CN112633548B - 一种物流配送路径规划方法及装置 - Google Patents

一种物流配送路径规划方法及装置 Download PDF

Info

Publication number
CN112633548B
CN112633548B CN202011098586.1A CN202011098586A CN112633548B CN 112633548 B CN112633548 B CN 112633548B CN 202011098586 A CN202011098586 A CN 202011098586A CN 112633548 B CN112633548 B CN 112633548B
Authority
CN
China
Prior art keywords
demand
demand point
ant
path
target
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
Application number
CN202011098586.1A
Other languages
English (en)
Other versions
CN112633548A (zh
Inventor
赵小宝
王远志
李俊伟
吴昊
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.)
Zhejiang Jicheng Yunchuang Technology Co ltd
Zhejiang Geely Holding Group Co Ltd
Original Assignee
Zhejiang Jicheng Yunchuang Technology Co ltd
Zhejiang Geely Holding Group Co Ltd
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 Zhejiang Jicheng Yunchuang Technology Co ltd, Zhejiang Geely Holding Group Co Ltd filed Critical Zhejiang Jicheng Yunchuang Technology Co ltd
Priority to CN202011098586.1A priority Critical patent/CN112633548B/zh
Publication of CN112633548A publication Critical patent/CN112633548A/zh
Application granted granted Critical
Publication of CN112633548B publication Critical patent/CN112633548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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

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

Abstract

本发明涉及路径规划技术领域，具体是一种物流配送路径规划方法及装置，所述方法包括：获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；确定预设数量的蚂蚁，生成目标蚁群；依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。本发明的路径规划方法在搜索过程中选择路径时引入随机数，能够避免陷入局部最优，提高寻找最优配送路径的效率和准确率，进而提高物流配送效率。

