840000051
其中，所述车辆路径规划多目标优化模型中预先设置有R个车场、每一车场有K辆车辆，每一车辆的总货物容量为Q且最大服务总时间为T；R、S、K和Q的取值为正整数；与所述路径规划请求对应的输入数据中包括的当前用户数量记为P；当前用户数量P对应的P个客户节点分别记为节点1至节点P，R个车场对应的车场节点分别记为节点P+1至节点P+R；
Kr表示第r个车场的实际使用车辆数；rk表示第r个车场的k编号的车辆；dij表示第i个节点到第j个节点之间的距离，
Figure BDA0002368149840000052
表示第r个车场的k编号的车辆从第i节点运动第j个节点的行驶时间，si表示第i节点对应的服务时间，sj表示第j节点对应的服务时间，pi表示第i节点对应的第i个客户的货物容量，
Figure BDA0002368149840000053
表示第r个车场的k编号的车辆从第i节点运动第j个节点的路径访问状态，
Figure BDA0002368149840000054
表示第r个车场的k编号的车辆从第i节点运动第j个节点的客户被服务状态。
其中，当第r个车场的k编号的车辆访问了从第i节点到第j节点的路径，则
Figure BDA0002368149840000055
为1，否则
Figure BDA0002368149840000056
为0；同理当第r个车场的k编号的车辆服务了第i个节点(此时i为客户)，则为
Figure BDA0002368149840000057
否则
Figure BDA0002368149840000058
为0。
即多车场车辆路径规划问题可以定义为：假设拥有R个车场，每个车场有K辆总货物容量为Q且最大服务总时间(路径行驶时间加上客户服务时间)为T的车辆，有P个客户需要配送，第i个客户的货物容量pi<Q，且该客户pi的服务时间si<T。每个客户可以被任意车辆服务但只能被服务一次，每辆车可服务多个用户且当服务结束后可以被要求返回始发车场。
对于所述车辆路径规划多目标优化模型的一个候选解x，其指满足以上5个优化目标函数(即满足minf1(x)、minf2(x)、minf3(x)、minf4(x)、minf5(x))的一条路径，X表示包含多个候选解的集合，多个路径最优解组成的路径最优解集X最优。
以所述车辆路径规划多目标优化模型进行路径最优解集的获取时，该模型是一种高维优化模型，结合上述5个目标函数即输入数据和约束条件求解得到路径最优解集X最优时，能够最大地满足所提出的优化目标和约束条件，更具体即最适当的车辆调度数量，较小的车辆总配送持续时间和车辆总行驶路程，适当的单车最大容量差，以及对客户而言较小的等待时间。
在本实施例中，与所述路径规划请求对应的约束条件如下：
Figure BDA0002368149840000061
Figure BDA0002368149840000062
Figure BDA0002368149840000063
其中，“s.t.”全称为subject to并表示受限制于(一般约束条件的表述以s.t.开始)，for eachi∈{1,2,...,P}：
Figure BDA0002368149840000064
表示对取值属于集合{1,2，……，P}中i值均使得
Figure BDA0002368149840000065
通过所述数据数据和所述约束条件，即可对车辆路径规划多目标优化模型进行求解。
在一实施例中，如图3所示，所述步骤S130包括：
S1301、根据所述约束条件随机生成初始多目标种群；其中，所述初始多目标种群中包括多个个体，每一个体对应所述车辆路径规划多目标优化模型的一个路径输出解，所述初始多目标种群中包括多个个体的总个数记为种群大小N；
S1302、获取当前迭代代数，判断所述当前迭代代数是否达到预设的最大迭代代数；
S1303、若所述当前迭代代数未达到所述最大迭代代数，获取所述初始多目标种群中的理想个体和最差个体；其中，所述理想个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最小目标值，所述最差个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最大目标值；
S1304、对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群；
S1305、将所述初始多目标种群与所述子种群进行合并，得到混合种群；
S1306、将所述混合种群中的个体进行非支配排序，得到非支配解集及多层解集；所述非支配解集记为Q1，所述多层解集中包括多个解集子集且分别记为Q2至QL，其中Q1至QL的并集为所述混合种群，Q1至QL中任意两个集合的交集为空集，Q1≥Q2≥Q3≥……≥QL；
S1307、在所述非支配解集、及多层解集中多个解集子集依序合并从而获取多个集合直至个体的总个数超出所述种群大小N，以组成存档集合；
S1308、根据所述理想个体、所述最差个体将所述存档集合中每一个个体进行归一化处理，得到归一化存档集合；其中，所述归一化存档集合中与所述非支配解集对应的归一化个体集合记为归一化非支配解集；
S1309、根据所述归一化非支配解集估计获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面；
S1310、将所述归一化存档集合中每一个体映射至所述超曲面上，以得到映射集合；其中，所述归一化存档集合中每一个体均对应所述超曲面上的一个映射点，以组成所述映射集合，所述映射集合中对应的映射点的个数记为Lmax；
S1311、调用预先存储的目标点适应值算法，获取所述映射集合中每一映射点对应的适应值；
S1312、将所述映射集合中各映射点之间在所述超平面中对应的欧氏距离、及所述种群大小N进行聚类，得到聚类结果；其中，所述聚类结果中的聚类簇的总数与所述种群大小N相等；
S1313、在所述聚类结果的每一聚类簇中均挑选一个映射点，以组成目标映射点集合；
S1314、获取所述目标映射点集合中各目标映射点对应的个体，以组成当前多目标种群，将所述当前多目标种群作为初始多目标种群；
S1315、将所述当前迭代代数加一以作为当前迭代代数，返回执行判断所述当前迭代代数是否达到预设的最大迭代代数的步骤；
