CN112417604B - 一种基于多目标优化的电动汽车配送任务自适应分配方法 - Google Patents
一种基于多目标优化的电动汽车配送任务自适应分配方法 Download PDFInfo
- Publication number
- CN112417604B CN112417604B CN202011410857.2A CN202011410857A CN112417604B CN 112417604 B CN112417604 B CN 112417604B CN 202011410857 A CN202011410857 A CN 202011410857A CN 112417604 B CN112417604 B CN 112417604B
- Authority
- CN
- China
- Prior art keywords
- path
- point
- generation
- formula
- distribution
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000000349 chromosome Anatomy 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 108091026890 Coding region Proteins 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明公开了一种基于多目标优化的电动汽车配送任务自适应分配方法,包括:S1、假设在仓库内有一批相同的电动汽车,要将全部配送任务分配给电动汽车;规划配送路径的同时考虑充电设施选址,构建电动汽车任务分配多目标优化模型;S2、设计适用于路径规划和充电决策联合优化的染色体混合编码方案;S3、基于学习机制的多目标进化算法挖掘迭代进程历史信息;S4、插值拟合历史优秀解的进化轨迹预测潜在最优解的路径模式;S5、构建路径规划与选址方案的对应关系获取给定路径下的最优选址方案。本发明能对车辆运输配送路径和充电设施选址同时进行优化,从而能产生一组各个方面均优的分配方案,以根据实际情况选择合适的实施方案。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其涉及一种电动汽车配送任务自适应分配的求解方法。
背景技术
伴随着全球经济的高速发展,能源短缺、环境污染等问题越发严重。绿色物流以降低对环境污染、减少资源消耗为目标,实现经济可持续发展,受到各国政府和国际组织的倡导。电动汽车因清洁节能的显著优势,逐步成为绿色物流配送中重要的新能源交通工具。其中,配送任务过程中的充电设施选址与路径规划对电动汽车的发展具有重大影响。电动汽车路径规划不当,会增加额外的交通成本以及用户体验差等问题;同时配套的充电设施选址不当会造成电动汽车绕行去充电,影响电动汽车的使用效率,从而影响电动汽车的推广和使用。
在电动汽车配送任务的场景中,如图1所示,假设在仓库内有一批型号、容量约束、电量约束等均一致的电动汽车,需要将区域内全部配送任务分配给仓库内的电动汽车;一个任务只能被一辆车所访问,但一辆车能够访问多个任务;电动汽车配送路径规划的过程中根据车辆的电量水平考虑充电设施选址,在全部任务均被访问的前提下,给出多目标最优的电动汽车分配方案。
不同于燃油汽车,电动汽车因现有电池技术的限制,随着电动汽车为不同的客户配送任务,电量会随着行驶的里程而消耗,使得无法支持车辆跑完全程,需要配套的充电设施进行充电补给,以使车辆有足够的电量返回仓库。因此,需要优化的目标更多,包括总行驶距离最小、车辆数最少、充电站数最少。相比传统的采用加权和的方式将问题转化为单目标的求解方法,无法实现选址和路径联合优化的多个目标的要求。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于多目标优化算法的电动汽车配送任务自适应分配方法,以期能对车辆运输配送路线进行优化,还能确定充电设施的最优数目和位置,从而能产生一组各个方面均优的分配方案,以现节能减排、时间效益、经济效益的均衡最优。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于多目标优化的电动汽车配送任务自适应分配方法的特点是应用于由仓库点、配送任务点即客户需求点以及充电站点所组成的配送环境中,该分配方法包括:
S1、根据电动汽车配送任务的相关数据,构建以总行驶距离、充电站数和车辆数为三个优化目标,以电动汽车容量约束和电量约束为约束条件的电动汽车配送任务约束的多目标优化模型;
S2、构建适用于路径规划和充电决策联合优化的染色体混合编码序列;
S3、基于学习机制的多目标进化算法对所述多目标优化模型进行求解,得到初始分配方案;定义当前迭代次数为t,初始化t=1,将初始分配方案作为第t代分配方案;
S4、根据第t代分配方案和染色体混合编码序列,采用改进的全局差分进化算法对所述多目标优化模型进行求解,得到第t代最优路径分配方案;
