CN111311158B - 一种有限充电设施条件下的电动物流车路径规划方法 - Google Patents

Abstract

本发明公开了一种有限充电设施条件下的电动物流车路径规划方法，包括以下步骤：S1.给定物流配单位的物流配送系统及配送要求；S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数；S3.在新能源汽车物流配送模型中进一步模拟实际问题，对不同的约束条件对目标函数进行限定；S4.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案，并基于目标函数选址最优配送方案，实现充电桩选址的物流车路径规划。本发明充分考虑了新能源物流车里程限制、容量限制、时间窗约束和设施建设与采购成本，从候选地址中选择出最合理的新能源物流车的充电桩位置，防止里程限制造成的运输距离过短从而影响整体物流企业配送范围的情况。

Description

一种有限充电设施条件下的电动物流车路径规划方法

技术领域

本发明涉及新能源电动汽车，特别是涉及一种有限充电设施条件下的电动物流车路径规划方法。

背景技术

遗传算法(GA)是一种仿照大自然自然选择过程的算法。遗传算法的理念最开始被Bagley J.D于1967年所提出。在之后的发展中，于密歇根大学任教的J.H.Holland在1975年开始对遗传算法的整体系统理论进行了系统研究。这类启发式算法适用于优化类问题和搜索类问题，并给出有效且准确的解决方案。遗传算法(GA)的简要思路即通过模拟基因传递遗传特性。在该方法中，问题的解被作为模型的染色体。遗传算法(GA)模拟自然中的种群的进化过程。首先，生成初始种群，并计算初始种群中各个单体的适应度数值，并根据适应度数值来确定被选择的概率。之后将根据概率选择当前物种中的单体，最后对选出来的单体进行交叉、变异等流程来产生下一代种群，种群经过几代迭代后基本达到(或接近最优)结果。

新能源物流车选址路径模型问题包含了充电设施选址还有路径决策优化这两个NP问题。因此在用启发式算法对此类问题进行求解时，随着需要决策的数量的增加、问题规模变大，在搜索最优解的计算量过于庞大导致很难在规定的时间内得到最优解。针对该类复杂的非线性组合优化模型；但是目前新能源物流车选址路径时一般使用一次遗传算法，虽然理论上可使用，但随着基础数据即基础充电桩点位与配送点位增多时，程序迭代次数将呈几何倍变慢，且未必会出现在规定迭代数间出现收敛解。经典遗传算法使用的单点交叉，效率低，极有可能造成陷入局部最优解；并且只能做到统一时间窗的车辆调度与充电桩选址，而不能做到更贴近实际的灵活时间窗，导致若时间窗敏感可能造成大量的时间窗惩罚。

发明内容

本发明的目的在于克服现有技术的不足，提供一种有限充电设施条件下的电动物流车路径规划方法，充分考虑了新能源物流车里程限制、容量限制、时间窗约束和设施建设与采购成本，从候选地址中选择出最合理的新能源物流车的充电桩位置，防止里程限制造成的运输距离过短从而影响整体物流企业配送范围的情况。

本发明的目的是通过以下技术方案来实现的：一种有限充电设施条件下的电动物流车路径规划方法，包括以下步骤：

S1.给定物流配单位的物流配送系统及配送要求：

设物流配送单位为统一车型的新能源物流车，所有新能源物流车设定为纯电动物流车；新能源物流车从配送中心出发，为其路径上的客户点进行货物配送，完成任务之后返回配送中心；每辆车能够服务多个需求点的任务，每辆车受到载重和电量限制，新能源物流车在配送中心以及充电桩设置点进行充电；物流配送公司希望通过充电桩选址和物流路径的合理规划来降低所需要付出的总成本，相应的提高公司利润。