S1316、若所述当前迭代代数达到所述最大迭代代数，将所述当前多目标种群输出作为路径最优解集。
在本实施例中，在约束条件的限制下随机生成一个初始多目标种群，该初始多目标种群为第一代多目标种群，此时先判断当前迭代代数是否达到预设的最大迭代代数，以确定是否继续迭代执行后续步骤以获取路径最优解集。其中，当前迭代代数的初始值设置为1。若当前迭代代数达到了所述最大迭代代数，将所述当前多目标种群输出作为路径最优解集。
若当前迭代代数未达到所述最大迭代代数，先在所述初始多目标种群寻找初始多目标种群中的理想个体和最差个体，理想个体的每个目标值表示初始多目标种群在对应目标函数的最小目标值，即该理想个体对应的路径输出解代入f1(x)至f5(x)后均对应最小的目标值；最差个体的每个目标值表示当前种群在对应目标函数的最大目标值，即该最差个体对应的路径输出解代入f1(x)至f5(x)后均对应最大的目标值。
之后需要根据初始多目标种群生成子种群，此过程中可以先对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群。(子种群的生成是每次随机从当前的初始种群里选择两个个体进行模拟二进制交叉，直到交叉到N个新个体，再根据变异概率和多项式变异对N个新个体进行变异，得到更新的N个个体，这更新的N个个体组成子种群)。
也即在所述初始多目标种群中任意挑选两个个体以依次进行二进制交叉，直到生成N个交叉处理后新个体，对N个交叉处理后新个体进行多项式变异，由多项式变异后的新个体组成子种群。
在本实施例中，根据所述初始多目标种群中任意挑选两个个体进行二进制交叉处理后，得到N个交交叉处理后新个体。这里多次任意挑选两个个体进行二进制交叉的过程也类似于一种迭代过程，直到新个体数达到种群大小N，才停止上述多次二进制交叉的处理过程。另外，二进制交叉和多项式变异均为常规处理过程，此处不再赘述。
之后将所述初始多目标种群与所述子种群进行合并，得到混合种群后，所述混合种群中所包括个体的总个数为所述种群大小N的2倍。
此时，可对所述混合种群中各个体进行非支配排序，从而得到非支配解集和多层解集。具体对所述混合种群中各个体进行非支配排序时，可通过非支配解(也可以称为帕累托解)的获取方式，来得到与所述混合种群对应的非支配解集。其中，帕累托解的定义为假设任何二解S1及S2对所有目标而言，S1均优于或同于S2，并且存在至少一个目标，S1在该目标上对应的目标值优于S2该目标上对应的目标值，则称S1支配S2，若S1的解没有被其他解所支配，则S1称为非支配解(不受支配解)，也称Pareto解(即帕累托解)。具体的，对所述混合种群中求解非支配解时，得到的非支配解集记为Q1。所述混合种群中去掉非支配解集对应的个体之后，得到的为多层解集，所述多层解集中包括多个解集子集且分别记为Q2至QL，其中Q1至QL的并集为所述混合种群，Q1至QL中任意两个集合的交集为空集，Q1≥Q2≥Q3≥……≥QL；其中，“≥”表示支配关系，Qi≥Qj表示存在Qi中的解支配Qj，该关系是具有传递性，Q1≥Q2表示对于f1(x)至f5(x)而言，Q2中的每个解都至少被Q1中的一个解所支配，该关系具有传递性，即Q3中的每个解至少被Q1或Q2中的一个解支配，其他的也依次类推。
当获取了所述非支配解集、及多层解集后，此时需要挑选超出所述种群大小N的解，以组成存档集合。此时的挑选方式具体如下：先在Q1中挑选所有的个体，判断当前个体的总个数是否超出所述种群大小N，若当前个体的总个数未超出所述种群大小N，则继续在Q2中挑选所有的个体，将当前个体的总个数加上Q2中所述的个体的个数以更新作为当前个体的总个数，再判断当前个体的总个数是否超出所述种群大小N，直至获取的Q1至Qa中的个体总个数超出所述种群大小N(其中，a为大于1且未超出L的正整数)，以组成存档集合。
此时，可以根据所述理想个体、所述最差个体将所述存档集合中每一个个体进行归一化处理，得到归一化存档集合；其中，所述归一化存档集合中与所述非支配解集对应的归一化个体集合记为归一化非支配解集。即所述存档集合中每一个个体均进行归一化，得到了与每个个体对应的归一化个体，从而组成了归一化非支配解集。上述归一化处理的目的在于消除不同量纲之间的差异，从而便于后续的数据处理。
在一实施例中，步骤S1308包括：
根据
Figure BDA0002368149840000091
将所述存档集合中每一个个体进行归一化处理，得到与所述存档集合中每一个个体对应的归一化个体，以组成归一化存档集合；其中，NAm表示所述存档集合中第m个个体Am对应的归一化个体，A最差个体表示所述最差个体，A理想个体表示所述理想个体。
通过上述归一化处理的模型，即可得到归一化存档集合，从而消除不同量纲之间的差异。
在获取了所述归一化存档集合后，可根据其中包括的归一化个体估计获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面。根据所有非支配解来估计种群在目标函数空间的形状，这将有助于发现多目标优化任务的特点，通常将多目标优化分为三类，凸优化、凹优化以及线性优化，在这一步骤中将得到代表三种类型的超曲面曲率值。
在一实施例中，如图4所示，步骤S1309包括：
S13091、将所述归一化非支配解集的各归一化非支配个体中未处于标准化目标空间的归一化非支配个体移除，得到筛选后归一化非支配解集；其中，位于所述标准化目标空间中各归一化非支配个体对应的各目标值均未超过1；
S13092、获取所述筛选后归一化非支配解集中每一非支配个体，分别记为B1至Bn；其中，n的取值与所述筛选后归一化非支配解集中归一化非支配个体的总个数相同；
S13093、获取非支配个体Bi到目标超平面对应的超平面距离Di；其中，i的取值范围为[1,n]，目标超平面为f1(x)+f2(x)+f3(x)+f4(x)+f5(x)＝1；
S13094、获取超平面距离D1至Dn对应的超平面距离平均值和超平面距离标准差；其中，超平面距离D1至Dn对应的超平面距离平均值记为Davg，超平面距离D1至Dn对应的超平面距离标准差记为Dstd；
S13095、根据所述超平面距离平均值与所述超平面距离标准差之商进行范数运算，得到对应的变异系数；其中，所述变异系数记为cv；
