CN112836846A - 一种卷烟发货多库点多方向联运调度双层优化算法 - Google Patents

一种卷烟发货多库点多方向联运调度双层优化算法 Download PDF

Info

Publication number
CN112836846A
CN112836846A CN202011404057.XA CN202011404057A CN112836846A CN 112836846 A CN112836846 A CN 112836846A CN 202011404057 A CN202011404057 A CN 202011404057A CN 112836846 A CN112836846 A CN 112836846A
Authority
CN
China
Prior art keywords
algorithm
neural network
hopfield neural
optimization
converged
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.)
Granted
Application number
CN202011404057.XA
Other languages
English (en)
Other versions
CN112836846B (zh
Inventor
安裕强
徐跃明
欧阳世波
陈晓伟
王磊
迟文超
谢俊明
李柏宇
余丽莎
王康
王鹍
秦希
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.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco 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 Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN202011404057.XA priority Critical patent/CN112836846B/zh
Publication of CN112836846A publication Critical patent/CN112836846A/zh
Application granted granted Critical
Publication of CN112836846B publication Critical patent/CN112836846B/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"
    • 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
    • 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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种卷烟发货多库点多方向联运调度双层优化算法，属于卷烟物流领域，所述的卷烟发货多库点多方向联运调度双层优化算法，引入模拟退火算法和Levy飞行策略的改进Hopfield神经网络算法(IHNN)作为全局优化算法，形成一种基于改进Hopfield神经网络算法的卷烟成品发货联运调度的方法，同时结合应用订单池组合动态规划算法进行订单池配载优化和最优车辆选择规划算法选择配货车辆，实现多库点多方向动态调度。本发明解决了多库点多方向车辆调度问题是一个动态订单到达的多目标复杂车辆路径问题，这也是烟草工业企业成品物流仓储作业调度优化面临的核心问题。

