CN111967668A - 一种基于改进蚁群算法的冷链物流路径优化方法 - Google Patents

一种基于改进蚁群算法的冷链物流路径优化方法 Download PDF

Info

Publication number
CN111967668A
CN111967668A CN202010827122.3A CN202010827122A CN111967668A CN 111967668 A CN111967668 A CN 111967668A CN 202010827122 A CN202010827122 A CN 202010827122A CN 111967668 A CN111967668 A CN 111967668A
Authority
CN
China
Prior art keywords
vehicle
cost
pheromone
customer
ant colony
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
Application number
CN202010827122.3A
Other languages
English (en)
Inventor
桂海霞
赵邦磊
王向前
杨超宇
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202010827122.3A priority Critical patent/CN111967668A/zh
Publication of CN111967668A publication Critical patent/CN111967668A/zh
Pending legal-status Critical Current

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

Landscapes

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

Abstract

本发明涉及冷链物流配送路径优化技术领域，且公开了一种基于改进蚁群算法的冷链物流路径优化方法，具体实现步骤为：首先，构造不同时间段车速特征模型，以车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本组成的总成本最小化为目标，确定配送距离、客户需求量和时间窗等约束条件；其次，初始化蚁群算法参数和冷链物流配送成本模型向量参数；再次，利用改进蚁群算法对配送成本进行优化，当所有蚂蚁完成一次路径搜索时，进行下一次的全局信息素更新；最后，利用改进蚁群算法进行求解时，动态改进信息素衰减系数和信息素增量更新规则，以此不断调整信息素，扩大最优解搜索空间，确定最优路径和最优目标函数值。

