CN112884254A - 一种汽车配送路径规划的优化方法 - Google Patents
一种汽车配送路径规划的优化方法 Download PDFInfo
- Publication number
- CN112884254A CN112884254A CN202110405386.4A CN202110405386A CN112884254A CN 112884254 A CN112884254 A CN 112884254A CN 202110405386 A CN202110405386 A CN 202110405386A CN 112884254 A CN112884254 A CN 112884254A
- Authority
- CN
- China
- Prior art keywords
- population
- city
- chromosome
- array
- sequence
- 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
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
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种汽车配送路径规划的优化方法,包括设置算法的超参数;获取并规范化TSPLIB数据集,并规定为*.csv格式的文档,且文档第一列为城市的横坐标,第二列为城市的纵坐标;将城市序列存储为数组,数组中行数代表染色体;根据指数尺度变换适应度函数,计算出当前种群的每一条染色体的个体适应度;根据适应度,选出此世代得以被保留的父代城市序列染色体;对选出的城市序列染色体,进行部分匹配交叉PMX即城市序列之间交换部分基因;对城市序列染色体进行染色体片段逆转变异操作,增强种群的基因多样性;重复上述步骤,直至满足:当前进化世代数≥终止世代数Ge,则跳出循环,根据当前基因型数组,输出城市规划路径及对应的最短路径计算结果。
Description
技术领域
本发明涉及汽车配送路径技术领域,尤其涉及一种汽车配送路径规划的优化方法。
背景技术
现有无约束的汽车配送路径规划问题,类似是一种“旅行销售商”问题,是经典的NP-Hard组合优化问题,它的描述如下:设一位商人需要到N个城市推销商品,依次不重复地访问每个城市,最终回到起始城市,求解其访问路线的最短回路。生活中的车辆交通路径规划问题、电路板布线问题、最短物流配送问题、车间调度问题等,都可抽象为TSP从而进行求解。比如电力系统巡检机器人的路径规划问题即可以建模成TSP问题,滴滴、顺丰、美团等公司经常面临的车辆调度问题也可以看成是在TSP的基础上叠加多种业务要求(多车辆、取送货等)及约束(容量约束、时间约束、续航里程约束等)。因此研究TSP具有较高的实际价值和理论意义。
该类问题的求解主要有完全算法、近似算法以及启发式算法三大方向。
完全算法如动态规划法、分支定界法等可以保证搜索到最优解。但由于其时间复杂度过高,且TSP问题的NP-hard属性,问题的解空间规模往往呈现指数级增长,因此完全算法在大规模问题上往往难以满足性能要求。
近似算法不保证找到问题的最优解,但是可以在多项式计算复杂度内严格保证所找到解的路径长度与最优解的路径长度之间的比值不超过一定上限,该上限被称为近似度。近似度越接近1,算法性能越好。
启发式算法能在可接受的时间、空间之内找到近似解。但对于较为复杂的非线性问题,传统的启发式算法,如:遗传算法、粒子群优化算法、模拟退火法、蚁群算法等,较为容易陷入局部最优。因此,如何有效优化启发式算法,改善其全局搜索能力,成为广大学者关注和研究的热点。
发明内容
为解决上述技术问题,本发明的目的是提供一种汽车配送路径规划的优化方法,该方法基于杰出精英保留机制(Elitist Reservation),在原有的遗传算法基础上,结合锦标赛选择、部分匹配交叉以及染色体逆转变异,其分别作为选择算子、交叉算子和变异算子。通过锦标赛选择,保留种群中的优势子代解;利用部分匹配交叉算子保留染色体中的优势基因;使用染色体逆转变异的方法,增强城市序列种群的基因多样性。算法在国际通用的TSPLIB库提供的数据集上进行方针测试,根据仿真得出的结果,在时间花销上远胜于传统的完全算法,在MER、BER等指标上,效果亦优于一般的遗传算法、差分进化算法、粒子群优化算法等。与以上算法相比,本算法具有更强的鲁棒性,其种群基因的多样性也得到了增强。
本发明的目的通过以下的技术方案来实现:
一种汽车配送路径规划的优化方法,包括
A设置算法的超参数;
B获取并规范化TSPLIB数据集,并规定为*.csv格式的文档,且文档第一列为城市的横坐标,第二列为城市的纵坐标;
C将城市序列存储为数组,数组中行数代表染色体;
D根据指数尺度变换适应度函数,计算出当前种群的每一条染色体的个体适应度;
E根据适应度,选出此世代得以被保留的父代城市序列染色体;
F对选出的城市序列染色体,进行部分匹配交叉PMX即城市序列之间交换部分基因;
G对城市序列染色体进行染色体片段逆转变异操作,增强种群的基因多样性;
F重复上述步骤D到G,直至满足:当前进化世代数≥终止世代数Ge,则跳出循环,根据当前基因型数组,输出城市规划路径及对应的最短路径计算结果。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明基于遗传算法,结合锦标赛选择、部分匹配交叉以及染色体逆转变异。在国际通用的TSPLIB95上的数据集仿真测试中取得较好的效果。根据仿真得出的结果,在时间花销上远胜于传统的完全算法,在MER、BER等指标上,效果亦优于一般的遗传算法、差分进化算法、粒子群优化算法等。与以上算法相比,本算法具有更强的鲁棒性,其种群基因的多样性也得到了增强。
附图说明
图1和图2是汽车配送路径规划的优化方法流程图;
图3是锦标赛选择策略计算图
图4a和4b为汽车配送路径规划的优化方法在数据集为51个城市的测试效果图;
图5a和5b为汽车配送路径规划的优化方法在数据集为76个城市的测试效果图;
图6a和6b为汽车配送路径规划的优化方法在数据集为100个城市的测试效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1和图2所示,为汽车配送路径规划的优化方法流程包括:
步骤10设置算法的超参数;