Description

一种卷烟发货多库点多方向联运调度双层优化算法
技术领域
本发明涉及以及卷烟物流领域，更具体的说涉及一种卷烟发货多库点多方向 联运调度双层优化算法。
背景技术
粒子群算法、鲸鱼优化算法已经被广泛的应用于车辆调度领域，并且取得了 不错的效果，但同样存在一些问题，鲸鱼优化算法存在探索和开发能力难以协调、 易出现种群早熟陷入局部最优的不足。针对烟草物流调度问题，其求解规模大、 可行域小，传统鲸鱼优化算法表现出搜索能力较弱
同时由于传统Hopfield网络仍采用梯度下降策略，因此基于Hopfield网络 的车辆路径优化计算通常会导致以下问题：
(1)网络最终收敛到局部极小解，而非问题的全局最优解；
(2)网络可能会收敛到问题的不可行解；
(3)网络优化的最终结果很大程度上依赖于网络的参数，即参数鲁棒性较差。
发明内容
为解决传统Hopfield神经网络以上缺点，以及使算法更适用于解决烟草物 流分级调度问题，提出Hopfield神经网络与模拟退火算法和Levy飞行策略的结 合，由于模拟退火具有接受较差解的可能，使其可以避免陷入局部最优，最终收 敛于全局最优解。因此，采用将模拟退火算法和鲸鱼优化算法混合应用于求解烟 草物流调度问题。
为了解决上述问题，本发明是采用以下技术方案实现的：步骤1：构建1全 局优化算法采用Hopfield神经网络与模拟退火算法和Levy飞行策略的结合，改 进Hopfield神经网络算法(IHNN)作为全局优化算法；步骤2：基于模拟退火的 鲸鱼优化算法对步骤1中的模型求解。
优选的，所述的步骤1详细步骤如下(1)Hopfield神经网络与模拟退火算 法的结合；(2)Hopfield神经网络与Levy飞行策略的结合；(3)基于上述步 骤，利用以上混合策略，构建烟草物流分级调度问题的IHNN混合算法。
优选的，所述的(1)Hopfield神经网络与模拟退火算法的结合采用以下详 细方法；①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此 时的网络的E{xi}；
③在状态xi附近随机产生扰动Δxi，即此时状态变为xi+Δxi，再带入到 Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值E{xi+Δxi}；
④若
Figure BDA0002813381950000021
则
Figure BDA0002813381950000022
若算法收敛则输出结果，若算法 不收敛返回步骤③；
⑤若E{xi+Δxi}＞E{xi}，则釆用判断是否满足Metropolis准则，若满足Metropolis准则，则接受状态E{xi+Δxi}＝E{xi}，若算法收敛则输出结果，若 算法不收敛返回步骤③；若不满足则E{xi}＝E{xi}，若算法收敛则输出结果，若 算法不收敛返回步骤③。
优选的，所述(2)Hopfield神经网络与Levy飞行策略的结合采用以下详细 方法：①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此时 的网络的E{xi}；
③对状态xi依飞行概率利用Levy飞行策略移动
Figure BDA0002813381950000023
步长，即此时状态变为
Figure BDA0002813381950000024
输入到Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小 值
Figure BDA0002813381950000025
④若
Figure BDA0002813381950000026
则
Figure BDA0002813381950000027
若算法收敛则输出结果，若 算法不收敛返回步骤③；
⑤若
Figure BDA0002813381950000028
则E{xi}＝E{xi}，若算法收敛则输出结果，若算法 不收敛返回步骤③。
优选的，(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度 问题的IHNN混合算法详细步骤如下：(1)构建Hopfield神经网络，将收集的 历史拼车订单数据输入进Hopfield神经网络训练神经网络；
(2)在训练好的Hopfield神经网络中随机选取起始点x0，即初始的分级 调度方案，根据烟草物流分级调度双层优化目标函数计算f(x0)，令k＝0；
(3)将调度方案和订单动态数据输入Hopfield神经网络，利用梯度下降 法进行搜索(假设本次搜索的起始点为x(k))，找出f(x)的局部极小点x(k)*。对 于订单需要调库但又不满足调库时间窗约束的调度方案，将其在算法中标记，使 用Hopfield神经网络进行单独分层优化；
(4)从x(k)*开始，进行算法局部深入探索，运行模拟退火算法直到找到一 个新的点x(k+1)，这是满足f(x(k+1))-f(x(k)*)≤-δk的，其中δk是某个正数；
(5)更新x(k)*，令x(k)*＝x(k+1)。对算法进行全局寻优，运行Levy飞行策略， 更新得到一个新的点x(k+1)，这个点满足f(x(k+1))-f(x(k)*)≤-δk；
(6)令k＝k+1，返回步骤(2)直到算法收敛；
(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入 进Hopfield神经网络，更新神经网络的原始知识。