Description

一种基于改进蚁群算法的冷链物流路径优化方法
技术领域
本发明涉及冷链配送路径优化技术领域，具体为一种基于改进蚁群算法的冷链物流路径优化方法。
背景技术
供给侧改革下，我国冷链物流业发展机遇与挑战并行。随着产业结构调整和居民消费水平的提升，人们对生鲜食品的安全和品质提出了更高的要求，优质快捷的冷链服务就显得十分必要。对于一般产品配送而言，只需考虑配送车辆的固定成本和运输成本即可，但是生鲜产品以其易腐的特点，在配送过程中与普通产品存在着本质区别。
冷链配送车辆路径问题(Vehicle Routing Problem,VRP)一直是学界研究的热点，一些学者建立了早期的冷链物流配送基本模型，但是研究当中并未涉及碳约束问题。而冷链运输会产生显著的碳排放量，并且世界上1％的排放量是由冷链业务产生的，因此奠定了从低碳视角研究冷链物流的必要性。除碳约束外，载重量、能耗、碳税和碳限、食品新鲜度等冷链配送过程中的相关影响因素也被学者们考虑其中。在模型求解上，遗传算法、模拟退火算法、人工蜂群算法等启发式算法也得到广泛地应用，但是求解的精度还有进一步提升的空间。
目前的研究考虑了配送过程中车辆行驶速度的时变性，但并未建立不同道路状况与配送路径优化模型之间的联系。鉴于不同天气状况、不同时间段道路拥堵情况等因素对行驶速度产生的影响，建立车速特征影响模型，在基于各种成本条件的前提下，综合考虑客户满意度、货损比、载重量和碳约束等建立冷链物流配送路径优化模型，故而提出一种改进蚁群算法进行求解上述问题。
发明内容
本发明的技术解决问题是：为了解决蚁群算法在路径优化问题中容易陷入局部最优解、搜索效率不高、搜索过程停滞现象的缺陷，本发明提供了一种基于改进蚁群算法的冷链物流路径优化方法。通过动态改进信息素衰减系数和信息素增量，增强全局最优解的搜索，扩大最优解搜索空间。不但有效提高冷链物流配送效率和服务质量，还可以有效降低配送成本。
本发明技术解决方案为：一种基于改进蚁群算法的冷链物流路径优化方法，包括以下步骤：
(1)在天气状况基础上，构造不同时间段车速特征模型，以车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本组成的总成本最小化为目标，确定客户与冷藏配送中心距离、客户之间距离、客户需求量和时间窗等约束条件。
①车速特征模型：
Figure BDA0002636624460000021
其中，车速影响率μi∈[0,1]，对应晴天、雨天、雪天和雾天等不同天气状况车速影响率，sv代表不同天气状况的车速，v是正常行驶车速，[1-(±At±B)]是不同时间段车速影响率，其中A、B是常数，t是时间段。
②总成本最小化、车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本分别表示如下：
车辆固定成本：
Figure BDA0002636624460000022
运输成本：
Figure BDA0002636624460000023
货损成本：
Figure BDA0002636624460000024
制冷成本：
Figure BDA0002636624460000025
碳排放成本：
Figure BDA0002636624460000026
总成本最小化为MinZ＝C1+C2+C3+C4+C5。
③约束条件：
条件a：顾客货物需求量和时间窗要求已知；
条件b：所有的冷藏车分配任务完成后必须返回仓库，每个客户都能且只被访问一次；
条件c：冷藏车的载重量有限；
条件d：车辆在运送途中会因为时间原因导致产品变质，产生货损成本；
条件e：配送过程中不存在缺货和中途收货等其它特殊状况。
(2)初始化蚁群算法信息素重要程度系数α、启发式重要程度系数β、信息素增强系数Q、最大迭代次数N_max和蚂蚁总量m参数，以及冷链物流配送成本模型的配送中心车辆总数L、第k辆车的固定成本fk、客户数量M、第k辆车从客户i到客户j每公里所花费的费用
Figure BDA0002636624460000031
客户i到客户j之间的距离dij、单位重量货物的价格pu、客户i的货物需求量qi、车辆行驶过程中货物的腐败率δ1、车辆在卸货时间内的货物腐败率δ2、车辆送完客户i后车上所剩的货物量Qi、车辆在客户i停留时间Si、单位时间运输过程中的制冷成本ps、单位时间卸货过程中的制冷成本pX、车辆k从客户i到客户j停留时间
Figure BDA0002636624460000032
车辆最大载重量q、车速v、车辆行驶过程中单位距离油耗u1、车辆制冷设备单位货物、单位时间油耗u2、碳排放系数E、碳税价格Pr，λk、
Figure BDA0002636624460000033
xik为0-1变量，分别表示第k辆车是否被使用，第k辆车是否从客户i行驶到客户j,第k辆车是否为客户i服务。
(3)利用改进蚁群算法对配送成本进行优化，当所有蚂蚁完成一次路径搜索时，计算所有路径长度与优化成本，并对其进行保存，进行下一次的全局信息素更新。
全局信息素更新时，信息素增量模型为Ant Cycle System(ACS)模型：
Figure BDA0002636624460000034
改进蚁群算法具体步骤为：
(a)设定算法初始值；
(b)建立禁忌表，在禁忌表中把物流配送中心设置为蚂蚁们的初始位置；
