CN112836892A - 基于改进遗传算法的多目标车辆配送路径确定方法及系统 - Google Patents

Abstract

本发明涉及一种基于改进遗传算法的多目标车辆配送路径确定方法及系统，涉及货物配送领域。具体包括：获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；根据所述基本信息计算影响车辆配送路径的准则参数；根据所述准则参数建立目标函数；以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。引入多准则决策理论，综合考虑影响车辆配送路径的各种因素作为车辆路径模型目标，并与改进的遗传算法相结合选择出车辆最优的配送路径，提高了配送效率和运输安全性，降低了碳排放量和配送成本。

Description

基于改进遗传算法的多目标车辆配送路径确定方法及系统

技术领域

本发明涉及货物配送领域，特别是涉及一种基于改进遗传算法的多目标车辆配送路径确定方法及系统。

背景技术

车辆路径的研究是近十年来的热点问题，已成为物流配送的一个发展趋势，与实际生活中资源配送和路径规划息息相关，主要解决当多辆有容量限制的配送车辆服务多个客户点时，如何合理规划确定最优车辆路径问题。影响选择运输路径的因素有很多，大部分企业考虑的是时间和成本，但随着社会和环境问题越来越受到公众关注，碳排放量和道路安全等更多的因素应该被考虑其中，制定合理的配送方案不仅能使企业获得巨大的经济效益，还可以带来社会和环境效益。因此，亟需一种车辆最优配送路径确定方法及系统。

发明内容

本发明的目的是提供一种基于改进遗传算法的多目标车辆配送路径确定方法及系统，考虑到了多种影响选择运输路径的因素，将影响车辆配送路径的各种因素作为车辆路径模型目标，并且还引入了改进的遗传算法进行路径最优的选择，多准则决策理论和改进的遗传算法相结合，能够制定出更合理的配送路径方案，提高了配送效率和运输安全性，降低了碳排放量和配送成本。

为实现上述目的，本发明提供了如下方案：

一种基于改进遗传算法的多目标车辆配送路径确定方法，包括：

获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

根据所述基本信息计算影响车辆配送路径的准则参数；

根据所述准则参数建立目标函数；

以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

本发明还提供了一种基于改进遗传算法的多目标车辆配送路径确定系统，包括：

数据获取模块，用于获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

准则参数计算模块，用于根据所述基本信息计算影响车辆配送路径的准则参数；

目标函数建立模块，用于根据所述准则参数建立目标函数；

最优的车辆配送路径确定模块，用于以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

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：

本发明提供了一种基于改进遗传算法的多目标车辆配送路径确定方法及系统，其中，获取车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；根据所述基本信息计算影响车辆配送路径的准则参数；根据所述准则参数建立目标函数；以所述目标函数为适应度函数，利用改进的遗传算法选择最优的车辆配送路径。利用改进的遗传算法能够筛选出车辆最优的配送路径，从而制定出更合理的配送路径方案，提高了配送效率和运输安全性，降低了碳排放量和配送成本。

另外，本发明综合考虑影响车辆配送路径的各种因素，并基于各种因素建立车辆路径模型目标函数，克服了目前仅考虑时间或距离作为目标确定车辆配送路径的不足，提高了车辆路径选择的准确性。将多准则决策理论与改进的遗传算法相结合，可以根据决策者偏好设置各目标权重进而输出适合实际情况的车辆配送路径。

由于本发明综合考虑了运输时间、燃油成本、碳排放量和道路风险目标，可以提供经济、绿色、高效、安全的物流配送方案，这对企业和社会而言都十分重要。该方法具备一般性可根据具体情况灵活改变目标函数的权重确定合适的路径，同时了兼顾经济、社会和环境效益，为管理者决策提供了参考。

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为本发明实施例1提供的一种基于改进遗传算法的多目标车辆配送路径确定方法流程图；