优选的，步骤2：基于模拟退火的鲸鱼优化算法对步骤1中的模型求解详细 方法如下：Step1：初始化
1)初始化算法涉及到的所有参数，包括种群规模S，最大迭代次数Tmax， 退火速度δ，以及按出货点编号设置搜索空间上限Bup、下限Blo；
2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产 生的一种车辆调度方案。设订单个数为N，Oi表示种群中第i个个体，则Oij(j＝1， 2，…，N)表示运送订单j的发货点以及运输车辆；
Step2：计算群体中每个个体的适应度值F(xi)，更新全局最优个体位置和 全局极值。
Step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火 操作更新最优个体位置：
Figure BDA0002813381950000031
其中，Zbest为初始粒子种群中，最优的适应度值；
Step4：对种群中所有鲸鱼个体执行包围猎物、Bubble-net攻击、随机搜 索操作；
Step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化 后的车辆调度方案；如果未达到，返回Step2。
本发明有益效果：
本发明形成一种基于改进Hopfield神经网络算法的卷烟成品发货联运调度 方法，同时结合应用订单池组合动态规划算法进行订单池配载优化和最优车辆选 择规划算法选择配货车辆，实现多库点多方向动态调度。
附图说明
图1现有算法和本发明改进算法的平均目标函数值的迭代曲线；
图2现有算法和本发明改进算法的平均目标函数值的迭代曲线放大图；
图3现有算法和本发明改进算法的运行过程中某次的目标函数值随迭代次数 变化曲线；
图4现有算法和本发明改进算法的运行30次各个算法最优目标函数值的迭 代曲线；
图5现有算法和本发明改进算法的运行30次各个算法最优目标函数值的迭 代曲线放大图；
图6现有算法和本发明改进算法的运行过程中某次的目标函数值随迭代次数 变化曲线。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例 进一步描述本发明的技术方案。
同时由于传统Hopfield网络仍采用梯度下降策略，因此基于Hopfield网 络的车辆路径优化计算通常会导致以下问题：
(1)网络最终收敛到局部极小解，而非问题的全局最优解；
(2)网络可能会收敛到问题的不可行解；
(3)网络优化的最终结果很大程度上依赖于网络的参数，即参数鲁棒性较 差。
为解决传统Hopfield神经网络以上缺点，以及使算法更适用于解决烟草物 流分级调度问题，提出Hopfield神经网络与模拟退火算法和Levy飞行策略的结 合。具体结合方法如下：
(1)Hopfield神经网络与模拟退火算法的结合：
①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此时 的网络的E{xi}；
③在状态xi附近随机产生扰动Δxi，即此时状态变为xi+Δxi，再带入到 Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值E{xi+Δxi}；
④若
Figure BDA0002813381950000051
则
Figure BDA0002813381950000052
若算法收敛则输出结果，若算法不 收敛返回步骤③；
⑤若E{xi+Δxi}＞E{xi}，则釆用判断是否满足Metropolis准则，若满足Metropolis准则，则接受状态E{xi+Δxi}＝E{xi}，若算法收敛则输出结果，若 算法不收敛返回步骤③；若不满足则E{xi}＝E{xi}，若算法收敛则输出结果，若 算法不收敛返回步骤③。
(2)Hopfield神经网络与Levy飞行策略的结合：
①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此时 的网络的E{xi}；
③对状态xi依飞行概率利用Levy飞行策略移动
Figure BDA0002813381950000053
步长，即此时状态变为
Figure BDA0002813381950000054
输入到Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小 值
Figure BDA0002813381950000055
④若
Figure BDA0002813381950000056
则
Figure BDA0002813381950000057
若算法收敛则输出结果，若 算法不收敛返回步骤③；
⑤若
Figure BDA0002813381950000058
则E{xi}＝E{xi}，若算法收敛则输出结果，若算法 不收敛返回步骤③。
利用以上混合策略，基于烟草物流分级调度问题的IHNN混合算法步骤如下：
(1)构建Hopfield神经网络，将收集的历史拼车订单数据输入进Hopfield 神经网络训练神经网络。
(2)在训练好的Hopfield神经网络中随机选取起始点x0，即初始的分级 调度方案，根据烟草物流分级调度双层优化目标函数计算f(x0)，令k＝0。