S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数：

S201.对于物流配送系统中涉及的参数进行定义：

C为顾客服务点集合，下标为c；Q为充电站候选地址集合，下标为q；E为配送中心，表示为{O}；V为所有顶点集合，V＝C+Q+E；Z为新能源物流车集合，下标为z；U为新能源物流车装载容量；S为电池总电量；CB_Z为新能源物流车z的购买成本；F_q为充电站q的建设成本；r为新能源物流车单位路程的运输成本；d_ij为从节点i到j之间的里程距离；t_ij为新能源物流车从i到j的里程距离；a为单位里程消耗的电能；m_i为节点i的需求量；U_iz为新能源物流车z离开节点i时的剩余电量；P_iz为新能源物流车z在节点i的时间窗惩罚成本；E_i为节点i的最早到达时间；L_i为节点i的最晚到达时间；CF₁为早到的单位时间惩罚成本；CF₂为晚到的单位时间惩罚成本；x_ijz在有电动物流车z由i到j这条路线则为1，否则为0；y_q在q处设有充电桩则为1，未设有则为0；PC₀为从配送中心出发的时间；piz1为新能源物理车z到达i点的剩余电量；p_iz ²为新能源物流车z离开i点时电量；T_iz为新能源物流车z到达i的时间；S_iz为新能源物流车z在i点服务时长；

S202.用最直观的各成本费用加和作为总成本为目标函数优化目标，并考虑物流配送最特别的时间惩罚机制，即到达需求点的时间延误或过早的情况，其间客户损失要由企业承担的考虑时间窗的目标函数，即：

S3.在新能源汽车物流配送模型中进一步模拟实际问题，对不同的约束条件对目标函数进行限定：

第一、来去新能源物流车流量的平衡，即每个新能源物流车来到某节点和离开该节点的次数相等：

第二、每个需求点能够且仅能被服务一次：

第三、每个需求点的需求总量不能够比新能源物流车理论最大载货量大：

第四、新能源物流车的电量和运输距离的关系：若新能源物流车z在从i节点到j节点，那其在J节点的车内电量是等于新能源物流车z的i点电量和其由i到j的运输距离中的消耗电量；否则，该约束松弛；

第五、新能源物流车离开配送中心或充电桩时的电量为满：

第六、新能源物流车在需求点等待时，电量不会消耗：

第七、新能源物流车的电量保证其能够到达任意节点：

第八、时间窗的约束：新能源物流车z由i到j的时间为其到达i的时间加上i节点的消耗时间和i、j之间的运输距离通过物流运输所消耗的时间；否则，该约束松弛；

T_iz+(t_ij+S_iz)x_ijz-M(1-x_ijz)≤T_jz≤T_iz+(t_ij+S_iz)x_ijz+M(1-x_ijz)

第九、时间惩罚函数，包括提前到和晚于标准时间的时间窗惩罚：

第十、定义两个决策变量为0-1变量：

S4.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案，并基于目标函数选址最优配送方案，实现充电桩选址的物流车路径规划。所述初始配送方案包括物流车的初始路径和该路径上的充电桩选址

所述步骤S4包括以下步骤：

S401.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案；

A1、设将n个客户分配给m辆物流车进行配送，每个客户对应于一个需求点；

A2、生成初始路径：生成客户点全排列，然后随机生成配送中心点位插入到客户点序列中，并生成所有满足约束条件的初始路径规划方案；

A3、对每个初始路径规划方案按照约束条件插入充电桩，以完成充电桩选址，得到所有满足约束条件的初始配送方案；每一个初始配送方案均包括一个初始路径规划方案和该方案对应的充电桩选址。

S402.利用遗传算法生成初始种群，初始种群中每一个基因代表一个初始配送方案；

S403.通过遗传算法不断更新种群中的基因；

S404.在每次更新得到的新一代种群中，对包含每一个基因，按照变邻域搜索算法求解最优出发时间：

对每一个基因按照变邻域搜索算法求解最优出发时间的过程如下：

B1、在该基因包含的路径和充电桩选址方案下，随机产生初始发车时间解，并定义m个邻域，每个邻域均包含理论最早发车点与理论最晚发车点，其中，第k个邻域记为N_k，k＝1,2,3,...,m；所述初始发车时间解中包含每一辆车的初始发车时间，