Description

一种物流配送路径规划方法及装置
技术领域
本发明涉及路径规划技术领域，特别涉及一种物流配送路径规划方法及装置。
背景技术
随着经济的不断发展，特别是近几年电子商务的快速发展，物流配送规模急剧扩大。由于物流客户的扩大、运输网络的日益复杂和配送路线的不合理，物流配送效率和服务质量以及资源的利用受到严重影响。因此，如何科学合理地找到最优的配送路径，降低运输成本，提高服务质量，是物流业的一个重要研究内容。
带容量约束的物流配送车辆路径规划问题(Capacitated Vehicle RoutingProblem，CVRP)是数学上的NP-hard问题，其求解算法分为精确算法、传统启发式算法和智能优化算法。其中，精确算法能找到问题的全局最优解，但是计算量随问题规模而指数增长，不适合求解一定规模的车辆路径规划问题；传统启发式算法是在精确算法基础上的一个革新，但是仍然受到限制，仅能求出优化问题的局部最优解；智能优化算法是比较好的解决方案，更适合大型车辆路径规划问题求解。
蚁群算法是一种可以用于解决CVRP的智能优化算法，它的基本思想是利用一群人工蚂蚁的协作来寻找优化问题的较优解，每只蚂蚁根据问题所给的准则，从被选中的初始状态出发建立一个可行解或部分解，各个蚂蚁间通过信息素交换信息，从而达到相互协作的目的。但是现有的蚁群算法在求解路径问题时，虽然能提高寻找最优路径的速度和准确率，但容易过早收敛到某个局部极值点，得到局部最优解，进而导致物流配送效率低、配送成本高的问题。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种物流配送路径规划方法及装置，能够避免陷入局部最优，提高寻找最优配送路径的效率和准确率。
为了解决上述问题，本发明提供一种物流配送路径规划方法，包括：
获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；
确定预设数量的蚂蚁，生成目标蚁群；
依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；
根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
进一步地，所述依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径包括：
获取所述需求点集合中的各个需求点两两之间路径的当前信息素强度；
利用所述目标蚁群中的当前蚂蚁，根据随机数、所述距离信息和所述当前信息素强度进行多次迭代搜索，得到所述当前蚂蚁对应的搜索路径；
根据所述搜索路径确定所述当前蚂蚁对应的配送路径。
进一步地，所述迭代搜索的过程包括：
获取所述当前蚂蚁所在的第一需求点；
获取所述当前蚂蚁未访问过的第二需求点，生成需求点序列；
基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率；
利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点；
将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
进一步地，所述基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率包括：
针对所述需求点序列中的每个第二需求点，确定所述第二需求点与所述第一需求点之间路径的目标距离信息；
确定所述第二需求点与所述第一需求点之间路径的目标信息素强度；
根据所述目标距离信息和所述目标信息素强度确定所述第二需求点的访问概率。
进一步地，所述利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点包括：
利用随机数发生器生成随机数；
依次计算所述需求点序列中的前N个第二需求点的访问概率之和，N为正整数；
获取所述访问概率之和大于或者等于所述随机数时对应的最小N值，将第N个第二需求点作为所述当前蚂蚁转移的目标需求点。
进一步地，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点包括：
获取所述当前蚂蚁所在的当前路径以及当前车辆的标准载荷；
计算所述当前路径中的各个需求点以及所述目标需求点的需求量之和；
当所述需求量之和小于或者等于所述标准载荷时，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
进一步地，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点包括：
获取所述目标需求点的等待时间；
当所述等待时间位于预设时间窗内时，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
进一步地，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点之后，还包括：
将所述目标需求点加入所述当前蚂蚁的已配送点集合；
判断所述需求点集合中的所有需求点是否均已加入所述已配送点集合；
当所述需求点集合中的所有需求点均已加入所述已配送点集合时，输出所述当前蚂蚁对应的搜索路径；
根据所述当前蚂蚁对应的搜索路径更新所述需求点集合中的各个需求点两两之间路径的信息素强度。