S5、采用前馈神经网络模型FNN构建配送路径与设施选址的映射关系模型,从而获取给定路径下的第t代最优选址方案;
S6、将t+1赋值给t后,判断当前迭代次数t是否达到最大迭代次数Tmax,若是,输出最优的电动汽车配送方案解集;否则,执行步骤S4。
本发明所述的基于多目标优化的电动汽车配送任务自适应分配方法的特点也在于,步骤S1包括:
S11、获取相关数据,包括:配送任务点的地理位置分布、充电设施的地理位置分布、电动汽车的电量消耗速度、电动汽车车载电池的最大容量、电动汽车负载最大容量、客户点数、充电设施候选点数;
S12、利用式(1)-式(3)构建电动汽车配送任务约束的多目标优化模型:
F2=∑i∈Ryi (2)
式(1)中,F1为总行驶路径的长度,V0为路径中包括以仓库点为起点的所有点集,V0′为路径中包括以仓库点为终点的所有点集,dij表示为第i个点和第j个点之间的欧几里得距离,xij表示第i个点和第j个点之间是否存在路径,若xij=1表示存在路径,若xij=0表示不存在路径;
式(2)中,F2为充电站数,R为候选充电站,yi表示是否在第i个点建设充电站,若yi=1表示建设,若yi=0表示不建设;
式(3)中,F3为车辆数,x0j表示是否有车辆从仓库点出发,若x0j=1表示有,若x0j=0表示没有;
S13、利用式(4)-式(16)构建任务分配问题的全部约束条件:
∑i∈Ryi≤OUB (7)
0≤f0≤Q (9)
b0=B (14)
式(4)表示每一个配送任务只能被一辆电动汽车访问;式(4)中,C表示配送任务所在的位置点即客户需求点;
式(5)表示电动汽车只能在充电站充电;式(5)中,R表示充电站所在的位置点;
式(6)保证配送任务时的流量守恒原则,有多少出度就要有多少入度;式(6)中,V=C∪R表示配送任务所在的位置点与充电站所在的位置点的集合;
式(7)表示使用的充电站数最多不能超过OUB;式(7)中,OUB表示建设充电站数的上限;
式(8)表示使用的车辆数最多不能超过NUB;式(8)中,NUB表示使用车辆数的上限;
式(9)表示车辆从仓库点出发后负载容量要小于车载最大容量;式(9)中,f0表示在车辆在起点处的容量,Q表示电动汽车最大负载容量;
式(10)表示车辆达到第j个点后车辆的剩余容量,它随着前一个点的需求量而减少;式(10)中,qi表示在第i个客户点上的需求量;fj表示在车辆达到第j个点后车辆的剩余容量;
式(11)表示车辆的电量水平不能超过车载电池的最大电量;式(11)中,bj为车辆到达第j个点后的电量水平;B为车载电池的最大电量;
式(12)表示只有当车辆需要充电时才去充电站进行充电,此时电量一定大于等于0;
式(13)表示车辆到达需求点后的点亮水平,它随着之前路径上的消耗而减少;式(9)中,h为电动汽车单位里程的电量消耗速度;
式(14)表示电动汽车从仓库点出发后车辆满电;式(9)中,b0为车辆从仓库点出发的电量水平;
式(15)表示变量xij只能取值1或0,表示i、j两点之间是否存在路径,xij=1表示存在路径,xij=1表示不存在;
式(16)表示变量yi只能取值1或0,表示是否能在i点建设充电站,yi=1表示建设,yi=0表示不建设。
步骤S2中的染色体混合编码序列是由整数编码路径和二进制编码选址组成;所述整数编码路径表示访问n个客户的路径,所述二进制编码选址表示电动汽车在每个客户点上的充电决策;在所述二进制编码选址中,第i位中的二进制为1表示电动汽车在路径上访问第i个客户后需要充电,否则为0;其中二进制编码选址的编码长度等于整数编码路径的编码长度。
步骤S4中,具体包括:
S41、从第t代分配方案中随机选择两个染色体混合编码序列作为父代;
S42、第t代产生一个随机数,若随机数小于0.5,则执行S43;否则,执行S44;
S43、采用统计学中的插值拟合算法对前t-1代中历史路径分配方案的进化轨迹进行拟合,得到更新后的分配方案作为第t代的最优路径分配方案;
S44、对父代进行PMX交叉,得到子代并作为当前第t代的最优路径分配方案。
步骤S43包括:
S431、判断t=1是否成立,若成立,则执行S432,否则,执行S433;
S432、令S1和S2分别表示初始第0代和第1代所产生的历史分配方案;分别比较S1和S2中整数编码路径上的每个位置,将不同的客户点对作为V向量,并用于交换S2对应的客户点,从而通过差运算V0=S1-S2产生进化轨迹集合,其中,第i个整数编码路径上所产生的第t代进化轨迹集合记为 为第t代第i个参考方向的第k等分点;
S433、基于第t代进化轨迹集合统计第t代的1等分点/>2等分点/>K等分点/>中每一维中出现频次最多的客户点作为相应维的访问客户点,从而得到第t代最优路径分配方案st;
S434、利用式(17)得到第t+1代的第i个参考方向的k等分点
式(17)中,表示[1,n-1]之间的整数,st表示第t代中产生的最优路径分配方案,/>表示对st和/>中整数编码路径上的前L个位置分别做差运算,得到L个V向量用于更新/>
步骤S5中,所述采用代理学习方法对充电设施的优化过程进行建模,具体包括:
S51、第t代再产生一个随机数,若随机数小于0.5,则执行S52-S53,否则,执行S54;