图2为本发明实施例1提供的配送中心和各客户节点位置图；

图3为本发明实施例1提供的改进遗传算法的方法流程图；

图4为本发明实施例1提供的改进顺序交叉算子方法示例图；

图5为本发明实施例1提供的最后一代种群中适应度值最大的个体中染色体编码进行解码的流程图；

图6为本发明实施例1提供的各车辆配送路线图；

图7为本发明实施例2提供的一种基于改进遗传算法的多目标车辆配送路径确定系统框架图。

符号说明：

0：配送中心编码值；1-19分别表示各客户节点编码值；X和Y分别表示随机个体中的交叉点。

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基于改进遗传算法的多目标车辆配送路径确定方法及系统，考虑到了多种影响选择运输路径的因素，将影响车辆配送路径的各种因素作为车辆路径模型目标，并且还引入了改进的遗传算法进行路径最优的选择，多准则决策理论和改进的遗传算法相结合，能够制定出更合理的配送路径方案，提高了配送效率和运输安全性，降低了碳排放量和配送成本。

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。

实施例1

请参阅图1，本实施例提供了一种基于改进遗传算法的多目标车辆配送路径确定方法，包括：

步骤S1：获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；如图2示出了配送中心以及各客户节点位置；

步骤S2：根据所述基本信息计算影响车辆配送路径的准则参数；

其中，准则参数包括行驶时间、碳排放量、燃油成本和道路风险。

行驶时间的计算公式为：

其中，t_ij表示任意两节点i和j之间的车辆行驶时间(单位小时)；d_ij表示任意两节点i和j之间的距离(单位公里)；v_ij表示任意两节点i和j之间车辆行驶速度；

其中，任意两节点i和j之间的距离可以通过网上地图直接获取；任意两节点i和j之间车辆行驶速度可以由三角概率分布模型进行估算；

其中，f(v)为车辆速度的概率密度函数；v_d为车辆拥堵速度；v_f为车辆自由流速度；v_m为介于车辆拥堵速度和车辆自由流速度之间的速度值。

所述碳排放量计算公式为：

其中，e_ij表示车辆通过任意节点i和j的碳排放量；参数{p,a,b,c,d,h,f}的取值与车辆类型有关。例如中型货车参数{p,a,b,c,d,h,f}可取值为{1576,-17.6,0,0.00117,0,36046,0}。

所述燃油成本的计算公式为：

其中，c_ij表示任意节点i和j之间的车辆燃油成本(单位元)；γ表示燃油单价(单位升/元)；ρ₀表示当车辆负载为零时正常行驶单位距离燃料消耗率；ρ₁表示当车辆满载时正常行驶单位距离燃料消耗率；G表示车辆载重(单位吨)；M表示货物重量(单位吨)。

道路风险采用了模糊数学评价方法进行量化，具体的计算方法为：

根据任意两节点i和j之间的道路交通标志设置比例、道路路面完好率、交叉口数量、车流量建立道路交通安全评价指标体系，对道路交通安全进行定量分析，得到任意两节点i和j之间的道路风险系数。

上述准则参数直接影响了车辆配送路径的选择，所以需要依据上述准则参数来选择最优的配送路径，所以需要基于准则参数进一步建立车辆配送路选择的目标函数；

步骤S3：根据所述准则参数建立目标函数；

以所述准则参数综合值最小为所述目标函数；

所述目标函数表达式为：

F表示目标函数；w_t，w_c，w_e，w_r分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；t_i′_j，c_i′_j，e_i′_j，r_ij′分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；x_ijk为0-1规划，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。

需要说明的是，w_t，w_c，w_e，w_r的值可以根据决策者的偏好进行设置，并且权重值之和为1，当任一权重设置为1时，则其余三项权重则为0，这样可以得到单目标函数。

其中，为了便于计算，构建目标函数时需要对准则参数的值进行归一化处理，具体的归一化为：

其中，t_max，t_min分别表示任意两节点i和j之间的行驶时间的最大值和最小值；

其中，c_max，c_min表示任意两节点i和j之间的燃油成本的最大值和最小值；

其中，e_max，e_min表示任意两节点i和j之间的碳排放量的最大值和最小值；

其中，r_max，r_min表示任意两节点i和j之间的道路风险的最大值和最小值；

考虑到车辆与客户之间配送的分配，以及配送车辆自身的载重量均会影响到车辆配送路径的选择，所以为了得到更优的配送路径，需要对目标函数设置一定的约束条件。即目标函数的约束条件为每个客户有且仅由一辆车服务且每辆车所服务的客户需求总量不超过车辆载重。