S13096、获取所述目标超平面的曲率为2对应的第一超曲面，和所述目标超平面的曲率为0.5对应的第二超曲面，根据目标超平面、第一超曲面、第二超曲面及预设的曲率确定策略，获取所述归一化非支配解集对应的当前曲率；其中，所述曲率确定策略为
Figure BDA0002368149840000101
d(2.0)表示第一超曲面的峰值点到所述目标超平面的距离，d(0.5)表示第二超曲面的峰值点到所述目标超平面的距离；
S13097、根据所述变异系数对所述当前曲率进行调整，得到调整后曲率；其中，若所述变异系数小于0.1，将所述当前曲率的取值调整为1，以使调整后曲率取值为1；若所述变异系数大于或等于0.1，将所述当前曲率的取值保持不变，以使得调整后曲率等于所述当前曲率；
S13098、根据所述调整后曲率对应获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面。
在本实施例中，由于归一化非支配解集中仍可能存在未处于标准化目标空间的归一化非支配个体，此时将所述归一化非支配解集的各归一化非支配个体中未处于标准化目标空间(标准化目标空间是f1(x)至f5(x)均等于1而形成的目标空间)的归一化非支配个体移除，得到筛选后归一化非支配解集。移除未处于标准化目标空间的归一化非支配个体后，有效的排除了这些个体的干扰作用，有利于后续的种群进化。
其中，
Figure BDA0002368149840000102
m在本申请中的取值为5，当p＝2时即可获取d(2.0)的值，当p＝0.5时即可获取d(0.5)的值。Cur表示所述归一化非支配解集对应的当前曲率。
此时通过步骤S13091-S13098的处理过程获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面，是为了便于后续的聚类操作，预测过程中使用的个体为所有的非支配个体。
而且，计算获取非支配个体Bi到目标超平面的距离Di时，距离Di为负值表示该个体在目标超平面以下，正值表示该个体在目标超平面以上，距离Di为0表示该个体在目标超平面上。通过获取超平面距离D1至Dn对应的超平面距离平均值和超平面距离标准差，即可对应的获取后续调整曲率所需的变异系数cv。
根据变异系数cv对所述当前曲率进行调整，得到调整后曲率，即可根据所述调整后曲率对应获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面。以帕累托前沿的形状对应的超曲面，将有助于发现多目标优化任务的特点。
之后，将所述归一化存档集合中每一个体映射至所述超曲面上，以得到映射集合；其中，所述归一化存档集合中每一个体均对应所述超曲面上的一个映射点，以组成所述映射集合，所述映射集合中对应的映射点的个数记为Lmax。此时，需要获取每一个映射点的适应值，具体是根据
Figure BDA0002368149840000111
获取每一个映射点的适应值，fi(xl)表示所述映射集合中第l个映射点对应的第i个目标值，l的取值范围为[1，Lmax]。每个映射点的适应值表示个体对应的映射点的所有目标值的总和，由于倾向于寻找到收敛良好的解集，因此将适应值作为衡量收敛的指标。
此时为了将所述映射集合中各映射点进行聚类，且使得所述聚类结果中的聚类簇的总数与所述种群大小N相等，可以根据各映射点之间在所述超平面中对应的欧氏距离进行聚类。若两个映射点之间在所述超平面中对应的欧氏距离越小，表示两个映射点对应的个体越相似。
完成聚类后，从聚类结果中的每一聚类簇中均挑选一个映射点，以组成目标映射点集合，这样目标映射点集合中映射点的个数与所述种群大小N相等，映射点集合对应的个体集合即为本次进化的种群，同时也是下一代的父种群。通过这一选解策略，能保证下一代种群有良好的收敛性和多样性。通过多次迭代所述当前迭代代数达到所述最大迭代代数，将所述当前多目标种群输出作为路径最优解集。其中，所述路径最优解集中的每一个体即为根据所述输入数据和约束条件得到的与车辆路径规划多目标优化模型对应的最优解。
具体实施时，所述路径最优解集中每一路径最优解的具体编码方式(也即最终展示给用户查看的方式)，是用户自定义编码格式并保存在服务器中，此次并不限定具体编码方式。
S140、将所述路径最优解集发送至客户端。
在本实施例中，当在服务器中完成了路径最优解集的获取之后，即可发送至客户端。从而客户端可根据所述路径最优解集确定配送路径后，以辅助配送过程。
该方法实现了在超多目标的进化求解的过程中充分考虑了种群的收敛和多样性，实现了种群形状的有效预测，实现了基于输入数据和约束条件快速且准确的获取车辆路径规划多目标优化模型的路径最优解集。
本发明实施例还提供一种多车场车辆路径规划装置，该多车场车辆路径规划装置用于执行前述多车场车辆路径规划方法的任一实施例。具体地，请参阅图5，图5是本发明实施例提供的多车场车辆路径规划装置的示意性框图。该多车场车辆路径规划装置100可以被配置于服务器中。
如图5所示，多车场车辆路径规划装置100包括路径规划请求检测单元110、数据条件获取单元120、路径最优解集获取单元130、及最优解集发送单元140。
其中，路径规划请求检测单元110，用于判断是否接收到客户端发送的路径规划请求。
数据条件获取单元120，用于若接收到客户端发送的路径规划请求，获取与所述路径规划请求对应的输入数据和约束条件；其中，与所述路径规划请求对应的输入数据包括当前用户数量、当前用户数量对应的每一用户的货物容量、当前用户数量对应的每一用户的当前用户位置信息。
路径最优解集获取单元130，用于调用预先存储的车辆路径规划多目标优化模型，以所述输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集。
最优解集发送单元140，用于将所述路径最优解集发送至客户端。
在一实施例中，所述车辆路径规划多目标优化模型包括5个优化目标函数，分别记为：
调度车辆数量优化目标函数minf1(x)、所有车辆总配送持续时间优化目标函数minf2(x)、所有车辆总行驶距离优化目标函数minf3(x)、单个车辆最大容量差优化目标函数minf4(x)、客户等待时间优化目标函数min f5(x)；
Figure BDA0002368149840000131
