CN112434849B - 基于改进多目标算法的危险品运输路径动态规划方法 - Google Patents

Abstract

本发明公开了一种基于改进多目标算法的危险品运输路径动态规划方法，解决了传统路线规划方法无法及时的应对日益复杂的城市道路状况，易造成交通拥堵甚至更严重危险及损失，其技术方案要点是包括有以下步骤：获得运输风险因素，建立运输风险模型；基于运输风险和运输成本两个目标，建立多目标运输路径规划模型，确定目标函数及约束条件；根据改进的非支配遗传算法对多目标运输路径规划模型进行求解；通过设定的多种动态更新方式对不同情景下多目标运输路径规划模型进行运算，获取路线规划选择，本发明的基于改进多目标算法的危险品运输路径动态规划方法，能快速的应对突发情况并及时进行动态调整，避免运输规划中的危险性和成本损失。

Description

基于改进多目标算法的危险品运输路径动态规划方法

技术领域

本发明涉及交通运输规划方法，特别涉及基于改进多目标算法的危险品运输路径动态规划方法。

背景技术

城市物流是现代城市赖以存在和发展的重要基础，是城市居民生活、工作的支撑与保障，在城市发展中占有重要地位。车辆路径问题(Vehicle Routing Problem，VRP)与物流配送息息相关，是物流活动中与消费者直接联系的一个环节，一个好的车辆路径规划可以起到节约成本、提高客户满意度、降低运输风险等作用。

危险品运输(Hazardous Material Transportation,HAZMAT)是车辆物流配送路径优化问题的一个重要分支，随着城市目前日益复杂的交通状况，譬如交通拥堵、事故发生，传统的路线规划模型已难以满足运输所需的各项要求，一旦未能及时作出合理应对调整，易造成道路拥堵，甚至会造成更大的危害和成本损失。

发明内容

本发明的目的是提供一种基于改进多目标算法的危险品运输路径动态规划方法，能快速的应对运输遇到的突发情况并及时进行动态调整，避免车辆运输规划中的危险性和成本损失。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于改进多目标算法的危险品运输路径动态规划方法，包括有以下步骤：

对危险品运输行业数据统计并进行贝叶斯分析以获得影响危险品运输的运输风险因素，根据获得的运输风险因素建立运输风险模型；

基于运输风险和运输成本两个目标，建立多目标运输路径规划模型，确定目标函数及约束条件；

选取非支配多目标遗传算法进行优化及改进，并根据改进的非支配遗传算法对多目标运输路径规划模型进行求解；

通过设定的多种动态更新方式对不同情景下多目标运输路径规划模型进行运算，分析比对获取动态更新方式于不同情境下的路线规划选择。

作为优选，建立多目标运输路径规划模型的步骤包括有：

对危险品运输行业数据进行贝叶斯分析，定义用于计算危险品运输风险的四个因素，分别包括有人员因素R_d、线路因素R_r、车辆因素R_v及人口土地环境因素R_e；

根据危险品运输风险的四个因素构建运输风险模型；

定义用于计算危险品运输成本的四个参数，分别包括有危险品运输的固定成本FC、危险品运输的可变成本VC、外部成本内部化EC、时间窗约束成本PC；

根据运输成本的四个参数设定运输成本函数，根据危险品运输风险模型与运输成本函数其约束合并形成多目标运输路径规划模型。

作为优选，求解及规划路线选择具体为：

设定多种动态更新方式，包括有按时段动态更新、按关键节点动态更新、按时空动态更新；

运用改进型非支配多目标遗传算法对多目标运输路径规划模型求解，K＝[0,1,2,3]，分别代表不做动态更新、按时段动态更新、按关键节点动态更新、按时空动态更新三种方式下的多目标运输路径规划模型运算；

比较在不同情境下各种动态规划更新方式的优劣，并根据优劣对比，获取不同情境下的现实路线规划。

作为优选，多目标运输路径规划模型具体为：

多目标运输路径规划模型描述等价为构造无向图G＝(N,S)，其中N是节点的集合，包括途径的运输节点及城市人口中心点；S为两点之间的弧线，为可供选择的运输路线段；

两点记为点i与点j，两点之间的运输时间和运输路程分别记为t_ij和d_ij；

与Q_k分别代表运输货物量与最大允许载重量；K＝[0,1,2,3]；

运输风险各因素具体为：

人员因素：

线路因素：

车辆因素：

人口土地环境因素：构造人口和商业中心点，采用辐射距离估算对范围内经过道路的影响

d_S(i,j),m为人口中心点m到路径S(i,j)之间的距离；

运输成本各参数具体为：

固定成本：FC＝C，为定值；

可变成本：

δ为单位成本；

外部成本内部化：与交通流量F和经历节点数∑_i∈Nn_i相关；

时间窗约束成本：运输时间未达要求对应设定的扣除金额；

综上获得多目标运输规划路径模型：

Subject to:

D_s1∈{1,2,3},D_s2∈{1,2,3}

α_p,q≥0,p∈{1,2,3,4},q∈Z。

作为优选，对非支配多目标遗传算法的优化及改进具体包括有：

编码：对城市点进行整数编码；

生成初始种群：利用回溯法选择初始道路，在回溯过程中不断计算已选择过点的概率，分散选择初始种群。

交叉：采用相关性交叉进行交叉迭代；

变异：随机选取变异点，生成新的后继路径，通过整段新生成的后继路径替换进行路径变异；

选择：通过精英选择策略选择N个路径，再从剩余的运算解中随机选择若干进入子代。

综上所述，本发明具有以下有益效果：

通过根据运输风险因素和运输成本，建立多目标运输路径规划模型，并通过改进的非支配多目标遗传算法进行运算，获取三种动态更新方式于不同情境下的优缺点，可分析获得最优运输路线；可以取得比原算法更低的非最优解产生概率，且能够在较少迭代次数内取得最终的稳定结果，同时计算用时与原算法相比并没有减慢，能够适应和符合现实应用动态更新规划最优路径的要求，可以使危险品运输车辆遇到突发情况和交通状况时做出反应，重新规划最优路线，及时进行动态调整，避免危险品运输车辆路径规划中由于交通拥堵和交通事故造成的危险性和成本损失。

附图说明

图1为本方法的步骤示意图；

图2为改进算法与原NSGA-Ⅱ算法的效率与效果对比图；

图3中(a)(b)(c)为运输途中发生一次交通事故时三种动态更新方式的对比图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

目前我国危险品运输企业迫切需求贴合实际的危险品运输的路径规划，在实际应用中，作为企业和客户的两个群体，也在在成本之外愈发关注运输的风险和后果，普通的车辆物流配送路线规划已不适用于危险品的物流配送路线规划。在实地调研中得知，由于装卸问题引发的事故数量增多，导致企业会更加关注装卸货物的时间窗口和操作过程，而在研究工作中设计时间窗的危险品物流配送路线规划模型较少，不能满足实际需求。此外，对于城市目前日益复杂的交通状况，譬如交通拥堵、事故发生等实时动态信息在车辆路径规划问题中应该加以关注，传统的静态路线规划模型急需加以重新设计。

根据一个或多个实施例，公开了一种基于改进多目标算法的危险品运输路径动态规划方法，如图1所示，包括有以下步骤：

对危险品运输行业数据统计并进行贝叶斯分析以获得影响危险品运输的运输风险因素，根据获得的运输风险因素建立运输风险模型；

基于运输风险和运输成本两个目标，以运输风险最小和运输成本最低双目标，建立多目标运输路径规划模型，确定目标函数及约束条件；

选取非支配多目标遗传算法进行优化及改进，并根据改进的非支配遗传算法对多目标运输路径规划模型进行求解；

通过设定的多种动态更新方式对不同情景下多目标运输路径规划模型进行运算，分析比对获取动态更新方式于不同情境下的路线规划选择。

用改进的多目标算法进行危险品运输路径规划，并进行寻优效率和结果与原算法的对比验证，具体步骤如下：

a1、选用NSGA-Ⅱ非支配排序多遗传算法，进行模型问题的求解，初步验证模型可以通过，并得到运算迭代次数的计算时间与得到非最优解的概率；

a2、对该算法进行编码部分、交叉部分、变异部分的相应改进，并对同一模型进行控制变量下的运算；

a3、对比运算结果并得到改进效果。

建立多目标运输路径规划模型的步骤包括有：

对危险品运输行业数据进行贝叶斯分析，定义用于计算危险品运输风险的四个因素，分别包括有人员因素R_d、线路因素R_r、车辆因素R_v及人口土地环境因素R_e；

根据危险品运输风险的四个因素构建运输风险模型；

定义用于计算危险品运输成本的四个参数，分别包括有危险品运输的固定成本FC、危险品运输的可变成本VC、外部成本内部化EC、时间窗约束成本PC；

根据运输成本的四个参数设定运输成本函数，根据危险品运输风险模型与运输成本函数其约束合并形成多目标运输路径规划模型。

设定多种动态更新方式，包括有按时段动态更新、按关键节点动态更新、按时空动态更新；

运用改进型非支配多目标遗传算法对多目标运输路径规划模型求解，K＝[0,1,2,3]，分别代表不做动态更新、按时段动态更新、按关键节点动态更新、按时空动态更新三种方式下的多目标运输路径规划模型运算；