S52、将前t-1代历史分配方案中的整数编码路径作为前馈神经网络模型FNN的输入,将前t-1代历史分配方案中的二进制编码选址作为前馈神经网络模型FNN的输出,对所述前馈神经网络模型FNN进行训练,从而构建配送路径与设施选址的映射关系模型;
基于第t代最优路径分配方案st,利用映射关系模型预测出第t代全局最优选址locationt,若所述第t代全局最优选址locationt中的当前位置输出为1,则表示在相应位置插入最优充电设施;
S53、判断第t代全局最优选址locationt是否可行,若可行,则作为给定路径下的第t代最优选址方案,否则,使用迭代贪婪算法对第t代全局最优选址locationt进行修复,使得在不满足电量约束的位置插入充电站,从而得到给定路径下的第t代最优选址方案;
S54、使用迭代贪婪算法在第t代最优路径分配方案st上进行求解,从而在所有不满足电量约束的位置上确定充电站选址,并得到给定路径下的第t代最优选址方案。
与现有技术相比,本发明的有益效果在于:
本发明在进行配送任务时,采用一种基于多目标优化算法的电动汽车配送任务自适应分配方法,提出的电动汽车优化模型能全面的反映出实际情况,采用路径规划和充电决策联合优化的染色体混合编码方案,来表示实际情况中的分配方案,并通过拟合历史进化轨迹预测最优解路径,不仅能有效反映客户点在配送过程中的分布信息,还可以引导配送路径朝着pareto最优的方向优化,采用代理学习方法构建路径规划与选址方案的对应关系,有利于建设全局最优选址,避免产生不必要的建站成本,对设施选址和路径规划同时进行处理,产生一组各个方面均优的分配方案,反映目标间不同的取舍,有利于物流企业根据实际情况选择合适的实施方案,满足了在绿色物流的大背景下,对节能减排、时间效益、经济效益的更多更高的要求。
附图说明
图1为本发明提出的电动汽车配送任务问题的示意图;
图2为本发明提出的电动汽车配送任务的染色体编码的示意图;
图3为本发明提出的插值拟合法的示意图;
图4为本发明提出的代理模型构建路径与选址对应关系的示意图;
图5为本发明提出的一种基于多目标优化的电动汽车配送任务自适应分配方法的流程示意图;
图6为本发明的100个配送任务的实施例中有9个充电站时所选择充电站的示意图;
图7为本发明的100个配送任务的实施例中有5个充电站时所选择充电站的示意图;
图8为本发明的100个配送任务的实施例中有9个充电站时配送路径的示意图;
图9为本发明的100个配送任务的实施例中有5个充电站时配送路径的示意图。
具体实施方式
本实施例中,一种基于多目标优化的电动汽车配送任务自适应分配方法在基于多目标优化技术求解电动汽车配送任务分配问题,符合物流企业利益、具有重大的现实意义,如图5所示,其步骤包括:
步骤S1,参照图1,问题的数学模型:假设在仓库内有一批型号、容量约束、电量约束等均一致的电动汽车,需要将区域内全部配送任务分配给仓库内的电动汽车;一个任务只能被一辆车所访问,但一辆车能够访问多个任务;电动汽车配送路径规划的同时需考虑充电设施选址,以保证全部任务均被访问。根据数据集内电动汽车配送任务的相关数据,构建以总行驶距离、充电站数和车辆数为三个优化目标,以电动汽车容量约束和电量约束为约束条件的电动汽车配送任务自适应分配的多目标优化模型。
S11、获取数据集内电动汽车配送任务的相关数据,数据集内相关数据包括:配送任务点的地理位置分布、充电设施的地理位置分布、电动汽车的电量消耗速度、电动汽车车载电池的最大容量、电动汽车负载最大容量、客户点数、充电设施候选点数;
S12、利用式(1)-式(3)构建电动汽车配送任务约束的多目标优化模型:
F2=∑i∈Ryi (2)
式(1)中,F1为总行驶路径的长度,V0为路径中包括以仓库点为起点的所有点集,V0′为路径中包括以仓库点为终点的所有点集,dij表示为第i个点和第j个点之间的欧几里得距离,xij表示第i个点和第j个点之间是否存在路径,若xij=1表示存在路径,若xij=0表示不存在路径;
式(2)中,F2为充电站数,R为候选充电站,yi表示是否在第i个点建设充电站,若yi=1表示建设,若yi=0表示不建设;
式(3)中,F3为车辆数,x0j表示是否有车辆从仓库点出发,若x0j=1表示有,若x0j=0表示没有;
S13、利用式(4)-式(16)构建任务分配问题的全部约束条件:
∑i∈Ryi≤OUB (7)
0≤f0≤Q (9)
b0=B (14)
式(4)表示每一个配送任务只能被一辆电动汽车访问;式(4)中,C表示配送任务所在的位置点即客户需求点;
式(5)表示电动汽车只能在充电站充电;式(5)中,R表示充电站所在的位置点;
式(6)保证配送任务时的流量守恒原则,有多少出度就要有多少入度;式(6)中,V=C∪R表示配送任务所在的位置点与充电站所在的位置点的集合;
式(7)表示使用的充电站数最多不能超过OUB;式(7)中,OUB表示建设充电站数的上限;
式(8)表示使用的车辆数最多不能超过NUB;式(8)中,NUB表示使用车辆数的上限;
式(9)表示车辆从仓库点出发后负载容量要小于车载最大容量;式(9)中,f0表示在车辆在起点处的容量,Q表示电动汽车最大负载容量;