Figure BDA0002368149840000132
Figure BDA0002368149840000133
Figure BDA0002368149840000134
Figure BDA0002368149840000135
其中，所述车辆路径规划多目标优化模型中预先设置有R个车场、每一车场有K辆车辆，每一车辆的总货物容量为Q且最大服务总时间为T；R、S、K和Q的取值为正整数；与所述路径规划请求对应的输入数据中包括的当前用户数量记为P；当前用户数量P对应的P个客户节点分别记为节点1至节点P，R个车场对应的车场节点分别记为节点P+1至节点P+R；
Kr表示第r个车场的实际使用车辆数；rk表示第r个车场的k编号的车辆；dij表示第i个节点到第j个节点之间的距离，
Figure BDA0002368149840000136
表示第r个车场的k编号的车辆从第i节点运动第j个节点的行驶时间，si表示第i节点对应的服务时间，sj表示第j节点对应的服务时间，pi表示第i节点对应的第i个客户的货物容量，
Figure BDA0002368149840000137
表示第r个车场的k编号的车辆从第i节点运动第j个节点的路径访问状态，
Figure BDA0002368149840000138
表示第r个车场的k编号的车辆从第i节点运动第j个节点的客户被服务状态。
其中，当第r个车场的k编号的车辆访问了从第i节点到第j节点的路径，则
Figure BDA0002368149840000139
为1，否则
Figure BDA00023681498400001310
为0；同理当第r个车场的k编号的车辆服务了第i个节点(此时i为客户)，则为
Figure BDA00023681498400001311
否则
Figure BDA00023681498400001312
为0。
在一实施例中，所述路径最优解集获取单元130包括：
初始多目标种群生成单元，用于根据所述约束条件随机生成初始多目标种群；其中，所述初始多目标种群中包括多个个体，每一个体对应所述车辆路径规划多目标优化模型的一个路径输出解，所述初始多目标种群中包括多个个体的总个数记为种群大小N；
当前迭代代数第一判断单元，用于获取当前迭代代数，判断所述当前迭代代数是否达到预设的最大迭代代数；
目标个体获取单元，用于若所述当前迭代代数未达到所述最大迭代代数，获取所述初始多目标种群中的理想个体和最差个体；其中，所述理想个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最小目标值，所述最差个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最大目标值；
个体交叉变异单元，用于对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群；
混合种群获取单元，用于将所述初始多目标种群与所述子种群进行合并，得到混合种群；
非支配解集获取单元，用于将所述混合种群中的个体进行非支配排序，得到非支配解集及多层解集；其中，所述非支配解集记为Q1，所述多层解集中包括多个解集子集且分别记为Q2至QL，其中Q1至QL的并集为所述混合种群，Q1至QL中任意两个集合的交集为空集，Q1≥Q2≥Q3≥……≥QL；
存档集合获取单元，用于在所述非支配解集、及多层解集中多个解集子集依序合并从而获取多个集合直至个体的总个数超出所述种群大小N，以组成存档集合；
归一化处理单元，用于根据所述理想个体、所述最差个体将所述存档集合中每一个个体进行归一化处理，得到归一化存档集合；其中，所述归一化存档集合中与所述非支配解集对应的归一化个体集合记为归一化非支配解集；
超曲面获取单元，用于根据所述归一化非支配解集估计获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面；
个体映射单元，用于将所述归一化存档集合中每一个体映射至所述超曲面上，以得到映射集合；其中，所述归一化存档集合中每一个体均对应所述超曲面上的一个映射点，以组成所述映射集合，所述映射集合中对应的映射点的个数记为Lmax；
适应值获取单元，用于调用预先存储的目标点适应值算法，获取所述映射集合中每一映射点对应的适应值；
映射点聚类单元，用于将所述映射集合中各映射点之间在所述超平面中对应的欧氏距离、及所述种群大小N进行聚类，得到聚类结果；其中，所述聚类结果中的聚类簇的总数与所述种群大小N相等；
目标映射点集合获取单元，用于在所述聚类结果的每一聚类簇中均挑选一个映射点，以组成目标映射点集合；
初始多目标种群更新单元，用于获取所述目标映射点集合中各目标映射点对应的个体，以组成当前多目标种群，将所述当前多目标种群作为初始多目标种群；
当前迭代代数第二判断单元，用于将所述当前迭代代数加一以作为当前迭代代数，返回执行判断所述当前迭代代数是否达到预设的最大迭代代数的步骤；
路径最优解集输出单元，用于若所述当前迭代代数达到所述最大迭代代数，将所述当前多目标种群输出作为路径最优解集。
在一实施例中，所述个体交叉变异单元还用于：
在所述初始多目标种群中任意挑选两个个体以依次进行二进制交叉，直到生成N个交叉处理后新个体，对N个交叉处理后新个体进行多项式变异，由多项式变异后的新个体组成子种群。
在一实施例中，所述归一化处理单元还用于：
根据
Figure BDA0002368149840000151
将所述存档集合中每一个个体进行归一化处理，得到与所述存档集合中每一个个体对应的归一化个体，以组成归一化存档集合；其中，NAm表示所述存档集合中第m个个体Am对应的归一化个体，A最差个体表示所述最差个体，A理想个体表示所述理想个体。
在一实施例中，所述超曲面获取单元包括：
非支配个体筛选单元，用于将所述归一化非支配解集的各归一化非支配个体中未处于标准化目标空间的归一化非支配个体移除，得到筛选后归一化非支配解集；其中，位于所述标准化目标空间中各归一化非支配个体对应的各目标值均未超过1；
非支配个体获取单元，用于获取所述筛选后归一化非支配解集中每一非支配个体，分别记为B1至Bn；其中，n的取值与所述筛选后归一化非支配解集中归一化非支配个体的总个数相同；
