CN112232602A - 一种大规模节点的物流配送路径优化方法及系统 - Google Patents
一种大规模节点的物流配送路径优化方法及系统 Download PDFInfo
- Publication number
- CN112232602A CN112232602A CN202011301884.6A CN202011301884A CN112232602A CN 112232602 A CN112232602 A CN 112232602A CN 202011301884 A CN202011301884 A CN 202011301884A CN 112232602 A CN112232602 A CN 112232602A
- Authority
- CN
- China
- Prior art keywords
- nodes
- transportation
- logistics distribution
- path
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 108090000623 proteins and genes Proteins 0.000 claims description 18
- 238000005215 recombination Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (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
本发明涉及一种大规模节点的物流配送路径优化方法及系统。该方法包括：根据运送节点和各运送节点之间的运输成本生成初始种群，种群中每个个体代表随机产生的一条路径；确定成本最小的目标优化函数；采用差分分组方法对运送节点进行相关性分组；保持其他节点不变，对每一组节点进行协同优化，得到多个路径；计算各路径的适应度函数值，适应度函数为目标优化函数；判断当前评价次数是否大于最大评价次数；若是，则输出最终适应度最小的路径，即成本最小的物流配送路径方案，若否，则重新确定路径。本发明能够解决采用人为划分节点区域的随机性、不确定性，容易陷入局部最优解，无法最大程度减少运输成本的问题。
Description
技术领域
本发明涉及物流配送路径优化领域，特别是涉及一种大规模节点的物流配送路径优化方法及系统。
背景技术
物流配送路径优化的目标是在有限时间内能找出一条最佳路径，使得路径能经过所有必经物流节点且代价总和最小。虽然路径优化问题研究广泛，但是大规模节点的路径优化却尚未得到较好地解决。因为随着路径节点的增加，获得全局最优解需要搜索的组合数呈指数级上升，传统的优化方法易陷入局部最优解。目前，处理大规模节点的路径优化常用的方法是把大规模的节点根据它们的聚集距离，人为将节点划分为若干区域，分别对每一个小规模区域单独用Djkstra或蚁群算法等进行优化，因为人为划分节点的不确定性，这样得到的优化路径往往是局部最优的。
发明内容
本发明的目的是提供一种大规模节点的物流配送路径优化方法及系统，以解决采用人为划分节点区域的随机性、不确定性，容易陷入局部最优解，无法最大程度减少运输成本的问题。
为实现上述目的，本发明提供了如下方案：
一种大规模节点的物流配送路径优化方法，包括：
构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；
根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径；
确定成本最小的目标优化函数；
采用差分分组方法对所述运送节点进行相关性分组；
保持其他节点不变，对每一组节点进行协同优化，得到多个路径；
计算各所述路径的适应度函数值，所述适应度函数为目标优化函数；
判断当前评价次数是否大于最大评价次数；
若是，则输出最终适应度最小的路径，即成本最小的物流配送路径方案，
若否，则“保持其他节点不变，对每一组节点进行协同优化，得到多个路径”。
可选地，所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
可选地，所述根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，具体包括：
根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。
可选地，所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。
可选地，所述保持其他节点不变，对每一组节点进行协同优化，得到多个路径，具体包括：
保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
一种大规模节点的物流配送路径优化系统，包括：
节点关系网构建模块，用于构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；
种群初始模块，用于根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径；
目标优化函数确定模块，用于确定成本最小的目标优化函数；
分组模块，用于采用差分分组方法对所述运送节点进行相关性分组；
协同优化模块，用于保持其他节点不变，对每一组节点进行协同优化，得到多个路径；
适应度函数计算模块，用于计算各所述路径的适应度函数值，所述适应度函数为目标优化函数；
判断模块，用于判断当前评价次数是否大于最大评价次数；
物流配送路径方案输出模块，用于在当前评价次数大于最大评价次数时，输出最终适应度最小的路径，即成本最小的物流配送路径方案，
返回模块，用于在当前评价次数小于或等于最大评价次数时，返回协同优化模块。
可选地，所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
可选地，所述种群初始模块，具体包括：
种群初始单元，用于根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。
可选地，所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。
可选地，所述协同优化模块，具体包括：