式(10)表示车辆达到第j个点后车辆的剩余容量,它随着前一个点的需求量而减少;式(10)中,qi表示在第i个客户点上的需求量;fj表示在车辆达到第j个点后车辆的剩余容量;
式(11)表示车辆的电量水平不能超过车载电池的最大电量;式(11)中,bj为车辆到达第j个点后的电量水平;B为车载电池的最大电量;
式(12)表示只有当车辆需要充电时才去充电站进行充电,此时电量一定大于等于0;
式(13)表示车辆到达需求点后的点亮水平,它随着之前路径上的消耗而减少;式(9)中,h为电动汽车单位里程的电量消耗速度;
式(14)表示电动汽车从仓库点出发后车辆满电;式(9)中,b0为车辆从仓库点出发的电量水平;
式(15)表示变量xij只能取值1或0,表示i、j两点之间是否存在路径,xij=1表示存在路径,xij=1表示不存在;
式(16)表示变量yi只能取值1或0,表示是否能在i点建设充电站,yi=1表示建设,yi=0表示不建设;
在具体方案中,采用多目标进化优化算法(Multi-objective EvolutionaryAlgorithm,MOEA)对构建的电动汽车配送任务多目标优化问题进行求解,结合问题特性,设计基于分解方法和自适应分配方法。
步骤S2,构建适用于路径规划和充电决策联合优化的染色体混合编码序列;
如图2所示,提出了一种两级染色体编码方式,是由两个部分组成,整数编码路径表示访问n个客户的路径,二进制编码选址表示电动汽车在每个客户节点上的充电决策;在二进制编码选址中,第i位中的二进制为1表示电动汽车在路径上访问第i个客户后需要充电,否则为0;其中二进制编码选址的编码长度等于整数编码路径的编码长度。最终的解决方案是一个完整的整数序列,包括访问客户的路径和充电设施,使用定长的编码方式来表示变长的电动汽车配送任务的解。
步骤S3,提出基于学习机制的多目标进化算法,通过学习模型对迭代进程历史信息进行挖掘,可以加速算法的收敛,提高搜索效率和搜索进程,将一个多目标问题分成若干个优化子问题,同时优化N个标量子问题而不是将多目标优化问题作为一个整体来解决,利用相邻子问题的解信息去同时优化N个标量子问题,从而对多目标优化模型进行求解,得到初始分配方案;
S31、计算任意两个权重向量之间的欧式距离,确定每个权重向量最近的个权重向量,对于N个子问题,都有给个邻域解;
S32、用改进的扫描算法产生初始种群,随机确定客户分配路径,让扫描算法依次扫描客户点,直至当配送某个客户点后电量水平为负,则需要在此点之前插入最佳充电站候选点,即为增加最少行驶距离的充电站,若此解不可行,需要在此点之前的客户点之前插入充电设施,依次类推,直至分配方案可行;
S33、计算种群中所有分配方案的目标函数值,其中第i个解的目标函数值为
S24、定义当前迭代次数为t,初始化t=1,将初始分配方案作为第t代分配方案;
步骤S4,根据第t代分配方案和染色体混合编码序列,采用统计学中的插值拟合算法设计出改进的全局差分进化算法,利用每个子问题中的历史最优解的进化轨迹预测潜在最优解的路径模式,从而对所述多目标优化模型进行求解,得到第t代最优路径分配方案,加快搜索进程。
S41、从第t代分配方案中随机选择两个染色体混合编码序列作为父代;
S42、第t代产生一个随机数,若随机数小于0.5,则执行S43;否则,执行S44;
S43、采用统计学中的插值拟合算法对前t-1代中历史路径分配方案的进化轨迹进行拟合,得到更新后的分配方案作为第t代的最优路径分配方案;
S431、判断t=1是否成立,若成立,则执行S432,否则,执行S433;
S432、令S1和S2分别表示初始第0代和第1代所产生的历史分配方案;如图3所示,分别比较S1和S2中整数编码路径上的每个位置,将不同的客户点对作为V向量,并用于交换S2对应的客户点,从而通过差运算V0=S1-S2产生进化轨迹集合,其中,第i个整数编码路径上所产生的第t代进化轨迹集合记为 为第t代第i个参考方向的第k等分点;
S433、基于第t代进化轨迹集合统计第t代的1等分点/>2等分点/>...、K等分点/>中每一维中出现频次最多的客户点作为相应维的访问客户点,从而得到第t代最优路径分配方案st;
S434、利用式(17)得到第t+1代的第i个参考方向的k等分点
式(17)中,表示[1,n-1]之间的整数,st表示第t代中产生的最优路径分配方案,/>表示对st和/>中整数编码路径上的前L个位置分别做差运算,得到L个V向量用于更新/>
S44、对父代进行PMX交叉,随机选择父代中基因的起始位置,交换两组基因的位置,然后根据交换的俩组基因建立的映射关系进行冲突检测,保证产生的新的个体不存在重复基因,得到子代并作为当前第t代的最优路径分配方案;
步骤S5,用数据驱动技术中的代理学习方法对充电设施的优化过程进行建模,是使用前反馈神经网络模型(feedforward neural network model,FNN)构建选址与路径的映射关系模型,快速获取给定路径下的第t代最优选址方案;
S51、第t代再产生一个随机数,若随机数小于0.5,则执行S52-S53,否则,执行S54;