超平面距离获取单元，用于获取非支配个体Bi到目标超平面对应的超平面距离Di；其中，i的取值范围为[1,n]，目标超平面为f1(x)+f2(x)+f3(x)+f4(x)+f5(x)＝1；
超平面距离参数获取单元，用于获取超平面距离D1至Dn对应的超平面距离平均值和超平面距离标准差；其中，超平面距离D1至Dn对应的超平面距离平均值记为Davg，超平面距离D1至Dn对应的超平面距离标准差记为Dstd；
变异系数获取单元，用于根据所述超平面距离平均值与所述超平面距离标准差之商进行范数运算，得到对应的变异系数；其中，所述变异系数记为cv；
当前曲率获取单元，用于获取所述目标超平面的曲率为2对应的第一超曲面，和所述目标超平面的曲率为0.5对应的第二超曲面，根据目标超平面、第一超曲面、第二超曲面及预设的曲率确定策略，获取所述归一化非支配解集对应的当前曲率；其中，所述曲率确定策略为
Figure BDA0002368149840000161
d(2.0)表示第一超曲面的峰值点到所述目标超平面的距离，d(0.5)表示第二超曲面的峰值点到所述目标超平面的距离；
曲率调整单元，用于根据所述变异系数对所述当前曲率进行调整，得到调整后曲率；其中，若所述变异系数小于0.1，将所述当前曲率的取值调整为1，以使调整后曲率取值为1；若所述变异系数大于或等于0.1，将所述当前曲率的取值保持不变，以使得调整后曲率等于所述当前曲率；
超曲面生成单元，用于根据所述调整后曲率对应获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面。
该装置实现了在超多目标的进化求解的过程中充分考虑了种群的收敛和多样性，实现了种群形状的有效预测，实现了基于输入数据和约束条件快速且准确的获取车辆路径规划多目标优化模型的路径最优解集。
上述多车场车辆路径规划装置可以实现为计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6，图6是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行多车场车辆路径规划方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行多车场车辆路径规划方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的多车场车辆路径规划方法。
本领域技术人员可以理解，图6中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图6所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的多车场车辆路径规划方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种多车场车辆路径规划方法，其特征在于，包括：
判断是否接收到客户端发送的路径规划请求；
若接收到客户端发送的路径规划请求，获取与所述路径规划请求对应的输入数据和约束条件；其中，与所述路径规划请求对应的输入数据包括当前用户数量、当前用户数量对应的每一用户的货物容量、当前用户数量对应的每一用户的当前用户位置信息；
调用预先存储的车辆路径规划多目标优化模型，以所述输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集；以及
将所述路径最优解集发送至客户端。
2.根据权利要求1所述的多车场车辆路径规划方法，其特征在于，所述车辆路径规划多目标优化模型包括5个优化目标函数，分别记为调度车辆数量优化目标函数minf1(x)、所有车辆总配送持续时间优化目标函数minf2(x)、所有车辆总行驶距离优化目标函数minf3(x)、单个车辆最大容量差优化目标函数minf4(x)、客户等待时间优化目标函数min f5(x)；
Figure FDA0002368149830000011
Figure FDA0002368149830000012
Figure FDA0002368149830000013
Figure FDA0002368149830000014
Figure FDA0002368149830000015
其中，所述车辆路径规划多目标优化模型中预先设置有R个车场、每一车场有K辆车辆，每一车辆的总货物容量为Q且最大服务总时间为T；R、S、K和Q的取值为正整数；与所述路径规划请求对应的输入数据中包括的当前用户数量记为P；当前用户数量P对应的P个客户节点分别记为节点1至节点P，R个车场对应的车场节点分别记为节点P+1至节点P+R；
Kr表示第r个车场的实际使用车辆数；rk表示第r个车场的k编号的车辆；dij表示第i个节点到第j个节点之间的距离，
Figure FDA0002368149830000021
表示第r个车场的k编号的车辆从第i节点运动第j个节点的行驶时间，si表示第i节点对应的服务时间，sj表示第j节点对应的服务时间，pi表示第i节点对应的第i个客户的货物容量，
Figure FDA0002368149830000022
表示第r个车场的k编号的车辆从第i节点运动第j个节点的路径访问状态，
Figure FDA0002368149830000023
表示第r个车场的k编号的车辆从第i节点运动第j个节点的客户被服务状态。
3.根据权利要求2所述的多车场车辆路径规划方法，其特征在于，所述以所述输入数据为所述车辆路径规划多目标优化模型的输入，并根据所述约束条件和对所述车辆路径规划多目标优化模型进行超多目标的进化求解，得到路径最优解集，得到路径最优解集，包括：
根据所述约束条件随机生成初始多目标种群；其中，所述初始多目标种群中包括多个个体，每一个体对应所述车辆路径规划多目标优化模型的一个路径输出解，所述初始多目标种群中包括多个个体的总个数记为种群大小N；
获取当前迭代代数，判断所述当前迭代代数是否达到预设的最大迭代代数；
若所述当前迭代代数未达到所述最大迭代代数，获取所述初始多目标种群中的理想个体和最差个体；其中，所述理想个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最小目标值，所述最差个体输入至所述车辆路径规划多目标优化模型得到的目标值为初始多目标种群中每个个体对应的目标值中最大目标值；