协同优化单元，用于保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种大规模节点的物流配送路径优化方法及系统，该方法包括构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径；采用差分分组方法对所述运送节点进行相关性分组；保持其他节点不变，对每一组节点进行协同优化，得到多个路径；确定成本最小的目标优化函数；计算各所述路径的适应度函数值；判断当前评价次数是否大于最大评价次数；若是，则输出最终适应度最小的路径，即成本最小的物流配送路径方案，若否，则“保持其他节点不变，对每一组节点进行协同优化，得到多个路径”。本发明能够在大规模节点的物流配送路径优化中，找到一条最佳的路径并极大地减少运输成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明大规模节点的物流配送路径优化方法流程图；
图2为本发明协同进化分组示意图；
图3为本发明大规模节点的物流配送路径优化系统结构图。
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，所描述的实施例仅仅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。
本发明的目的是提供一种大规模节点的物流配送路径优化方法及系统，以解决采用人为划分节点区域的随机性、不确定性，容易陷入局部最优解，无法最大程度减少运输成本的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明大规模节点的物流配送路径优化方法流程图。如图1所示，一种大规模节点的物流配送路径优化方法包括：
步骤101：构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本。所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
步骤102：根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径，具体包括：
根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。例如：每个所述个体包含的路线节点(5-1-7-8-9-4-6-2-3)可以直接表示为(5 1 7 8 9 4 6 2 3)。
步骤103：确定成本最小的目标优化函数。
步骤104：采用差分分组方法对所述运送节点进行相关性分组。
采用差分分组方法对节点进行两两关系探测，找出它们的相关性，对于函数f(x)＝f(x1,x2,...,xn)，其中变量x是一个n维变量，表示n个节点。根据基于差分分组的大规模协同优化，定义任意两个变量相关性如下：两个决策变量xi,xj是互相干扰的，如果存在以下变量x，a1,a2,b1和b2，并且满足以下条件：
其中，
探测完整的n维变量关系，将变量分为m组。
步骤105：保持其他节点不变，对每一组节点进行协同优化，得到多个路径，具体包括：
保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
将节点进行分为m组后，对于分组后的子问题，保持其他节点不变，对每一组节点，采用部分匹配交叉的方式进行基因重组。从两个父代个体染色体中随机抽取两个点作为交叉点，两个交叉点之间即为匹配段，将两个父代匹配段中的基因座全部交换，然后根据匹配段中决定的映射关系推导出剩余的基因。具体步骤如下：
例如，对如下两个父代个体，随机选择两个交叉点“|”进行部分交叉匹配。
父个体p1：(1 2 3|4 5 6 7|8 9)
父个体p2：(9 8 7|6 5 4 3|2 1)
第一步，把两个交叉点之间的匹配段交换，得到：
临时子个体t1:(x x x|6 5 4 3|x x)
临时子个体t2:(x x x|4 5 6 7|x x)
接下来，就可以根据中间段的映射关系确定该位置x的节点基因编码。
第二步，对临时子个体t1、临时子个体t2中的x部分，分别保留从其父个体中未选定节点的基因编码1,2,8,9，得到：
临时子个体t3:(1 2 x|6 5 4 3|8 9)
临时子个体t4:(9 8 x|4 5 6 7|2 1)
第三步，最后，找到t3第一个尚不确定的基因位置i和t4第一个尚不确定的基因位置j，将i、j位置上原来的基因编码互换即可，依次类推直至没有不确定的基因。最终针对父个体p1、p2进行部分匹配交叉可以得到的子个体为：
o1(1 2 7 6 5 4 3 8 9)
o2(9 8 3 4 5 6 7 2 1)
对于分组后的子问题，保持其他节点不变，对每一组节点，采用交换操作进行变异。遗传算法解决物流配送路径优化基于二进值编码的变异操作不能适用，不能够由简单的变量的翻转来实现，在物流配送路径优化中个体的编码是大规模节点的序列，随机的在这个序列抽取两个节点，然后交换它们的位置。这样就实现了个体编码的变异，算法如下：产生两个0到1之间的随机实数；将这两个随机实数转化为0到n-1(其中，n为节点数)之间的随机整数；将这两个随机整数指代的节点进行交换。图2为本发明协同进化分组示意图。
步骤106：计算各所述路径的适应度函数值，所述适应度函数为目标优化函数。
所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。适应度值越大，优先进入下一代。
在完成步骤106完成后，可以得到N个子代个体。对每一组节点采用特定的进化算法优化评估FEs次将该组节点优化到当前最优，并将最优值代入下一组迭代，直至达到预先设定的最大评价次数mFEs。
步骤106用于计算个体适应度值，比较适应度值，保留适应度值大的前N个精英个体优先进入下一代。
步骤107：判断当前评价次数是否大于最大评价次数；
步骤108：若是，则输出最终适应度最小的路径，即成本最小的物流配送路径方案，
步骤109：若否，则“保持其他节点不变，对每一组节点进行协同优化，得到多个路径”。
图3为本发明大规模节点的物流配送路径优化系统结构图。如图3所示，一种大规模节点的物流配送路径优化系统包括：
节点关系网构建模块201，用于构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
种群初始模块202，用于根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径。
目标优化函数确定模块203，用于确定成本最小的目标优化函数。