S52、将前t-1代历史分配方案中的整数编码路径作为前馈神经网络模型FNN的输入,将前t-1代历史分配方案中的二进制编码选址作为前馈神经网络模型FNN的输出,如图4所示,对前馈神经网络模型FNN进行训练,从而构建配送路径与设施选址的映射关系模型;
基于第t代最优路径分配方案st,利用映射关系模型预测出第t代全局最优选址locationt,若第t代全局最优选址locationt中的当前位置输出为1,则表示在相应位置插入最优充电设施;
S53、判断第t代全局最优选址locationt是否可行,若可行,则作为给定路径下的第t代最优选址方案,否则,使用迭代贪婪算法对第t代全局最优选址locationt进行修复,使得在不满足电量约束的位置插入充电站,从而得到给定路径下的第t代最优选址方案;
S54、使用迭代贪婪算法在第t代最优路径分配方案st上进行求解,从而在所有不满足电量约束的位置上确定充电站选址,并得到给定路径下的第t代最优选址方案。
步骤S6,将t+1赋值给t后,判断当前迭代次数t是否达到最大迭代次数Tmax,若是,则算法停止,输出最优的电动汽车配送方案解集;否则,执行步骤S4。具体实施中采用学习机制使收敛速度加快;采用自适应机制增加Pareto解集的多样性。
实施例:
以某地区电动汽车配送任务规划为例,该市具有图6所示和图7所示的9/5个充电设施候选点;
正如经典solomon实例VRP中所做的那样,实例中可用的电动汽车数量是客户数量的四分之一。这里考虑了两种类型的配置,在第一种配置中,车厂位于中心位置,有9个充电站(包括仓库点);在第二种配置中仓库点位于一个转角处,共有5个充电站(包括仓库点)。在这两种情况下客户都是随机产生的,具有均匀分布的概率,对于每个配置都生成3组实例,分别包括100、200、400个配送任务点。车辆的自主行驶里程及相应的负载容量如表1所示。
表1不同配送任务下最优目标情况
通过对表1的纵列进行比较,可以得出随着配送任务的增多,总行驶路径会逐渐逐渐增加,充电站数量变多,且车辆数也会随之增多,但使用的充电数尚未达到充电站的候选点数,使得开设充电站的成本得到减少。而且使用的电动汽车数也远小于预设可使用的车辆数。且因为仓库点位置的分布不同,导致相同规模的实例下其目标函数值差别较大。在大规模的实例上,充电站的使用率更高,尤其是在充电站候选点数越小的情况下,以为了保证车辆有足够的电力能够为所有的配送任务进行服务。故综合考虑来看,需要根据具体实例的规模来设置充电站个数及车辆数,使其能够更好的规划配送路径,能更好地提升电动汽车配送任务的综合效益。图6和图7分别为处于不同配置下的充电站选址结果,图6中在9个充电站候选点中选择建设6个充电站,图7中在5个充电站候选点中选择建设2个充电站。图8和图9分别为在这俩种配置环境下得到的配送方案,这里所有的配送任务都有被电动汽车访问,且只被访问一次,并且在配送的过程中选择了一定数量的充电站点,符合绿色物流的要求。
Claims (3)
1.一种基于多目标优化的电动汽车配送任务自适应分配方法,其特征是应用于由仓库点、配送任务点即客户需求点以及充电站点所组成的配送环境中,该分配方法包括:
S1、根据电动汽车配送任务的相关数据,构建以总行驶距离、充电站数和车辆数为三个优化目标,以电动汽车容量约束和电量约束为约束条件的电动汽车配送任务约束的多目标优化模型;
S2、构建适用于路径规划和充电决策联合优化的染色体混合编码序列;
染色体混合编码序列是由整数编码路径和二进制编码选址组成;所述整数编码路径表示访问n个客户的路径,所述二进制编码选址表示电动汽车在每个客户点上的充电决策;在所述二进制编码选址中,第i位中的二进制为1表示电动汽车在路径上访问第i个客户后需要充电,否则为0;其中二进制编码选址的编码长度等于整数编码路径的编码长度;
S3、基于学习机制的多目标进化算法对所述多目标优化模型进行求解,得到初始分配方案;定义当前迭代次数为t,初始化t=1,将初始分配方案作为第t代分配方案;
S4、根据第t代分配方案和染色体混合编码序列,采用改进的全局差分进化算法对所述多目标优化模型进行求解,得到第t代最优路径分配方案;
S41、从第t代分配方案中随机选择两个染色体混合编码序列作为父代;
S42、第t代产生一个随机数,若随机数小于0.5,则执行S43;否则,执行S44;
S43、采用统计学中的插值拟合算法对前t-1代中历史路径分配方案的进化轨迹进行拟合,得到更新后的分配方案作为第t代的最优路径分配方案;
S431、判断t=1是否成立,若成立,则执行S432,否则,执行S433;
S432、令S1和s2分别表示初始第0代和第1代所产生的历史分配方案;分别比较S1和S2中整数编码路径上的每个位置,将不同的客户点对作为V向量,并用于交换S2对应的客户点,从而通过差运算V0=S1-S2产生进化轨迹集合,其中,第i个整数编码路径上所产生的第t代进化轨迹集合记为 为第t代第i个参考方向的第k等分点;
S433、基于第t代进化轨迹集合统计第t代的1等分点/>2等分点/>…、K等分点/>中每一维中出现频次最多的客户点作为相应维的访问客户点,从而得到第t代最优路径分配方案st;
S434、利用式(17)得到第t+1代的第i个参考方向的k等分点