对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群；
将所述初始多目标种群与所述子种群进行合并，得到混合种群；
将所述混合种群中的个体进行非支配排序，得到非支配解集及多层解集；其中，所述非支配解集记为Q1，所述多层解集中包括多个解集子集且分别记为Q2至QL，其中Q1至QL的并集为所述混合种群，Q1至QL中任意两个集合的交集为空集，Q1≥Q2≥Q3≥……≥QL；
在所述非支配解集、及多层解集中多个解集子集依序合并从而获取多个集合直至个体的总个数超出所述种群大小N，以组成存档集合；
根据所述理想个体、所述最差个体将所述存档集合中每一个个体进行归一化处理，得到归一化存档集合；其中，所述归一化存档集合中与所述非支配解集对应的归一化个体集合记为归一化非支配解集；
根据所述归一化非支配解集估计获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面；
将所述归一化存档集合中每一个体映射至所述超曲面上，以得到映射集合；其中，所述归一化存档集合中每一个体均对应所述超曲面上的一个映射点，以组成所述映射集合，所述映射集合中对应的映射点的个数记为Lmax；
调用预先存储的目标点适应值算法，获取所述映射集合中每一映射点对应的适应值；
将所述映射集合中各映射点之间在所述超平面中对应的欧氏距离、及所述种群大小N进行聚类，得到聚类结果；其中，所述聚类结果中的聚类簇的总数与所述种群大小N相等；
在所述聚类结果的每一聚类簇中均挑选一个映射点，以组成目标映射点集合；
获取所述目标映射点集合中各目标映射点对应的个体，以组成当前多目标种群，将所述当前多目标种群作为初始多目标种群；
将所述当前迭代代数加一以作为当前迭代代数，返回执行判断所述当前迭代代数是否达到预设的最大迭代代数的步骤；
若所述当前迭代代数达到所述最大迭代代数，将所述当前多目标种群输出作为路径最优解集。
4.根据权利要求3所述的多车场车辆路径规划方法，其特征在于，所述对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群，包括：
在所述初始多目标种群中任意挑选两个个体以依次进行二进制交叉，直到生成N个交叉处理后新个体，对N个交叉处理后新个体进行多项式变异，由多项式变异后的新个体组成子种群。
5.根据权利要求3所述的多车场车辆路径规划方法，其特征在于，所述根据所述理想个体、所述最差个体将所述存档集合中每一个个体进行归一化处理，得到归一化存档集合，包括：
根据
Figure FDA0002368149830000031
将所述存档集合中每一个个体进行归一化处理，得到与所述存档集合中每一个个体对应的归一化个体，以组成归一化存档集合；其中，NAm表示所述存档集合中第m个个体Am对应的归一化个体，A最差个体表示所述最差个体，A理想个体表示所述理想个体。
6.根据权利要求3所述的多车场车辆路径规划方法，其特征在于，所述目标点适应值算法为
Figure FDA0002368149830000041
fi(xl)表示所述映射集合中第l个映射点对应的第i个目标值，l的取值范围为[1，Lmax]。
7.根据权利要求3所述的多车场车辆路径规划方法，其特征在于，所述根据所述归一化非支配解集估计获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面，包括：
将所述归一化非支配解集的各归一化非支配个体中未处于标准化目标空间的归一化非支配个体移除，得到筛选后归一化非支配解集；其中，位于所述标准化目标空间中各归一化非支配个体对应的各目标值均未超过1；
获取所述筛选后归一化非支配解集中每一非支配个体，分别记为B1至Bn；其中，n的取值与所述筛选后归一化非支配解集中归一化非支配个体的总个数相同；
获取非支配个体Bi到目标超平面对应的超平面距离Di；其中，i的取值范围为[1,n]，目标超平面为f1(x)+f2(x)+f3(x)+f4(x)+f5(x)＝1；
获取超平面距离D1至Dn对应的超平面距离平均值和超平面距离标准差；其中，超平面距离D1至Dn对应的超平面距离平均值记为Davg，超平面距离D1至Dn对应的超平面距离标准差记为Dstd；
根据所述超平面距离平均值与所述超平面距离标准差之商进行范数运算，得到对应的变异系数；其中，所述变异系数记为cv；
获取所述目标超平面的曲率为2对应的第一超曲面，和所述目标超平面的曲率为0.5对应的第二超曲面，根据目标超平面、第一超曲面、第二超曲面及预设的曲率确定策略，获取所述归一化非支配解集对应的当前曲率；其中，所述曲率确定策略为
Figure FDA0002368149830000042
d(2.0)表示第一超曲面的峰值点到所述目标超平面的距离，d(0.5)表示第二超曲面的峰值点到所述目标超平面的距离；
根据所述变异系数对所述当前曲率进行调整，得到调整后曲率；其中，若所述变异系数小于0.1，将所述当前曲率的取值调整为1，以使调整后曲率取值为1；若所述变异系数大于或等于0.1，将所述当前曲率的取值保持不变，以使得调整后曲率等于所述当前曲率；
根据所述调整后曲率对应获取帕累托前沿的形状，及帕累托前沿的形状对应的超曲面。
8.一种多车场车辆路径规划装置，其特征在于，包括用于执行如权利要求1至7任一项所述的多车场车辆路径规划方法的单元。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的多车场车辆路径规划方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的多车场车辆路径规划方法。
CN202010042242.2A 2020-01-15 2020-01-15 多车场车辆路径规划方法、装置、计算机设备及存储介质 Active CN111260129B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010042242.2A CN111260129B (zh) 2020-01-15 2020-01-15 多车场车辆路径规划方法、装置、计算机设备及存储介质