(c)设定迭代次数N＝N+1，执行各步骤；
(d)根据公式计算m只蚂蚁的转移概率，车辆在送货过程中应满足约束条件；车辆在当前路径上选择当前客户外的另一客户点，然后将其置于当前路径中，另一客户点不能再被别的路径车辆所选择。若找不到满足运输车辆约束条件的下一个节点时，车辆则返回物流配送中心；
(e)如果m只蚂蚁遍历了所有客户点，得出数条以配送中心为起点并且满足约束条件的闭合路径，计算配送成本并对路径进行保存；
(f)动态更新信息素与禁忌表；
(g)对迭代次数进行判断，如果达到预先设置最大值，则停止迭代，输出最优结果，否则禁忌表清零，转到步骤(c)。
(4)利用改进蚁群算法进行求解时，动态改进信息素衰减系数和信息素增量更新规则，以此不断调整信息素，扩大最优解搜索空间，确定最优路径和最优目标函数值。
信息素衰减系数更新规则为：在算法迭代初期给信息素衰减系数p一个较小的值，以此来扩大算法的搜索空间，寻找那些可能存在最优解的解空间，增加更优路径的可能性，避免在算法初期搜索集中在较优的几条路径，陷入局部最优；在迭代过程N中动态增加p的值，使算法在搜索过程中逐步集中在搜索到的较优路径上，信息素变化可表示为：
Figure BDA0002636624460000041
信息素增量更新规则为：为区分较优路径和其他路径，设计自适应调节因子动态增加较优路径上的信息素，缩短搜索时间，提高收敛速度。动态自适应调节因子
Figure BDA0002636624460000042
随着迭代次数N的增加，最终值逐步趋近于1。信息素增量△τij(t)可表示为:
Figure BDA0002636624460000043
本发明的原理是：首先，在天气状况基础上，构造不同时间段车速特征模型，以车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本等组成的总成本最小化为目标，确定客户与冷藏配送中心距离、客户之间距离、客户需求量和时间窗等约束条件；其次，初始化蚁群算法参数和冷链物流配送成本模型向量参数；再次，利用改进蚁群算法对配送成本进行优化，把蚂蚁置于禁忌表中，当所有蚂蚁完成一次路径搜索时，计算所有路径长度与优化成本，并对其进行保存，进行下一次的全局信息素更新；最后，利用改进蚁群算法进行求解时，动态改进信息素衰减系数和信息素增量更新规则，以此不断调整信息素，扩大最优解搜索空间，确定最优路径和最优目标函数值。
本发明与现有技术相比优点在于：
1、本发明提出了基于改进蚁群算法的冷链物流路径优化方法，针对目前研究中较少考虑交通状况对配送的影响，综合各种配送成本建立多目标优化的冷链物流配送模型，设计改进蚁群算法加强局部寻优，提高求解的精度，为冷链物流配送研究领域提供了相关理论依据。
2、本发明应用运筹学理论构建了路径优化问题中的车速影响率模型和优化目标函数成本模型，可以作为冷链物流配送过程中拟定车辆行驶路线的优化工具。
3、本发明借鉴启发式算法的思想，针对蚁群算法容易陷入局部最优和早熟收敛的弊端，通过动态改进信息素衰减系数和信息素增量，扩大最优解搜索空间，提高求解的精度，对于蚁群算法在冷链物流配送领域的运用起到了一定的借鉴作用。
附图说明
图1为冷链物流配送不同车况的车速影响率模型图；
图2为基于改进蚁群算法的冷链物流配送路径优化方法流程图；
图3为改进蚁群算法的成本迭代图；
图4为配送中心最优路径配送图。
具体实施方式
冷链物流配送问题可描述为冷藏配送中心用一定数量的冷藏车辆为客户服务的过程。配送中心和所有客户的地理位置是已知的，在一定的条件约束下，配送方案的不同会对配送成本、顾客满意度和碳排放产生不同的影响。因此找到一种配送成本最小化、客户满意度最高和货损比最低的解决方案至关重要。本发明涉及冷链物流配送领域，旨在为路径优化提供理论参考。
下面结合附图对本发明作进一步描述。
请参阅图1-4，一种基于改进蚁群算法的冷链物流路径优化方法，包括以下步骤：
(1)在天气状况基础上，构造不同时间段车速特征模型，以车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本组成的总成本最小化为目标，确定客户与冷藏配送中心距离、客户之间距离、客户需求量和时间窗等约束条件。
①车速特征模型：
Figure BDA0002636624460000061
其中车速影响率μi∈[0,1]，对应晴天、雨天、雪天和雾天等不同天气状况车速影响率，sv代表不同天气状况的车速，v是正常行驶车速，[1-(±At±B)]是不同时间段车速影响率，其中A、B是常数，t是时间段。
②总成本最小化、车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本模型表达式为：
车辆固定成本：
Figure BDA0002636624460000062
运输成本：
Figure BDA0002636624460000063
货损成本：
Figure BDA0002636624460000064
制冷成本：
Figure BDA0002636624460000065
碳排放成本：
Figure BDA0002636624460000066
总成本最小化为MinZ＝C1+C2+C3+C4+C5。
③约束条件：
条件a：顾客货物需求量和时间窗要求已知；