步骤S4：以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

如图3所示，步骤S4具体包括：

步骤S401：对所述配送中心节点和各所述客户节点进行染色体编码；

为了便于对配送中心和客户节点做区分，可以用0表示配送中心，用自然数来表示各客户节点；

步骤S402：通过洗牌算法对各所述客户节点随机排列生成随机个体，生成的所有所述随机个体作为初始种群；所述随机个体的数量达到预设的个体数量；以所述初始种群为当前群体；

其中，各个个体染色体编码顺序即为车辆对各客户节点进行配送的顺序。

本实施例中，通过洗牌算法生成随机个体，该算法类似于插入排序；首先随机生成一个个体，以该个体的染色体编码为基础，首先以该个体染色体编码中的最后一位为起点，末位编码与其之前的所有编码依次做交换，得到多个末位交换的个体；然后再以多个末位交换的个体为基础，将倒数第二位的编码与其之前的所有编码依次做交换，得到多个倒数第二位交换的个体；再以多个倒数第二位交换的个体为基础，将倒数第三位的编码与其之前的所有编码依次做交换，得到多个倒数第三位交换的个体；以此类推，直至遍历至该个体染色体编码中的第一位结束。此时得到的多个末位交换的个体，多个倒数第二位交换的个体，多个倒数第三位交换的个体，......，正数第二位交换的个体加上最初随机生成的个体构成了初始种群个体。为了使本领域技术人员能够更清楚的理解洗牌算法生成随机个体的过程，以1234编码顺序为例进行说明：首先末位与其之前发生交换得到的个体为4231；1432；1243；再以4231；1432；1243为基础，倒数第二位与其之前的编码发生交换得到的个体为3241；4321；3412；1342；4213；1423；再3241；4321；3412；1342；4213；1423为基础，倒数第三位(正数第二位)与其之前的编码发生交换得到的个体为2341；3421；4312；3142；2413；4123；最后得到的所有个体1234；4231；1432；1243；3241；4321；3412；1342；4213；1423；2341；3421；4312；3142；2413；4123即为洗牌算法得到的初始种群个体。

需要注意的是，本实施例中洗牌算法中以该个体染色体编码中的最后一位为起点进行编码交换仅仅是为了更清楚的解释本方案，不具有任何限定作用，本实施例还可以以个体中编码任何一位为起点，以各种规律与其他编码做交换；另外，随机生成一个个体，以该个体为基础进行洗牌，这也不具有任何限定，本实施例还可以随机生成多个不同个体，以多个不同个体为基础进行洗牌。具体的洗牌算法可根据实际需求做调整。

步骤S403：以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值；

遗传算法中使用适应度这个概念来度量群体中各个个体在优化计算中找到最优解的程度，适应度较高的个体遗传到下一代的概率就大，适应度低的个体遗传到下一代的概率就小。为了能够直接将适应度函数与群体中的个体优劣相联系，采用的适应度函数为所建优化模型归一化后的目标函数。

步骤S404：根据所述适应度值对当前群体中的个体进行选择操作，基于选择操作后的个体进行交叉和变异计算，将交叉变异后的个体作为所述新一代群体的个体；

选择操作是基于适应度评价的基础上，其主要目的就是为了避免优秀基因被淘汰，提高遗传算法的全局收敛性和计算效率。本实施例中可以使用二元锦标赛法来进行选择操作，从当前种群中通过轮盘赌的方法选出两个个体，选择其中适应度较高的个体作为父代。

其中，本实施例利用改进顺序交叉算子对编码片段合并的顺序进行改进，降低了对种群多样性的要求，有效弥补了遗传算法容易陷入局部解的缺点。利用改进顺序交叉算法对所述选择操作后的个体进行交叉计算，具体包括：

从所述选择操作后的个体中随机选择两个个体，记为个体P1和个体P2；

对所述个体P1和所述个体P2分别随机产生两个交叉点，记为交叉点X和交叉点Y；所述交叉点X和所述交叉点Y之间的基因记为交叉段基因；

将所述个体P1中的所述交叉点Y后的基因作为一个整体移至所述个体P1的首部，构成个体P11；将所述个体P2中的所述交叉点Y后的基因作为一个整体移至所述个体P2的首部，构成个体P22；