PCT/CN2020/079881 WO2021142917A1 (zh) 2020-01-15 2020-03-18 多车场车辆路径规划方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010042242.2A CN111260129B (zh) 2020-01-15 2020-01-15 多车场车辆路径规划方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111260129A true CN111260129A (zh) 2020-06-09
CN111260129B CN111260129B (zh) 2023-04-07

Family

ID=70948839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010042242.2A Active CN111260129B (zh) 2020-01-15 2020-01-15 多车场车辆路径规划方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN111260129B (zh)
WO (1) WO2021142917A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215418A (zh) * 2020-10-12 2021-01-12 苏州大学 多轨道车辆洗检编排方案自动生成方法、装置及存储介质
CN112270047A (zh) * 2020-11-16 2021-01-26 中山大学 基于数据驱动的群体智能计算的城市车辆路径优化方法
CN114493399A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 面向物流机器人取件订单的路径规划方法和系统
CN115345550A (zh) * 2022-08-11 2022-11-15 上海维祥信息技术有限公司 车辆路径规划方法及系统

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626954B (zh) * 2021-08-17 2023-08-18 中国地质大学（武汉） 基于分解的多目标信息处理方法、系统、计算机设备、终端
CN113705921B (zh) * 2021-09-03 2024-02-27 厦门闽江智慧科技有限公司 一种混合充电策略的电动汽车动态路径规划优化方法
CN113780676B (zh) * 2021-09-23 2023-06-23 河南科技大学 一种瓶装液化气车辆配送路径优化方法
CN113887083A (zh) * 2021-10-29 2022-01-04 北京明略软件系统有限公司 一种空调调度优化方法、系统、计算机设备和存储介质
CN114065512A (zh) * 2021-11-16 2022-02-18 吉林大学 一种基于nsga-ii算法的感应式磁力仪线圈参数多目标优化方法
CN114169832A (zh) * 2021-12-15 2022-03-11 中国建设银行股份有限公司 一种物流配送调度的方法、装置及存储介质、处理器
CN114819249A (zh) * 2022-02-15 2022-07-29 南京邮电大学 基于改进狮群算法的疫情下社区物资车辆路径优化方法
CN114594744B (zh) * 2022-03-14 2023-11-28 武汉理工大学 一种分布式工厂生产配送集成调度方法和系统
CN114662943B (zh) * 2022-03-28 2024-05-31 湘潭大学 基于多目标遗传算法的露天矿卡车调度方法
CN114781706B (zh) * 2022-04-11 2024-05-03 东南大学 物流车辆配送调度方法、车辆、电子设备及存储介质
CN114997659B (zh) * 2022-06-06 2024-06-14 武汉理工大学 基于动态多目标优化的资源调度模型构建方法及系统
CN115099118B (zh) * 2022-06-24 2024-04-09 中国人民解放军海军工程大学 基于nsgaⅲ的高维多目标联合并行仿真优化方法
CN115345549B (zh) * 2022-08-11 2024-01-23 上海维祥信息技术有限公司 结合装载方案的车辆路径调整方法及系统
CN115576343B (zh) * 2022-09-08 2024-06-07 浙江财经大学 一种结合无人机配送的多目标车辆路径优化方法
CN116013085B (zh) * 2023-02-03 2023-09-22 以萨技术股份有限公司 一种获取目标车流量的数据处理系统
CN115994459B (zh) * 2023-03-24 2023-06-13 国网湖北省电力有限公司经济技术研究院 一种海量电网基建项目建设时序优化方法、系统及设备
CN116382099A (zh) * 2023-06-02 2023-07-04 上海数字大脑科技研究院有限公司 一种机器人路径调度规划方法及系统
CN116739467B (zh) * 2023-06-16 2024-02-02 暨南大学 基于云边协同的循环取送货路径规划方法、装置及介质
CN117875825B (zh) * 2024-03-11 2024-06-04 万联易达物流科技有限公司 一种运输循环线路匹配货源的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN106651043A (zh) * 2016-12-28 2017-05-10 中山大学 一种求解多目标多车场带时间窗车辆路径问题的智能算法
CN108416482A (zh) * 2018-04-03 2018-08-17 浙江工业大学 一种基于区域性多策略的物流配送路径规划方法