B2、对于任一辆物流车，在初始发车时间所在邻域内寻找局部最优发车时间T1，将其作为当前的最优发车时间，其中局部最优发车时间T1即该邻域内使得时间窗惩罚最小的时间；其中，时间窗惩罚按照约束条件中的时间惩罚函数计算；

B3、更换邻域，重复步骤B2求该物流车的局部最优发车时间T2，在局部最优发车时间T2优于当前的最优发车时间时，将当前的最优发车时间更新为T2，保持当前最优发车时间不变；

判断局部最优发车时间T2是否优于当前的最优发车时间时，只需要将局部最优发车时间T2于当前的最优发车时间的时间窗惩罚进行比较，时间窗惩罚越小，就代表着更优；

B4、再次跟换领域，重复步骤B3求该物流车的局部最优发车时间T3，在局部最优发车时间T3优于当前的最优发车时间时，将当前的最优发车时间更新为T3，保持当前最优发车时间不变；

B5、同理，不断进行邻域更换、局部最优时间求解和当前最优发车时间更新；直至时间窗惩罚为0，或者达到设定的迭代次数，输出该物流车的最优出发时间；

B6、对于不同物流车，分别按照步骤B2～B5求出每一辆物流车的最优发车时间。

S405.按照目标函数计算各个基因中成本最低的一个作为最优基因；

S406.返回步骤S403，并按照步骤S403～S405进行重复迭代，直到满足迭代停止的条件后，输出对应的最优基因作为充电桩选址和物流车路径规划的最优解；

迭代停止的条件为：

达到预设的最大迭代次数，或步骤S405中最优基因的时间窗惩罚为0；其中，最优基因的时间窗惩罚为0，可以理解为最优基因中每辆车的时间惩罚窗均为0。

本发明的有益效果是：本发明充分考虑了新能源物流车里程限制、容量限制、时间窗约束和设施建设与采购成本，从候选地址中选择出最合理的新能源物流车的充电桩位置，防止里程限制造成的运输距离过短从而影响整体物流企业配送范围的情况。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

节能减排的大环境下，新能源物流车终将成为传统燃油物流车的替代品，加快推动新能源物流车的广泛使用有着重要的现实利益。为了消除新能源物流车由于里程限制，而不能进行较远运输的问题，合理的布局规划充电桩基础设施迫在眉睫。与传统燃油物流车相比，新能源物流车充电时间长，这将直接影响在物流配送中的路径与时间安排。因此，在考虑充电桩选址过程中，新能源物流车与普通新能源汽车的不同就是要着重考虑物流车运送货物的时间窗问题。通过过本发明，我们解决了纯电动物流车里程短的这个致命问题，致使纯电动物流车推广可以成为可能。并且加入了灵活时间窗，致使纯电动物流车配送问题更贴近实际；具体地：

如图1所示，一种有限充电设施条件下的电动物流车路径规划方法，包括以下步骤：

S1.给定物流配单位的物流配送系统及配送要求：

设物流配送单位为统一车型的新能源物流车，所有新能源物流车设定为纯电动物流车；新能源物流车从配送中心出发，为其路径上的客户点进行货物配送，完成任务之后返回配送中心；每辆车能够服务多个需求点的任务，每辆车受到载重和电量限制，新能源物流车在配送中心以及充电桩设置点进行充电；物流配送公司希望通过充电桩选址和物流路径的合理规划来降低所需要付出的总成本，相应的提高公司利润。