比较在不同情境下各种动态规划更新方式的优劣，并根据优劣对比，获取不同情境下的现实路线规划选择。

具体的，多目标运输路径规划模型描述等价为构造无向图G＝(N,S)，其中N是节点的集合，包括途径的运输节点及城市人口中心点；S为两点之间的弧线，为可供选择的运输路线段；

两点记为点i与点j，两点之间的运输时间和运输路程分别记为t_ij和d_ij；

与Q_k分别代表运输货物量与最大允许载重量；K＝[0,1,2,3]，分别代表不做动态更新、按时段动态更新、按关键节点动态更新、按时空动态更新三种方式下的模型。

其中，运输风险按照交通理论对人员、车辆、路线和周围环境的拆分，结合现有文献提出的风险函数构造理论，运输风险各因素具体可分为：

人员因素：危险品车辆运输的人员因素，根据贝叶斯网络分析结果，与驾驶员素质有关，变量涉及驾驶员疲劳度、驾驶员熟练程度与驾驶时间，通过统计分析可获得对应数据。

其中，α₁₁及各公式中α项为各项调整系数，根据实际经验取权重值，本实施例中默认各因素权重相等，即取值都为1)；D_s1代表司机的驾驶状态，D_s2代表司机的驾驶熟练程度，可从企业管理与岗前培训结果中获取；t_ij代表从点i到点j的行驶时间。

线路因素：危险品车辆运输的线路因素，根据贝叶斯网络分析结果，与营运线路安全性、营运线路长度及条数有关，影响最深的因素为线路安全性。用是否为主干道以及经历的节点数多少来区分营运线路的安全性。

其中，α项为各项调整系数，MR取值为0或1，代表所选道路S(i,j)是否为主干道；n_i为节点i，累加可得所选择的运输路线累计经过的节点数。

车辆因素：危险品车辆运输的线路因素，根据贝叶斯网络分析结果，与企业对车辆的管理(有无停车场、营运车辆数、视频监控覆盖率)有关。而在本模型中，由于涉及到的是最优路径选择问题，着重于车辆的行驶距离与交通流量。

其中，α项为各项调整系数，F代表交通流量的大小，根据距离人口密集点和商业聚集区的距离加以区分，分别有1、2、3三类交通流量；d_ij为本次路径运输中从点i到点j的运输距离。

人口土地环境因素：构造人口和商业中心点，采用辐射距离估算对范围内经过道路的影响。由于危险品运输的特殊性，其安全性与发生事故的风险后果还与周围的土地性质和人口分布密切相关，越密集的人口社区与商业区发生事故的后果越严重。在以往的危险货物运输风险模型中，这一部分的考虑通常是采用数值矩阵对每一个点加以赋值，在路径上取均值作为近似。这种方法的优点是计算简捷，缺陷则是可能存在路段中间受到人口和商业区密集点影响、而两端并没有密集人口居住的情况，从而导致估算不准确。作为研究的创新点之一，此处采用了构造人口和商业中心点，采用辐射距离的方式估算对影响范围内经过道路的影响，从而使研究更加贴近现实情境。

其中，α项为各项调整系数，d_S(i,j),m为人口中心点m到路径S(i,j)之间的距离；

运输成本各参数根据企业走访调研、环境经济学及相关物流论文的观点数据，可以具体分为：

固定成本：FC＝C，为定值，例如买一辆运输车。

可变成本：

δ为单位成本；与行驶距离及单位成本有关。

其他成本：与交通流量F和经历节点数∑_i∈Nn_i相关；包括环境污染等。

时间窗约束成本：运输时间未达要求对应设定的扣除金额；即运送时间要控制在客户要求的时间范围内，例如过早或过晚抵达将会扣除一部分收入金额。

综上获得多目标运输规划路径模型：

Subject to:

D_s1∈{1,2,3},D_s2∈{1,2,3}

α_p,q≥0,p∈{1,2,3,4},q∈X。

根据NSGA-Ⅱ非支配多目标遗传算法，进行针对危险品运输路径稀疏解问题情境下的算法优化与改进，在编码方式、产生初始种群、遗传交叉、变异、选择子代的步骤中，均做出了更加适应问题的具体改进，具体包括有：