CN109948855A (zh) * 2019-03-22 2019-06-28 杭州电子科技大学 一种带时间窗的异构危化品运输路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001084480A (ja) * 1999-09-10 2001-03-30 Hitachi Software Eng Co Ltd 配送計画作成方法および装置
JP2001283136A (ja) * 2000-03-29 2001-10-12 Hitachi Software Eng Co Ltd 配送計画作成方法およびシステム
CN101673382A (zh) * 2009-10-21 2010-03-17 北京交通大学 一种农资连锁经营物流配送配载组合优化方法
CN107578199B (zh) * 2017-08-21 2021-02-26 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN108510227A (zh) * 2018-03-23 2018-09-07 东华大学 一种基于机器学习的车载物流配送实时规划系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN106651043A (zh) * 2016-12-28 2017-05-10 中山大学 一种求解多目标多车场带时间窗车辆路径问题的智能算法
CN108416482A (zh) * 2018-04-03 2018-08-17 浙江工业大学 一种基于区域性多策略的物流配送路径规划方法
CN109948855A (zh) * 2019-03-22 2019-06-28 杭州电子科技大学 一种带时间窗的异构危化品运输路径规划方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215418A (zh) * 2020-10-12 2021-01-12 苏州大学 多轨道车辆洗检编排方案自动生成方法、装置及存储介质
CN112215418B (zh) * 2020-10-12 2024-04-16 苏州大学 多轨道车辆洗检编排方案自动生成方法、装置及存储介质
CN112270047A (zh) * 2020-11-16 2021-01-26 中山大学 基于数据驱动的群体智能计算的城市车辆路径优化方法
CN112270047B (zh) * 2020-11-16 2023-09-29 中山大学 基于数据驱动的群体智能计算的城市车辆路径优化方法
CN114493399A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 面向物流机器人取件订单的路径规划方法和系统
CN114493399B (zh) * 2021-12-17 2024-04-09 重庆特斯联智慧科技股份有限公司 面向物流机器人取件订单的路径规划方法和系统
CN115345550A (zh) * 2022-08-11 2022-11-15 上海维祥信息技术有限公司 车辆路径规划方法及系统
CN115345550B (zh) * 2022-08-11 2023-10-24 上海维祥信息技术有限公司 车辆路径规划方法及系统

Also Published As

Publication number Publication date
CN111260129B (zh) 2023-04-07
WO2021142917A1 (zh) 2021-07-22

Similar Documents

Publication Publication Date Title
CN111260129B (zh) 多车场车辆路径规划方法、装置、计算机设备及存储介质
CN103513983B (zh) 用于预测性警报阈值确定工具的方法和系统
CN109685635A (zh) 金融业务的风险评估方法、风控服务端及存储介质
CN112241494B (zh) 基于用户行为数据的关键信息推送方法及装置
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN111950738A (zh) 机器学习模型优化效果评估方法、装置、终端及存储介质
CN111507470A (zh) 一种异常账户的识别方法及装置
CN113139769B (zh) 采购方案智能推荐方法、装置、计算机设备及存储介质
CN110347888B (zh) 订单数据的处理方法、装置及存储介质
CN111176578B (zh) 一种对象聚合方法、装置、设备及可读存储介质
CN114638234B (zh) 应用于线上业务办理的大数据挖掘方法及系统
CN111259312B (zh) 多目标流水车间调度方法、装置、计算机设备及存储介质
CN115018210B (zh) 业务数据分类预测方法、装置、计算机设备和存储介质
CN112416590A (zh) 服务器系统资源调整方法、装置、计算机设备及存储介质
CN112751785A (zh) 待处理请求发送方法、装置、计算机设备及存储介质
CN116245380A (zh) 目标业务的业务问题的确定方法、装置、计算机设备
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN113450142B (zh) 一种电力客户用电行为聚类分析方法及装置
CN115712775A (zh) 产品推荐方法、装置、计算机设备和存储介质
US20230042464A1 (en) Methods and systems for of generating an instantaneous quote of any part without toolpathing
CN115907954A (zh) 账户的识别方法、装置、计算机设备和存储介质
CN104680317B (zh) 一种基于概率灰色综合评价的企业合作伙伴选择方法
CN113837677A (zh) 物流线路生成策略的确定方法、装置以及设备
CN112699101B (zh) 基于存储与处理的服务器系统
CN109934604A (zh) 获取畅销品名单的方法、系统、存储介质及电子设备

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