进一步地，所述根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径包括：
计算所述目标蚁群中的各个蚂蚁对应的配送路径的适应度信息；
将所述适应度信息满足预设条件的配送路径作为所述需求点集合的最优配送路径。
本发明另一方面保护一种物流配送路径规划装置，包括：
需求点集合获取模块，用于获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；
目标蚁群生成模块，用于确定预设数量的蚂蚁，生成目标蚁群；
路径搜索模块，用于依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；
最优路径确定模块，用于根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
由于上述技术方案，本发明具有以下有益效果：
(1)本发明的物流配送路径规划方法，利用目标蚁群中的各个蚂蚁进行若干次路径搜索，得到多个配送路径，并从中确定最优的配送路径，具有较强的全局搜索能力和鲁棒性，在搜索过程中选择路径时引入随机数，能够避免陷入局部最优，提高寻找最优配送路径的效率和准确率，进而提高物流配送效率、降低配送成本。
(2)本发明的物流配送路径规划方法中每个蚂蚁都是独立的搜索空间中的很多需求点，易于实现并行，能够进一步提高寻找最优配送路径的效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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的前提下，还可以根据这些附图获得其它附图。
图1是本发明一个实施例提供的物流配送路径规划方法的流程图；
图2是本发明一个实施例提供的迭代搜索过程的流程图；
图3是本发明另一个实施例提供的迭代搜索过程的流程图；
图4是本发明一个实施例提供的物流配送路径规划装置的结构图。
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的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。
参考说明书附图1，其示出了本发明一个实施例提供的物流配送路径规划方法的流程。如图1所示，所述方法可以包括以下步骤：
S110：获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息。
本发明实施例中，可以将待配送订单中的配送地址作为需求点，也可以将配送门店的地址看做一个需求点，将该需求点作为起点。可以分别计算各个需求点两两之间路径的距离以及起点与各个需求点之间的路径的距离。
在一个可能的实施例中，还可以先确实各个需求点的需求量、配送车辆的数量以及各个配送车辆的标准载荷，所述需求量可以为待配送订单的重量或者体积等，起点的需求量可以设置为零，所述车辆的标准载荷可以为车辆最大的装载重量或者容量等。
S120：确定预设数量的蚂蚁，生成目标蚁群。
本发明实施例中，可以预先确定一定数量的蚂蚁，利用蚁群算法求解得到最优配送路径。蚁群算法属于随机搜索算法，所有蚂蚁(智能体)独立行动，没有监督机构，从而使其避开局部最优，相对于其它算法，蚁群算法对初始路线要求不高，即蚁群算法的求解结果不依赖于初始路线的选择，而且在搜索过程中不需要进行人工的调整，具有很强的鲁棒性和搜索较好解的能力。
S130：依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径。
本发明实施例中，可以基于所述目标蚁群利用蚁群算法求解得到最优配送路径，蚁群算法是一种协作算法，每一只蚂蚁选择路径时，有较多信息素的路径被选中的可能性要比较少信息素的路径大得多，由于采用了正反馈机制，能够加快算法的收敛速度。
本发明实施例中，在路径搜索过程中进行路径选择时，可以考虑随机数、路径距离和路径上的信息素强度等多个因素，使得路径选择具有随机性，能够一定程度上避免得到局部最优路径。
在实际应用中，利用蚁群算法搜索最优配送路径的问题实际上是求解一个以距离最短或者时间最短为目标的数据模型的最优解的问题。示例性地，假设采用K个配送车辆进行物流配送(每个配送车辆的标准载荷已知)，第k个配送车辆rk配送的物流需求点的个数为nk(假设一共有l个需求点，其各个需求点的位置和需求量已知)，且要求车辆配送路径以某种指标(例如距离最短、时间最短等)为目标进行配送。假设以运输距离最短为目标，其基本数据模型可以表示如下：
Figure GDA0002941148640000061
Figure GDA0002941148640000062
Figure GDA0002941148640000063
Figure GDA0002941148640000064
Figure GDA0002941148640000065
其中，
Figure GDA0002941148640000066
为配送车辆rk从需求点i-1到需求点i的运输距离，totalk为第k个配送车辆的标准载荷，
Figure GDA0002941148640000067
为配送车辆rk的配送路径上的需求点i的需求量。
其中，(1)式为求解目标；(2)式表示某个配送车辆用于配送货物；(3)式表示每条路径上的需求点的需求量总和不得超过配送车辆的载荷；(4)和(5)式表示每个需求点只能由一个配送车辆来配送，且整个配送中没有遗漏需求点。可以通过蚁群算法进行多次迭代，求解上述数据模型的最优解，根据得到的最优解最终确定最优配送路径。