编码：对城市点进行整数编码；采用整数编码而非传统的二进制编码，二进制编码存在有下述问题：大数量个数的城市点导致序列过长，并且有部分编码方式不可用，增大计算开销。

生成初始种群：利用回溯法选择初始道路，在回溯过程中不断计算已选择过点的概率，分散选择初始种群。非完全随机选择点，而是利用回溯法选择初始道路，此外在回溯过程中不断计算已选择过点的概率，从而可尽可能分散的选择初始种群。

交叉：采用相关性交叉进行交叉迭代；而完全的随机交叉会导致大量的不可行解，从而需要更多的迭代过程，采用相关性交叉进行交叉迭代可减少迭代过程。

变异：随机选取变异点，生成新的后继路径，通过整段新生成的后继路径替换进行路径变异，进而可避免因为完全随机无法得到收敛路径的问题。

选择：通过精英选择策略选择N个路径，再从剩余的运算解中随机选择若干进入子代，可增大种群的多样性，从而降低陷入局部最优的概率。

应用已验证有效的多目标非支配改进遗传算法，进行两次数值实验危险品运输路径动态更新规划，并进行结果对比，分别进行按时段动态更新、按关键节点动态更新、按时空动态更新三种方式下的模型运算，比较在不同情境下三种动态规划更新方法的优势与不足，总结动态更新规划在不同情境下的现实应用意义。

采用改进后算法进行具体路网中遇到交通事故或交通拥堵时的动态更新重新规划路线，假设最优路径中马上出现事故，对比按时间段更新、按关键点更新和按时空结合更新三种更新方法后续选择路线的不同，以及对运输风险性、运输成本和运输时长产生的影响，对比得出在不同条件下应当得出的动态更新选择。

分别采用原NSGA-Ⅱ算法和改进NSGA-Ⅱ算法进行对比，模型可行，且在迭代次数相同的情况下，基于路径稀疏解问题的改进算法可以取得比原算法更低的非最优解产生概率，且能够在较少迭代次数内取得最终的稳定结果，同时计算用时与原算法相比并没有减慢，能够适应和符合现实应用动态更新规划最优路径的要求。

进行三种动态更新规则的小型和大型数值实验，针对危险品运输路径规划问题，探讨按固定时间段动态更新规划新最优路径、按关键点动态更新规划和按时空原则动态更新规划的效果，并用数据表和图线进行对比，可展示在交通事故、交通拥堵、及发生次数不同的不同情境下，三种动态更新方法在运输成本、运输风险性、运输距离(亦可表示运输时间)的情况下的优点和缺点。

为表述清楚，现举一具体实例，采用上海市主要道路危险品运输路网进行数值实验，具体如下：

1)构造危险品运输路径网络图。

本实例中选择上海市主要道路危险品运输路网，从中国上海危险品运输地图中提取的网络，它包含了大约53个地点和4个人口中心。以上海市危险货物码头为起点，出上海为终点，完成在上海市内路径的阶段性运输。选择快速路和城市主干路和城市次干路，路网构造不宜太密，以匝道、交叉口、重要商区主干道为依据选择关键点，路段上的风险属性具有一致性。

2)进行数值实验的算法效率和效果对比。

改进算法(improved)与原NSGA-2(original)在本数值实验的算例效果对比如图2所示，在较短迭代次数内能有效降低非最优解产生概率，从而使路径优化快速适合下一步动态更新。

3)通过仅发生一次交通事故、仅发生一次交通拥堵、发生一次交通事故与一次交通拥堵、发生两次交通事故与一次交通拥堵，在选取五个起讫点的情况下，分别采用三种动态更新规则，对比整次运输中运输风险、运输成本、运输时间(即距离)的累加值及其变动，从而说明在不同的动态性条件下，不同动态更新方法的优势与劣势。

以从点6到点22的一次危险品运输路径规划为例。

其中key代表按关键点路径更新，简称“关键点更新”，具体解释为依据道路连通度、是否处于主干道等选取若干关键点，每当危险品运输车辆行驶到关键节点时进行交通动态信息的更新检测，一旦发生前方交通事故或交通拥堵影响路径运输，立刻做重新规划。交通事故在实验中设定为一直存在，交通拥堵在半小时后会结束，结束时算法仍然会动态更新一次最优路径。time代表按时间段更新，简称“时间更新”，即危险品运输车辆每运输一段固定的时间间隔，进行交通动态信息的更新，一旦检测到运输路径上存在交通事故或交通拥堵，立刻重新规划后续路径并取最优。key+time代表这两种更新方法的更新节点(关键点、时间段端点)取并集产生的动态更新规则，简称“时空更新”。