分组模块204，用于采用差分分组方法对所述运送节点进行相关性分组。
协同优化模块205，用于保持其他节点不变，对每一组节点进行协同优化，得到多个路径。
适应度函数计算模块206，用于计算各所述路径的适应度函数值，所述适应度函数为目标优化函数。
判断模块207，用于判断当前评价次数是否大于最大评价次数。
物流配送路径方案输出模块208，用于在当前评价次数大于最大评价次数时，输出最终适应度最小的路径，即成本最小的物流配送路径方案。
返回模块209，用于在当前评价次数小于或等于最大评价次数时，返回协同优化模块。
所述种群初始模块202，具体包括：
种群初始单元，用于根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。
可选地，所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。
所述协同优化模块204，具体包括：
协同优化单元，用于保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
实施例1：
本发明创造提供了一种大规模节点的物流配送路径优化方法，具体解释步骤如下：
(1)建立节点关系网：物流配送路径的节点数假设为n，则将这n个节点抽象成决策变量个数n，n可以大于1000，并给定序号，将序号成决策变量，并设置约束条件，路径表示是表示旅程对应的基因编码的最自然，最简单的表示方法。它在编码、解码以及存储过程中相对容易理解和实现。例如：路线(5-1-7-8-9-4-6-2-3)可以直接表示为(517894623)，并采用协同进化算法进行迭代优化，寻找最优值，整体算法流程如下：
step 1：参数设置：初始化种群P，最大循环次数cycle，子问题评估次数FEs
step 2：随机初始化种群P
step 3：set i＝1，开始一个cycle
step 4：采用分解策略(分组策略)将个体的向量分解成m个低维问题
step 5：对于分组后的子问题，采取特定的进化算法优化评估FEs次
step 6：当i<m时，跳到step 1
step 7：一个cycle优化完毕意味着m个子组单独优化完毕，此时合并评估
step 8：如果终止条件满足，则停止；否则跳回Step3重新开始一轮cycle。
(2)设置种群数量N＝100、最大评估次数mFEs＝100000、最大循环次数cycles＝20，交叉概率0.9、变异概率0.1，用户自动设置起点和终点；
(3)随机初始化种群，N一般取值100，每个个体其基因就代表一个路线，对应决策变量x1,x2,...,xn；
(4)设定算法评价的适应度函数，用于后边迭代的精英选择策略，函数Dist为任意两个决策变量之间的距离；
(5)将cycle设置为1，开始一个循环；
(6)采用差分分组方法对决策变量进行两两关系探测，找出它们的相关性，两个决策变量xi,xj是互相干扰的，如果存在以下变量x,a1,a2,b1和b2，并且满足以下条件：
其中，
将变量进行分为m组。对于分组后的子问题，采取某个基本的遗传算法优化评估FEs次；
(7)基于路径表示的编码方法，要求一个个体的染色体编码中不允许有重复的基因码，这里采用部分匹配交叉操作要求随机选取两个交叉点，以便确定一个匹配段，根据两个父个体中两个交叉点之间的中间段给出的映射关系生成两个子个体；
比如优化第一个分组时，其它决策变量保持不变，将该组决策变量优化到当前最优，并将最优值代入下一组迭代；
(8)步骤(7)优化m次，直到所有分组都优化完毕；
(9)所有分组优化完毕后，则再次进行整体优化；
(10)根据步骤(3)计算目标函数，根据适应度值，保留精英个体进入下一代；
(11)如果循环次数小于cycles，则返回步骤(4)，cycle＝cycle+1；
(12)如果超过最大评估次数，找出此时种群中适应度值最小的个体，即为最优解，即成本最小的物流配送路径方案。
本发明与现有技术相比，具有下列优点：
(1)本发明能够在大规模节点的物流配送路径优化中，找到一条最佳的路径并极大地减少运输成本。
(2)本发明采用差分的自动分解策略，揭示决策变量底层的交互结构，并且按此形成的子部分间的依赖关系达到最小，这样可以完美适用协同进化算法。具体过程如下：由检测每一个决策变量与所有其他决策变量两两之间的相互作用开始。如果检测到某一变量和任何其他变量之间的交互，从所有决策变量的集合中将其排除并把它放到某个子部分，不断重复该过程直到所有与该变量交互的其他变量被检测出来。如果现有的子部分没有检测到交互，那么该变量在检查中被认为是一个可分离变量。不断重复这个过程，直到所有决策变量检测完毕。
(3)本发明采用自然编码的方式，简化了大规模节点的物流配送的路径优化。
(4)本发明采用部分匹配交叉的方式进行产生子代，因为基于路径表示的编码方法，要求一个个体的染色体编码中不允许有重复的基因码，也就是说要满足任意一个节点必须而且只能访问一次的约束。基本遗传算法的交叉操作生成的个体一般不能满足这一约束条件。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种大规模节点的物流配送路径优化方法，其特征在于，包括：
构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；
根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径；
确定成本最小的目标优化函数；
采用差分分组方法对所述运送节点进行相关性分组；
保持其他节点不变，对每一组节点进行协同优化，得到多个路径；
计算各所述路径的适应度函数值，所述适应度函数为目标优化函数；
判断当前评价次数是否大于最大评价次数；
若是，则输出最终适应度最小的路径，即成本最小的物流配送路径方案，
若否，则“保持其他节点不变，对每一组节点进行协同优化，得到多个路径”。
2.根据权利要求1所述的大规模节点的物流配送路径优化方法，其特征在于，所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
3.根据权利要求1所述的大规模节点的物流配送路径优化方法，其特征在于，所述根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，具体包括：
根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。