设置种群初始世代数为0,以及设置种群结束进化的世代数Ge;由于验证集上的城市数目不一致,故规定Ge的值等于城市数目的50倍,根据当前使用的数据集,动态变换Ge的值,染色体数目统一设置为100条。
步骤20获取并规范化TSPLIB数据集,并规定为*.csv格式的文档,且文档第一列为城市的横坐标,第二列为城市的纵坐标;此处使用的到的数据集包括:eil51、eil71、kroA100、kroB100、kroC100、kroD100。TSPLIB数据集如下:
步骤30将城市序列存储为数组,数组中行数代表染色体;
a、其行数则是超参数中染色体的条数(100条),列数则是当前数据集中城市的个数。每一行代表一个染色体,每条染色体代表一种城市序列的排列组合,种群的基因型数组:
步骤40进入移传算法的流程,根据指数尺度变换适应度函数,计算出当前种群的每一条染色体的个体适应度;
在算法初期运行中,为了维护种群多样性,可以降低种群个体之间的适应度差异程度;在算法运行后期中,为了保证优秀的个体遗传下去,要提高个体之间的适应度差异程度。针对以上需求,提出了指数尺度变换(Fitness Scaling)的办法,个体适应度的数据以数组的形式存储,个体适应度数组:
步骤50根据适应度,选出此世代得以被保留的父代城市序列染色体;
利用锦标赛选择(tournament selection)的方式,选出此世代得以被保留的父代城市序列染色体。锦标赛方法选择策略每次从种群中取出一定数量个体(成为竞赛规模),然后选择其中最好的一个进入子代种群。重复该操作,直到新的种群规模达到原来的种群规模。锦标赛选择策略会比轮盘赌选择策略有更好的通用性,而且性能更优,锦标赛选择策略如图3。
步骤60对选出的城市序列染色体,进行部分匹配交叉PMX(Partially MappedCrossover),即城市序列之间交换部分基因;
在PMX中,先依据均匀随机分布产生两个位串交叉点,定义这两点之间的区域为一匹配区域,并使用位置交换操作交换两个父串的匹配区域。
步骤70对城市序列染色体进行染色体片段逆转变异操作,增强种群的基因多样性;
步骤80重复上述步骤40到70,直至满足:当前进化世代数≥终止世代数Ge,则跳出循环,根据当前基因型数组,输出城市规划路径及对应的最短路径计算结果。城市规划路径和最短路径会被记录在进化追踪器trace中,同样也是以数组形式存储,种群进化追踪器数组为:
公式中:MAXGEN为种群进化的最大代数;数组中,没一列代表不同的指标,其中第一列a记录了各代种群的最佳目标函数值,第二列b记录了各代种群平均目标函数值,第三列c记录了种群的变异记录种群信息,最后一列w记录了进化过程中存储的优势区块信息;数组的每一行对应每一代,如第一行是第一代进化,第二行是第二代进化。
上述实施例是使用杰出精英保留机制(Elitist Reservation)的启发式遗传算法结合锦标赛选择、部分匹配交叉以及染色体逆转变异方法,不进保留种群中的优势子代解,同时也维持了染色体中的优势基因,但不失城市序列种群的基因多样性。有别于传统的遗传算法、差分进化算法、粒子群优化算法、模拟退火法等。与传统算法相比,本算法具有更强的鲁棒性,面对真实城市序列的案例效果也有保障。城市数据集读取方面使用了Pandas库进行序列文件的读和写以及规范操作,并提出使用城市坐标序列排序作为染色体的基因型,是一种较为新型的基因编码方式。
图4a和4b、图5a和图5b、图6a和6b分别为汽车配送路径规划的优化方法在数据集为51个城市、76个城市、100个城市的测试效果图。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种汽车配送路径规划的优化方法,其特征在于,所述方法包括:
A设置算法的超参数;
B获取并规范化TSPLIB数据集,并规定为*.csv格式的文档,且文档第一列为城市的横坐标,第二列为城市的纵坐标;
C将城市序列存储为数组,数组中行数代表染色体;
D根据指数尺度变换适应度函数,计算出当前种群的每一条染色体的个体适应度;
E根据适应度,选出此世代得以被保留的父代城市序列染色体;
F对选出的城市序列染色体,进行部分匹配交叉PMX即城市序列之间交换部分基因;
G对城市序列染色体进行染色体片段逆转变异操作,增强种群的基因多样性;
F重复上述步骤D到G,直至满足:当前进化世代数≥终止世代数Ge,则跳出循环,根据当前基因型数组,输出城市规划路径及对应的最短路径计算结果。
2.如权利要求1所述的汽车配送路径规划的优化方法,其特征在于,所述A中设置算法的超参数包括设置种群初始世代数为0,以及设置种群结束进化的世代数Ge。
5.如权利要求1所述的汽车配送路径规划的优化方法,其特征在于,所述步骤E中利用锦标赛选择的方式,选出此世代得以被保留的父代城市序列染色体;所述锦标赛选择策略每次从种群中取出一定数量个体,并从中选择最好的一个进入子代种群。
6.如权利要求1所述的汽车配送路径规划的优化方法,其特征在于,所述步骤F中匹配交叉PMX依据均匀随机分布产生两个位串交叉点,定义这两点之间的区域为一匹配区域,并使用位置交换操作交换两个父串的匹配区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405386.4A CN112884254B (zh) | 2021-04-15 | 2021-04-15 | 一种汽车配送路径规划的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405386.4A CN112884254B (zh) | 2021-04-15 | 2021-04-15 | 一种汽车配送路径规划的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884254A true CN112884254A (zh) | 2021-06-01 |
CN112884254B CN112884254B (zh) | 2022-09-30 |
Family
ID=76040040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405386.4A Active CN112884254B (zh) | 2021-04-15 | 2021-04-15 | 一种汽车配送路径规划的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884254B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971089A (zh) * | 2022-07-27 | 2022-08-30 | 湖南创亚信息科技有限公司 | 基于改进后蚁群算法的传统经销商最优配送路线优化系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931934A (zh) * | 2020-08-24 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于改进遗传算法的海量控制点下仿射变换求解方法 |