将个体P2中的所述交叉段基因移至所述个体P11的首部，同时消去所述个体P11中与所述交叉段基因相同的基因，构成个体PC1；

将个体P1中的所述交叉段基因移至所述个体P22的尾部，同时消去所述个体P22中与所述交叉段基因相同的基因，构成个体PC2。

如图4所示，给出了一个具体的例子解释改进顺序交叉算法，根据该图4能够更清楚的了解改进顺序交叉算法具体操作方法。另外，采用改进顺序交叉算法时，当任意选择出的两个个体的染色体编码相同时，仍能产生新个体。需要说明的是初始种群中的个体个数、选择操作后得到的个体个数、交叉、变异后得到的个体个数以及新一代群体的个体个数均相同。

步骤S406：所述新一代群体为所述当前群体，返回步骤403，直至种群迭代次数达到预设迭代次数，输出最后一代种群中所述适应度值最大的个体，最后一代种群中所述适应度值最大的个体即为车辆最优配送路径(最优解)。

上述的预设迭代次数可以选择600代，也可以根据需求对迭代次数进行调整。另外，筛选出最后一代种群中所述适应度值最大的个体后，最后一代种群中所述适应度值最大的个体中染色体编码顺序即为车辆最优的配送顺序；

为了更清楚的得知每辆车具体服务哪些客户节点，根据车辆的载重情况，对最后一代种群中所述适应度值最大的个体中染色体编码进行解码：首先在所述适应度值最大的个体中的染色体编码的首端和末端加入编码0(表示配送中心)，以0节点为起点，以车辆的最大载重为判断条件，在车辆无法满足下一客户节点的需求时插入0点，此时相邻两个0节点之间的客户节点顺序则为一辆车的配送顺序，然后以插入的0点为起点，以下一辆车的最大载重为判断条件，在该车辆无法满足下一客户节点的需求时再插入0点，直至所有的客户节点的需求均得到满足。即可得到完成全部配送任务所需的车辆以及各车辆所服务的客户。如图5示出了个体中染色体编码进行解码过程。如图6所示，给出了4辆车完成全部配送任务的过程以及各车辆所需要服务的客户节点。

需要说明的是，考虑到车辆的起始位置和终止位置必然是配送中心，所以进行解码时也可以不先在所述适应度值最大的个体中的染色体编码的首端和末端加入编码0，直接以个体编码首位为起点，以车辆载重为判断条件插入编码0。

本实施例中，引入多准则决策理论与改进的遗传算法相结合，综合考虑影响车辆配送路径的各种因素作为车辆路径模型目标，然后根据决策者偏好设置各目标权重进而输出适合实际情况的车辆配送路径。

实施例2

请参阅图7，本实施例提供了一种基于改进遗传算法的多目标车辆配送路径确定系统，包括：

数据获取模块T1，用于获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

准则参数计算模块T2，用于根据所述基本信息计算影响车辆配送路径的准则参数；

目标函数建立模块T3，用于根据所述准则参数建立目标函数；

所述目标函数建立模块T3具体包括：

以所述准则参数综合值最小为所述目标函数；所述准则参数包括行驶时间、碳排放量、燃油成本和道路风险；

所述目标函数表达式为：

F表示目标函数；w_t，w_c，w_e，w_r分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；t_i′_j，c_i′_j，e_i′_j，r_ij′分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；x_ijk为0-1规划，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。

最优的车辆配送路径确定模块T4，用于以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

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)