因此，在不同的交通情境和路线情况下，采用运输风险最小、运输成本最低的动态路径规划的研究，对于日益复杂的城市交通情况而言有着重要意义。危险品运输车辆动态规划路径，可以降低其延误，避免危险品运输车辆因遇到交通事故和拥堵而等待，对道路上其他车辆与周边居民土地造成的风险与隐患，保证城市道路的交通安全。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (1)

1.一种基于改进多目标算法的危险品运输路径动态规划方法，其特征是，包括有以下步骤：

对危险品运输行业数据统计并进行贝叶斯分析以获得影响危险品运输的运输风险因素，根据获得的运输风险因素建立运输风险模型；

基于运输风险和运输成本两个目标，建立多目标运输路径规划模型，确定目标函数及约束条件；

选取非支配多目标遗传算法进行优化及改进，并根据改进的非支配遗传算法对多目标运输路径规划模型进行求解；

通过设定的多种动态更新方式对不同情景下多目标运输路径规划模型进行运算，分析比对获取动态更新方式于不同情境下的路线规划选择；

建立多目标运输路径规划模型的步骤包括有：

对危险品运输行业数据进行贝叶斯分析，定义用于计算危险品运输风险的四个因素，分别包括有人员因素R_d、线路因素R_r、车辆因素R_v及人口土地环境因素R_e；

根据危险品运输风险的四个因素构建运输风险模型；

定义用于计算危险品运输成本的四个参数，分别包括有危险品运输的固定成本FC、危险品运输的可变成本VC、外部成本内部化EC、时间窗约束成本PC；

根据运输成本的四个参数设定运输成本函数，根据危险品运输风险模型与运输成本函数其约束合并形成多目标运输路径规划模型；

求解及规划路线选择具体为：

设定多种动态更新方式，包括有按时段动态更新、按关键节点动态更新、按时空动态更新；

运用改进型非支配多目标遗传算法对多目标运输路径规划模型求解，K＝[0,1,2,3]，分别代表不做动态更新、按时段动态更新、按关键节点动态更新、按时空动态更新三种方式下的多目标运输路径规划模型运算；

比较在不同情境下各种动态规划更新方式的优劣，并根据优劣对比，获取不同情境下的现实路线规划；

多目标运输路径规划模型具体为：

多目标运输路径规划模型描述等价为构造无向图G＝(N,S)，其中N是节点的集合，包括途径的运输节点及城市人口中心点；S为两点之间的弧线，为可供选择的运输路线段；

两点记为点i与点j，两点之间的运输时间和运输路程分别记为t_ij和d_ij；

与Q_k分别代表运输货物量与最大允许载重量；K＝[0,1,2,3]；

运输风险各因素具体为：

人员因素：

其中，α₁₁及各公式中α项为各项调整系数；D_s1代表司机的驾驶状态，D_s2代表司机的驾驶熟练程度；t_ij代表从点i到点j的行驶时间；

线路因素：

其中，α项为各项调整系数，MR取值为0或1，代表所选道路S(i,j)是否为主干道；n_i为节点i，累加可得所选择的运输路线累计经过的节点数；

车辆因素：

其中，α项为各项调整系数，F代表交通流量的大小，根据距离人口密集点和商业聚集区的距离加以区分，分别有1、2、3三类交通流量；d_ij为本次路径运输中从点i到点j的运输距离；

人口土地环境因素：构造人口和商业中心点，采用辐射距离估算对范围内经过道路的影响

其中，α项为各项调整系数，d_S(i,j),m为人口中心点m到路径S(i,j)之间的距离；

运输成本各参数具体为：

固定成本：FC＝C，为定值；

可变成本：

δ为单位成本；

外部成本内部化：与交通流量F和经历节点数∑_i∈Nn_i相关；

时间窗约束成本：运输时间未达要求对应设定的扣除金额；

综上获得多目标运输规划路径模型：

Subject to:

D_s1∈{1，2，3}，D_s2∈{1，2，3}

α_p，q≥0，p∈{1，2，3，4}，q∈Z；

对非支配多目标遗传算法的优化及改进具体包括有：

编码：对城市点进行整数编码；

生成初始种群：利用回溯法选择初始道路，在回溯过程中不断计算已选择过点的概率，分散选择初始种群；

交叉：采用相关性交叉进行交叉迭代；

变异：随机选取变异点，生成新的后继路径，通过整段新生成的后继路径替换进行路径变异；

选择：通过精英选择策略选择N个路径，再从剩余的运算解中随机选择若干进入子代。

Images