式(17)中,表示[1,n-1]之间的整数,st表示第t代中产生的最优路径分配方案,/>表示对st和/>中整数编码路径上的前L个位置分别做差运算,得到L个V向量用于更新/>
S44、对父代进行PMX交叉,得到子代并作为当前第t代的最优路径分配方案;
S5、采用前馈神经网络模型FNN构建配送路径与设施选址的映射关系模型,从而获取给定路径下的第t代最优选址方案;
S6、将t+1赋值给t后,判断当前迭代次数t是否达到最大迭代次数Tmax,若是,输出最优的电动汽车配送方案解集;否则,执行步骤S4。
2.根据权利要求1所述的基于多目标优化的电动汽车配送任务自适应分配方法,其特征在于,步骤S1包括:
S11、获取相关数据,包括:配送任务点的地理位置分布、充电设施的地理位置分布、电动汽车的电量消耗速度、电动汽车车载电池的最大容量、电动汽车负载最大容量、客户点数、充电设施候选点数;
S12、利用式(1)-式(3)构建电动汽车配送任务约束的多目标优化模型:
F2=∑i∈Ryi (2)
式(1)中,F1为总行驶路径的长度,V0为路径中包括以仓库点为起点的所有点集,V0‘为路径中包括以仓库点为终点的所有点集,dij表示为第i个点和第j个点之间的欧几里得距离,xij表示第i个点和第j个点之间是否存在路径,若xij=1表示存在路径,若xij=0表示不存在路径;
式(2)中,F2为充电站数,R为候选充电站,yi表示是否在第i个点建设充电站,若yi=1表示建设,若yi=0表示不建设;
式(3)中,f3为车辆数,x0j表示是否有车辆从仓库点出发,若x0j=1表示有,若x0j=0表示没有;
S13、利用式(4)-式(16)构建任务分配问题的全部约束条件:
∑i∈Ryi≤OUB (7)
0≤f0≤Q (9)
b0=B (14)
式(4)表示每一个配送任务只能被一辆电动汽车访问;式(4)中,C表示配送任务所在的位置点即客户需求点;
式(5)表示电动汽车只能在充电站充电;式(5)中,R表示充电站所在的位置点;
式(6)保证配送任务时的流量守恒原则,有多少出度就要有多少入度;式(6)中,V=C∪R表示配送任务所在的位置点与充电站所在的位置点的集合;
式(7)表示使用的充电站数最多不能超过OUB;式(7)中,OUB表示建设充电站数的上限;
式(8)表示使用的车辆数最多不能超过NUB;式(8)中,NUB表示使用车辆数的上限;
式(9)表示车辆从仓库点出发后负载容量要小于车载最大容量;式(9)中,f0表示在车辆在起点处的容量,Q表示电动汽车最大负载容量;
式(10)表示车辆达到第j个点后车辆的剩余容量,它随着前一个点的需求量而减少;式(10)中,qi表示在第i个客户点上的需求量;fj表示在车辆达到第j个点后车辆的剩余容量;
式(11)表示车辆的电量水平不能超过车载电池的最大电量;式(11)中,bj为车辆到达第j个点后的电量水平;B为车载电池的最大电量;
式(12)表示只有当车辆需要充电时才去充电站进行充电,此时电量一定大于等于0;
式(13)表示车辆到达需求点后的电量水平,它随着之前路径上的消耗而减少;式(13)中,h为电动汽车单位里程的电量消耗速度;
式(14)表示电动汽车从仓库点出发后车辆满电;式(14)中,b0为车辆从仓库点出发的电量水平;
式(15)表示变量xij只能取值1或0,表示i、j两点之间是否存在路径,xij=1表示存在路径,xij=1表示不存在;
式(16)表示变量yi只能取值1或0,表示是否能在i点建设充电站,yi=1表示建设,yi=0表示不建设。
3.根据权利要求1所述的多目标优化的电动汽车配送任务自适应分配方法,其特征在于,步骤S5包括:
S51、第t代再产生一个随机数,若随机数小于0.5,则执行S52-S53,否则,执行S54;
S52、将前t-1代历史分配方案中的整数编码路径作为前馈神经网络模型FNN的输入,将前t-1代历史分配方案中的二进制编码选址作为前馈神经网络模型FNN的输出,对所述前馈神经网络模型FNN进行训练,从而构建配送路径与设施选址的映射关系模型;
基于第t代最优路径分配方案st,利用映射关系模型预测出第t代全局最优选址locationt,若所述第t代全局最优选址locationt中的当前位置输出为1,则表示在相应位置插入最优充电设施;
S53、判断第t代全局最优选址locationt是否可行,若可行,则作为给定路径下的第t代最优选址方案,否则,使用迭代贪婪算法对第t代全局最优选址locationt进行修复,使得在不满足电量约束的位置插入充电站,从而得到给定路径下的第t代最优选址方案;
S54、使用迭代贪婪算法在第t代最优路径分配方案st上进行求解,从而在所有不满足电量约束的位置上确定充电站选址,并得到给定路径下的第t代最优选址方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410857.2A CN112417604B (zh) | 2020-12-04 | 2020-12-04 | 一种基于多目标优化的电动汽车配送任务自适应分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410857.2A CN112417604B (zh) | 2020-12-04 | 2020-12-04 | 一种基于多目标优化的电动汽车配送任务自适应分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417604A CN112417604A (zh) | 2021-02-26 |