本发明实施例中，所述依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径可以包括：
获取所述需求点集合中的各个需求点两两之间路径的当前信息素强度；
利用所述目标蚁群中的当前蚂蚁，根据随机数、所述距离信息和所述当前信息素强度进行多次迭代搜索，得到所述当前蚂蚁对应的搜索路径；
根据所述搜索路径确定所述当前蚂蚁对应的配送路径。
具体地，可以利用所述目标蚁群中的每只蚂蚁进行一次搜索，得到与其对应的搜索路径，并根据搜索路径更新所述需求点集合中的各个需求点两两之间路径的信息素强度，用于后续蚂蚁对搜索路径的选择。本发明实施例通过若干次的搜索得到最优搜索路径具有较强的全局搜索能力，且每个蚂蚁都是独立的搜索空间中的多个需求点，易于实现并行。
在一个可能的实施例中，结合参考说明书附图2，其示出了本发明一个实施例提供的迭代搜索过程的流程，如图2所示，所述迭代搜索的过程可以包括：
S131：获取所述当前蚂蚁所在的第一需求点。
S132：获取所述当前蚂蚁未访问过的第二需求点，生成需求点序列。
本发明实施例中，所述当前蚂蚁可以从起点出发进行路径搜索，当当前蚂蚁所在的当前路径对应的配送车辆满载时，可以将所述当前蚂蚁转移到起点，重新开辟新路径，直到所有需求点均被所述当前蚂蚁遍历。
S133：基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率。
在一个可能的实施例中，所述基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率可以包括：
针对所述需求点序列中的每个第二需求点，确定所述第二需求点与所述第一需求点之间路径的目标距离信息；
确定所述第二需求点与所述第一需求点之间路径的目标信息素强度；
根据所述目标距离信息和所述目标信息素强度确定所述第二需求点的访问概率。
具体地，针对所述需求点序列中的每个第二需求点，所述第二需求点的访问概率可以根据下式计算得到：
Figure GDA0002941148640000081
其中，τij(t)表示t时刻第一需求点i到第二需求点j的路径上的信息残留量，即目标信息素强度，如果所述目标信息素强度越大，则τij(t)就越大，所述第二需求点的访问概率就越大；ηij＝1/dij，dij表示第一需求点i到第二需求点j的路径的目标距离信息，如果所述目标距离越小，则ηij就越大，所述第二需求点的访问概率就越大；k表示当前蚂蚁为第k只蚂蚁；α和β表示调节因子，可以预先确定，用于调节τij(t)和ηij之间的作用；allowedk表示蚂蚁k还没有走过的路径，具体地，可以用禁忌表存储已经走过的路径，通过这种存储可以保证所有解的逻辑可行。
S134：利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点。
在一个可能的实施例中，所述利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点可以包括：
利用随机数发生器生成随机数；
依次计算所述需求点序列中的前N个第二需求点的访问概率之和，N为正整数；
获取所述访问概率之和大于或者等于所述随机数时对应的最小N值，将第N个第二需求点作为所述当前蚂蚁转移的目标需求点。
具体地，可以从N＝1开始计算所述需求点序列中的前N个第二需求点的访问概率之和，当前N个第二需求点的访问概率之和大于或者等于所述随机数时，可以取第N个第二需求点作为目标需求点。如果所有第二需求点的访问概率之和还是小于所述随机数，则可以重新计算所述需求点序列中的各个第二需求点的访问概率和/或重新生成随机数，并基于重新确定的访问概率和随机数确定当前蚂蚁转移的目标需求点。
S135：将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
本发明实施例中，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点后，可以重复上述步骤S131至步骤S135的过程，直到所述需求点均被所述当前蚂蚁遍历，则可以结束当前蚂蚁的迭代搜索过程。
在一个可能的实施例中，结合参考说明书附图3，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点可以包括：
S1351：获取所述当前蚂蚁所在的当前路径以及当前车辆的标准载荷；计算所述当前路径中的各个需求点以及所述目标需求点的需求量之和。
S1352：获取所述目标需求点的等待时间。
S1353：当所述需求量之和小于或者等于所述标准载荷并且所述等待时间位于预设时间窗内时，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
本发明实施例中，当所述需求量之和大于所述标准载荷或者所述等待时间位于预设时间窗范围外时，可以放弃该目标需求点，返回所述步骤S131，重新执行所述迭代过程，重新确定所述当前蚂蚁的目标需求点，也可以将所述当前车辆替换为新车辆，将所述当前蚂蚁转移到起点，重新开辟新路径。示例性地，当所述需求量之和大于所述标准载荷时，可以返回所述步骤S131，重新执行所述迭代过程，重新确定所述当前蚂蚁的目标需求点，如果经过一定次数的迭代过程(例如3次)还是没有确定出目标需求点，则可以将所述当前车辆替换为新车辆，将所述当前蚂蚁转移到起点，重新开辟新路径。