条件b：所有的冷藏车分配任务完成后必须返回仓库，每个客户都能且只被访问一次；
条件c：冷藏车的载重量有限；
条件d：车辆在运送途中会因为时间原因导致产品变质，产生货损成本；
条件e：配送过程中不存在缺货和中途收货等其它特殊状况。
(2)初始化蚁群算法信息素重要程度系数α、启发式重要程度系数β、信息素增强系数Q、最大迭代次数N_max和蚂蚁总量m参数，以及冷链物流配送成本模型的配送中心车辆总数L、第k辆车的固定成本fk、客户数量M、第k辆车从客户i到客户j每公里所花费的费用
Figure BDA0002636624460000071
客户i到客户j之间的距离dij、单位重量货物的价格pu、客户i的货物需求量qi、车辆行驶过程中货物的腐败率δ1、车辆在卸货时间内的货物腐败率δ2、车辆送完客户i后车上所剩的货物量Qi、车辆在客户i停留时间Si、单位时间运输过程中的制冷成本ps、单位时间卸货过程中的制冷成本pX、车辆k从客户i到客户j停留时间
Figure BDA0002636624460000072
车辆最大载重量q、车速v、车辆行驶过程中单位距离油耗u1、车辆制冷设备单位货物、单位时间油耗u2、碳排放系数E、碳税价格Pr，λk、
Figure BDA0002636624460000073
xik为0-1变量，分别表示第k辆车是否被使用，第k辆车是否从客户i行驶到客户j,第k辆车是否为客户i服务。
(3)利用改进蚁群算法对配送成本进行优化，当所有蚂蚁完成一次路径搜索时，计算所有路径长度与优化成本，并对其进行保存，进行下一次的全局信息素更新。
全局信息素更新时，信息素增量模型为Ant Cycle System(ACS)模型：
Figure BDA0002636624460000074
改进蚁群算法具体步骤为：
(a)设定算法初始值；
(b)建立禁忌表，在禁忌表中把物流配送中心设置为蚂蚁们的初始位置；
(c)设定迭代次数N＝N+1，执行各步骤；
(d)根据公式计算m只蚂蚁的转移概率，车辆在送货过程中应满足约束条件；车辆在当前路径上选择当前客户外的另一客户点，然后将其置于当前路径中，另一客户点不能再被别的路径车辆所选择。若找不到满足运输车辆约束条件的下一个节点时，车辆则返回物流配送中心；
(e)如果m只蚂蚁遍历了所有客户点，得出数条以配送中心为起点并且满足约束条件的闭合路径，计算配送成本并对路径进行保存；
(f)动态更新信息素与禁忌表；
(g)对迭代次数进行判断，如果达到预先设置最大值，则停止迭代，输出最优结果，否则禁忌表清零，转到步骤(c)。
(4)利用改进蚁群算法进行求解时，动态改进信息素衰减系数和信息素增量更新规则，以此不断调整信息素，扩大最优解搜索空间，确定最优路径和最优目标函数值。
(i)信息素衰减系数
基本蚁群算法信息素衰减系数是固定的，本发明动态改进信息素衰减系数更新规则，迭代初期给p一个较小的值，以此来扩大算法的搜索空间，寻找那些可能存在最优解的解空间，增加更优路径的可能性，避免在算法初期搜索集中在较优的几条路径，陷入局部最优；在迭代过程N中动态增加p的值，使算法在搜索过程中逐步集中在搜索到的较优路径上，加快算法收敛。
Figure BDA0002636624460000081
(ii)信息素增量
随着迭代的进行，在经过的道路上信息素增量不断更新，蚂蚁在易于寻找最优路径的同时也被增加了干扰。为了区分较优路径和其他路径，本发明设计自适应调节因子动态增加较优路径上的信息素，缩短搜索时间，提高收敛速度。动态自适应调节因子
Figure BDA0002636624460000082
随着迭代次数N的增加，最终值逐步趋近于1。信息素增量△τij(t)可表示为：
Figure BDA0002636624460000083
此时τij(t+1)可写成：
Figure BDA0002636624460000084
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于，路径优化方法包括如下步骤：
步骤(1)：在天气状况基础上，构造不同时间段车速特征模型，以车辆固定成本、运输成本、货损成本、制冷成本和碳排放成本组成的总成本最小化为目标，确定客户与冷藏配送中心距离、客户之间距离、客户需求量和时间窗等约束条件；
步骤(2)：初始化蚁群算法参数和冷链物流配送成本模型向量参数；
步骤(3)：利用改进蚁群算法对配送成本进行优化，当所有蚂蚁完成一次路径搜索时，计算所有路径长度与优化成本，并对其进行保存，进行下一次的全局信息素更新；
步骤(4)：利用改进蚁群算法进行求解时，动态改进信息素衰减系数和信息素增量更新规则，以此不断调整信息素，扩大最优解搜索空间，确定最优路径和最优目标函数值。
2.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(1)中，车速特征模型：
Figure FDA0002636624450000011
其中，车速影响率μi∈[0,1]，对应晴天、雨天、雪天和雾天等不同天气状况车速影响率，sv代表不同天气状况的车速，v是正常行驶车速，[1-(±At±B)]是不同时间段车速影响率，其中A、B是常数，t是时间段。
3.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：
所述步骤(1)中，车辆固定成本：