4.根据权利要求1所述的大规模节点的物流配送路径优化方法，其特征在于，所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。
5.根据权利要求1所述的大规模节点的物流配送路径优化方法，其特征在于，所述保持其他节点不变，对每一组节点进行协同优化，得到多个路径，具体包括：
保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
6.一种大规模节点的物流配送路径优化系统，其特征在于，包括：
节点关系网构建模块，用于构建节点关系网，所述节点关系网包括：物流配送路径的所有运送节点以及所述运送节点两两之间的运输成本；
种群初始模块，用于根据所述运送节点和各所述运送节点之间的运输成本生成初始种群，所述种群中每个个体代表随机产生的一条路径；
目标优化函数确定模块，用于确定成本最小的目标优化函数；
分组模块，用于采用差分分组方法对所述运送节点进行相关性分组；
协同优化模块，用于保持其他节点不变，对每一组节点进行协同优化，得到多个路径；
适应度函数计算模块，用于计算各所述路径的适应度函数值，所述适应度函数为目标优化函数；
判断模块，用于判断当前评价次数是否大于最大评价次数；
物流配送路径方案输出模块，用于在当前评价次数大于最大评价次数时，输出最终适应度最小的路径，即成本最小的物流配送路径方案，
返回模块，用于在当前评价次数小于或等于最大评价次数时，返回协同优化模块。
7.根据权利要求6所述的大规模节点的物流配送路径优化系统，其特征在于，所述运输成本包括人工成本、燃油成本、维护成本以及管理成本。
8.根据权利要求6所述的大规模节点的物流配送路径优化系统，其特征在于，所述种群初始模块，具体包括：
种群初始单元，用于根据所述运送节点和各所述运送节点之间的运输成本，采用大规模协同进化算法生成初始种群，所述种群中包含N个个体，每个所述个体有n个决策变量，每个所述个体代表一条经过所有运送节点的路径，每个所述个体均采用自然编码。
9.根据权利要求6所述的大规模节点的物流配送路径优化系统，其特征在于，所述适应度函数值的计算公式为：
其中Dist为任意两个决策变量之间的距离，即任意两个运送节点之间的运输成本，n是决策变量个数，即节点个数，wj代表任意一个节点j，其中1≤j≤n。
10.根据权利要求6所述的大规模节点的物流配送路径优化系统，其特征在于，所述协同优化模块，具体包括：
协同优化单元，用于保持其他节点不变，对每一组节点采用匹配交叉的方式进行基因重组和交换操作进行变异，得到多个路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011301884.6A CN112232602A (zh) | 2020-11-19 | 2020-11-19 | 一种大规模节点的物流配送路径优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011301884.6A CN112232602A (zh) | 2020-11-19 | 2020-11-19 | 一种大规模节点的物流配送路径优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112232602A true CN112232602A (zh) | 2021-01-15 |
Family
ID=74123872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011301884.6A Pending CN112232602A (zh) | 2020-11-19 | 2020-11-19 | 一种大规模节点的物流配送路径优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232602A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256002A (zh) * | 2021-05-26 | 2021-08-13 | 贵州省烟草公司贵阳市公司 | 基于差分进化的卷烟配送路径处理方法 |
| CN117236545A (zh) * | 2023-11-14 | 2023-12-15 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
| CN117649172A (zh) * | 2023-12-08 | 2024-03-05 | 中捷通信有限公司 | 针对物流监控对象的数据动态编码方法、装置及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
| 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 |
| CN105868850A (zh) * | 2016-03-28 | 2016-08-17 | 同济大学 | 一种基于种群合作进化算法的产品变更设计方法 |
| 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 |
| CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
| CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
-
2020
- 2020-11-19 CN CN202011301884.6A patent/CN112232602A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
| 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 |
| CN105868850A (zh) * | 2016-03-28 | 2016-08-17 | 同济大学 | 一种基于种群合作进化算法的产品变更设计方法 |
| 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 |
| CN107169594A (zh) * | 2017-04-25 | 2017-09-15 | 深圳大学 | 一种车辆路径问题的优化方法及装置 |
| CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘载文 著: "水环境系统智能化软测量与控制方法", 31 March 2013, 北京：中国轻工业出版社, pages: 99 - 102 * |
| 郑金华 等: "决策空间定向搜索的高维多目标优化策略", 软件学报, pages 2686 - 2704 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256002A (zh) * | 2021-05-26 | 2021-08-13 | 贵州省烟草公司贵阳市公司 | 基于差分进化的卷烟配送路径处理方法 |
| CN117236545A (zh) * | 2023-11-14 | 2023-12-15 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
| CN117236545B (zh) * | 2023-11-14 | 2024-02-23 | 西安芝麻数据科技发展有限公司 | 基于大数据的物流运输路径规划系统及方法 |
| CN117649172A (zh) * | 2023-12-08 | 2024-03-05 | 中捷通信有限公司 | 针对物流监控对象的数据动态编码方法、装置及电子设备 |
| CN117649172B (zh) * | 2023-12-08 | 2024-05-03 | 中捷通信有限公司 | 针对物流监控对象的数据动态编码方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232602A (zh) | 一种大规模节点的物流配送路径优化方法及系统 | |
| CN108334949B (zh) | 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法 | |
| Ciornei et al. | Hybrid ant colony-genetic algorithm (GAAPI) for global continuous optimization | |
| CN112035116B (zh) | 多目标编译优化序列选择的代理建模方法 | |
| Hassanzadeh et al. | Two new meta-heuristics for a bi-objective supply chain scheduling problem in flow-shop environment | |
| Li et al. | Efficient path planning method based on genetic algorithm combining path network | |
| CN112561039A (zh) | 一种改进的基于超网络的进化神经网络架构搜索方法 | |
| Ljubic | Exact and memetic algorithms for two network design problems | |
| CN112270398B (zh) | 一种基于基因编程的集群行为学习方法 | |
| Wang | An improved nondominated sorting genetic algorithm for multiobjective problem | |
| CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
| Liu et al. | X-architecture Steiner minimal tree algorithm based on multi-strategy optimization discrete differential evolution | |
| Karas et al. | A genetic algorithm approach for finding the shortest driving time on mobile devices | |
| Lamiable et al. | An algorithmic game-theory approach for coarse-grain prediction of RNA 3D structure | |
| Broni-Bediako et al. | Evolutionary NAS with gene expression programming of cellular encoding | |
| CN116933485A (zh) | 一种遗传贪心组合算法的装配序列规划方法 | |
| Li et al. | Multiobjective evolutionary optimisation for adaptive product family design | |
| Yandra et al. | A new multiobjective genetic algorithm with heterogeneous population for solving flowshop scheduling problems | |
| CN102799940A (zh) | 基于遗传算法和先验知识的网络社区划分方法 | |
| CN111784529A (zh) | 一种基于重叠社团检测的社交网络优质用户识别方法 | |
| Sivaraj et al. | An efficient grouping genetic algorithm | |
| Fernandes et al. | A multi-agent transgenetic algorithm for the bi-objective spanning tree problem | |
| Al-Absi et al. | Introduce a specific process of genetic algorithm through an example | |
| Yan et al. | A hybrid method combining genetic algorithm and Hooke-Jeeves method for 4PLRP | |
| CN116882305B (zh) | 基于预搜索加速的二氧化碳水气交替驱油多目标优化方法 |
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 |