在一个可能的实施例中，当所述目标需求点的需求量大于所有配送车辆的标准载荷(即任何一辆配送车辆都装不下)或者所有配送车辆均已经满载时，也可以结束当前蚂蚁的迭代搜索过程。
在一个可能的实施例中，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点之后，还可以包括：
将所述目标需求点加入所述当前蚂蚁的已配送点集合；
判断所述需求点集合中的所有需求点是否均已加入所述已配送点集合；
当所述需求点集合中的所有需求点均已加入所述已配送点集合时，输出所述当前蚂蚁对应的搜索路径；
根据所述当前蚂蚁对应的搜索路径更新所述需求点集合中的各个需求点两两之间路径的信息素强度。
其中，当所述需求点集合中还有需求点未加入所述已配送点集合时，可以返回所述步骤S131，继续执行所述迭代过程，直至所有需求点均已加入所述已配送点集合时，结束所述当前蚂蚁的搜索过程。在一个可能的实施例中，可以预先确定最大迭代次数，当所述迭代过程执行的次数等于所述最大迭代次数时，也可以结束所述当前蚂蚁的搜索过程。
具体地，当所述需求点集合中的所有需求点均已加入所述已配送点集合时，所述当前蚂蚁的搜索过程结束，可以输出所述当前蚂蚁对应的搜索结果，所述搜索结果可以包括多条搜索路径。当所述当前蚂蚁的搜索路径结束后，可以根据预先确定的信息素挥发因子、信息素惩罚因子等对所述需求点集合中的各个需求点两两之间路径的信息素强度(包括起点与各个需求点之间路径的信息素强度)进行更新，作为下一个蚂蚁进行搜索时的信息素强度。还可以根据得到的搜索路径确定所述当前蚂蚁对应的配送路径，例如可以将每一条搜索路径作为一辆配送车辆的配送路径。
在一个可能的实施例中，在多核处理器(Central Processing Unit，CPU)或者多台机器条件下，可以使用多线程/多进程对所述目标蚁群的各个蚂蚁并行进行搜索路径，以加快路径搜索的过程。
S140：根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
本发明实施例中，当所述目标蚁群中的所有蚂蚁均搜索结束后，可以在所述目标蚁群中的各个蚂蚁对应的配送路径中选取满足预设指标(例如配送距离最小、配送时间最短等等)的配送路径作为最优配送路径。
在一个可能的实施例中，所述根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径可以包括：
计算所述目标蚁群中的各个蚂蚁对应的配送路径的适应度信息；
将所述适应度信息满足预设条件的配送路径作为所述需求点集合的最优配送路径。
具体地，所述适应度信息可以为配送路径的距离、所述配送路径所需的配送时间等等，可以分别计算每个蚂蚁对应的配送路径的距离或者所需的配送时间，并根据所述配送路径距离或者所需配送时间对各个蚂蚁对应的配送路径进行排序，将所述配送路径距离最短或者所需配送时间最短的配送路径作为所述需求点集合的最优配送路径。
在一个可能的实施例中，也可以采用下述方法确定最优配送路径：当当前蚂蚁的搜索过程结束后，可以计算所述当前蚂蚁对应的配送路径的适应度值，将所述当前蚂蚁对应的适应度值与全局最优蚂蚁对应的适应度值进行比较，如果所述当前蚂蚁对应的适应度值小于全局最优蚂蚁对应的适应度值，可以用当前最优蚂蚁替换全局最优蚂蚁。当所述目标蚁群中的各个蚂蚁均搜索完成后，将最终得到的全局最优蚂蚁对应的配送路径作为所述需求点集合的最优配送路径。
对本发明实施例提供的物流配送路径规划方法的实际效果进行测试表明，本发明实施例提供的方法运用于解决CVRP问题，在车辆装载率方面提升约20％，路径优化效率方面提升约30％，大大提高了物流配送效率，节省了物流配送成本，带来较强的经济效益。
综上所述，本发明的物流配送路径规划方法具有以下有益效果：
本发明的物流配送路径规划方法，利用目标蚁群中的各个蚂蚁进行若干次路径搜索，得到多个配送路径，并从中确定最优的配送路径，具有较强的全局搜索能力和鲁棒性，在搜索过程中选择路径时引入随机数，能够避免陷入局部最优，提高寻找最优配送路径的效率和准确率，进而提高物流配送效率、降低配送成本。本发明的物流配送路径规划方法中每个蚂蚁都是独立的搜索空间中的很多需求点，易于实现并行，能够进一步提高寻找最优配送路径的效率。
参考说明书附图4，其示出了本发明一个实施例提供的物流配送路径规划装置的结构。如图4所示，所述装置可以包括：
需求点集合获取模块410，用于获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；
目标蚁群生成模块420，用于确定预设数量的蚂蚁，生成目标蚁群；
路径搜索模块430，用于依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；
最优路径确定模块440，用于根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
在一个可能的实施例中，所述路径搜索模块430可以包括：
信息素强度获取单元，用于获取所述需求点集合中的各个需求点两两之间路径的当前信息素强度；
迭代搜索单元，用于利用所述目标蚁群中的当前蚂蚁，根据随机数、所述距离信息和所述当前信息素强度进行多次迭代搜索，得到所述当前蚂蚁对应的搜索路径；
配送路径确定单元，用于根据所述搜索路径确定所述当前蚂蚁对应的配送路径。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。