CN112417604B true CN112417604B (zh) | 2023-11-03 |
Family
ID=74830362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410857.2A Active CN112417604B (zh) | 2020-12-04 | 2020-12-04 | 一种基于多目标优化的电动汽车配送任务自适应分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417604B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283732A (zh) * | 2021-05-17 | 2021-08-20 | 广东省科学院智能制造研究所 | 基于差分进化算法的多目标优化家禽配送方法及系统 |
CN114118926B (zh) * | 2021-12-01 | 2024-02-13 | 安徽大学 | 基于去噪自编码器的协同进化算法的车辆任务配送方法 |
CN114611830B (zh) * | 2022-03-28 | 2024-05-28 | 重庆邮电大学 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
CN115293710B (zh) * | 2022-10-08 | 2022-12-27 | 江苏天一航空工业股份有限公司 | 一种用于无人驾驶冷链物流车的控制系统及方法 |
Citations (4)
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 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
EP3556601A1 (en) * | 2018-04-16 | 2019-10-23 | Morgan Brown Consultancy Ltd. | Vehicle routing |
CN111311158A (zh) * | 2020-03-04 | 2020-06-19 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10598503B2 (en) * | 2012-11-07 | 2020-03-24 | Intertrust Technologies Corporation | Vehicle charging path optimization systems and methods |
-
2020
- 2020-12-04 CN CN202011410857.2A patent/CN112417604B/zh active Active
Patent Citations (4)
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 |
EP3556601A1 (en) * | 2018-04-16 | 2019-10-23 | Morgan Brown Consultancy Ltd. | Vehicle routing |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
CN111311158A (zh) * | 2020-03-04 | 2020-06-19 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
Non-Patent Citations (3)
Title |
---|
The electric location routing problem with time windows and partial recharging;Maximilian Schiffer;European journal of operational research;第260卷(第3期);全文 * |
改进差分进化算法在物流配送中的多目标优化研究;张新;;自动化仪表(第04期);全文 * |
联合充电和数据收集的WCE多目标路径规划算法;魏振春;孙仁浩;吕增威;韩江洪;石雷;徐俊逸;;通信学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112417604A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417604B (zh) | 一种基于多目标优化的电动汽车配送任务自适应分配方法 | |