(3)将调度方案和订单动态数据输入Hopfield神经网络，利用梯度下降 法进行搜索(假设本次搜索的起始点为x(k))，找出f(x)的局部极小点x(k)*。对 于订单需要调库但又不满足调库时间窗约束的调度方案，将其在算法中标记，使 用Hopfield神经网络进行单独分层优化。
(4)从x(k)*开始，进行算法局部深入探索，运行模拟退火算法直到找到一 个新的点x(k+1)，这是满足f(x(k+1))-f(x(k)*)≤-δk的，其中δk是某个正数。
(5)更新x(k)*，令x(k)*＝x(k+1)。对算法进行全局寻优，运行Levy飞行策略， 更新得到一个新的点x(k+1)，这个点满足f(x(k+1))-f(x(k)*)≤-δk。
(6)令k＝k+1，返回步骤(2)直到算法收敛。
(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入 进Hopfield神经网络，更新神经网络的原始知识。
使用基于鲸鱼优化的混合模拟退火(SA-WOA)算法对VRPTW模型求解：
由于模拟退火具有接受较差解的可能，使其可以避免陷入局部最优，最终 收敛于全局最优解。因此，采用将模拟退火算法和鲸鱼优化算法混合应用于求解 烟草物流调度问题。
基于模拟退火的鲸鱼优化算法对该模型求解步骤：
Step1：初始化
1)初始化算法涉及到的所有参数，包括种群规模S，最大迭代次数Tmax， 退火速度δ，以及按出货点编号设置搜索空间上限Bup、下限Blo。
2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产 生的一种车辆调度方案。设订单个数为N，Oi表示种群中第i个个体，则Oij(j＝1， 2，…，N)表示运送订单j的发货点以及运输车辆。
Step2：计算群体中每个个体的适应度值F(xi)，更新全局最优个体位置和 全局极值。
Step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火 操作更新最优个体位置：
Figure BDA0002813381950000071
其中，Zbest为初始粒子种群中，最优的适应度值。
Step4：对种群中所有鲸鱼个体执行包围猎物、Bubble-net攻击、随机搜 索操作。
Step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化 后的车辆调度方案；如果未达到，返回Step2。
3.3.5模型算例和算法比较
由于遗传算法(GA)、神经网络算法(SA-HNN)已经被广泛的应用于车辆 调度领域，并且取得了不错的效果，因此选择这两种算法与项目所提出的引入模 拟退火算法和Levy飞行策略的改进Hopfield神经网络算法(IHNN)算法进行对 比，其中遗传算法属于较成熟的群智能算法，而神经网络算法则具有诸多优良性 能。由于粒子群算法、鲸鱼优化算法已经被广泛的应用于车辆调度领域，并且取 得了不错的效果，因此选择这两种算法与项目所提出的基于鲸鱼优化的混合模拟 退火(WOA-SA)算法进行对比，其中粒子群算法属于较成熟的群智能算法，而鲸 鱼优化算法则是最近提出的群智能算法，其具有收敛精度高等优良性能。在仿真 过程中，算法编程工具采用MATLAB R2017a，操作系统为Windows 10，电脑内存 16G，CPU为Intel i7-8750H。
TWMDVRP模型算例及比较：
在某次仿真实验中，假设有25个客户公司需要进行配送，其中各生产出货 点的出货上限、各生产出货点的出货速度、各生产发货点到需配送的商业客户公 司的距离、需配送的各商业客户公司之间距离矩阵均为已知。某天需要给各客户 公司配送的烟草数量以及客户公司所对应的准运证时效如表1所示，各生产发货 点到随机选取需配送的商业客户公司的距离如表2所示。
表1各生产发货点到随机选取需配送的商业客户公司的距离
Figure BDA0002813381950000081
表2各客户公司配送的烟草数量以及客户公司所对应的准运证时效
Figure BDA0002813381950000091
仿真结果如下所示，其中，表3为IHNN算法的规划结果，包括发货地、拼 车方案、车辆路线、运输历程、货物吨数。表4为三个算法某次运行过程中的调 度结果表，包括使用车辆数，运输总里程和时间成本。图1、2为三个算法运行 30次目标函数值平均值随迭代次数变化曲线，图3为三个算法运行过程中，某 次的目标函数值随迭代次数变化曲线。
表3 IHNN算法的规划结果
Figure BDA0002813381950000101
表4三个调度结果的对比表
Figure BDA0002813381950000102
Figure BDA0002813381950000111
仿真结果分析：
由从图2、图3中可以看出，在相同的实验环境下，IHNN算法、GA算法、 HNN算法，均具有较强的寻优能力。在图4中，IHNN算法得出的最优适应度值为 2.613，而HNN算法的最优适应度值为2.965，GA算法的最优适应度值为3.096， 可以看出IHNN算法收敛精度更高，优化效果更好。
在表4中，从运输总里程、时间总成本以及调库次数三个评价指标来看， 利用IHNN算法得到的结果均为最优，逼近性较好。可以看出，无论从哪个指标 看，利用IHNN算法得出的结果均为最优。因此，可以得出下表结论：
表7算法性能对比表
Figure BDA0002813381950000112