Claims (10)

1.一种物流配送路径规划方法，其特征在于，包括：
获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；
确定预设数量的蚂蚁，生成目标蚁群；
依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；所述目标蚁群中的当前蚂蚁的搜索路径结束后，根据预先确定的信息素挥发因子、信息素惩罚因子对所述需求点集合中的各个需求点两两之间路径的信息素强度进行更新，作为下一个蚂蚁进行搜索时的信息素强度；
根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
2.根据权利要求1所述的方法，其特征在于，所述依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径包括：
获取所述需求点集合中的各个需求点两两之间路径的当前信息素强度；
利用所述目标蚁群中的当前蚂蚁，根据随机数、所述距离信息和所述当前信息素强度进行多次迭代搜索，得到所述当前蚂蚁对应的搜索路径；
根据所述搜索路径确定所述当前蚂蚁对应的配送路径。
3.根据权利要求2所述的方法，其特征在于，所述迭代搜索的过程包括：
获取所述当前蚂蚁所在的第一需求点；
获取所述当前蚂蚁未访问过的第二需求点，生成需求点序列；
基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率；
利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点；
将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
4.根据权利要求3所述的方法，其特征在于，所述基于所述距离信息和所述当前信息素强度确定所述需求点序列中的各个第二需求点的访问概率包括：
针对所述需求点序列中的每个第二需求点，确定所述第二需求点与所述第一需求点之间路径的目标距离信息；
确定所述第二需求点与所述第一需求点之间路径的目标信息素强度；
根据所述目标距离信息和所述目标信息素强度确定所述第二需求点的访问概率。
5.根据权利要求3或4所述的方法，其特征在于，所述利用随机数发生器生成随机数，基于所述随机数和所述访问概率确定所述当前蚂蚁转移的目标需求点包括：
利用随机数发生器生成随机数；
依次计算所述需求点序列中的前N个第二需求点的访问概率之和，N为正整数；
获取所述访问概率之和大于或者等于所述随机数时对应的最小N值，将第N个第二需求点作为所述当前蚂蚁转移的目标需求点。
6.根据权利要求3所述的方法，其特征在于，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点包括：
获取所述当前蚂蚁所在的当前路径以及当前车辆的标准载荷；
计算所述当前路径中的各个需求点以及所述目标需求点的需求量之和；
当所述需求量之和小于或者等于所述标准载荷时，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
7.根据权利要求3或6所述的方法，其特征在于，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点包括：
获取所述目标需求点的等待时间；
当所述等待时间位于预设时间窗内时，将所述当前蚂蚁从所述第一需求点转移到所述目标需求点。
8.根据权利要求3或6所述的方法，其特征在于，所述将所述当前蚂蚁从所述第一需求点转移到所述目标需求点之后，还包括：
将所述目标需求点加入所述当前蚂蚁的已配送点集合；
判断所述需求点集合中的所有需求点是否均已加入所述已配送点集合；
当所述需求点集合中的所有需求点均已加入所述已配送点集合时，输出所述当前蚂蚁对应的搜索路径；
根据所述当前蚂蚁对应的搜索路径更新所述需求点集合中的各个需求点两两之间路径的信息素强度。
9.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径包括：
计算所述目标蚁群中的各个蚂蚁对应的配送路径的适应度信息；
将所述适应度信息满足预设条件的配送路径作为所述需求点集合的最优配送路径。
10.一种物流配送路径规划装置，其特征在于，包括：
需求点集合获取模块，用于获取待配送的需求点集合，确定所述需求点集合中的各个需求点两两之间路径的距离信息；
目标蚁群生成模块，用于确定预设数量的蚂蚁，生成目标蚁群；
路径搜索模块，用于依次针对所述目标蚁群中的每只蚂蚁，确定所述需求点集合中的各个需求点两两之间路径的信息素强度；利用所述蚂蚁，根据随机数、所述距离信息和所述信息素强度进行路径搜索，得到所述蚂蚁对应的配送路径；所述目标蚁群中的当前蚂蚁的搜索路径结束后，根据预先确定的信息素挥发因子、信息素惩罚因子对所述需求点集合中的各个需求点两两之间路径的信息素强度进行更新，作为下一个蚂蚁进行搜索时的信息素强度；
最优路径确定模块，用于根据所述目标蚁群中的各个蚂蚁对应的配送路径确定所述需求点集合的最优配送路径。
CN202011098586.1A 2020-10-14 2020-10-14 一种物流配送路径规划方法及装置 Active CN112633548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011098586.1A CN112633548B (zh) 2020-10-14 2020-10-14 一种物流配送路径规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011098586.1A CN112633548B (zh) 2020-10-14 2020-10-14 一种物流配送路径规划方法及装置