Figure FDA0002636624450000012
所述步骤(1)中，运输成本：
Figure FDA0002636624450000013
所述步骤(1)中，货损成本：
Figure FDA0002636624450000021
所述步骤(1)中，制冷成本：
Figure FDA0002636624450000022
所述步骤(1)中，碳排放成本：
Figure FDA0002636624450000023
所述步骤(1)中，总成本最小化为MinZ＝C1+C2+C3+C4+C5。
4.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(1)中约束条件为：
条件a：顾客货物需求量和时间窗要求已知；
条件b：所有的冷藏车分配任务完成后必须返回仓库，每个客户都能且只被访问一次；
条件c：冷藏车的载重量有限；
条件d：车辆在运送途中会因为时间原因导致产品变质，产生货损成本；
条件e：配送过程中不存在缺货和中途收货等其它特殊状况。
5.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(2)中初始化蚁群算法参数和冷链物流配送成本模型向量参数包括：信息素重要程度系数α、启发式重要程度系数β、信息素增强系数Q、最大迭代次数N_max、蚂蚁总量m、配送中心车辆总数L、第k辆车的固定成本fk、客户数量M、第k辆车从客户i到客户j每公里所花费的费用
Figure FDA0002636624450000024
客户i到客户j之间的距离dij、单位重量货物的价格pu、客户i的货物需求量qi、车辆行驶过程中货物的腐败率δ1、车辆在卸货时间内的货物腐败率δ2、车辆送完客户i后车上所剩的货物量Qi、车辆在客户i停留时间Si、单位时间运输过程中的制冷成本ps、单位时间卸货过程中的制冷成本pX、车辆k从客户i到客户j停留时间
Figure FDA0002636624450000025
车辆最大载重量q、车速v、车辆行驶过程中单位距离油耗u1、车辆制冷设备单位货物、单位时间油耗u2、碳排放系数E、碳税价格Pr，λk、
Figure FDA0002636624450000026
xik为0-1变量，分别表示第k辆车是否被使用，第k辆车是否从客户i行驶到客户j,第k辆车是否为客户i服务。
6.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(3)中进行全局信息素更新时，信息素增量模型为Ant Cycle System(ACS)模型：
Figure FDA0002636624450000031
7.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(3)和步骤(4)中改进蚁群算法具体步骤为：
①设定算法初始值；
②建立禁忌表，在禁忌表中把物流配送中心设置为蚂蚁们的初始位置；
③设定迭代次数N＝N+1，执行各步骤；
④根据公式计算m只蚂蚁的转移概率，车辆在送货过程中应满足约束条件；车辆在当前路径上选择当前客户外的另一客户点，然后将其置于当前路径中，另一客户点不能再被别的路径车辆所选择；若找不到满足运输车辆约束条件的下一个节点时，车辆则返回物流配送中心；
⑤如果m只蚂蚁遍历了所有客户点，得出数条以配送中心为起点并且满足约束条件的闭合路径，计算配送成本并对路径进行保存；
⑥动态更新信息素与禁忌表；
⑦对迭代次数进行判断，如果达到预先设置最大值，则停止迭代，输出最优结果，否则禁忌表清零，转到步骤③。
8.根据权利要求1所述的一种基于改进蚁群算法的冷链物流路径优化方法，其特征在于：所述步骤(4)中信息素衰减系数更新规则为：在算法迭代初期给信息素衰减系数p一个较小的值，以此来扩大算法的搜索空间，寻找那些可能存在最优解的解空间，增加更优路径的可能性，避免在算法初期搜索集中在较优的几条路径，陷入局部最优；在迭代过程N中动态增加p的值，使算法在搜索程中逐步集中在搜索到的较优路径上，信息素变化可表示为：
Figure FDA0002636624450000032
所述步骤(4)中信息素增量更新规则为：为区分较优路径和其他路径，设计自适应调节因子动态增加较优路径上的信息素，缩短搜索时间，提高收敛速度；动态自适应调节因子
Figure FDA0002636624450000033
随着迭代次数N的增加，最终值逐步趋近于1；信息素增量△τij(t)为:
Figure FDA0002636624450000034
CN202010827122.3A 2020-08-17 2020-08-17 一种基于改进蚁群算法的冷链物流路径优化方法 Pending CN111967668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010827122.3A CN111967668A (zh) 2020-08-17 2020-08-17 一种基于改进蚁群算法的冷链物流路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010827122.3A CN111967668A (zh) 2020-08-17 2020-08-17 一种基于改进蚁群算法的冷链物流路径优化方法