VRPTW模型算例及比较：
在某次仿真实验中，假设有25个客户公司需要进行配送，其中各生产出货 点的出货上限、各生产出货点的出货速度、各生产发货点到需配送的商业客户公 司的距离、需配送的各商业客户公司之间距离矩阵均为已知。某天需要给各客户 公司配送的烟草数量以及客户公司所对应的准运证时效如表28所示，各生产发 货点到随机选取需配送的商业客户公司的距离如表9所示。
表28各生产发货点到随机选取需配送的商业客户公司的距离
Figure BDA0002813381950000113
Figure BDA0002813381950000121
表9各客户公司配送的烟草数量以及客户公司所对应的准运证时效
Figure BDA0002813381950000122
Figure BDA0002813381950000131
仿真结果如下所示，其中，表10为基于鲸鱼优化的混合模拟退火(SA-WOA) 算法的规划结果，包括发货地、拼车方案、车辆路线、运输历程、货物吨数。表 11为三个算法某次运行过程中的调度结果表，包括使用车辆数，运输总里程和 时间成本，表12为三个算法各运行30次过程中的最优解、最差解以及平均解。 图2、图3、图4为三个算法运行30次各个算法最优目标函数值的迭代曲线，图 6为三个算法运行过程中，某次的目标函数值随迭代次数变化曲线。
表10基于鲸鱼优化的混合模拟退火(SA-WOA)算法的规划结果
Figure BDA0002813381950000141
表11三个调度结果的对比表
Figure BDA0002813381950000142
表12为三个算法各运行30次过程中的最优解、最差解以及平均解
Figure BDA0002813381950000143
Figure BDA0002813381950000151
由从图4、图5中可以看出，在相同的实验环境下，基于模拟退火的鲸鱼优 化算法、鲸鱼优化(WOA)算法、粒子群(PSO)算法，均具有较强的寻优能力。 在图6中，基于模拟退火的鲸鱼优化算法得出的最优适应度值为2.789，而粒子 群(PSO)算法的最优适应度值为3.259，鲸鱼优化(WOA)算法的最优适应度值 为3.118，可以看出基于模拟退火的鲸鱼优化算法收敛精度更高，优化效果更好。
在表11中，从运输总里程以及时间总成本两个评价指标来看，利用基于模 拟退火的鲸鱼优化算法得到的结果均为最优，逼近性较好。从表12可以看出, 在最优解、最差解和平均值三个评价指标来看，基于模拟退火的鲸鱼优化算法求 得的最优解为2.372662，最差解为3.246113,平均值为2.909282，均优于WOA 算法、PSO算法，可以看出，无论从哪个指标看，利用基于模拟退火的鲸鱼优化 算法得出的结果均为最优。因此，可以得出下表结论：
表13算法性能对比表
Figure BDA0002813381950000152
基于模拟退火的鲸鱼优化算法在发现最优值方面，相比于鲸鱼优化(WOA) 算法、粒子群(PSO)算法，能力较强，逼近性、均匀性较好，对此类多约束条 件下的车辆路径问题(VRP)的处理，基于模拟退火的鲸鱼优化算法具有很强的 竞争力。所研究的模型考虑了多生产发货点和多商业客户公司，并利用算法对模 型求解得出了较好的解决方案，对于企业来说有着较好的参考价值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的 技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前 提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明 范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种卷烟发货多库点多方向联运调度双层优化算法，该方法用于物流领域的车辆路径优化问题，其特征在于：步骤1：构建1全局优化算法采用Hopfield神经网络与模拟退火算法和Levy飞行策略的结合，改进Hopfield神经网络算法(IHNN)作为全局优化算法；步骤2：基于模拟退火的鲸鱼优化算法对步骤1中的模型求解。
2.根据权利要求所述的一种卷烟发货多库点多方向联运调度双层优化算法，其特征在于：所述的步骤1详细步骤如下(1)Hopfield神经网络与模拟退火算法的结合；(2)Hopfield神经网络与Levy飞行策略的结合；(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的IHNN混合算法。
3.根据权利要求2所述的一种卷烟发货多库点多方向联运调度双层优化算法，其特征在于：所述的(1)Hopfield神经网络与模拟退火算法的结合采用以下详细方法；①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此时的网络的E{xi}；
③在状态xi附近随机产生扰动Δxi，即此时状态变为xi+Δxi，再带入到Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值E{xi+Δxi}；
④若
Figure FDA0002813381940000011
则
Figure FDA0002813381940000012
若算法收敛则输出结果，若算法不收敛返回步骤③；