Moghaddam et al. | Smart charging strategy for electric vehicle charging stations | |
Ahmad et al. | An enhanced approach to optimally place the solar powered electric vehicle charging station in distribution network | |
CN111311158B (zh) | 一种有限充电设施条件下的电动物流车路径规划方法 | |
CN112686458A (zh) | 一种多车型车队配送货过程的优化调度方法 | |
Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
Yu et al. | A dynamic holding strategy in public transit systems with real-time information | |
CN111428946B (zh) | 一种充储电站供给侧分散式优化调度方法 | |
CN113052537B (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
Wang et al. | Solving hybrid charging strategy electric vehicle based dynamic routing problem via evolutionary multi-objective optimization | |
Al-Hanahi et al. | An optimal charging solution for commercial electric vehicles | |
CN111626492B (zh) | 一种电动汽车充电网络模糊多目标机会约束规划方法 | |
Wang et al. | Multi-objective mobile charging scheduling on the internet of electric vehicles: a DRL approach | |
Shen et al. | Integrated optimization of electric vehicles charging location and allocation for valet charging service | |
CN111626493B (zh) | 一种考虑充电服务能力和运行效率的充电网络规划方法 | |
Hou et al. | Multiobjective Differential Evolution Algorithm Balancing Multiple Stakeholders for Low-Carbon Order Scheduling in E-Waste Recycling | |
CN114077972A (zh) | 一种基于深度强化学习的移动充电车服务调度方法 | |
Wang et al. | A dual-population based co-evolutionary algorithm for capacitated electric vehicle routing problems | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
Ren et al. | Recharge strategies for the electric vehicle routing problem with soft time windows and fast chargers | |
Narayanan et al. | Agent-Based Learning Approach to Electric Vehicle Routing Problem with Vehicle-to-Grid Supply and Battery Swapping | |
Glatt | Enabling optimized charging of electric vehicles in mobility services | |
Hammouti et al. | A modified clustering search based genetic algorithm for the proactive electric vehicle routing problem | |
Jiang et al. | Optimisation of Multi-Type Logistics UAV Scheduling under High Demand | |
Velimirovic et al. | Dynamic electric vehicle routing problem |
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 |