-
2021
- 2021-04-15 CN CN202110405386.4A patent/CN112884254B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931934A (zh) * | 2020-08-24 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于改进遗传算法的海量控制点下仿射变换求解方法 |
Non-Patent Citations (1)
Title |
---|
刘立波等: "遗传多目标优化算法及应用", 《电脑知识与技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971089A (zh) * | 2022-07-27 | 2022-08-30 | 湖南创亚信息科技有限公司 | 基于改进后蚁群算法的传统经销商最优配送路线优化系统 |
CN114971089B (zh) * | 2022-07-27 | 2022-10-25 | 湖南创亚信息科技有限公司 | 基于改进后蚁群算法的传统经销商最优配送路线优化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112884254B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miralinaghi et al. | Refueling station location problem with traffic deviation considering route choice and demand uncertainty | |
CN108921468B (zh) | 一种物流配送车辆智能排线方法 | |
CN111178582A (zh) | 一种基于改进遗传算法的物流配送优化方法 | |
CN112836892A (zh) | 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 | |
John et al. | An improved multi-objective algorithm for the urban transit routing problem | |
Fan et al. | A simple multi-objective optimization algorithm for the urban transit routing problem | |
CN109934405B (zh) | 基于模拟退火算法的有时限的多车型多车次路径规划方法 | |
Niu et al. | An improved learnable evolution model for solving multi-objective vehicle routing problem with stochastic demand | |
CN102506886B (zh) | 导航设备中实现路径规划的方法 | |
CN107092978B (zh) | 一种面向虚拟地球的最短路径分层规划方法 | |
CN110490393B (zh) | 结合经验与方向的出租车寻客路线规划方法、系统及介质 | |
CN112884254B (zh) | 一种汽车配送路径规划的优化方法 | |
CN112381284B (zh) | 一种无人接驳车多站点路径优化的改进遗传算法 | |
CN117252395A (zh) | 基于双染色体遗传算法的带服务约束多物流车调度方法 | |
CN113908551B (zh) | 导航路径的确定方法、装置、设备、存储介质及程序产品 | |
Wu et al. | Green vehicle routing problem: the tradeoff between travel distance and carbon emissions | |
Kaur et al. | Performance enhancement in solving traveling salesman problem using hybrid genetic algorithm | |
CN109359740B (zh) | 基于多生境遗传算法的机动路径优选方法及存储介质 | |
Zhang et al. | Genetic algorithms and the corridor location problem: multiple objectives and alternative solutions | |
CN102769806A (zh) | 光传送网的资源分配方法和装置 | |
Abbaspour et al. | An evolutionary solution for multimodal shortest path problem in metropolises | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
Niyomubyeyi et al. | An improved non-dominated sorting biogeography-based optimization algorithm for multi-objective land-use allocation: a case study in Kigali-Rwanda | |
CN105678421A (zh) | 一种基于遗传算法的指路标志指引可达性优化方法 | |
Dong et al. | Ant colony optimization for VRP and mail delivery problems |
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 |