⑤若E{xi+Δxi}＞E{xi}，则釆用判断是否满足Metropolis准则，若满足Metropolis准则，则接受状态E{xi+Δxi}＝E{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③；若不满足则E{xi}＝E{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③。
4.根据权利要求2或3所述的一种卷烟发货多库点多方向联运调度双层优化算法，其特征在于：所述(2)Hopfield神经网络与Levy飞行策略的结合采用以下详细方法：①设置初始状态xi；
②将xi设置为起点，代入到Hopfield神经网络中进行迭代运算，计算此时的网络的E{xi}；
③对状态xi依飞行概率利用Levy飞行策略移动
Figure FDA0002813381940000026
步长，即此时状态变为
Figure FDA0002813381940000021
输入到Hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值
Figure FDA0002813381940000022
④若
Figure FDA0002813381940000023
则
Figure FDA0002813381940000024
若算法收敛则输出结果，若算法不收敛返回步骤③；
⑤若
Figure FDA0002813381940000025
则E{xi}＝E{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③。
5.根据权利要求4所述的一种卷烟发货多库点多方向联运调度双层优化算法，其特征在于：(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的IHNN混合算法详细步骤如下：(1)构建Hopfield神经网络，将收集的历史拼车订单数据输入进Hopfield神经网络训练神经网络；
(2)在训练好的Hopfield神经网络中随机选取起始点x0，即初始的分级调度方案，根据烟草物流分级调度双层优化目标函数计算f(x0)，令k＝0；
(3)将调度方案和订单动态数据输入Hopfield神经网络，利用梯度下降法进行搜索(假设本次搜索的起始点为x(k))，找出f(x)的局部极小点x(k)*。对于订单需要调库但又不满足调库时间窗约束的调度方案，将其在算法中标记，使用Hopfield神经网络进行单独分层优化；
(4)从x(k)*开始，进行算法局部深入探索，运行模拟退火算法直到找到一个新的点x(k +1)，这是满足f(x(k+1))-f(x(k)*)≤-δk的，其中δk是某个正数；
(5)更新x(k)*，令x(k)*＝x(k+1)。对算法进行全局寻优，运行Levy飞行策略，更新得到一个新的点x(k+1)，这个点满足f(x(k+1))-f(x(k)*)≤-δk；
(6)令k＝k+1，返回步骤(2)直到算法收敛；
(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入进Hopfield神经网络，更新神经网络的原始知识。
6.根据权利要求1或5所述的一种卷烟发货多库点多方向联运调度双层优化算法，其特征在于：步骤2：基于模拟退火的鲸鱼优化算法对步骤1中的模型求解详细方法如下：Step1：初始化
1)初始化算法涉及到的所有参数，包括种群规模S，最大迭代次数Tmax，退火速度δ，以及按出货点编号设置搜索空间上限Bup、下限Blo；
2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产生的一种车辆调度方案，设订单个数为N，Oi表示种群中第i个个体，则Oij(j＝1，2，…，N)表示运送订单j的发货点以及运输车辆；
Step2：计算群体中每个个体的适应度值F(xi)，更新全局最优个体位置和全局极值。
Step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火操作更新最优个体位置：
Figure FDA0002813381940000031
其中，Zbest为初始粒子种群中，最优的适应度值；
Step4：对种群中所有鲸鱼个体执行包围猎物、Bubble-net攻击、随机搜索操作；
Step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化后的车辆调度方案；如果未达到，返回Step2。
CN202011404057.XA 2020-12-02 2020-12-02 一种卷烟发货多库点多方向联运调度双层优化算法 Active CN112836846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011404057.XA CN112836846B (zh) 2020-12-02 2020-12-02 一种卷烟发货多库点多方向联运调度双层优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011404057.XA CN112836846B (zh) 2020-12-02 2020-12-02 一种卷烟发货多库点多方向联运调度双层优化算法