S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数：

S201.对于物流配送系统中涉及的参数进行定义：

C为顾客服务点集合，下标为c；Q为充电站候选地址集合，下标为q；E为配送中心，表示为{O}；V为所有顶点集合，V＝C+Q+E；Z为新能源物流车集合，下标为z；U为新能源物流车装载容量；S为电池总电量；CB_Z为新能源物流车z的购买成本；F_q为充电站q的建设成本；r为新能源物流车单位路程的运输成本；d_ij为从节点i到j之间的里程距离；t_ij为新能源物流车从i到j的里程距离；a为单位里程消耗的电能；m_i为节点i的需求量；U_iz为新能源物流车z离开节点i时的剩余电量；P_iz为新能源物流车z在节点i的时间窗惩罚成本；E_i为节点i的最早到达时间；L_i为节点i的最晚到达时间；CF₁为早到的单位时间惩罚成本；CF₂为晚到的单位时间惩罚成本；x_ijz在有电动物流车z由i到j这条路线则为1，否则为0；y_q在q处设有充电桩则为1，未设有则为0；PC₀为从配送中心出发的时间；piz1为新能源物理车z到达i点的剩余电量；p_iz ²为新能源物流车z离开i点时电量；T_iz为新能源物流车z到达i的时间；S_iz为新能源物流车z在i点服务时长；

S202.用最直观的各成本费用加和作为总成本为目标函数优化目标，并考虑物流配送最特别的时间惩罚机制，即到达需求点的时间延误或过早的情况，其间客户损失要由企业承担的考虑时间窗的目标函数，即：

S3.在新能源汽车物流配送模型中进一步模拟实际问题，对不同的约束条件对目标函数进行限定：

第一、来去新能源物流车流量的平衡，即每个新能源物流车来到某节点和离开该节点的次数相等：

第二、每个需求点能够且仅能被服务一次：

第三、每个需求点的需求总量不能够比新能源物流车理论最大载货量大：

第四、新能源物流车的电量和运输距离的关系：若新能源物流车z在从i节点到j节点，那其在J节点的车内电量是等于新能源物流车z的i点电量和其由i到j的运输距离中的消耗电量；否则，该约束松弛；

第五、新能源物流车离开配送中心或充电桩时的电量为满：

第六、新能源物流车在需求点等待时，电量不会消耗：

第七、新能源物流车的电量保证其能够到达任意节点：

第八、时间窗的约束：新能源物流车z由i到j的时间为其到达i的时间加上i节点的消耗时间和i、j之间的运输距离通过物流运输所消耗的时间；否则，该约束松弛；

T_iz+(t_ij+S_iz)x_ijz-M(1-x_ijz)≤T_jz≤T_iz+(t_ij+S_iz)x_ijz+M(1-x_ijz)

第九、时间惩罚函数，包括提前到和晚于标准时间的时间窗惩罚：

第十、定义两个决策变量为0-1变量：

S4.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案，并基于目标函数选址最优配送方案，实现充电桩选址的物流车路径规划。所述初始配送方案包括物流车的初始路径和该路径上的充电桩选址；

所述步骤S4包括以下步骤：

S401.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案；

A1、设将n个客户分配给m辆物流车进行配送，每个客户对应于一个需求点；

A2、生成初始路径：生成客户点全排列，然后随机生成配送中心点位插入到客户点序列中，并生成所有满足约束条件的初始路径规划方案；

A3、对每个初始路径规划方案按照约束条件插入充电桩，以完成充电桩选址，得到所有满足约束条件的初始配送方案；每一个初始配送方案均包括一个初始路径规划方案和该方案对应的充电桩选址。

充电桩选址的具体过程如下：

第一步、对于任一初始路径方案，假设车辆在某一单条线路上的j点位，对需求点j到需求点j+1之间的路径进行判断：

如果需求点j到需求点j+1的路径不超过当前电动物流车可行驶路程，则进入第二步：若果需求点j到需求点j+1的路径超过当前电动物流车可行驶路程，则在在j与j+1中插入充电桩；