1.一种基于改进遗传算法的多目标车辆配送路径确定方法，其特征在于，包括：

获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

根据所述基本信息计算影响车辆配送路径的准则参数；

根据所述准则参数建立目标函数；

以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

2.根据权利要求1所述的方法，其特征在于，所述准则参数包括行驶时间、碳排放量、燃油成本和道路风险。

3.根据权利要求2所述的方法，其特征在于，所述行驶时间的计算公式为：

其中，t_ij表示任意两节点i和j之间的车辆行驶时间；d_ij表示任意两节点i和j之间的距离；v_ij表示任意两节点i和j之间车辆行驶速度；

其中，f(v)为车辆速度的概率密度函数；v_d为车辆拥堵速度；v_f为车辆自由流速度；v_m为介于车辆拥堵速度和车辆自由流速度之间的速度值；

所述碳排放量计算公式为：

其中，e_ij表示车辆通过任意节点i和j的碳排放量；参数{p,a,b,c,d,h,f}的取值与车辆类型有关。

4.根据权利要求2所述的方法，其特征在于，所述燃油成本的计算公式为：

其中，c_ij表示任意节点i和j之间的车辆燃油成本；γ表示燃油单价；ρ₀表示当车辆负载为零时正常行驶单位距离燃料消耗率；ρ₁表示当车辆满载时正常行驶单位距离燃料消耗率；G表示车辆载重；M表示货物重量；

所述道路风险计算方法为：

根据任意两节点i和j之间的道路交通标志设置比例、道路路面完好率、交叉口数量、车流量建立道路交通安全评价指标体系，对道路交通安全进行定量分析，得到任意两节点i和j之间的道路风险系数。

5.根据权利要求2所述的方法，其特征在于，所述根据所述准则参数建立目标函数，具体包括：

以所述准则参数综合值最小为所述目标函数；

所述目标函数表达式为：

F表示目标函数；w_t，w_c，w_e，w_r分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；t′_ij，c′_ij，e′_ij，r′_ij分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；x_ijk为0-1规划，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。

6.根据权利要求5所述的方法，其特征在于，所述目标函数的约束条件为每个客户有且仅由一辆车服务且每辆车所服务的客户需求总量不超过车辆载重。

7.根据权利要求1所述的方法，其特征在于，所述以所述目标函数为适应度函数，利用改进的遗传算法选择最优的车辆配送路径，具体包括：

对所述配送中心节点和各所述客户节点进行染色体编码；

通过洗牌算法对各所述客户节点随机排列生成随机个体，生成的所有所述随机个体作为初始种群；所述随机个体的数量达到预设的个体数量；以所述初始种群为当前群体；

以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值；

根据所述适应度值对当前群体中的个体进行选择操作，基于选择操作后的个体进行交叉和变异计算，将交叉变异后的个体作为所述新一代群体的个体；

所述新一代群体为所述当前群体，返回步骤“以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值”，直至种群迭代次数达到预设迭代次数，输出最后一代种群中所述适应度值最大的个体，最后一代种群中所述适应度值最大的个体即为车辆最优配送路径。

8.根据权利要求7所述的方法，其特征在于，利用改进顺序交叉算法对所述选择操作后的个体进行交叉计算，具体包括：

从所述选择操作后的个体中随机选择两个个体，记为个体P1和个体P2；

对所述个体P1和所述个体P2分别随机产生两个交叉点，记为交叉点X和交叉点Y；所述交叉点X和所述交叉点Y之间的基因记为交叉段基因；

将所述个体P1中的所述交叉点Y后的基因作为一个整体移至所述个体P1的首部，构成个体P11；将所述个体P2中的所述交叉点Y后的基因作为一个整体移至所述个体P2的首部，构成个体P22；

将个体P2中的所述交叉段基因移至所述个体P11的首部，同时消去所述个体P11中与所述交叉段基因相同的基因，构成个体PC1；

将个体P1中的所述交叉段基因移至所述个体P22的尾部，同时消去所述个体P22中与所述交叉段基因相同的基因，构成个体PC2。

9.一种基于改进遗传算法的多目标车辆配送路径确定系统，其特征在于，包括：

数据获取模块，用于获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

准则参数计算模块，用于根据所述基本信息计算影响车辆配送路径的准则参数；

目标函数建立模块，用于根据所述准则参数建立目标函数；

最优的车辆配送路径确定模块，用于以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径。

10.根据权利要求9所述的系统，其特征在于，所述目标函数建立模块具体包括：

以所述准则参数综合值最小为所述目标函数；所述准则参数包括行驶时间、碳排放量、燃油成本和道路风险；

所述目标函数表达式为：

F表示目标函数；w_t，w_c，w_e，w_r分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；t′_ij，c′_ij，e′_ij，r′_ij分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；x_ijk为0-1规划，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。

Images