Publications (1)

Publication Number Publication Date
CN111967668A true CN111967668A (zh) 2020-11-20

Family

ID=73388196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010827122.3A Pending CN111967668A (zh) 2020-08-17 2020-08-17 一种基于改进蚁群算法的冷链物流路径优化方法

Country Status (1)

Country Link
CN (1) CN111967668A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598258A (zh) * 2020-12-17 2021-04-02 西北农林科技大学 一种最先一公里中的多类型预冷服务资源调度优化方法
CN112633555A (zh) * 2020-11-30 2021-04-09 科技谷（厦门）信息技术有限公司 一种物流运输方案的优化方法及系统
CN113011644A (zh) * 2021-03-11 2021-06-22 华南理工大学 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN113222520A (zh) * 2021-06-16 2021-08-06 江苏佳利达国际物流股份有限公司 一种基于蚁群算法的货物优化配送方法及系统
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法
CN113408922A (zh) * 2021-06-29 2021-09-17 昆明理工大学 一种餐厨垃圾回收过程的车辆优化调度方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114154394A (zh) * 2021-11-03 2022-03-08 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
TWI769928B (zh) * 2021-09-24 2022-07-01 國立陽明交通大學 餐飲線上配送系統之系統可靠度評估方法
CN114781966A (zh) * 2022-04-08 2022-07-22 重庆大学 物流配送路径规划方法、装置、设备及存储介质
CN114971089A (zh) * 2022-07-27 2022-08-30 湖南创亚信息科技有限公司 基于改进后蚁群算法的传统经销商最优配送路线优化系统
CN115562265A (zh) * 2022-09-29 2023-01-03 哈尔滨理工大学 一种基于改进a*算法的移动机器人路径规划方法
CN115829183A (zh) * 2023-02-22 2023-03-21 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质
CN116167680A (zh) * 2023-04-26 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能流控方法
CN116167687A (zh) * 2023-04-25 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能调度方法
CN116187896A (zh) * 2023-04-28 2023-05-30 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN116415884A (zh) * 2023-04-11 2023-07-11 红云红河烟草(集团)有限责任公司 一种面向烟草工业的车辆调度及路径规划方法和系统
CN117313977A (zh) * 2023-11-28 2023-12-29 深圳大学 一种基于改进蚁群算法的运输路径优化方法及系统