第二步、对需求点j+1到需求点j+2之间的路径进行判断：

如果存在j+2点，且需求点j+1到需求点j+2的路程不超过当时在需求点j+1的车辆可行驶路程，则进入第三步；

若j+1到需求点j+2的路程超过当时在需求点j+1的车辆可行驶路程，则在需求点j+1和需求点j+2之间插入充电桩，并判断在需求点j+1的车辆能否到达充电桩，若是，则进入第三步，若否，则在j与j+1中插入充电桩；

第三步、按照与第二步相同的方法，对单条线路上任意相邻两个需求点的路径进行判断，并进行充电桩选址；直到该线路上充电桩选址完成

第四步、按照第一步到第三步，对同一初始路径上每一条路线进行充电桩选址，完成该初始路径上所有的充电桩选址；

第五步、按照第四步，得到每一个初始路径方案对应的充电桩选址，每一个初始路径方案和对应的充电桩选址即一个初始配送方案。

S402.利用遗传算法生成初始种群，初始种群中每一个基因代表一个初始配送方案；

S403.通过遗传算法不断更新种群中的基因；

在进行遗传算法的筛选、变异、交叉、重插入时，每个个体被选择概率等于它适应度与整体适应度值和的比例:

式中,f(C_i)是充电站选址方案C_i的适应度，P(C_i)是这个方案被选择进入繁殖的概率。将种群中个体的适应度值叠加，其中m为种群中个体个数。每个个体的适应度值除以总适应度值得到个体被选择的概率，其实适应度等于目标函数倒数。

在本申请的实施例中，遗传算法使用的是多点交叉(Multi-point Crossover)算子，即在个体编码中随即设置多个交叉点，然后进行基因交换，多点交叉也被称为广义交叉。在生物遗传和自然进化过程中，其细胞分离复制时不可避免的会出现复制差错，导致基因变异。遗传算法中模仿了这种变异(Mutation)，对某单体“染色体”的某个位置上的编码进行修改，例如在二进制的编码中，将“1”变成“0”。在本申请的实施例中，采用的变异操作是基本位变异(Simple Mutation)，即对个体编码串中以变异概率、随即制定的一位或几位基因座上的值进行变异；在遗传算法中，若通过遗传算子重组产生的种群个体数少于原始种群的大小，新种群和旧种群大小的差异被称为代沟。在这种情况下，为了保持原始种群数量稳定，需将新生产的个体重插入旧种群中，替换旧的个体，再决定旧种群哪些个体被替换时，本申请的实施例中通过替换适应度最低的个体来实现。

S404.在每次更新得到的新一代种群中，对包含每一个基因，按照变邻域搜索算法求解最优出发时间：

对每一个基因按照变邻域搜索算法求解最优出发时间的过程如下：

B1、在该基因包含的路径和充电桩选址方案下，随机产生初始发车时间解，并定义m个邻域，每个邻域均包含理论最早发车点与理论最晚发车点，其中，第k个邻域记为N_k，k＝1,2,3,...,m；所述初始发车时间解中包含每一辆车的初始发车时间，

B2、对于任一辆物流车，在初始发车时间所在邻域内寻找局部最优发车时间T1，将其作为当前的最优发车时间，其中局部最优发车时间T1即该邻域内使得时间窗惩罚最小的时间；其中，时间窗惩罚按照约束条件中的时间惩罚函数计算；

B3、更换邻域，重复步骤B2求该物流车的局部最优发车时间T2，在局部最优发车时间T2优于当前的最优发车时间时，将当前的最优发车时间更新为T2，保持当前最优发车时间不变；

判断局部最优发车时间T2是否优于当前的最优发车时间时，只需要将局部最优发车时间T2于当前的最优发车时间的时间窗惩罚进行比较，时间窗惩罚越小，就代表着更优；

B4、再次跟换领域，重复步骤B3求该物流车的局部最优发车时间T3，在局部最优发车时间T3优于当前的最优发车时间时，将当前的最优发车时间更新为T3，保持当前最优发车时间不变；