Publications (2)

Publication Number Publication Date
CN112836846A true CN112836846A (zh) 2021-05-25
CN112836846B CN112836846B (zh) 2022-07-08

Family

ID=75923469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011404057.XA Active CN112836846B (zh) 2020-12-02 2020-12-02 一种卷烟发货多库点多方向联运调度双层优化算法

Country Status (1)

Country Link
CN (1) CN112836846B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707930A (zh) * 2022-03-31 2022-07-05 红云红河烟草(集团)有限责任公司 基于拣货动线模型的卷烟成品智慧园区管控方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090240603A1 (en) * 2008-03-20 2009-09-24 Stephenson Brian K Determining total inventory of batch and continuous inventories in a biofuel production process
CN102982383A (zh) * 2012-05-15 2013-03-20 红云红河烟草(集团)有限责任公司 一种基于支持向量机的能源供需预测方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN107609816A (zh) * 2017-09-11 2018-01-19 大连交通大学 基于混合量子算法的智慧车辆调度管理系统及其工作方法
CN107918806A (zh) * 2017-11-13 2018-04-17 浙江大学 一种智能的优化调度方法
CN108921338A (zh) * 2018-06-20 2018-11-30 广东工业大学 一种多车辆车间物流运输调度方法
CN109583638A (zh) * 2018-11-16 2019-04-05 新疆大学 一种基于混合布谷鸟优化算法的多级水库优化调度方法
CN110097234A (zh) * 2019-05-13 2019-08-06 江苏中烟工业有限责任公司 工业卷烟运输智能调度方法及系统
CN110490503A (zh) * 2019-05-30 2019-11-22 湖南城市学院 一种基于海量数据的物流配送车辆优化调度方法
CN112001526A (zh) * 2020-07-23 2020-11-27 河北工业大学 一种基于优化小生境遗传算法的资源调度优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090240603A1 (en) * 2008-03-20 2009-09-24 Stephenson Brian K Determining total inventory of batch and continuous inventories in a biofuel production process
CN102982383A (zh) * 2012-05-15 2013-03-20 红云红河烟草(集团)有限责任公司 一种基于支持向量机的能源供需预测方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN107609816A (zh) * 2017-09-11 2018-01-19 大连交通大学 基于混合量子算法的智慧车辆调度管理系统及其工作方法
CN107918806A (zh) * 2017-11-13 2018-04-17 浙江大学 一种智能的优化调度方法
CN108921338A (zh) * 2018-06-20 2018-11-30 广东工业大学 一种多车辆车间物流运输调度方法
CN109583638A (zh) * 2018-11-16 2019-04-05 新疆大学 一种基于混合布谷鸟优化算法的多级水库优化调度方法
CN110097234A (zh) * 2019-05-13 2019-08-06 江苏中烟工业有限责任公司 工业卷烟运输智能调度方法及系统
CN110490503A (zh) * 2019-05-30 2019-11-22 湖南城市学院 一种基于海量数据的物流配送车辆优化调度方法
CN112001526A (zh) * 2020-07-23 2020-11-27 河北工业大学 一种基于优化小生境遗传算法的资源调度优化方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MAJDI M. MAFARJA等: "Hybrid Whale Optimization Algorithm with simulated annealing for feature selection", 《NEUROCOMPUTING》 *
刘磊等: "一种全局搜索策略的鲸鱼优化算法", 《小型微型计算机系统》 *
安裕强等: "一种基于可视化的成品卷烟物流调度决策系统研究和设计", 《物流技术》 *
张华烨: "基于Hopfield网络的路径规划并行算法设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
李萍: "改进的Hopfield神经网络在配送车辆调度中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
褚鼎立等: "基于自适应权重和模拟退火的鲸鱼优化算法", 《电子学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707930A (zh) * 2022-03-31 2022-07-05 红云红河烟草(集团)有限责任公司 基于拣货动线模型的卷烟成品智慧园区管控方法
CN114707930B (zh) * 2022-03-31 2023-04-21 红云红河烟草(集团)有限责任公司 基于拣货动线模型的卷烟成品智慧园区管控方法