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633555A (zh) * 2020-11-30 2021-04-09 科技谷（厦门）信息技术有限公司 一种物流运输方案的优化方法及系统
CN112633555B (zh) * 2020-11-30 2023-06-20 集美大学 一种物流运输方案的优化方法
CN112598258A (zh) * 2020-12-17 2021-04-02 西北农林科技大学 一种最先一公里中的多类型预冷服务资源调度优化方法
CN112598258B (zh) * 2020-12-17 2023-04-07 西北农林科技大学 一种最先一公里中的多类型预冷服务资源调度优化方法
WO2022188388A1 (zh) * 2021-03-11 2022-09-15 华南理工大学 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN113011644A (zh) * 2021-03-11 2021-06-22 华南理工大学 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN113222520A (zh) * 2021-06-16 2021-08-06 江苏佳利达国际物流股份有限公司 一种基于蚁群算法的货物优化配送方法及系统
CN113343575A (zh) * 2021-06-21 2021-09-03 太原科技大学 基于改进蚁群算法的多目标车辆路径优化方法
CN113408922A (zh) * 2021-06-29 2021-09-17 昆明理工大学 一种餐厨垃圾回收过程的车辆优化调度方法
TWI769928B (zh) * 2021-09-24 2022-07-01 國立陽明交通大學 餐飲線上配送系統之系統可靠度評估方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114154394B (zh) * 2021-11-03 2024-02-20 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN114154394A (zh) * 2021-11-03 2022-03-08 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN114781966A (zh) * 2022-04-08 2022-07-22 重庆大学 物流配送路径规划方法、装置、设备及存储介质
CN114781966B (zh) * 2022-04-08 2024-04-12 重庆大学 物流配送路径规划方法、装置、设备及存储介质
CN114971089A (zh) * 2022-07-27 2022-08-30 湖南创亚信息科技有限公司 基于改进后蚁群算法的传统经销商最优配送路线优化系统
CN115562265A (zh) * 2022-09-29 2023-01-03 哈尔滨理工大学 一种基于改进a*算法的移动机器人路径规划方法
CN115562265B (zh) * 2022-09-29 2024-01-05 哈尔滨理工大学 一种基于改进a*算法的移动机器人路径规划方法
CN115829183A (zh) * 2023-02-22 2023-03-21 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质
CN116415884A (zh) * 2023-04-11 2023-07-11 红云红河烟草(集团)有限责任公司 一种面向烟草工业的车辆调度及路径规划方法和系统
CN116167687B (zh) * 2023-04-25 2023-06-27 成都运荔枝科技有限公司 一种冷链系统智能调度方法
CN116167687A (zh) * 2023-04-25 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能调度方法
CN116167680A (zh) * 2023-04-26 2023-05-26 成都运荔枝科技有限公司 一种冷链系统智能流控方法
CN116187896B (zh) * 2023-04-28 2023-07-14 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN116187896A (zh) * 2023-04-28 2023-05-30 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN117313977A (zh) * 2023-11-28 2023-12-29 深圳大学 一种基于改进蚁群算法的运输路径优化方法及系统

Similar Documents

Publication Publication Date Title
CN111967668A (zh) 一种基于改进蚁群算法的冷链物流路径优化方法
CN113343575B (zh) 基于改进蚁群算法的多目标车辆路径优化方法
CN113011644B (zh) 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及系统
CN107578128B (zh) 基于免疫粒子群算法的跨级配送网络规划方法
Guo et al. A three-dimensional ant colony optimization algorithm for multi-compartment vehicle routing problem considering carbon emissions
CN115907254A (zh) 一种基于进化的多目标强化学习的车辆路线规划方法
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN114444809A (zh) 一种数据驱动下的多目标露天矿卡路径优化方法
Wu et al. A New Route Optimization Approach of Fresh Agricultural Logistics Distribution.
Su et al. Path optimization of fresh products logistics distribution under new retail mode
Wang et al. Optimization of distribution path considering cost and customer satisfaction under new retail modes
CN115222327A (zh) 城市冷链物流车辆路径优化方法、系统及存储介质
Fu et al. Resource scheduling method for optimizing the distribution path of fresh agricultural products under low-carbon environmental constraints
Cui et al. A time-dependent vehicle routing problem for instant delivery based on memetic algorithm
Fang et al. Research on long-distance cold chain logistics route optimization considering transport vibration and refrigerant carbon emission
CN113988570A (zh) 一种基于多目标进化算法的旅游大巴车调度优化方法
Li et al. Research on optimization of cold chain logistics distribution path of fresh agricultural products
CN113237489A (zh) 一种基于改进2-opt蚁群算法的车辆路径规划方法
CN111915074A (zh) 一种基于改进粒子群算法的冷链物流车辆路径选择方法
CN117973988A (zh) 一种考虑碳排放的多目标物流路径优化方法及系统
Wushuang et al. Research on optimization of joint distribution of cold chain logistics adopts carbon emission
Gao et al. Research on cold chain distribution optimal path considering congestion coefficient and ant colony algorithm
Hou Research on E-commerce Logistics Distribution Path Optimization Based on Ant Colony Algorithm

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