B5、同理，不断进行邻域更换、局部最优时间求解和当前最优发车时间更新；直至时间窗惩罚为0，或者达到设定的迭代次数，输出该物流车的最优出发时间；

B6、对于不同物流车，分别按照步骤B2～B5求出每一辆物流车的最优发车时间。

S405.按照目标函数计算各个基因中成本最低的一个作为最优基因；

S406.返回步骤S403，并按照步骤S403～S405进行重复迭代，直到满足迭代停止的条件后，输出对应的最优基因作为充电桩选址和物流车路径规划的最优解；

迭代停止的条件为：

达到预设的最大迭代次数，或步骤S405中最优基因的时间窗惩罚为0，其中，最优基因的时间窗惩罚为0，可以理解为最优基因中每辆车的时间惩罚窗均为0。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：包括以下步骤：

S1.给定物流配单位的物流配送系统及配送要求；

S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数；

所述步骤S2包括：

S201.对于物流配送系统中涉及的参数进行定义：

C为顾客服务点集合，下标为c；Q为充电站候选地址集合，下标为q；E为配送中心，表示为{O}；V为所有顶点集合，V＝C+Q+E；Z为新能源物流车集合，下标为z；U为新能源物流车装载容量；S为电池总电量；CB_Z为新能源物流车z的购买成本；F_q为充电站q的建设成本；r为新能源物流车单位路程的运输成本；d_ij为从节点i到j之间的里程距离；t_ij为新能源物流车从i到j的里程距离；a为单位里程消耗的电能；m_i为节点i的需求量；U_iz为新能源物流车z离开节点i时的剩余电量；P_iz为新能源物流车z在节点i的时间窗惩罚成本；E_i为节点i的最早到达时间；L_i为节点i的最晚到达时间；CF₁为早到的单位时间惩罚成本；CF₂为晚到的单位时间惩罚成本；xijz在有电动物流车z由i到j这条路线则为1，否则为0；yq在q处设有充电桩则为1，未设有则为0；PC₀为从配送中心出发的时间；p^iz1为新能源物理车z到达i点的剩余电量；piz²为新能源物流车z离开i点时电量；Tiz为新能源物流车z到达i的时间；Siz为新能源物流车z在i点服务时长；

S202.用最直观的各成本费用加和作为总成本为目标函数优化目标，并考虑物流配送最特别的时间惩罚机制，即到达需求点的时间延误或过早的情况，其间客户损失要由企业承担的考虑时间窗的目标函数，即：

S3.在新能源汽车物流配送模型中进一步模拟实际问题，对不同的约束条件对目标函数进行限定；

S4.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案，并基于目标函数选址最优配送方案，实现充电桩选址的物流车路径规划；

其中，所述初始配送方案包括物流车的初始路径和该路径上的充电桩选址。

2.根据权利要求1所述的一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：所述步骤S1中给定的物流配单位的物流配送系统及配送要求包括：

设物流配送单位为统一车型的新能源物流车，所有新能源物流车设定为纯电动物流车；新能源物流车从配送中心出发，为其路径上的客户点进行货物配送，完成任务之后返回配送中心；每辆车服务多个需求点的任务，每辆车受到载重和电量限制，新能源物流车在配送中心以及充电桩设置点进行充电；物流配送公司通过充电桩选址和物流路径的合理规划来降低所需要付出的总成本。

3.根据权利要求1所述的一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：所述步骤S3中的约束条件包括：

第一、来去新能源物流车流量的平衡，即每个新能源物流车来到某节点和离开该节点的次数相等：

第二、每个需求点能够且仅能被服务一次：

第三、每个需求点的需求总量不能够比新能源物流车理论最大载货量大：

第四、新能源物流车的电量和运输距离的关系：若新能源物流车z在从i节点到j节点，那其在J节点的车内电量是等于新能源物流车z的i点电量和其由i到j的运输距离中的消耗电量；否则，该约束松弛；