Publications (2)

Publication Number Publication Date
CN112633548A CN112633548A (zh) 2021-04-09
CN112633548B true CN112633548B (zh) 2022-12-23

Family

ID=75302902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011098586.1A Active CN112633548B (zh) 2020-10-14 2020-10-14 一种物流配送路径规划方法及装置

Country Status (1)

Country Link
CN (1) CN112633548B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308B1 (en) * 2009-11-27 2012-07-18 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN107272679B (zh) * 2017-06-15 2020-06-16 东南大学 基于改进的蚁群算法的路径规划方法
CN107562072A (zh) * 2017-10-11 2018-01-09 湖北工业大学 一种基于自适应蚁群算法的无人机最优路径规划方法
CN109636039A (zh) * 2018-12-13 2019-04-16 深圳朗昇贸易有限公司 一种用于物流配送的路径规划系统

Also Published As

Publication number Publication date
CN112633548A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN109034481B (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
Sun A tabu search heuristic procedure for the capacitated facility location problem
CN108846623A (zh) 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN109214756A (zh) 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端
CN108921472A (zh) 一种多车型的两阶段车货匹配方法
CN107909228B (zh) 基于模因计算的动态车辆收发货路径规划方法及装置
Da Silva et al. A hybrid memetic approach for fully automated multi-objective web service composition
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN109345091A (zh) 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
CN110210666B (zh) 基于车货匹配的智能推荐方法、系统和存储介质
CN109858739A (zh) 物流运输调度方法、计算机存储介质及电子设备
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN112633548B (zh) 一种物流配送路径规划方法及装置
Carić et al. A modelling and optimization framework for real-world vehicle routing problems
CN110705741A (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
CN114691327B (zh) 面向两阶段任务调度的多目标群智能优化方法与系统
CN116302389A (zh) 一种基于改进蚁群算法的任务调度方法
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
Ben-Said et al. Using decomposition-based multi-objective algorithm to solve Selective Pickup and Delivery Problems with Time Windows
CN102081678B (zh) 一种数据库查询中最优执行计划的搜索方法
CN110119268B (zh) 基于人工智能的工作流优化方法
CN110633784B (zh) 一种多规则人工蜂群改进算法
CN116089083A (zh) 一种多目标数据中心资源调度方法
Dominik Solving multi-objective job shop problem using nature-based algorithms: new Pareto approximation features
CN110472789A (zh) 一种基于Grobner bases求解的物流配送最短路径算法

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
GR01 Patent grant
GR01 Patent grant