Also Published As

Publication number Publication date
CN112836846B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Zhang et al. Multiobjective Quantum Evolutionary Algorithm for the Vehicle Routing Problem with Customer Satisfaction.
CN110288857B (zh) 一种基于时空间维度分解的机场停机位快速调度方法
CN112183812B (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
Zadeh et al. An efficient metamodel-based multi-objective multidisciplinary design optimization framework
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN113361073B (zh) 一种基于改进拉格朗日松弛算法的库存路径联合优化方法
Wang et al. An effective evolutionary algorithm for the practical capacitated vehicle routing problems
CN111178440B (zh) 一种基于高效减小agv总运输成本的路径优化方法
CN115329683B (zh) 航空行李在线装载规划方法、装置、设备及介质
Wang et al. Simulation-based optimisation of logistics distribution system for an assembly line with path constraints
CN114399161A (zh) 基于离散映射差分进化算法的多无人机协同任务分配方法
Tarkesh et al. Facility layout design using virtual multi-agent system
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
Wang et al. Solving task scheduling problems in cloud manufacturing via attention mechanism and deep reinforcement learning
CN112836846B (zh) 一种卷烟发货多库点多方向联运调度双层优化算法
Chen Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification
CN114444809A (zh) 一种数据驱动下的多目标露天矿卡路径优化方法
Qi et al. A knowledge-driven multiobjective optimization algorithm for the transportation of assembled prefabricated components with multi-frequency visits
Chen et al. Deep reinforcement learning assisted genetic programming ensemble hyper-heuristics for dynamic scheduling of container port trucks
CN111160654B (zh) 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法
Wang et al. Research on Hybrid Real-Time Picking Routing Optimization Based on Multiple Picking Stations.
CN115409448A (zh) 仓储调度决策方法、装置、终端设备以及存储介质
CN116187531A (zh) 一种用于成品油二次物流配送车辆调度优化的求解算法
CN114228748A (zh) 一种基于几何路径生成的类人化自动驾驶轨迹规划方法
Chen et al. An adaptive evolutionary algorithm for bi-level multi-objective VRPs with real-time traffic conditions

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
CB03 Change of inventor or designer information

Inventor after: An Yuqiang

Inventor after: Wang Kang

Inventor after: Wang Kun

Inventor after: Qin Xi

Inventor after: Xu Yueming

Inventor after: OuYang Shibo

Inventor after: Chen Xiaowei

Inventor after: Wang Lei

Inventor after: Chi Wenchao

Inventor after: Xie Junming

Inventor after: Li Baiyu

Inventor after: Yu Lisha

Inventor before: An Yuqiang

Inventor before: Wang Kang

Inventor before: Wang Kun

Inventor before: Qin Xi

Inventor before: Xu Yueming

Inventor before: OuYang Shibo

Inventor before: Chen Xiaowei

Inventor before: Wang Lei

Inventor before: Chi Wenchao

Inventor before: Xie Junming

Inventor before: Li Baiyu

Inventor before: Yu Lisha

CB03 Change of inventor or designer information