第五、新能源物流车离开配送中心或充电桩时的电量为满：

第六、新能源物流车在需求点等待时，电量不会消耗：

第七、新能源物流车的电量保证其能够到达任意节点：

第八、时间窗的约束：新能源物流车z由i到j的时间为其到达i的时间加上i节点的消耗时间和i、j之间的运输距离通过物流运输所消耗的时间；否则，该约束松弛；

T_iz+(t_ij+S_iz)x_ijz-M(1-x_ijz)≤T_jz≤T_iz+(t_ij+S_iz)x_ijz+M(1-x_ijz)

第九、时间惩罚函数，包括提前到和晚于标准时间的时间窗惩罚：

第十、定义两个决策变量为0-1变量：

4.根据权利要求1所述的一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：所述步骤S4包括以下步骤：

S401.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案；

S402.利用遗传算法生成初始种群，初始种群中每一个基因代表一个初始配送方案；

S403.通过遗传算法更新种群中的基因；

S404.在每次更新得到的新一代种群中，对包含每一个基因，按照变邻域搜索算法求解最优出发时间；

S405.按照目标函数计算各个基因中成本最低的一个作为最优基因；

S406.返回步骤S403，并按照步骤S403～S405进行重复迭代，直到满足迭代停止的条件后，输出对应的最优基因作为充电桩选址和物流车路径规划的最优解；

迭代停止的条件为：

达到预设的最大迭代次数，或步骤S405中最优基因的时间窗惩罚为0。

5.根据权利要求4所述的一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：所述步骤S401包括：

A1、设将n个客户分配给m辆物流车进行配送，每个客户对应于一个需求点；

A2、生成初始路径：生成客户点全排列，然后随机生成配送中心点位插入到客户点序列中，并生成所有满足约束条件的初始路径规划方案；

A3、对每个初始路径规划方案按照约束条件插入充电桩，以完成充电桩选址，得到所有满足约束条件的初始配送方案；每一个初始配送方案均包括一个初始路径规划方案和该方案对应的充电桩选址。

6.根据权利要求4所述的一种有限充电设施条件下的电动物流车路径规划方法，其特征在于：所述步骤S404中，对每一个基因按照变邻域搜索算法求解最优出发时间的过程如下：

B1、在该基因包含的路径和充电桩选址方案下，随机产生初始发车时间解，并定义m个邻域，每个邻域均包含理论最早发车点与理论最晚发车点，其中，第k个邻域记为N_k，k＝1,2,3,...,m；所述初始发车时间解中包含每一辆车的初始发车时间，

B2、对于任一辆物流车，在初始发车时间所在邻域内寻找局部最优发车时间T1，将其作为当前的最优发车时间，其中局部最优发车时间T1即该邻域内使得时间窗惩罚最小的时间；其中，时间窗惩罚按照约束条件中的时间惩罚函数计算；

B3、更换邻域，重复步骤B2求该物流车的局部最优发车时间T2，在局部最优发车时间T2优于当前的最优发车时间时，将当前的最优发车时间更新为T2，保持当前最优发车时间不变；

判断局部最优发车时间T2是否优于当前的最优发车时间时，只需要将局部最优发车时间T2于当前的最优发车时间的时间窗惩罚进行比较，时间窗惩罚越小，就代表着更优；

B4、再次跟换领域，重复步骤B3求该物流车的局部最优发车时间T3，在局部最优发车时间T3优于当前的最优发车时间时，将当前的最优发车时间更新为T3，保持当前最优发车时间不变；

B5、同理，不断进行邻域更换、局部最优时间求解和当前最优发车时间更新；直至时间窗惩罚为0，或者达到设定的迭代次数，输出该物流车的最优出发时间；

B6、对于不同物流车，分别按照步骤B2～B5求出每一辆物流车的最优发车时间。